声纹识别模型的训练方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109801636A(43)申请公布日2019.05.24(21)申请号201910087459.2(22)申请日2019.01.29(71)申请人北京猎户星空科技有限公司地址100025北京市朝阳区姚家园南路一号惠通时代广场8号(72)发明人乔登科(74)专利代理机构北京同达信恒知识产权代理有限公司11291代理人黄志华(51)Int.Cl.G10L17/04(2013.01)G10L17/08(2013.01)G10L17/18(2013.01)G10L17/02(2013.01)权利要求书2页说明书7页附图3页(54)发明名称声纹识别模型的训练方法、装置、电子设备及存储介质(57)摘要本发明公开了一种声纹识别模型的训练方法、装置、电子设备及存储介质，所述方法包括：获取一个训练集，训练集中包括用户的音频数据；将训练集中各音频数据对应的声学特征向量分别输入声纹识别模型，得到训练集中每个音频数据对应的声纹特征向量和预测概率分布；根据训练集中每个音频数据对应的预测概率分布和每个音频数据对应的真实概率分布，计算交叉熵损失；根据训练集中每个音频数据对应的声纹特征向量和用户标识对应的参考声纹特征向量，计算中心损失；根据交叉熵损失和中心损失，更新声纹识别模型的模型参数。本发明实施例的技术方案，能够同时实现降低同一用户的声纹特征距离和增加不同用户的声纹特征距离两个优化目标。CN109801636ACN109801636A权利要求书1/2页1.一种声纹识别模型的训练方法，其特征在于，包括：获取训练集，所述训练集中包括用户的音频数据；将所述训练集中各音频数据对应的声学特征向量分别输入声纹识别模型，得到所述训练集中每个音频数据对应的声纹特征向量和预测结果，所述预测结果为用于表征所述音频数据属于各用户的预测概率分布；根据所述训练集中每个音频数据对应的预测概率分布和所述每个音频数据对应的真实概率分布，计算交叉熵损失，所述交叉熵损失用于表征同一音频数据的预测概率分布与真实概率分布间的差异度，所述真实概率分布用于表征所述音频数据真实属于的用户；根据所述训练集中每个音频数据对应的声纹特征向量和所述每个音频数据对应的用户标识对应的参考声纹特征向量，计算中心损失，所述中心损失用于表征同一用户的声纹特征向量与参考声纹特征向量间的差异度；根据所述交叉熵损失和所述中心损失，更新所述声纹识别模型的模型参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述交叉熵损失和所述中心损失，更新所述声纹识别模型的模型参数，包括：将所述交叉熵损失和所述中心损失进行加权得到联合损失，根据所述联合损失更新所述声纹识别模型的模型参数。3.根据权利要求1所述的方法，其特征在于，所述根据所述训练集中每个音频数据对应的声纹特征向量和所述每个音频数据对应的用户标识对应的参考声纹特征向量，计算中心损失，包括：针对所述训练集中每个音频数据，计算所述音频数据对应的声纹特征向量与所述音频数据对应的用户标识对应的参考声纹特征向量之间的距离值；对所述训练集中所有音频数据对应的距离值进行求和，得到中心损失。4.根据权利要求1所述的方法，其特征在于，确定所述用户标识对应的参考声纹特征向量的方法包括：针对每个用户标识，从所述训练集中获取与所述用户标识对应的音频数据，根据获取的音频数据对应的声纹特征向量，确定所述用户标识对应的参考声纹特征向量。5.根据权利要求1至4中任一所述的方法，其特征在于，所述声纹识别模型为深度神经网络，所述深度神经网络的输出层包含的节点的数量等于用户类别的总数；所述声纹特征向量为所述深度神经网络的输出层的前一层网络输出的向量；所述预测结果为所述深度学习网络的输出层输出的向量；所述模型参数为所述深度神经网络中各层网络之间的权重参数和偏置参数。6.一种声纹识别模型的训练装置，其特征在于，包括：数据获取模块，用于获取训练集，所述训练集中包括用户的音频数据；识别模块，用于将所述训练集中各音频数据对应的声学特征向量分别输入声纹识别模型，得到所述训练集中每个音频数据对应的声纹特征向量和预测结果，所述预测结果为用于表征所述音频数据属于各用户的预测概率分布；交叉熵损失模块，用于根据所述训练集中每个音频数据对应的预测概率分布和所述每个音频数据对应的真实概率分布，计算交叉熵损失，所述交叉熵损失用于表征同一音频数据的预测概率分布与真实概率分布间的差异度，所述真实概率分布用于表征所述音频数据2CN109801636A权利要求书2/2页真实属于的用户；中心损失模块，用于根据所述训练集中每个音频数据对应的声纹特征向量和所述每个音频数据对应的用户标识对应的参考声纹特征向量，计算中心损失，所述中心损失用于表征同一用户的声纹特征向量与参考声