1.本公开涉及人工智能技术领域，尤其涉及语音识别技术，具体涉及一种声纹特征提取方法、装置、电子设备及存储介质。


背景技术：

2.人工智能是研究使计算机模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.在语音识别技术中，声纹特征提取是至关重要的。声纹特征提取一般可以包括用于提取前端特征(也称为低级特征)、用于提取说话人的特征(也称为高级特征)以及用于后端分类的各个模块。语音数据经过上述模块的处理后可以获得相应的识别结果。
4.然而，在声纹特征提取的过程中，往往会受到说话人自身与环境等多方面因素的干扰，这对声纹特征提取的准确率造成了一定影响。如何消除这些影响从而更准确地提取出说话人的声纹特征，已经成为近年来声纹特征提取技术中的热门研究领域。
5.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

6.本公开提供了一种声纹特征提取方法、装置、电子设备及存储介质。
7.根据本公开的一方面，提供了一种声纹特征提取方法，包括：获取关于说话人的初始声纹特征数据；基于初始声纹特征数据生成说话人的初始特征向量；生成对应于初始特征向量的协方差矩阵；基于初始特征向量和协方差矩阵，生成说话人的更新的特征向量，其中，更新的特征向量为初始特征向量根据高斯分布的后验均值向量；以及基于更新的特征向量提取说话人的声纹特征。
8.根据本公开的另一方面，提供了一种用于训练声纹特征提取模型的方法，包括：提供关于预定说话人的样本初始声纹特征数据；基于样本初始声纹特征数据生成预定说话人的样本初始特征向量；生成对应于样本初始特征向量的样本协方差矩阵；基于样本初始特征向量和样本协方差矩阵，生成预定说话人的更新的样本特征向量，其中，更新的样本特征向量为样本初始特征向量根据高斯分布的后验均值向量；基于更新的样本特征向量提取预定说话人的声纹特征；以及基于声纹特征获取用于更新声纹特征提取模型的网络参数，以训练声纹特征提取模型。
9.根据本公开的另一方面，提供了一种声纹特征提取装置，包括：获取单元，被配置为获取关于说话人的初始声纹特征数据；第一生成单元，被配置为基于初始声纹特征数据
生成说话人的初始特征向量；第二生成单元，被配置为生成对应于初始特征向量的协方差矩阵；第三生成单元，被配置为基于初始特征向量和协方差矩阵，生成说话人的更新的特征向量，其中，更新的特征向量为初始特征向量根据高斯分布的后验均值向量；以及提取单元，被配置为基于更新的特征向量提取说话人的声纹特征。
10.根据本公开的另一方面，提供了一种用于训练声纹特征提取模型的装置，包括：提供单元，被配置为提供关于预定说话人的样本初始声纹特征数据；第一样本生成单元，被配置为基于样本初始声纹特征数据生成预定说话人的样本初始特征向量；第二样本生成单元，被配置为生成对应于样本初始特征向量的样本协方差矩阵；第三样本生成单元，被配置为基于样本初始特征向量和样本协方差矩阵，生成预定说话人的更新的样本特征向量，其中，更新的样本特征向量为样本初始特征向量根据高斯分布的后验均值向量；样本提取单元，被配置为基于更新的样本特征向量提取预定说话人的声纹特征；以及网络参数获取单元，被配置为基于声纹特征获取用于更新声纹特征提取模型的网络参数，以训练声纹特征提取模型。
11.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令在被所述至少一个处理器执行时，使所述至少一个处理器执行如上所述的方法。
12.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。
13.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的方法。
14.根据本公开的一个或多个实施例，可以准确地提取说话人的声纹特征。
15.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
16.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
17.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统的示意图。
18.图2示出了根据本公开实施例的声纹特征提取方法的流程图。
19.图3示出了根据本公开实施例的用于训练声纹特征提取模型的方法的流程图。
20.图4示出了根据本公开实施例的声纹提取模型的示意图。
21.图5示出了根据本公开一个实施例的声纹特征提取装置的框图。
22.图6示出了根据本公开另一个实施例的声纹特征提取装置的框图。
23.图7示出了根据本公开实施例的用于训练声纹特征提取模型的装置的框图。
24.图8示出了能够应用于本公开实施例的电子设备的结构框图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
27.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
28.相关技术中，为了提取说话人的特征，所使用的方法一般可以包括基于无监督的混合高斯模型(gmm)，以及基于监督的深度神经网络(dnn)、卷积神经网络(cnn)等。上述方法所能带来的声纹特征提取效果相对较为有限，对于提升声纹特征提取的准确率存在瓶颈。
29.针对上述问题，根据本公开的一方面，提供了一种声纹特征提取方法。下面将结合附图详细描述本公开的实施例。
30.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
31.在本公开的实施例中，服务器120可以运行使得能够执行本公开的声纹特征提取方法的一个或多个服务或软件应用。
32.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
33.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
34.用户可以使用客户端设备101、102、103、104、105和/或106生成用于本公开的声纹特征提取方法的语音数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
35.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
36.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
37.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
38.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
39.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
40.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
41.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。
数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
42.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
43.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
44.图2示出了根据本公开实施例的声纹特征提取方法200的流程图。如图2所示，方法200可以包括如下步骤：
45.s202，获取关于说话人的初始声纹特征数据；
46.s204，基于初始声纹特征数据生成说话人的初始特征向量；
47.s206，生成对应于初始特征向量的协方差矩阵；
48.s208，基于初始特征向量和协方差矩阵，生成说话人的更新的特征向量，其中，更新的特征向量为初始特征向量根据高斯分布的后验均值向量；以及
49.s210，基于更新的特征向量提取说话人的声纹特征。
50.根据本公开的声纹特征提取方法，为了更准确地提取说话人的声纹特征，在生成了说话人的初始特征向量的基础上，利用能够表征初始特征向量在不同特征维度(例如，与说话人自身的口腔、声带等生理特性相关的相应特征维度，与说话时的环境及背景相关的相应特征维度等)之间的相关性的协方差矩阵，可以获得初始特征向量根据高斯分布的后验均值向量。该后验均值向量能够包含更丰富的声纹特征信息，以使得说话人的声纹特征能够被尽可能多地且充分地提取出来。因此，该后验均值向量作为在初始特征向量基础上的更新的特征向量，能够用于准确地提取说话人的声纹特征，从而提升声纹特征提取的准确率。
51.以下将对根据本公开的声纹特征提取方法的各个步骤进行详细描述。
52.在步骤s202，说话人可以是指待提取声纹特征的任意说话人。可以获取关于该说话人的初始声纹特征数据。
53.根据一些实施例，初始声纹特征数据可以是从关于说话人的音频数据提取的，并且初始声纹特征数据可以包括具有上下文关系的多个子特征数据，其中，所述多个子特征数据可以对应于音频数据的多个帧。
54.具体地，可以获取某个说话人的音频数据，并对该音频数据进行分帧。例如，可以将某个说话人的一段音频数据分帧为t帧音频数据(t为大于1的自然数)，并从该t帧音频数据中的每帧音频数据中提取相应的声纹特征数据以获得t个声纹特征数据。相应地，该t个声纹特征数据总体上对应于说话人的初始声纹特征数据，且每个声纹特征数据对应于一个子特征数据。
55.这里，为了能够获得与说话人的声纹特征在时间变化上相关的信息，考虑将音频数据分帧为多个音频帧，即t大于或等于2。相应地，该t个音频帧之间具有在时间上的上下文关系，因此从其提取出的特征数据、即t个子特征数据之间也具有时间上的上下文关系。例如，该t个子特征数据能够反映说话人在连续的若干个时间点(即t帧)上的声纹特征，而
这样的声纹特征对于不同的说话人可能是不同，故而能够成为特有的声纹特征。
56.以此方式，能够在声纹提取过程中纳入与说话人的声纹特征在时间变化上相关的信息，从而便于提取出声纹特征的更多信息，由此提升声纹特征提取的准确率。
57.在获取到音频数据之后，还可以进行各种预处理操作，包括去除噪声(如环境噪声、忙音、彩铃声等)以及数据增强(如混叠回声、改变速率(如语速变快或变慢)、时域频域随机掩盖等)等等。
58.从音频数据提取初始声纹特征数据可以通过已知的各种声纹特征提取技术进行，例如mfcc(梅尔频率倒谱系数)、fbank(滤波器组)、plp(感知线性预测)等。另外，还可以进行特征均值规整(减均值)。
59.需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
60.根据一些实施例，在步骤s204，可以将初始声纹特征数据输入至第一神经网络以获取初始特征向量，其中，初始特征向量包括具有时间上的上下文关系的、对应于多个子特征数据的多个第一元素。
61.第一神经网络可以是已知的各种类型的神经网络，例如tdnn(时间延迟神经网络)。由于神经网络可以拟合任意一种分布，因而无需预先设定需要满足的分布，而是依靠神经网络自身的学习能力得到相应计算结果。借助于神经网络对特征数据的多次映射，能够提升计算初始特征向量的准确率。
62.第一神经网络例如可以包括多层tdnn(带有relu(修正线性单元)激活函数)以及一层全连接层(带有relu激活函数)。在实际应用中，对于第一神经网络的选用，可以考虑效果和效率的折衷来选取适当的神经网络。
63.相应地，从初始声纹特征数据提取出的初始特征向量可以包括对应于t个子特征数据的t个第一元素，且该t个第一元素也可以具有时间上的上下文关系。
64.根据一些实施例，在步骤s206，可以将初始特征向量输入至第二神经网络以获取对应于初始特征向量的协方差矩阵，其中，协方差矩阵具有与初始特征向量的多个第一元素相对应的多个第二元素，且每个第二元素表征对应的第一元素在不同特征维度之间的相关性。
65.第二神经网络也可以是已知的各种类型的神经网络。例如，第二神经网络可以包括两层全连接层(带有relu激活函数)。根据实际情况，第二神经网络的层数可以适当选取，例如为2层至5层。
66.在本文中，第二神经网络也称为辅助全连接层，这是因为其以初始特征向量作为输入，而辅助地输出协方差矩阵以为后续应用归一化指数函数(softmax)做准备。
67.相应地，协方差矩阵可以具有与初始特征向量的t个第一元素相对应的t个第二元素。由于协方差可以用于表示不同维度的数据之间的相关性，因此协方差矩阵中的每个第二元素可以表征初始特征向量中的相应第一元素在不同特征维度之间的相关性。这里，初始特征向量的不同特征维度可以是指，例如与说话人自身的口腔、声带等生理特性相关的相应特征维度，与说话时的环境及背景相关的相应特征维度等。例如，协方差矩阵中的每个第二元素可以表征初始特征向量中的相应第一元素在口腔上的发音特征与声带上的发音特征之间的相关性。
68.以此方式，利用初始特征向量的协方差矩阵，可以将初始特征向量的不同特征维度之间建立联系，而不仅仅局限于各个单个特征维度上的特征信息，从而能够获得关于说话人的更加丰富的特征信息。
69.在一个示例中，可以在获得协方差矩阵后，将后续有关于协方差矩阵的计算采用对数方式，目的是为了将乘法计算转换为加法计算，从而降低计算量。
70.根据一些实施例，在步骤s208，可以对协方差矩阵应用softmax(归一化指数函数)以获得关于协方差矩阵的softmax值；以及可以将该softmax值与初始特征向量相乘以获得更新的特征向量。
71.由于softmax类似于归一化操作，在对协方差矩阵应用softmax之后，将所获得的softmax值与初始特征向量相乘也即进行加权平均，因此可以获得初始特征向量根据高斯分布的后验均值向量。
72.这里，后验均值向量可以理解为是基于说话人的实际声纹特征数据而获得的准确值。换言之，在假设说话人的声纹特征符合高斯分布的情况下，仅从先验概率并不能反映该高斯分布的具体形态如何。在如上所述获得后验均值向量的情况下，可以将说话人的声纹特征以高斯分布准确表达，从而便于准确提取出说话人的声纹特征。
73.在一个示例中，为了获得该后验均值向量，也可以将先验的均值与协方差初始化(例如初始化为0)以增加到如上的加权平均计算中。
74.另外，在初始声纹特征数据包括具有时间上的上下文关系的多个子特征数据的情况下，上述获得更新的特征向量的过程可以表示对初始特征向量中的具有时间上的上下文关系的多个第一元素进行时间上的聚合，以便于获得关于说话人的更加丰富的特征信息。
75.根据一些实施例，在步骤s210，可以通过嵌入操作对更新的特征向量进行映射以生成说话人的声纹特征。以此方式，能够基于包含更多特征信息的更新的特征向量来准确地提取说话人的声纹特征。
76.例如，可以通过将更新的特征向量输入到两层全连接层(带有relu激活函数)进行映射以生成说话人的声纹特征。
77.如上所述，根据本公开的声纹特征提取方法，为了更准确地提取说话人的声纹特征，在生成了说话人的初始特征向量的基础上，利用能够表征初始特征向量在不同特征维度(例如，与说话人自身的口腔、声带等生理特性相关的相应特征维度，与说话时的环境及背景相关的相应特征维度等)之间的相关性的协方差矩阵，可以获得初始特征向量根据高斯分布的后验均值向量。该后验均值向量能够包含更丰富的声纹特征信息，以使得说话人的声纹特征能够被尽可能多地且充分地提取出来。因此，该后验均值向量作为在初始特征向量基础上的更新的特征向量，能够用于准确地提取说话人的声纹特征，从而提升声纹特征提取的准确率。
78.根据本公开的实施例，还提供一种用于训练声纹特征提取模型的方法。
79.图3示出了根据本公开实施例的用于训练声纹特征提取模型的方法300的流程图。
80.如图3所示，方法300可以包括如下步骤：
81.s302，提供关于预定说话人的样本初始声纹特征数据；
82.s304，基于样本初始声纹特征数据生成预定说话人的样本初始特征向量；
83.s306，生成对应于样本初始特征向量的样本协方差矩阵；
84.s308，基于样本初始特征向量和样本协方差矩阵，生成预定说话人的更新的样本特征向量，其中，更新的样本特征向量为样本初始特征向量根据高斯分布的后验均值向量；
85.s310，基于更新的样本特征向量提取预定说话人的声纹特征；以及
86.s312，基于声纹特征获取用于更新声纹特征提取模型的网络参数，以训练声纹特征提取模型。
87.可以注意到的是，用于训练声纹特征提取模型的方法300中的步骤s304至s310的操作与结合图2所述的声纹特征提取方法200中的步骤s204至s210的操作类似，均用于提取说话人的声纹特征。
88.不同的是，在用于训练声纹特征提取模型的方法300中，步骤s302中的用于训练的数据是针对预定说话人的，即样本初始声纹特征数据，由此才能够针对特定说话人进行模型训练。相应地，需要对音频数据进行说话人标注，从而能够确定该音频数据是针对哪个特定说话人。
89.此外，用于训练声纹特征提取模型的方法300还包括在步骤s312中更新声纹特征提取模型的网络参数。换言之，利用在步骤s310中提取的声纹特征来更新网络参数，由此可以反复迭代多轮训练，直至网络收敛，从而完成模型的训练。相应地，可以将在步骤s310中提取的声纹特征输入到例如两层全连接层(带有relu激活函数)并进而输入到输出层，通过ce(交叉熵)准则计算损失，最后反向根据sgd(随机梯度下降)更新网络参数，这样迭代多轮至网络收敛以完成模型训练。
90.图4示出了根据本公开实施例的声纹提取模型400的示意图。以下将结合图2至图4来进一步说明根据本公开的声纹特征提取方法及用于训练声纹特征提取模型的方法。
91.如图4所示，声纹提取模型400可以包括编码器410、高斯后验推理模块420以及解码器430。
92.编码器410可以包括tdnn层411、全连接层412、以及辅助全连接层413。图4示意性地示出了辅助全连接层413包括第一辅助全连接层413
‑
1和第二辅助全连接层413
‑
2。然而，辅助全连接层413的层数可以根据实际情况适当选取。tdnn层411也可以是包含多层的神经网络，这可以根据实际情况适当选取。
93.tdnn层411和全连接层412一起可以对应于结合图2所述的第一神经网络，且辅助全连接层413可以对应于结合图2所述的第二神经网络。如图4所示，可以将从关于说话人的音频数据提取的初始声纹特征数据x输入至声纹提取模型400，其中，该初始声纹特征数据x可以包括具有时间上的上下文关系的多个子特征数据x1,x2,
…
x
t
，该多个子特征数据x1,x2,
…
x
t
可以对应于将音频数据分帧后的t帧。
94.注意的是，在声纹提取模型400的训练阶段，由于音频数据是标注过说话人的，因此初始声纹特征数据x为对应于特定说话人的样本初始声纹特征数据。而在声纹提取模型400的训练完成之后，在利用声纹提取模型400进行声纹特征提取时，音频数据可以是关于任意说话人的，因此初始声纹特征数据x也是关于任意说话人的。
95.如图4所示，初始声纹特征数据x＝{x1,x2,
…
,x
t
}经过tdnn层411和全连接层412(第一神经网络)之后获得了初始特征向量{z1,z2,
…
,z
t
}。此外，初始特征向量{z1,z2,
…
,z
t
}经过辅助全连接层413之后获得了对应于初始特征向量{z1,z2,
…
,z
t
}的协方差矩阵log{l1,l2,
…
,l
t
}(如上所述，为了便于计算，关于协方差矩阵的计算采用对数方式)。
96.初始特征向量{z1,z2,
…
,z
t
}中的每个第一元素z1,z2,
…
,z
t
可以包含不同特征维度上的特征信息。例如，z1,z2,
…
,z
t
中的每个(例如，以z1为例)可以包含例如与说话人的口腔、声带等生理特性相关的相应特征维度上的特征信息。因此，协方差矩阵中的对应第二元素{l1,l2,
…
,l
t
}(例如，对应地以l1为例)可以表征例如口腔上的发音特征与声带上的发音特征之间的相关性。
97.高斯后验推理模块420的操作可以对应于如上结合图2、图3所述的生成说话人的更新的特征向量，如图4所示的φs。在高斯后验推理模块420中，将协方差矩阵log{l1,l2,
…
,l
t
}进行softmax，接着与初始特征向量{z1,z2,
…
,z
t
}相乘以获得更新的特征向量φs。通过协方差矩阵log{l1,l2,
…
,l
t
}的softmax值与初始特征向量{z1,z2,
…
,z
t
}相乘也即进行了加权平均的操作，因此所获得的更新的特征向量φs也即初始特征向量根据高斯分布的后验均值向量，其是对说话人的声纹特征以高斯分布的更准确表达。
98.在一个示例中，也可以将先验的均值和协方差(μ
p
，l
p
)初始化为0以增加到如上的加权平均计算中，即l0＝0，z0＝0。
99.同时，在初始声纹特征数据x＝{x1,x2,
…
,x
t
}包括具有时间上的上下文关系的多个子特征数据{x1,x2,
…
,x
t
}的情况下，上述获得更新的特征向量φs的过程可以表示对初始特征向量{z1,z2,
…
,z
t
}中的具有时间上的上下文关系的多个第一元素z1,z2,
…
,z
t
进行时间上的聚合，故而也可称之为时间聚合。
100.注意的是，在声纹提取模型400的训练阶段，由于输入的初始声纹特征数据x为关于特定说话人的样本初始声纹特征数据，相应地，所获得的初始特征向量{z1,z2,
…
,z
t
}、协方差矩阵log{l1,l2,
…
,l
t
}和更新的特征向量φs也分别为针对该特定说话人的样本初始特征向量、样本协方差矩阵和更新的样本特征向量。
101.解码器430可以包括嵌入层431、全连接层432及输出层433。嵌入层431可以对更新的特征向量φs进行映射以生成说话人的声纹特征。
102.注意的是，在声纹提取模型400的训练阶段，可以进一步包括全连接层432和输出层433。可以将在嵌入层431提取的声纹特征输入到全连接层432并进而输入到输出层433(用于说话人分类)，通过ce(交叉熵)准则计算损失，最后反向根据sgd(随机梯度下降)更新网络参数，这样迭代多轮至网络收敛。在测试阶段，可以在嵌入层431提取声纹特征，然后通过余弦(cos)计算两两相似性。
103.以上结合图2至图4描述了本公开的声纹特征提取方法及用于训练声纹特征提取模型的方法。为了更充分地理解本公开，以下对本公开原理所基于的模型假设进行简要描述。
104.首先，对说话人的特征进行先验分布的假设：
105.1)模型：z
t
＝h+∈
t
106.2)隐变量：
107.3)不确定性：
108.其中，z
t
为模型生成变量，表示说话人的特征向量；h为隐变量，表示说话人的基础向量；∈
t
为残差变量，表示不同说话人的差异向量；μ、l分别为高斯分布中的均值和协方差，且z
t
、h和∈
t
都服从高斯分布。
109.基础向量h可以反映人群在若干特征属性(例如与口腔、声带、舌头、嘴唇等相关的若干特征维度)的平均值。残差变量∈
t
可以反映在这些特征属性之中的某些特征属性上(例如声带的震动频率)改变的扰动向量。基于该模型，可以表征任意说话人的特征。
110.由于基础向量h服从高斯分布，可以针对特定人群(例如1000个亚洲人)计算基础向量h的后验概率，由此来反映该人群关于基础向量h的高斯分布的具体形态。即，本公开中获取初始特征向量根据高斯分布的后验均值向量。
111.在给定关于特定人群的输入数据后，可以推导出基础向量h的后验概率分布为：
[0112][0113]
其中：
[0114][0115][0116]
这里，可以通过神经网络获得以及其中，f
enc
()和g
enc
()可以分别对应于如上所述的第一神经网络和第二神经网络。
[0117]
另外，声纹提取模型的训练过程也可以用如下的伪代码来表示：
[0118][0119]
其中，θ可以表示待更新的网络参数，如权重和偏置。θ可以通过参数g与学习力的乘积来计算，其中，参数g可以反映每次从一批数据(batch)学习到的变化量或更新量，且学习力可以代表变化幅度大小。在获得参数g之后，其可以被加到θ上(如权重和偏置上)以产生相应的改变，由此实现训练过程。
[0120]
根据本公开的另一方面，还提供了一种声纹特征提取装置。图5示出了根据本公开一个实施例的声纹特征提取装置500的框图。
[0121]
如图5所示，该装置500可以包括：获取单元502，被配置为获取关于说话人的初始声纹特征数据；第一生成单元504，被配置为基于初始声纹特征数据生成说话人的初始特征向量；第二生成单元506，被配置为生成对应于初始特征向量的协方差矩阵；第三生成单元508，被配置为基于初始特征向量和协方差矩阵，生成说话人的更新的特征向量，其中，更新的特征向量为初始特征向量根据高斯分布的后验均值向量；以及提取单元510，被配置为基于更新的特征向量提取说话人的声纹特征。
[0122]
根据一些实施例，初始声纹特征数据是从关于说话人的音频数据提取的，并且初始声纹特征数据包括具有时间上的上下文关系的多个子特征数据，其中，所述多个子特征数据对应于音频数据的多个帧。
[0123]
上述模块502至510所执行的操作与参考图2所描述的步骤s202至s210相对应，因此不再赘述其各个方面的细节。
[0124]
图6示出了根据本公开另一个实施例的声纹特征提取装置600的框图。图6所示的模块602至610可以分别对应于图5所示的模块502至510。除此之外，模块604至610还可以包括进一步的子功能模块，如下将具体说明。
[0125]
根据一些实施例，第一生成单元604可以包括：第一子单元6040，被配置为将初始声纹特征数据输入至第一神经网络以获取初始特征向量，其中，初始特征向量包括具有时间上的上下文关系的、对应于所述多个子特征数据的多个第一元素。
[0126]
根据一些实施例，第二生成单元606可以包括：第二子单元6060，被配置为将初始特征向量输入至第二神经网络以获取对应于初始特征向量的协方差矩阵，其中，协方差矩阵具有与初始特征向量的多个第一元素相对应的多个第二元素，且每个第二元素表征对应的第一元素在不同特征维度之间的相关性。
[0127]
根据一些实施例，第三生成单元608可以包括：第三子单元6080，被配置为对协方差矩阵应用归一化指数函数以获得关于协方差矩阵的归一化指数值；以及第四子单元6082，被配置为将归一化指数值与初始特征向量相乘以获得更新的特征向量。
[0128]
根据一些实施例，提取单元610可以包括：映射单元6100，被配置为通过嵌入操作对更新的特征向量进行映射以生成说话人的声纹特征。
[0129]
根据本公开的另一方面，还提供了一种用于训练声纹特征提取模型的装置。图7示出了根据本公开实施例的用于训练声纹特征提取模型的装置700的框图。
[0130]
如图7所示，该装置700可以包括：提供单元702，被配置为提供关于预定说话人的样本初始声纹特征数据；第一样本生成单元704，被配置为基于样本初始声纹特征数据生成预定说话人的样本初始特征向量；第二样本生成单元706，被配置为生成对应于样本初始特征向量的样本协方差矩阵；第三样本生成单元708，被配置为基于样本初始特征向量和样本协方差矩阵生成预定说话人的更新的样本特征向量，其中，更新的样本特征向量为样本初始特征向量根据高斯分布的后验均值向量；样本提取单元710，被配置为基于更新的样本特征向量提取预定说话人的声纹特征；以及网络参数获取单元712，被配置为基于声纹特征获取用于更新声纹特征提取模型的网络参数，以训练声纹特征提取模型。
[0131]
根据本公开的另一方面，还提供了一种电子设备，包括至少一个处理器；以及与所
述至少一个处理器通信连接的存储器，其中，存储器存储有能够被所述至少一个处理器执行的指令，所述指令在被所述至少一个处理器执行时，使所述至少一个处理器执行如上所述的方法。
[0132]
根据本公开的另一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行如上所述的方法。
[0133]
根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的方法。
[0134]
参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0135]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0136]
设备800中的多个部件连接至i/o接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙
tm
设备、1302.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
[0137]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如声纹特征提取方法。例如，在一些实施例中，声纹特征提取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的声纹特征提取方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行声纹特征提取方法。
[0138]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0139]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0140]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0141]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0142]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0143]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0144]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例
如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0145]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用，均符合相关法律法规的规定，且不违背公序良俗。本公开的意图是，应以使无意或未经授权的使用访问风险最小化的方式来管理和处理个人信息数据。通过限制数据收集并在不再需要时删除数据，从而将风险降到最低。需要说明的是，本技术中与人员有关的所有信息，均在人员知情且同意的情况下收集。
[0146]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。