声纹识别的方法、装置、设备、存储介质以及程序产品制造方法及图纸

本公开提供了一种声纹识别的方法、装置、设备、存储介质以及程序产品，涉及大数据以及语音识别等领域。具体实现方案为：获取多个对话音频，各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段；根据各对话音频对应的第一发言人的身份标识，将多个对话音频划分为多组，每组对话音频对应于相同的第一发言人；对目标组对话音频中各语音片段的声纹进行聚类，得到多个聚类结果；选取包含语音片段数量最多的聚类结果确定为候选聚类结果；将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。根据本公开的声纹识别的方法具有人力成本低、声纹的提取及识别效率高等优点，有利于缩减声纹库的建立周期。期。期。

【技术实现步骤摘要】
声纹识别的方法、装置、设备、存储介质以及程序产品


[0001]本公开涉及人工智能
，尤其涉及大数据和语音识别领域。

技术介绍

[0002]相关技术中，针对客服业务中所涉及的多个对话场景，在建立客服和客户的声纹库的过程中，通常采用人工方式对多个对话音频进行切割和标注，存在人力成本高、效率低以及建库周期长的缺陷。

技术实现思路

[0003]本公开提供了一种用于声纹识别的方法、装置、设备、存储介质以及程序产品。
[0004]根据本公开的一方面，提供了一种声纹识别的方法，包括
[0005]获取多个对话音频，各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段；
[0006]根据各对话音频对应的第一发言人的身份标识，将多个对话音频划分为多组，每组对话音频对应于相同的第一发言人；
[0007]对目标组对话音频中各语音片段的声纹进行聚类，得到多个聚类结果；
[0008]选取包含语音片段数量最多的聚类结果确定为候选聚类结果；
[0009]将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
[0010]根据本公开的另一方面，提供了一种声纹识别的装置，包括：
[0011]对话音频获取模块，用于获取多个对话音频，各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段；
[0012]分组模块，用于根据各对话音频对应的第一发言人的身份标识，将多个对话音频划分为多组，每组对话音频对应于相同的第一发言人；
[0013]聚类模块，用于对目标组对话音频中各语音片段的声纹进行聚类，得到多个聚类结果；
[0014]候选聚类结果确定模块，用于选取包含语音片段数量最多的聚类结果确定为候选聚类结果；
[0015]第一发言人声纹确定模块，用于将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
[0016]根据本公开的另一方面，提供了一种电子设备，包括：
[0017]至少一个处理器；以及
[0018]与该至少一个处理器通信连接的存储器；其中，
[0019]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
[0020]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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
[0021]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，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
[0022]根据本公开的技术具有人力成本低、声纹提取及识别效率高等优点，有利于缩减声纹库的建立周期。
[0023]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
[0024]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0025]图1是根据本公开实施例的声纹识别的方法的流程图；
[0026]图2是根据本公开实施例的对目标组对话音频中各语音片段的声纹进行聚类的具体流程图；
[0027]图3是根据本公开实施例的确定各第二发言人的具体流程图；
[0028]图4是根据本公开实施例的进行相似性比较的具体流程图；
[0029]图5是根据本公开实施例的根据比较结果确定第二发言人的声纹的具体流程图；
[0030]图6是根据本公开实施例的根据比较结果确定第二发言人的声纹的具体流程图；
[0031]图7是根据本公开实施例的声纹识别的装置的示意图；
[0032]图8是用来实现本公开实施例的声纹识别的方法的电子设备的框图。
具体实施方式
[0033]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和精神。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。
[0034]如图1所示，本公开实施例提供一种声纹识别的方法，该方法可以包括以下步骤：
[0035]步骤S101：获取多个对话音频，各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段；
[0036]步骤S102：根据各对话音频对应的第一发言人的身份标识，将多个对话音频划分为多组，每组对话音频对应于相同的第一发言人；
[0037]步骤S103：对目标组对话音频中各语音片段的声纹进行聚类，得到多个聚类结果；
[0038]步骤S104：选取包含语音片段数量最多的聚类结果确定为候选聚类结果；
[0039]步骤S105：将候选聚类结果对应的声纹确定为目标组对话音频对应的第一发言人的声纹。
[0040]根据本公开实施例的声纹识别的方法，可以针对通过电话信道或其他途径生成的对话音频数据，将对话音频数据中所涉及的双方对话人的声纹特征进行提取并识别，并根据识别出的各对话人的声纹特征，建立包含每个对话人的声纹特征的声纹库，以方便后续的声纹检索。
[0041]示例性地，本公开实施例的声纹识别方法可以涉及人工智能
，尤其可以应用在大数据以及语音识别技术等领域。具体地，可以在公安技侦领域、银行领域、保险领
域等领域中广泛应用，涉及客服(或接警员)与用户进行语音对话的业务场景。
[0042]例如，在步骤S101中，对话音频可以是任一客服与任一客户进行对话的音频数据。其中，第一发言人可以是任一客服，第一发言人的语音片段可以是客服的语音片段；第二发言人可以是任一客户，第二发言人的语音片段可以是客户的语音片段。并且，第一发言人的语音片段和第二发言人的语音片段存在时间间隔，即对话音频中不存在第一发言人和第二发言人同时发言的场景。
[0043]示例性地，第一发言人的身份标识可以通过对话音频的文件命名获取。第一发言人的身份标识可以为第一发言人的姓名、工号、电话或其他与第一发言人的身份存在唯一对应关系的标识。根据第一发言人的身份标识，可以确定出对话音频的对话双方中第一发言人的具体身份。
[0044]在步骤S102中，根据各对话音频的第一发言人的身份标识，将多个对话音频划分为多组，每组中的各个对话音频中的第一发言人的身份均相同。
[0045]例如，第一发言人可以包括三个客服，相应的，第一发言人的身份标识可以为客服A、客服B和客服C。根据各对话音频的第一发言人的身份标识，可以将多个对话音频划分为三组，即A组、B组和C组，其中，A组中各对话音频的第一发言人均为客服A，B组中各对话音频的第一发言人均为客服B，C组中各对话音频的第一发言人均为客服C。
[0046]可以理解的是，声纹(Voiceprint)是通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种声纹识别的方法，包括：获取多个对话音频，各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段；根据各对话音频对应的第一发言人的身份标识，将多个对话音频划分为多组，每组对话音频对应于相同的第一发言人；对目标组对话音频中各语音片段的声纹进行聚类，得到多个聚类结果；选取包含语音片段数量最多的聚类结果确定为候选聚类结果；将所述候选聚类结果对应的声纹确定为所述目标组对话音频对应的第一发言人的声纹。2.根据权利要求1所述的方法，其中，对目标组对话音频中各语音片段的声纹进行聚类，包括：对所述目标组对话音频中的各对话音频进行语音分割，得到第一语音片段和第二语音片段；分别对各所述第一语音片段和各所述第二语音片段进行声纹特征提取，得到多个声纹；对各所述声纹进行聚类，得到所述多个聚类结果。3.根据权利要求1所述的方法，将所述候选聚类结果对应的声纹确定为所述目标组对话音频对应的第一发言人的声纹之后，还包括：将所述目标组对话音频中各语音片段的声纹，与所述目标组对话音频对应的第一发言人的声纹进行相似性比较；根据比较结果确定与所述目标组对话音频所对应的各第二发言人的声纹。4.根据权利要求3所述的方法，其中，将所述目标组对话音频中各语音片段的声纹，与所述目标组对话音频对应的第一发言人的声纹进行相似性比较，包括：从目标组对话音频中获取目标对话音频；对所述目标对话音频进行语音分割，得到第一目标语音片段和第二目标语音片段；将所述第一目标语音片段的声纹与所述目标组对话音频对应的第一发言人的声纹进行相似性比较。5.根据权利要求4所述的方法，其中，根据比较结果确定与所述目标组所对应的各第二发言人的声纹，包括：在所述比较结果为不相似的情况下，将所述第一目标语音片段的声纹确定为所述目标对话音频对应的第二发言人的声纹。6.根据权利要求4所述的方法，其中，根据比较结果确定与所述目标组所对应的各第二发言人的声纹，包括：在所述比较结果为相似的情况下，将所述第二目标语音片段的声纹确定为所述目标对话音频对应的第二发言人的声纹。7.一种声纹识别的装置，包括：对话音频获取模块，用于获取多个对话音频，各对话音频中分别包括有第一发言人的语音片段和第二发言人的语音片段；分组模块，用于根据各对话音频对应的第一发言人的身份标识，将多个对话音频划分
为多组，每组对话音频对应于相同的第一发言人；聚类模块，用于对目标组对话音频中各语音片段...

【专利技术属性】
技术研发人员：赵情恩，曾新贵，熊新雷，陈蓉，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：