声纹识别模型训练方法、声纹识别方法及相关设备技术

本申请提供一种声纹识别模型训练方法、声纹识别方法及相关设备，声纹识别模型训练方法，包括：将声纹数据依次输入至待训练模型进行多次迭代训练，得到声纹识别模型；其中，所述待训练模型包括L层网络层，L为大于1的整数；在第N次的迭代训练的过程中，包括以下步骤：将所述声纹数据依次经过L层所述网络层进行特征映射，输出声纹向量；在所述声纹向量对应的输出值满足预设条件的情况下，将经过第N次的迭代训练之后的待训练模型确定为声纹识别模型，其中，N为正整数。这样，提高了对样本的利用率，且提高了训练得到的声纹识别模型的准确度。提高了训练得到的声纹识别模型的准确度。提高了训练得到的声纹识别模型的准确度。

【技术实现步骤摘要】
声纹识别模型训练方法、声纹识别方法及相关设备


[0001]本申请涉及声纹识别
，尤其涉及到一种声纹识别模型训练方法、声纹识别方法及相关设备。

技术介绍

[0002]声纹识别作为可信的声纹特征认证技术，在身份认证、安全核验等诸多领域和场景中都有广阔的应用前景。但是语音很容易受到各种噪声环境、情绪、身体状况等外部环境和自身因素的影响，因此，提高声纹识别准确率，有着极为重要的现实意义。当前在声纹识别模型的训练过程中，对样本数据的利用率较低，从而导致训练得到的声纹识别模型的准确度较低。

技术实现思路

[0003]本申请实施例提供一种声纹识别模型训练方法、声纹识别方法及相关设备，以解决训练得到的声纹识别模型的准确度较低的问题。
[0004]为了解决上述技术问题，本申请是这样实现的：
[0005]第一方面，本申请实施例提供了一种声纹识别模型训练方法，包括：
[0006]将声纹数据依次输入至待训练模型进行多次迭代训练，得到声纹识别模型；
[0007]其中，所述待训练模型包括L层网络层，L为大于1的整数；在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种声纹识别模型训练方法，其特征在于，包括：将声纹数据依次输入至待训练模型进行多次迭代训练，得到声纹识别模型；其中，所述待训练模型包括L层网络层，L为大于1的整数；在第N次的迭代训练的过程中，包括以下步骤：将所述声纹数据依次经过L层所述网络层进行特征映射，输出声纹向量；在所述声纹向量对应的输出值满足预设条件的情况下，将经过第N次的迭代训练之后的待训练模型确定为声纹识别模型，N为正整数。2.根据权利要求1所述的方法，其特征在于，所述L层网络层包括：依次连接的第一网络层、第二网络层、第三网络层和第四网络层；所述将所述声纹数据依次经过L层所述网络层进行特征映射，输出声纹向量，包括：将所述声纹数据输入至所述第一网络层中进行特征映射，输出第一特征向量；将所述第一特征向量输入至所述第二网络层中进行特征映射，输出第二特征向量；将所述第二特征向量输入至所述第三网络层中进行特征映射，输出第三特征向量；将所述第三特征向量输入至所述第四网络层中进行特征映射，输出所述声纹向量；其中，所述第一特征向量、所述第二特征向量、所述第三特征向量和所述声纹向量的维度依次递增。3.根据权利要求2所述的方法，其特征在于，所述第一网络层、所述第二网络层、所述第三网络层和所述第四网络层均包括相互连接的线性层和block块。4.根据权利要求3所述的方法，其特征在于，所述第一网络层、所述第二网络层、所述第三网络层和所述第四网络层包括的block块的数量均为多个。5.根据权利要求2所述的方法，其特征在于，所述L层网络层还包括：融入层，所述融入层与所述第一网络层连接；所述将所述声纹数据输入至所述第一网络层中进行特征映射，输出第一特征向量之前，所述方法还包括：将预先获取的待训练特征输入至所述融入层进行特征提取，得到所述声纹数据，其中，所述待训练特征的维度大于所述声纹数据的维度。6.根据权利要求1所述的方法，其特征在于，所述预设条件包括：声纹向量对应的输出值与声纹数据对应的实际值的差值位于预设范围内。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述声纹数据为fbank80特征。8.一种声纹识别方法，其特征在于，所述方法包括：获取待识别用户的目标声纹数据；将所述目标声纹数据输入至声纹识别模型包括的L层网络层进行特征映射，...

【专利技术属性】
技术研发人员：孟庆林，蒋宁，吴海英，王洪斌，刘敏，陈燕丽，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：