本發(fā)明屬于聲紋識別，涉及一種糾錯檢錯及自適應(yīng)技術(shù)，具體為一種基于改進(jìn)聲紋識別模型的流程方法。
背景技術(shù)：
1、聲紋識別技術(shù)是一種基于語音識別和語言模型的技術(shù)，它能夠識別個人的聲音特征，并把它與個人的身份信息聯(lián)系起來。它在多個領(lǐng)域有著很有效的應(yīng)用價值，比如說個人身份驗證、語音助手、醫(yī)療技術(shù)和警用安全監(jiān)控。語音信號是一種包含豐富的生理和行為特征的信息體，其中的生理和行為特征可以用來辨別個人獨特的聲音。生物特征包括個體的聲帶結(jié)構(gòu)、大小、形態(tài)、年齡和性格，這些都是影響一個人語言能力的重要因素；行為特征可能會受到語言、文化、社會背景、個人經(jīng)驗、個人喜好和個人情感的影響。這些特征綜合在一起，反映在語音信號中使得每個人的聲音都有著獨特的個性特點。影響聲音識別的因素多種多樣。目前，在涉及身體特征(如年齡差異)的語音識別方面，仍然難以準(zhǔn)確、靈活地識別不同人的聲音信息。因此，可以在聲音庫中進(jìn)行比對，分析聲紋是否受到年齡變化的影響，并針對該因素進(jìn)行相應(yīng)處理是至關(guān)重要的。
2、人的聲音同時也有著復(fù)雜的產(chǎn)生過程。首先是將來自肺呼出的氣體，通過喉腔的控制和聲帶的震動，從而產(chǎn)生人的基音，再受到口、鼻、咽、氣管等器官的共同作用產(chǎn)生聲音的變化，才成為人們所聽到的聲音。所以，聲紋識別構(gòu)成條件足夠復(fù)雜、獲取途徑方便、采集數(shù)據(jù)設(shè)備成本低，只需要有麥克風(fēng)等語音采集設(shè)備就可以錄入數(shù)據(jù)。聲音的識別技術(shù)目前已經(jīng)比較成熟，比如常用的模塊匹配法、最近鄰方法、神經(jīng)元網(wǎng)絡(luò)方法、vq聚類法等。但如果追求更加高效快捷識別，仍然需要提升聲紋識別的速度，在這一方面，目前還沒有非常成熟的學(xué)術(shù)研究概括，因而，本技術(shù)擬尋找一種能夠提升聲音識別速度的方案，通過使用優(yōu)先級排列的方法，使得經(jīng)常頻繁使用的音頻用戶，能夠比以往更快地被識別，從而可以提高聲紋識別的相關(guān)效率和準(zhǔn)確率。
3、因此，本技術(shù)針對于聲紋的識別方法流程進(jìn)行相關(guān)改進(jìn)，提出了一種基于深度學(xué)習(xí)的聲紋識別方法，能夠更好更有效地提高聲紋識別的準(zhǔn)確度，從而使聲紋識別技術(shù)在人們?nèi)粘Ｉ钪斜桓玫貞?yīng)用。
技術(shù)實現(xiàn)思路
1、針對上述問題，本發(fā)明提供了一種基于改進(jìn)深度學(xué)習(xí)聲紋識別的方法，將通過采用優(yōu)先級隊列以及后端校正的方法提高聲紋識別的準(zhǔn)確性。
2、本發(fā)明采用的技術(shù)方案如下：
3、一種基于改進(jìn)深度學(xué)習(xí)聲紋識別的方法，包括以下步驟:
4、s1、數(shù)據(jù)收集及預(yù)處理：收集語音信號，對語音信號進(jìn)行預(yù)加重、語音分幀、短幀語音加窗、靜音檢測；并劃分成訓(xùn)練集、驗證集和測試集；
5、s2、構(gòu)建模型：基于tdnn神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的x-vector系統(tǒng)，并將經(jīng)過預(yù)處理的語音信號輸入模型進(jìn)行訓(xùn)練；
6、s3、聲紋識別：輸入一段測試音頻，進(jìn)行聲紋識別，使用大頂堆形式的優(yōu)先級隊列存儲預(yù)存語音樣本，堆中的每個節(jié)點表示一個語音樣本，其優(yōu)先級由該樣本與測試語音的相似度決定，相似度越高，優(yōu)先級越高，節(jié)點越靠近堆頂；相似度越低，優(yōu)先級越低，節(jié)點越靠近堆底，測試語音首先與堆頂語音比對，之后按順序依次向下比對，直到找到最佳匹配或滿足停止條件，在比對過程中，如果發(fā)現(xiàn)新的樣本與測試語音的相似度更高，則需要更新堆結(jié)構(gòu)，重新調(diào)整優(yōu)先級，使用向下調(diào)整算法維護(hù)堆的性質(zhì)；
7、s4、若聲紋識別失敗，則對失敗原因進(jìn)行檢測，并將失敗原因告知用戶；
8、s5、若聲紋識別成功，則使用svc分類器進(jìn)行年齡檢測，若檢測年齡與記錄年齡的差異在±3歲內(nèi)，則視為檢測成功，若檢測年齡與記錄年齡的差異超過±3歲，則視為檢測失??；
9、s6、聲紋識別結(jié)果評價：若年齡檢測成功，將新樣本與歷史樣本比對，若新樣本與歷史樣本平均相似度介于75％到80％之間，則將新樣本特征與歷史樣本特征按權(quán)重加權(quán)平均，得到新的聲音樣本，若平均相似度低于75％，則提醒用戶進(jìn)行重新錄入，替換原歷史樣本，若相似度高于80％，則保持歷史樣本不變。
10、進(jìn)一步，所述步驟s2具體包括以下步驟：
11、s21、輸入特征：輸入為幀級別的聲學(xué)特征，取20-30ms的語音幀，步長10ms，特征維度為40-60維，包含一階、二階差分；
12、s22、提取動態(tài)特征：tdnn通過局部時間上下文窗口捕捉語音的動態(tài)特征；
13、s23、計算全局特征：將變長的幀級別特征轉(zhuǎn)換為固定維度的說話人特征；對tdnn輸出的所有幀計算均值和標(biāo)準(zhǔn)差，拼接后作為全局特征；
14、s24、降維處理：池化后的特征經(jīng)過多個全連接層，逐步降維，最后一層輸出為x-vector，作為說話人的嵌入向量；
15、s25、訓(xùn)練與推理：訓(xùn)練時，在x-vector后接一個softmax分類層，預(yù)測說話人id，推理時，丟棄分類層，直接使用x-vector進(jìn)行相似度計算。
16、進(jìn)一步，所述步驟s3具體包括以下步驟：
17、s31、計算待測語音與語音庫中預(yù)存語音的相似度
18、利用以下公式進(jìn)行響度歸一化：
19、
20、y′＝g·y
21、其中，g是增益因子，y是原始音頻信號，lufs(y)是音頻信號的綜合響度，以lufs為單位，ltarget是目標(biāo)響度水平，y'是歸一化后的音頻信號；
22、利用以下公式進(jìn)行梅爾歸一化
23、
24、其中，m′t,f是歸一化后的梅爾頻譜，mt,f是原始的梅爾頻譜，mmin是梅爾頻譜的最小值，mmax是梅爾頻譜的最大值；
25、利用以下公式計算相似度
26、combined_similarity＝ω1×similarity1+ω2×similarity2+...+ωn×similarityn
27、其中：wi是第i種相似度度量的權(quán)重，similarityi是第i種相似度度量的結(jié)果，combined_similarity為相似度的最終結(jié)果；
28、s32、使用大頂堆來管理預(yù)存語音的優(yōu)先級
29、s321、特征提?。簭念A(yù)存語音和測試音頻中提取特征向量；
30、s322、構(gòu)建大頂堆：初始化一個大頂堆，包含所有預(yù)存語音及其初始相似度得分；
31、s323、計算相似度并更新堆：計算每個預(yù)存語音與測試音頻的相似度，并根據(jù)相似度更新堆；
32、s324、進(jìn)行比對：依次從堆頂取出節(jié)點進(jìn)行比對，直到找到匹配的說話者或遍歷完所有節(jié)點。
33、進(jìn)一步，所述步驟s4包括噪聲檢測、分貝檢測和靜音檢測。
34、進(jìn)一步，步驟s6所述將新樣本特征與歷史樣本特征按權(quán)重加權(quán)平均，得到新的聲音樣本，具體的加權(quán)公式如下：
35、
36、ωhist＝1-ωnew
37、updated_features＝ωnew·new_features+ωhist·hist_features
38、其中，ωnew為新樣本權(quán)重，ωhist為歷史樣本權(quán)重，match_probaility為新樣本與歷史樣本平均相似度，new_features是新樣本提取的特征，hist_features是歷史樣本的特征。
39、有益效果：
40、1、本發(fā)明對于聲紋識別進(jìn)行改進(jìn)，引入了優(yōu)先級隊列的數(shù)據(jù)排列方法，使得速度增快，對用戶語音進(jìn)行識別，提高了聲音識別的準(zhǔn)確度，加大了聲紋的可辨識度。
41、2、本發(fā)明對于聲音識別進(jìn)行檢測，如若聲音識別失敗，該模型可以精確地指出用戶對于聲音的錄入在哪些方面需要改進(jìn)，如聲音有時候會被外界改變，因而該模型可以規(guī)避外界原因錯誤，從而提高識別的聲音匹配度。
42、3、本發(fā)明對于聲紋識別的后端可以進(jìn)行一定的糾正，聲紋識別成功后進(jìn)行糾正，在錄入時要填寫年齡，采用年齡的輔助標(biāo)準(zhǔn)，來反饋聲紋識別的成功與否，其模型提高了聲紋識別的保險性，使得聲紋識別的安全性更加被保障。
43、4、本發(fā)明對于聲紋識別進(jìn)行自適應(yīng)，考慮到年齡對應(yīng)的聲音會隨之改變，在該模型中，聲音不是一成不變，是具有更新能力的，系統(tǒng)能對聲音變化進(jìn)行更新，從而提高了聲音的可變化性，使得聲音能夠更持久地被利用，從而提高用戶的體驗感。