一种声纹识别方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种声纹识别方法、装置、设备及存储介质。


背景技术：

2.随着计算机技术的发展，在业务实践中和实验中人们发现，每个人所特有的声纹特征具有唯一性，且在一定时间段内有较稳定、不会丢失也不会被轻易地伪造和假冒的特性。所以，声纹特征识别技术这种独特的优势使其被认为是优越的身份验证技术，使用声纹特征识别技术会使金融业务场景的安全性、便捷性有很大的提升，例如在登录、支付场景、信贷、银行、证券等金融领域的辅助身份验证环节，使得通过声纹识别提取声纹特征来满足用户的各种需求。
3.现有技术的声纹识别技术由于语音信号的不稳定性、噪音的干扰或者获取说话人语音能有效用于训练的数据集非常有限，且声纹会因为说话人的心情、年龄以及身体状况等其他不稳定因子的约束影响，让声纹特征的有效性削弱。由于提取说话人语音信号的声纹特征不准确且提取方法不够成熟，使得用户在登录、支付场景、信贷、银行、证券等金融领域的辅助身份验证环节出现偏差，导致验证失败。由此，在进行语音信号的声纹识别过程中识别精准度仍然需要提高。上述现有技术中常用的语音信号声纹识别主要还是基于传统的语音特征提取方法，如：mfcc、fbank等，这样的语音信号声纹识别方法识别精准度仍然不高或过于复杂的模型增加了延时而无法应用于金融场景的身份验证方面，影响用户的体验和感受，造成声纹识别效果欠佳。因此，如何提高金融场景中身份验证的声纹识别过程中识别精准度，提取较高的声纹特征，已成为本领域技术人员亟待解决的技术问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种声纹识别方法、装置、设备及存储介质，以解决如何提高金融场景中身份验证的声纹识别过程中识别精准度，且提取较高的声纹特征的问题。
5.本技术实施例的第一方面提供了一种声纹识别方法，所述声纹识别方法包括：
6.获取待识别的实时语音信息，提取所述实时语音信息的低层声纹特征，所述实时语音信息为n个说话人中的每个说话人的m条语音信息；
7.将所述低层声纹特征输入至预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征；
8.对所述高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；
9.通过预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。
10.本技术实施例的第二方面提供了一种声纹识别装置，所述声纹识别装置包括：
11.获取模块，用于获取待识别的实时语音信息，提取所述实时语音信息的低层声纹特征，所述实时语音信息为n个说话人中的每个说话人的m条语音信息；
12.提取模块，用于将所述低层声纹特征输入至预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征；
13.转换模块，用于对所述高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；
14.获得模块，用于通过预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。
15.第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的声纹识别方法。
16.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的声纹识别方法。
17.综上所述，本发明提供了一种声纹识别方法、装置、设备及存储介质，可应用于金融领域中的身份验证。获取待识别的实时语音信息，提取实时语音信息的低层声纹特征，且实时语音信息为n个说话人中的每个说话人的m条语音信息，将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征，对高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量，通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，以得到最终的目标声纹特征，其预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。因此，本技术通过采用声纹特征提取模型结合端到端损失函数，更好的利用了输出层和输入层中每一节点相关的上下文特征信息，通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，将训练后的声纹特征向量建立相似度矩阵，比较不同说话人声纹特征嵌入向量与所有说话者的质心之间相似度，来增大不同说话人的类间距离，减小相同说话人的类内距离，得到目标声纹特征，从而更为准确地确定出语音信息所归属的目标说话人，完成金融场景中登录、支付、业务、信贷等场景的身份验证，提高了声纹识别的精度，进一步地，提升了特征提取的准确性，达到增强语音声纹识别的效果。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明一实施例提供的一种声纹识别方法的一应用环境示意图；
20.图2是本发明一实施例提供的一种声纹识别方法的流程示意图；
21.图3是本发明一实施例提供的一种声纹识别方法的部分流程示意图；
22.图4是本发明一实施例提供的一种声纹识别装置的结构示意图；
23.图5是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
26.还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
27.如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0028]
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0030]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0031]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0032]
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0033]
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
[0034]
本发明一实施例提供的一种声纹识别方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、个人数字助
理(personal digital assistant，pda)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0035]
参见图2，是本发明一实施例提供的一种声纹识别方法的流程示意图，上述声纹识别方法可以应用于图1中的服务端，上述服务端连接相应的客户端，如图2所示，该声纹识别方法可以包括以下步骤。
[0036]
s201：获取待识别的实时语音信息，提取实时语音信息的低层声纹特征，所述实时语音信息为n个说话人中的每个说话人的m条语音信息。
[0037]
在步骤s201中，本技术实施例提供的声纹识别方法可以应用于自然语言处理场景(natural language processing，简称nlp)中，在获取待识别的实时语音信息过程中，可以通过金融场景中的一些客户端或终端设备采集用户语音信号，通过分析用户语音信息获取用户的声纹特征和语义，进而得到目标实时语音信息。其中终端设备可以为安装有语音采集、分析、交互和通信功能软件app的装置，或，具备语音采集、分析、交互和通信功能的装置；客户端可以为语音采集、分析、交互和通信功能的软件app。这里的目标实时语音信息中包括至少一个说话人所对应的语音信息，一个说话人的语音信息可以为一条或多条，通过采取目标实时语音信息，来实现金融场景中的身份验证，本技术中目标实时语音信息为n个说话人中的每个说话人的m条语音信息，具体在进行金融场景中登录、支付、业务、信贷等场景的身份验证时，需要采集多少说话人、多少语音信息，本技术实施例对此不做限定。需要强调的是，为进一步保证上述目标实时语音信息的私密和安全性，增强身份验证的准确性，上述实时语音信息还可以存储于一区块链的节点中。
[0038]
可选地，提取实时语音信息的低层声纹特征，包括：
[0039]
获取待识别的实时语音信息，滤除所述实时语音信息中的静音信息和噪声信息，并对不同说话人的语音信息进行标注；
[0040]
通过频谱变换将每个实时语音信息进行预处理，得到语音信号频谱；
[0041]
根据所述语音信号频谱通过声学处理，得到低层声纹特征，其中，所述低层声纹特征为语音信息的比较冗余的特征，即语音信息的不够精炼的特征。
[0042]
具体地，通过金融场景中的客户端采集待识别的实时语音信息，来滤除实时语音信息中的静音信息和噪声信息，例如，在进行在业务沟通中，会出现其他人的声音或者一些环境噪音，因此就需要对这些声音进行滤除，并对不同说话人的语音信息进行标注，依据声音信息通过频谱变换，得到语音信号频谱，依据语音信号频谱通过声学处理，得到声学特征，即就是将待识别的实时语音信息进行语音信号预处理，提取mel频谱，将其对应的梅尔频率倒谱系数(mel frequency cepstrum coefficient，mfcc)作为待识别实时语音信息的频谱信息，以此得到低层声纹特征。
[0043]
本技术实施例中，滤除实时语音信息中的静音信息和噪声信息可通过语音端点检测滤除每段音频的静音段和噪声段，以此来保留含有说话人语音的音频片段作为待训练语音片段，并对保留的不同说话人的语音信息进行标注，可以标注其是否属于同一说话人。在获得多个标注后的语音信息之后，可将每个语音信息切割成2-4秒长度不等的小片段，利用librosa采取fbank特征，按帧提取每个小片段语音的低层声纹特征，即通过梅尔频率倒谱系数(mel frequency cepstral coefficents，mfcc)提取每个语音信息中的声学特征信息。具体地，可采用40维的mfcc特征，其中帧长为25毫秒、帧移为10毫秒，并对mfcc采用滑动
的方式去除均值，且滑动窗长为3秒，进而获得多个低层声纹特征。
[0044]
其中，低层声纹特征就是fbank特征，即指语音信号的比较冗余的特征，即语音信号的不够精炼的特征，例如输入的语谱图的边缘、线条和角等。也就是说，根据语音信号的该低层特征，不能很明确的区分不同说话人。可以理解的是，低层声纹特征是提取语音信号的特征信息的过程中获取的一个中间变量，低层声纹特征是神经网络模型对输入的信息进行轻度(或者浅度)学习得到的。示例性的，可以通过将神经网络模型设置为轻度神经网络模型，来实现获取该低层声纹特征。作为具体的例子，神经网络模型可以包括较少层的隐藏层，例如1层，2层等，本技术实施例对此不做限定。
[0045]
本技术实施例中，通过获取待识别的实时语音信息，提取实时语音信息的低层声纹特征，在提取过程中，能更快速直接对待识别的实时语音信息进行处理，进而能够提高识别的实时语音信息的效率，优化提取声纹特征。
[0046]
s202：将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征。
[0047]
在步骤s202中，本技术中通过对实时语音信息进行预处理后，以此得到实时语音信息对应的低层声纹特征，然后将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征。
[0048]
可选地，将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征，包括：
[0049]
引入注意力机制，将注意力机制与深度卷积神经网络结合，构建完整的预训练的声纹特征提取模型；
[0050]
将所述低层声纹特征输入至完整的预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征，其中，所述高层声纹特征为声纹特征提取模型提取的语音信息的比较准确的特征，即语音信息的精炼的特征。
[0051]
可以理解的是，本技术中通过将注意力机制引入深度卷积神经网络中，注意力机制通过两个全连接层a和b相乘实现，其中全连接层b作为注意力权重，其权重是a的权重经过softmax后得到的符合概率分布取值区间的注意力分配概率分布数值。然后全连接层相乘的形式引入权重的注意力机制，然后以全连接层实现分类。这里的深度卷积神经网络transformer每个block由一层自注意力层，一层残差连接，一层一维卷积，一层线性层构成。在声纹特征提取模型的构建过程中，本技术中自注意力层用于实现注意力机制，残差连接用于増加了卷积网络的深度，使网络保持对语音信息的最佳表征能力，实现对语音信息的捕捉，一维卷积层用来提取语音信息的声纹特征，线性层用来对一维声纹特征向量进行限量组合，另外还可以增加池化层用来进一步提取主要特征以及减少参数，由于传统的循环神经网络当序列较长时会遗忘较早的信息，所以我们会引入注意力attention机制，并通过一维卷积来获得局部视野，以达到特征的更好的表示。并且该注意力机制池化层不仅把不同长度输入的帧级别特征转化为固定长度的段级别的嵌入向量embedding，而且采用注意力机制也使特征对噪声更加鲁棒。其中，深度卷积神经网络transformer是用于对有干扰的语音信息进行语音帧间注意力计算，得到具有时序关系且包含上下文关系的有损语音特征向量。
[0052]
本技术实施例中，高层声纹特征为声纹特征提取模型提取的语音信息的比较准确
的特征，即语音信息的精炼的特征。高层声纹特征即声纹特征提取模型中提取的语音信息的比较准确的特征，即语音信息的精炼的特征。也就是说，相对于根据语音信息的低层声纹特征而言，根据语音信息的高层声纹特征可以更能明确的区别不同说话人。换句话说，语音信号的高层声纹特征即语音信息的能够用于生成声纹模板的目标特征信息，或者能够用于与声纹模板进行匹配的特征信息。
[0053]
本实施例中，通过将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征，这样为后面输入模型训练时，即不会占用过多资源，而且方便模型处理，加快处理速度，提高了识别的准确度。以便于后续对高层声纹特征的处理以及为判断实时语音信息进行预处理后是否存在信息损失提供依据。
[0054]
s203：对高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量。
[0055]
在步骤s203中，在声纹特征提取模型中，将高层声纹特征进行嵌入向量转换处理，每条语音被映射为一个k维的嵌入向量对，以此得到对应的声纹特征向量。如果不对模型中的高层声纹特征进行嵌入向量转换处理，就得不到声纹特征向量，也就不会执行s204进行有损计算，首先对高层声纹特征赋值为一个共享的学习向量或一个固定的非零向量，然后对高层声纹特征进行嵌入向量转换处理，得到其对应的特征向量。具体的，在对于特征编码器输出的向量h，可以根据记录嵌入向量的位置信息，对高层声纹特征加入统一的一个可以学习到的向量i，最后对高层声纹特征加上位置向量编码，以此得到特征表示z。
[0056]
本实施例中，通过声纹特征提取模型中隐层的权重矩阵对高层声纹特征进行计算，得到梯度下降处理后的候选声纹特征向量，并通过声纹特征提取模型中输出层的回归分类器对候选声纹特征向量进行回归分类处理，将候选声纹向量整合为权值，得到对应的声纹特征向量，该声纹特征向量可为词嵌入向量，也可为句嵌入向量。若该声纹特征提取模型所得的声纹特征向量为词嵌入向量，则通过预置的递归神经网络按照一个预设的外部拓扑结构(比如成分句法树)对词嵌入向量的声纹特征向量进行递归处理，得到词嵌入向量的声纹特征向量，以对高层声纹特征进行嵌入向量转换的表述representation处理。当本文所建立声纹特征提取模型中嵌入一个评估话语xj和m个注册话语x
km
的元组，其中m＝1,
……
m；对对高层声纹特征进行嵌入向量转换处理实现归一化公式为：
[0057][0058]
其中，i是不同的说话人，例如数据集中总共有300个说话人，i的值取[1,300]，不同的数值对应不同的说话人，j表示不同的语音，数据集中说话人的语句，例如某个说话人有20句话，j的值则取[1,20]，不同的值代表不同的语句，e
ji
为不同说话人中的m条语音信息的网络输出结果归一化后的声纹特征向量，即第i个人第j句话的声纹特征向量表示值，x表示模型的输入数据。x
ji
表示具体的第i个人第j句话作为输入，w是网络的权重参数，f(x
ji
；w)为第i个人第j句话在模型所占权重参数的输入值，||f(x
ji
；w)||2为第i个人第j句话在模型所占权重参数的正输入值，通过归一化计算进行嵌入向量转换处理以此得到每个说话人中的m条语音信息的声纹特征嵌入向量。
[0059]
具体地，将低层声纹特征输入至预先训练的声纹特征提取模型中训练，这是一个循环训练的过程，并且采用监督学习的方式。将大量的训练低层声纹特征作为声纹特征提取模型的输入，以此得到提取m条语音信息中每条语音信息的高层声纹特征，然后再通过声
纹特征提取模型中对m条语音信息中每条语音信息的高层声纹特征进行进行嵌入向量转换处理，得到m条语音信息中每条语音信息对应的声纹特征向量，以确保声纹特征提取模型进行提取声纹特征向量的准确性，降低了系统复杂性。
[0060]
s204：通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。
[0061]
在步骤s204中，在获得声纹特征向量后，通过预置的损失函数中的余弦相似度矩阵损失函数对声纹特征向量数据进行计算处理，得到初始向量数据，在通过梯度反向传播算法对初始向量数据进行计算，以此得到目标声纹数据。
[0062]
可选地，预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数，包括：
[0063]
计算每个说话人的m条语音信息得到的声纹特征向量的平均值的质心；
[0064]
通过余弦相似性对所述每条语音信息的声纹特征向量与其对应m条语音信息得到的质心之间的距离进行计算，得到相似度得分；
[0065]
根据所述相似度得分构成相似度矩阵；
[0066]
基于所述相似度矩阵，确定声纹特征向量的损失函数。
[0067]
具体地，首先通过计算每个说话人的m条语音信息得到的声纹特征向量的的平均值的质心，其中，该声纹特征向量的平均值的质心计算公式为：
[0068][0069]
其中，ck为表示第k个类别的质心向量，k为选定的类别个数，m为数据中说话人的语音个数，i是不同的说话人，e
ki
为第i个说话人关于第k个类别的声纹特征向量值，为所有说话人的语音个数关于第k个类别的声纹特征向量值。
[0070]
然后通过余弦相似性计算每条语音信息的声纹特征向量与其对应m条语音信息得到的质心之间的之间距离，得到相似度得分，依据相似度得分构成相似度矩阵，即每条语音信息的声纹特征嵌入向量与n个质心做一个余弦相似性计算得到相似性矩阵，相似性矩阵也就是每语音信息的声纹特征嵌入向量与每个质心求相似性得分，然后m条语音，n个说话人就会得到一个m*n的矩阵
[0071]
其中，该余弦相似性计算公式为：
[0072]sji,k
＝w*cos(e
ji
,ck)+b
[0073]
其中，s
ji,k
为计算得到的相似值，第i个人的第j句话和第k个类别的质心向量之间计算余弦距离，i是不同的说话人，j表示不同的语音，ck为表示第k个类别的质心向量，k为选定的类别个数，e
ji
为不同说话人中的m条语音信息的网络输出结果归一化后的声纹特征向量，w是网络的权重参数，b为是偏差量，是随机值为了增加非线性关系，最后根据通过说话人每个嵌入向量和质心计算它们的余弦相似性，得到相似值，根据相似值来构建相似度矩阵。
[0074]
最后根据相似度矩阵、不同说话人的声纹特征向量之间的欧式距离、相同说话人
的残差以及预先构建的损失函数进行计算对应得到的训练损失，其中，该损失函数计算公式为：
[0075][0076]
其中，e(e
ji
)为表示第i个人第j句话的表征向量的训练损失，s
ji,j
为计算得到的相似值，第i个人的第j句话和第k个类别的质心向量之间计算余弦距离，i是不同的说话人，j表示不同的语音，e
ji
为不同说话人中的m条语音信息的网络输出结果归一化后的声纹特征向量，k为选定的类别个数，n表示说话人个数，以此根据声纹特征向量的相似度矩阵，确定声纹特征向量的损失函数。
[0077]
可选地，通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，得到最终的目标声纹特征，包括：
[0078]
根据所述预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算，确定所述声纹特征向量中最小化同类样本间距离或者最大化非同类样本间距离；
[0079]
根据所述声纹特征向量中最小化同类样本间距离和最大化非同类样本间距离更新模型参数，以获得最终的目标声纹特征。
[0080]
具体地，在通过相似度矩阵，确定声纹特征向量的损失函数后，对声纹特征向量进行计算处理得到初始向量数据，在通过梯度反向传播算法对初始向量数据进行误差最小化处理。以此确定声纹特征向量中最小化同类样本间距离或者最大化非同类样本间距离，即同一说话人中的m条语音信息中声纹特征与其质心之间的最小化距离和不一说话人中的m条语音信息中声纹特征与其他质心之间的最大化距离，进而根据声纹特征向量中最小化同类样本间距离和最大化非同类样本间距离结合声纹特征向量的训练损失对声纹特征提取模型的各个参数进行更新迭代，以得到特征提取模型。因此，可以根据梯度反向传播算法、训练损失值以及参数更新函数得到最小化同类样本间距离和最大化非同类样本间距离来对各个参数进行更新迭代，以获得最终的目标声纹特征，提高获取的嵌入向量数据的准确度，提升了特征提取的准确性，达到增强语音声纹识别的效果。
[0081]
例如，当偏远地区没有atm机，可能也没有网络，此时可以由偏远地区的用户只能用电话或手机银行预约取款时间和取款金额，业务员携带上述小型atm机去偏远地区为用户服务，所以我们提前在atm机存储待取款的用户的声纹特征信息，在取款时，atm机通过上述方式采集用户目标声纹特征，就可以实现取款操作。
[0082]
可选地，得到最终的目标声纹特征之后，包括：
[0083]
判断所述实时语音信息中的目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量是否一致；
[0084]
若所述实时语音信息中的目标声纹特征向量与所述预存说话人的语音样本信息中的声纹特征向量一致，以获得所述目标声纹特征向量与所述预存说话人的语音样本信息中的声纹特征向量的声纹特征相似度；
[0085]
判断所述声纹特征相似度是否大于预设阈值；
[0086]
若所述声纹相似度大于所述预设阈值，则判定所述实时语音信息对应的说话人为目标说话人；
[0087]
若所述声纹相似度小于或等于所述预设阈值，则判定所述实时语音信息对应的说话人不是目标说话人。
[0088]
具体地，在获得实时语音信息中的目标声纹特征向量后，需要判断实时语音信息中的目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量是否一致，若实时语音信息中的目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量不一致，则重新执行声纹识别方法的步骤，若实时语音信息中的目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量一致，以获得目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量的声纹特征相似度，基于声纹特征相似度进行判断，判断声纹特征相似度是否大于预设阈值，若声纹相似度大于预设阈值，则判定实时语音信息对应的说话人为目标说话人，若声纹相似度小于或等于预设阈值，则判定实时语音信息对应的说话人不是目标说话人。若语音信息对应的说话人不是目标说话人，则返回步骤s201继续获取实时语音信息。
[0089]
例如，用户登录手机银行app，在个人安全中心进行安全认证设置。在个人安全中心进行声纹认证设置。通过获取目标声纹特征，确定该说话人是目标说话人，来进行进行身份核验实现登录。用户在使用“智能语音银行”功能，在办理查询、转账、理财产品购买等业务操作时，可以自然流畅的唤起声纹认证界面，快速实现身份核验，提升用户使用体验、增强语音银行的智能化服务水平。在贷款审批环节通过获取准确的声纹特征信息确定当前的说话人是否为目标说话人以此增加风控核验能力，降低不良贷款贷出的风险，并及时预警。本实施例中，将获得最终的目标声纹特征进行判定，使得快速确定实时语音信息对应的说话人为目标说话人，使得声纹识别效果得到了很大的提升，提高了对声纹特征的提取效率，节约了成本。
[0090]
综上所述，本发明提供了一种声纹识别方法、装置、设备及存储介质，可应用于金融领域中的身份验证。获取待识别的实时语音信息，提取实时语音信息的低层声纹特征，且实时语音信息为n个说话人中的每个说话人的m条语音信息，将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征，对高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量，通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，以得到最终的目标声纹特征，其预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。因此，本技术通过采用声纹特征提取模型结合端到端损失函数，更好的利用了输出层和输入层中每一节点相关的上下文特征信息，通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，将训练后的声纹特征向量建立相似度矩阵，比较不同说话人声纹特征嵌入向量与所有说话者的质心之间相似度，来增大不同说话人的类间距离，减小相同说话人的类内距离，得到目标声纹特征，从而更为准确地确定出语音信息所归属的目标说话人，完成金融场景中登录、支付、业务、信贷等场景的身份验证，提高了声纹识别的精度，进一步地，提升了特征提取的准确性，达到增强语音声纹识别的效果。
[0091]
在基于图1的具体实现中，在步骤s202具体可以通过以下步骤实现，如图3所示：
[0092]
s301，获取大量的待训练说话人语音数据，作为训练数据集。
[0093]
在本发明实施例中，待训练说话人语音数据为用于对预训练的声纹特征提取模型进行训练的样本数据集，其中包括多个说话人语音训练样本。根据训练后得到的训练后模
型的用途不同，待训练说话人语音数据中的样本可以不同，因此在实际应用中，可以根据需要选择待训练说话人语音数据中的样本，即不同方式下获取的大量的待训练说话人语音数据。相应的，训练后模型可以具有分类、特征提取等功能，而训练前的初始模型的具体类型、架构等，本实施例不做限定。多个训练说话人语音样本中部分训练说话人语音样本为相同说话人的声学特征，部分训练说话人语音样本为不同说话人的声学特征，多个训练说话人语音样本可提前录入或获取，训练样本中包含了多个说话人的声学特征，在录入时可将不同说话人的声学特征和相同说话人的声学特征进行标注。
[0094]
s302，对每个所述待训练说话人语音样本进行预处理，提取每个训练说话人语音样本对应的每一帧所包含的低层声纹特征。
[0095]
在本发明实施例中，对每个待训练说话人语音样本进行预处理，通过预处理能够得到更均匀、准确的声音信号，以此提高语音处理的质量。通过梅尔频率倒谱系数(mel frequency cepstral coefficents，mfcc)提取每个语音信息中的声学特征信息，将声学特征信息作为每一帧所包含的低层声纹特征。
[0096]
在本发明实施例中，需要说明的是，对每个训练说话人语音样本对应的每一帧所包含的低层声纹特征可能是一个，也可能是多个，本技术对此不做任何限定。
[0097]
s303，将每个训练说话人语音样本对应的每一帧所包含的低层声纹特征输入至引入注意力机制的深度卷积神经网络中，输出高层声纹特征，获得对应的嵌入向量。
[0098]
在具体实现中，本实例为了获得高层声纹特征对应的嵌入向量，需要将每个训练说话人语音样本对应的每一帧所包含的低层声纹特征输入至深度卷积神经网络transformer中，引入注意力机制，进而计算每一训练样本经过该预设的深度卷积神经网络模型的输出向量，得到高层声纹特征对应的嵌入向量，这个步骤需要足够多的说话人声音样本，这样才能够提升输出高层声纹特征的精度。
[0099]
s304，对每个说话人的m条语音得到的对应的嵌入向量进行计算，获取每个说话人对应的嵌入向量平均值的质心，通过余弦相似性计算每条语音的嵌入向量与n个嵌入向量平均值的质心之间的距离，构成相似度矩阵。
[0100]
进一步地，通过对每个说话人的m条语音得到的对应的嵌入向量进行计算，以此获取每个说话人对应的嵌入向量平均值的质心，通过余弦相似性计算每条语音的嵌入向量与n个嵌入向量平均值的质心之间的距离，进而根据任意两个不同说话人的质心确定任意两个不同说话人的嵌入向量之间的距离或者根据任意两个相同说话人的质心确定任意两个相同说话人的嵌入向量之间的距离。在确定任意两个不同说话人的嵌入向量之间的距离或者两个相同说话人的嵌入向量之间的距离之后，以此类推，直到训练数据集中所有待训练说话人语音数据处理完成为止，然后根据距离的远近进行从近到远进行排序，以此构成相似度矩阵。
[0101]
s305，基于所述相似度矩阵以及预先构建的损失函数计算对应的训练损失，通过所述训练损失结合梯度反向传播算法对所述神经网络模型的各个参数进行迭代更新，以得到声纹特征提取模型。
[0102]
进一步地，本实施例中基于相似度矩阵以及预先构建的损失函数计算对应的训练损失，即确定同一说话人的嵌入向量距离更近，不同说话人的嵌入向量之间距离更远，进而得到计算的训练损失，然后根据训练损失对神经网络模型的各个参数进行更新迭代，以得
到特征提取模型，具体地，可以根据梯度反向传播算法、训练损失值以及参数更新函数来对各个参数进行更新迭代，在更新迭代的参数满足预设要求或者迭代次数达到预设值时，结束训练过程，获得训练完成的声纹特征提取模型。
[0103]
在本发明实施例中，通过将提取每个训练说话人语音样本对应的每一帧所包含的低层声纹特征输入至预先训练的声纹特征提取模型中，即采用transformer深度卷积神经网络结合端到端损失函数的模型，使得模型提取声纹特征更加有效率，更好的利用了输出层和输入层中每一节点相关的上下文特征信息，将训练后的特征建立相似度矩阵，比较不同说话人声纹特征嵌入向量与所有说话者的质心之间相似度，判别说话人身份，以达对实时语音信息进行快速高效提取声纹特征的目的，增强语音声纹识别的效果。
[0104]
请参阅图4，图4是本发明实施例提供的声纹识别装置的结构示意图。本实施例中该终端包括的各单元用于执行图2对应的实施例中的各步骤。具体请参阅图2以及图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，声纹识别装置40包括：获取模块41，提取模块42，转换模块43，获得模块44。
[0105]
获取模块41，用于获取待识别的实时语音信息，提取所述实时语音信息的低层声纹特征，所述实时语音信息为n个说话人中的每个说话人的m条语音信息；
[0106]
提取模块42，用于将所述低层声纹特征输入至预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征；
[0107]
转换模块43，用于对所述高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；
[0108]
获得模块44，用于通过预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。
[0109]
可选地，上述获取模块41具体用于：
[0110]
获取待识别的实时语音信息，滤除所述实时语音信息中的静音信息和噪声信息，并对不同说话人的语音信息进行标注；
[0111]
通过频谱变换将每个实时语音信息进行预处理，得到语音信号频谱；
[0112]
根据所述语音信号频谱通过声学处理，得到低层声纹特征，其中，所述低层声纹特征为语音信息的比较冗余的特征，即语音信息的不够精炼的特征。
[0113]
可选地，上述提取模块42具体用于：
[0114]
获取大量的待训练说话人语音数据，作为训练数据集；
[0115]
对每个所述待训练说话人语音样本进行预处理，提取每个训练说话人语音样本对应的每一帧所包含的低层声纹特征；
[0116]
将每个训练说话人语音样本对应的每一帧所包含的低层声纹特征输入至引入注意力机制的深度卷积神经网络中，输出高层声纹特征，获得对应的嵌入向量；
[0117]
对每个说话人的m条语音得到的对应的嵌入向量进行计算，获取每个说话人对应的嵌入向量平均值的质心，通过余弦相似性计算每条语音的嵌入向量与n个嵌入向量平均值的质心之间的距离，构成相似度矩阵；
[0118]
基于所述相似度矩阵以及预先构建的损失函数计算对应的训练损失，通过所述训练损失结合梯度反向传播算法对所述神经网络模型的各个参数进行迭代更新，以得到声纹
特征提取模型。
[0119]
可选地，上述提取模块42还用于：
[0120]
引入注意力机制，将注意力机制与深度卷积神经网络结合，构建完整的预训练的声纹特征提取模型；
[0121]
将所述低层声纹特征输入至完整的预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征，其中，所述高层声纹特征为声纹特征提取模型提取的语音信息的比较准确的特征，即语音信息的精炼的特征。
[0122]
可选地，上述获得模块44具体用于：
[0123]
计算每个说话人的m条语音信息得到的声纹特征向量的平均值的质心；
[0124]
通过余弦相似性对所述每条语音信息的声纹特征向量与其对应m条语音信息得到的质心之间的距离进行计算，得到相似度得分；
[0125]
根据所述相似度得分构成相似度矩阵；
[0126]
基于所述相似度矩阵，确定声纹特征向量的损失函数。
[0127]
可选地，上述获得模块44还用于：
[0128]
根据所述预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算，确定所述声纹特征向量中最小化同类样本间距离或者最大化非同类样本间距离；
[0129]
根据所述声纹特征向量中最小化同类样本间距离和最大化非同类样本间距离更新模型参数，以获得最终的目标声纹特征。
[0130]
可选地，上述获得模块44之后具体用于：
[0131]
判断所述实时语音信息中的目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量是否一致；
[0132]
若所述实时语音信息中的目标声纹特征向量与所述预存说话人的语音样本信息中的声纹特征向量一致，以获得所述目标声纹特征向量与所述预存说话人的语音样本信息中的声纹特征向量的声纹特征相似度；
[0133]
判断所述声纹特征相似度是否大于预设阈值；
[0134]
若所述声纹相似度大于所述预设阈值，则判定所述实时语音信息对应的说话人为目标说话人；
[0135]
若所述声纹相似度小于或等于所述预设阈值，则判定所述实时语音信息对应的说话人不是目标说话人。
[0136]
需要说明的是，上述单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0137]
图5是本发明实施例提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个声纹识别方法实施例中的步骤。
[0138]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0139]
获取待识别的实时语音信息，提取实时语音信息的低层声纹特征，所述实时语音
信息为n个说话人中的每个说话人的m条语音信息；
[0140]
将低层声纹特征输入至预训练的声纹特征提取模型中，以提取m条语音信息中每条语音信息的高层声纹特征；
[0141]
对高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；
[0142]
通过预置的损失函数并结合梯度反向传播算法对声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。
[0143]
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
[0144]
在一实施例中，提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由计算机设备中的处理器执行时，使得计算机设备能够执行如本发明公开的一种声纹识别方法的任一实施例的各个步骤，在此不重复赘述。所述计算机可读存储介质可以是非易失性，也可以是易失性。
[0145]
所称处理器可以是cpu，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0146]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0147]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存
储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0148]
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
[0149]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0150]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0151]
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0152]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0153]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种声纹识别方法，其特征在于，包括：获取待识别的实时语音信息，提取所述实时语音信息的低层声纹特征，所述实时语音信息为n个说话人中的每个说话人的m条语音信息；将所述低层声纹特征输入至预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征；对所述高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；通过预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。2.如权利要求1所述的声纹识别方法，其特征在于，所述声纹特征提取模型通过如下方式训练：获取大量的待训练说话人语音数据，作为训练数据集；对每个所述待训练说话人语音样本进行预处理，提取每个训练说话人语音样本对应的每一帧所包含的低层声纹特征；将每个训练说话人语音样本对应的每一帧所包含的低层声纹特征输入至引入注意力机制的深度卷积神经网络中，输出高层声纹特征，获得对应的嵌入向量；对每个说话人的m条语音信息得到的对应的嵌入向量进行计算，获取每个说话人对应的嵌入向量平均值的质心，通过余弦相似性计算每条语音的嵌入向量与n个嵌入向量平均值的质心之间的距离，构成相似度矩阵；基于所述相似度矩阵以及预先构建的损失函数计算对应的训练损失，通过所述训练损失结合梯度反向传播算法对所述神经网络模型的各个参数进行迭代更新，以得到声纹特征提取模型。3.如权利要求1所述的声纹识别方法，其特征在于，所述获取待识别的实时语音信息，提取所述实时语音信息的低层声纹特征，包括：获取待识别的实时语音信息，滤除所述实时语音信息中的静音信息和噪声信息，并对不同说话人的语音信息进行标注；通过频谱变换将每个说话人的实时语音信息进行预处理，得到语音信号频谱；根据所述语音信号频谱通过声学处理，得到低层声纹特征，其中，所述低层声纹特征为语音信息的比较冗余的特征，即语音信息的不够精炼的特征。4.如权利要求1所述的声纹识别方法，其特征在于，所述将所述低层声纹特征输入至预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征，包括：引入注意力机制，将注意力机制与深度卷积神经网络结合，构建完整的预训练的声纹特征提取模型；将所述低层声纹特征输入至完整的预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征，其中，所述高层声纹特征为声纹特征提取模型提取的语音信息的比较准确的特征，即语音信息的精炼的特征。5.如权利要求1所述的声纹识别方法，其特征在于，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数，包括：
计算每个说话人的m条语音信息得到的声纹特征向量的平均值的质心；通过余弦相似性对所述每条语音信息的声纹特征向量与其对应m条语音信息得到的质心之间的距离进行计算，得到相似度得分；根据所述相似度得分构成相似度矩阵；基于所述相似度矩阵，确定声纹特征向量的损失函数。6.如权利要求1所述的声纹识别方法，其特征在于，所述通过预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算处理，得到最终的目标声纹特征，包括：根据所述预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算，确定所述声纹特征向量中最小化同类样本间距离或者最大化非同类样本间距离；根据所述声纹特征向量中最小化同类样本间距离和最大化非同类样本间距离更新模型参数，以获得最终的目标声纹特征。7.如权利要求6所述的声纹识别方法，其特征在于，所述获得最终的目标声纹特征之后，包括：判断所述实时语音信息中的目标声纹特征向量与预存说话人的语音样本信息中的声纹特征向量是否一致；若所述实时语音信息中的目标声纹特征向量与所述预存说话人的语音样本信息中的声纹特征向量一致，以获得所述目标声纹特征向量与所述预存说话人的语音样本信息中的声纹特征向量的声纹特征相似度；判断所述声纹特征相似度是否大于预设阈值；若所述声纹相似度大于所述预设阈值，则判定所述实时语音信息对应的说话人为目标说话人；若所述声纹相似度小于或等于所述预设阈值，则判定所述实时语音信息对应的说话人不是目标说话人。8.一种声纹识别装置，其特征在于，包括：获取模块，用于获取待识别的实时语音信息，提取所述实时语音信息的低层声纹特征，所述实时语音信息为n个说话人中的每个说话人的m条语音信息；提取模块，用于将所述低层声纹特征输入至预训练的声纹特征提取模型中，以提取所述m条语音信息中每条语音信息的高层声纹特征；转换模块，用于对所述高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；获得模块，用于通过预置的损失函数并结合梯度反向传播算法对所述声纹特征向量进行计算处理，得到最终的目标声纹特征，所述预置的损失函数为通过余弦相似度矩阵计算得到声纹特征向量的损失函数。9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的声纹识别方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的声纹识别方法。

技术总结
本发明公开了一种声纹识别方法、装置、设备及存储介质，可应用于金融领域中的身份验证。包括：获取待识别的实时语音信息，提取实时语音信息的低层声纹特征；将低层声纹特征输入至预训练的声纹特征提取模型中，以提取M条语音信息中每条语音信息的高层声纹特征；对高层声纹特征进行嵌入向量转换处理，得到对应的声纹特征向量；通过预置的损失函数结合梯度反向传播算法对声纹特征向量进行计算，得到最终的目标声纹特征。本申请通过采用transformer网络结合端到端损失函数的模型，得到目标声纹特征，从而更为准确地确定出语音信息所归属的目标说话人，完成金融场景中登录、支付、业务、信贷等场景的身份验证，提高了声纹识别的精度和提取声纹特征的准确性。提取声纹特征的准确性。提取声纹特征的准确性。


技术研发人员：张旭龙 王健宗 程宁 季圣鹏
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.06
技术公布日：2023/8/9