声纹识别模型训练方法、装置、电子设备及可读介质与流程

1.本发明涉及语音数据处理技术领域，尤其涉及声纹识别模型训练方法、装置、电子设备及可读介质。


背景技术：

2.声纹识别是一种借助声音完成对语音用户身份识别的技术，其已然成为一种高效的身份识别方法，在多种领域都有着广泛的应用。目前，对于声纹的识别通常通过声纹识别模型来实现。
3.但对于通话场景中的声纹识别，由于在实际场景中存在不同手机设备和不同背景噪音等影响因素，导致声纹识别模型在训练时使用的噪音数据无法匹配实际通话场景，存在噪音和信道不匹配等问题。
4.因此，需要一种训练声纹识别模型的方法来使声纹识别模型适配实际通话场景。


技术实现要素：

5.本发明提供了一种声纹识别模型训练方法、装置、电子设备及可读介质，以训练声纹识别模型，使声纹识别模型适配实际通话场景。
6.根据本发明的一方面，提供了一种声纹识别模型训练方法，包括：
7.识别并提取通话场景中的至少一个无人声片段；
8.根据所述无人声片段和预设的人声数据生成训练数据；
9.将所述训练数据输入到声纹识别模型中进行训练。
10.可选的，所述识别并提取通话场景中的至少一个无人声片段，包括：
11.获取通话场景中的通话录音；
12.确定所述通话录音的频率信息；
13.根据预设的人声频率信息，确定所述频率信息中的至少一个人声片段；
14.从所述通话录音中截取所述人声片段外的录音片段，得到至少一个所述无人声片段。
15.可选的，所述根据所述无人声片段和预设的人声数据生成训练数据，包括：
16.对每个所述无人声片段，执行：
17.截取与当前无人声片段时长相同的目标人声数据；
18.将所述当前无人声片段与所述目标人声数据进行合成，得到所述训练数据。
19.可选的，所述将所述训练数据输入到声纹识别模型中进行训练，包括：
20.对所述声纹识别模型进行fine-tune处理；
21.设置所述声纹识别模型的学习率与正常学习率的对应关系；
22.将训练数据输入所述声纹识别模型中训练直至收敛。
23.可选的，每种所述人声数据对应一种声纹；相应的，该方法还包括：
24.当所述声纹识别模型从所述训练数据中识别出声纹后，与该训练数据对应的声纹
进行验证；
25.根据验证结果对所述声纹识别模型进行修正。
26.可选的，该方法还包括：
27.通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息；
28.根据预设的声纹信息与用户信息的对应关系，对所述通话录音对应的用户进行识别。
29.可选的，通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息之后，该方法还包括：
30.当不存在所述声纹信息对应的用户信息时，确定通话录音对应的联系方式；
31.根据所述联系方式，通过外部通讯服务器中获取用户信息；
32.建立所述用户信息与所述声纹信息的对应关系。
33.根据本发明的另一方面，提供了一种声纹识别模型训练装置，包括：
34.无人声片段提取单元，用于识别并提取通话场景中的至少一个无人声片段；
35.训练数据生成单元，用于根据所述无人声片段和预设的人声数据生成训练数据；
36.训练数据输入单元，用于将所述训练数据输入到声纹识别模型中进行训练。
37.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
38.至少一个处理器；以及
39.与所述至少一个处理器通信连接的存储器；其中，
40.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的声纹识别模型训练方法。
41.根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的声纹识别模型训练方法。
42.本发明实施例的技术方案，通过识别并提取通话场景中的至少一个无人声片段，根据所述无人声片段和预设的人声数据生成训练数据，将所述训练数据输入到声纹识别模型中进行训练。本发明的方案利用通话场景中大量存在的背景无人声片段，通过预设的人声数据生成训练数据不断对声纹识别模型进行训练，提高声纹识别的准确率，使声纹识别模型适配通话场景。
43.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
44.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明实施例一提供的一种声纹识别模型训练方法的流程图；
46.图2为本发明实施例二提供的一种提取无人声片段的方法的流程图；
47.图3是根据本发明实施例三提供的一种声纹识别模型训练装置的结构示意图；
48.图4是实现本发明实施例的声纹识别模型训练方法的电子设备的结构示意图。
具体实施方式
49.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
50.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
51.实施例一
52.图1为本发明实施例一提供的一种声纹识别模型训练方法的流程图，本实施例可适用于对声纹识别模型进行训练以适配通话场景的情况，该方法可以由声纹识别模型训练装置来执行，该声纹识别模型训练装置可以采用硬件和/或软件的形式实现，该声纹识别模型训练装置可配置于计算机中。如图1所示，该方法包括：
53.s110、识别并提取通话场景中的至少一个无人声片段。
54.其中，无人声片段为通话场景中通话人未发出声音时的背景环境噪音。对于无人声片段的提取，每个通话场景提取的数量可以限制在3个以内，每个无人声片段的长度可以控制在10s以内，因为在同一通话场景中，背景环境噪音通常是不变的，比如在办公室的通话场景中，背景环境噪音通常固定为键盘敲击声、设备运行声等；在室外的通话场景中，背景环境噪音通常固定为车辆通过的声音。为了使无人声片段的种类更加丰富，在同一通话场景中仅提取小数量且时间较短的无人声片段，使训练数据更加多样化，适配不同的通话场景。
55.s120、根据所述无人声片段和预设的人声数据生成训练数据。
56.其中，预设的人声数据为预录好的说话人训练数据，将预录的人声数据与无人声片段叠加生成训练数据，生成的训练数据为包括背景环境噪音的人声片段。
57.在语录的人声数据中，可以优选时长相近的多个人声数据。每个人的说话总时长会各有长短，而人声数据的时长可能会影响模型的训练。为了避免人声数据时长相差过大的情况，所以选择说话时长相差较少的n个说话人的人声数据，或选择时长相近(例如，时长的差值小于预设的阈值)的人声数据。
58.s130、将所述训练数据输入到声纹识别模型中进行训练。
59.将包括背景环境噪音的人声片段输入声纹识别模型进行训练，声纹识别模型将训练数据中的声纹从背景环境噪音中识别出来，并与人声数据进行验证，通过不断的训练对
声纹识别模型进行替代，得到更加匹配实际场景的声纹模型并提高声纹识别准确率。
60.本发明实施例的技术方案，通过识别并提取通话场景中的至少一个无人声片段，根据所述无人声片段和预设的人声数据生成训练数据，将所述训练数据输入到声纹识别模型中进行训练。本发明的方案利用通话场景中大量存在的背景无人声片段，通过预设的人声数据生成训练数据不断对声纹识别模型进行训练，提高声纹识别的准确率，使声纹识别模型适配通话场景。
61.实施例二
62.图2为本发明实施例二提供的一种提取无人声片段的方法的流程图。
63.如图2所示，该方法包括：
64.s210、获取通话场景中的通话录音。
65.s220、确定所述通话录音的频率信息。
66.s230、根据预设的人声频率信息，确定所述频率信息中的至少一个人声片段。
67.s240、从所述通话录音中截取所述人声片段外的录音片段，得到至少一个所述无人声片段。
68.其中，由于人声的频率和背景环境噪音的频率有较为明显的差异，因此在获得一段通话录音后，获取该段通话录音的频率信息，根据频率信息能够明显的确定哪些片段为人声片段，其余部分即为无人声片段。将通话录音中的无人声片段从通话录音中截取，得到无人声片段。
69.在本发明实施例二中，所述根据所述无人声片段和预设的人声数据生成训练数据，包括：
70.对每个所述无人声片段，执行：
71.截取与当前无人声片段时长相同的目标人声数据；
72.将所述当前无人声片段与所述目标人声数据进行合成，得到所述训练数据。
73.其中，在生成训练数据时，随机选取一段无人声片段，并尽量选择与无人声片段的时长相近或相同的人声数据，便于进行合成，且无人声片段的时长不应小于人声片段的时长。若无人声片段的时长小于人声数据的时长，则重复无人声片段直至其时长与人声数据相同。在选择无人声片段和人声数据后，选取等时长的片段进行叠加，如果无人声片段的长度大于截取的人声数据的片段，则随机选取等长度的无人声片段与人声数据进行加性相加。
74.在本发明实施例二中，所述将所述训练数据输入到声纹识别模型中进行训练，包括：
75.对所述声纹识别模型进行fine-tune处理；
76.设置所述声纹识别模型的学习率与正常学习率的对应关系；
77.将训练数据输入所述声纹识别模型中训练直至收敛。
78.其中，fine-tune的原理是使用已经训练好的模型，加上新增加的数据来训练新的模型。fine-tune相当于使用已有模型的前几层，来提取浅层特征，然后在最后再落入新的分类中。fine-tune的好处在于不用完全重新训练模型，从而提高效率，因为一般新训练模型准确率都会从很低的值开始慢慢上升，但是fine-tune能够在比较少的迭代次数之后得到一个比较好的效果。在数据量不是很大的情况下，fine-tune会是一个比较好的选择。
79.学习率(learning rate)作为监督学习以及深度学习中重要的超参，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。当学习率设置的过小时，收敛过程将变得十分缓慢。而当学习率设置的过大时，梯度可能会在最小值附近来回震荡，甚至可能无法收敛。选择一个合适的学习率，对于模型的训练将至关重要。当设置较小的学习率时，比如正常学习率的1/100，当达到收敛时，在最优值的较小范围内进行摆动，能够得到更好的训练结果。
80.在本发明实施例二中，每种所述人声数据对应一种声纹，相应的，该方法还包括：
81.当所述声纹识别模型从所述训练数据中识别出声纹后，与该训练数据对应的声纹进行验证；
82.根据验证结果对所述声纹识别模型进行修正。
83.其中，当预录人声数据的时候，由于没有噪音等情况的干扰，可以确定人声数据的声纹。当人声数据与非人声片段合成为训练数据后，声纹识别模型在训练中提取训练数据的声纹，并与人声数据原本的声纹进行对比，根据对比结果能够确定声纹识别模型的识别能力，并在出现错误时进行修正，通过不断的修正和改进提高声纹识别模型的识别能力。
84.在本发明实施例二中，通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息；
85.根据预设的声纹信息与用户信息的对应关系，对所述通话录音对应的用户进行识别。
86.其中，不同的用户在通话时发出声音的声音特征是不同的，相应的，不同声音特征也对应着不同的声纹信息。由于声纹信息的唯一性，可以通过声纹信息来确定通话人的身份。比如，在电话客服咨询的场景中，为了核实通话人为来电电话号码的机主，通过声纹识别确定通话人的身份信息，通过身份信息确定通话人是否与记住的身份信息吻合。
87.在本发明实施例二中，通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息之后，还包括：
88.当不存在所述声纹信息对应的用户信息时，确定通话录音对应的联系方式；
89.根据所述联系方式，通过外部通讯服务器中获取用户信息；
90.建立所述用户信息与所述声纹信息的对应关系。
91.其中，用户对应的声纹信息在第一次进行通话之前是无法获取到的，当用户第一次进行通话时，对用户的声纹信息进行采集，采集声纹信息的过程无需涉及实际通话内容，保护用户的隐私。在获取到用户的声纹信息后，建立声纹信息与用户信息的对应关系，这样在下一次通话时，就可以通过通话人的声纹信息来确定是否对应机主的用户信息。
92.综上所述，于基于深度学习技术的声纹识别需要大量数据进行训练，然而对应实际场景中，再训练前期收集到的噪音数据有限，且随着时间推移无法适配新的设备和背景噪音带来的语音差异，所以针对该问题本专利提出一种收集噪音数据的方法并用于声纹的训练更新，使得声纹模型可以适配实际场景中的背景噪音和新设备环境。
93.针对每个收集到的非人声片段，每天实时使用已有说话人数据，并随机和收集到的噪音片段进行加性叠加，得到带噪数据后对已有模型进行fine-tune，得到新模型后对已有模型进行更新，这样得到更加匹配实际场景的声纹模型并提高声纹识别准确率。
94.实施例三
95.图3为本发明实施例三提供的一种声纹识别模型训练装置的结构示意图。如图3所示，该装置包括：
96.无人声片段提取单元310，用于识别并提取通话场景中的至少一个无人声片段；
97.训练数据生成单元320，用于根据所述无人声片段和预设的人声数据生成训练数据；
98.训练数据输入单元330，用于将所述训练数据输入到声纹识别模型中进行训练。
99.在本发明实施例三中，无人声片段提取单元310，用于执行：
100.获取通话场景中的通话录音；
101.确定所述通话录音的频率信息；
102.根据预设的人声频率信息，确定所述频率信息中的至少一个人声片段；
103.从所述通话录音中截取所述人声片段外的录音片段，得到至少一个所述无人声片段。
104.在本发明实施例三中，训练数据生成单元320，用于执行：
105.对每个所述无人声片段，执行：
106.截取与当前无人声片段时长相同的目标人声数据；
107.将所述当前无人声片段与所述目标人声数据进行合成，得到所述训练数据。
108.在本发明实施例三中，训练数据输入单元330，用于执行：
109.对所述声纹识别模型进行fine-tune处理；
110.设置所述声纹识别模型的学习率与正常学习率的对应关系；
111.将训练数据输入所述声纹识别模型中训练直至收敛。
112.在本发明实施例三中，在每种所述人声数据对应一种声纹时，训练数据输入单元330，还用于执行：
113.当所述声纹识别模型从所述训练数据中识别出声纹后，与该训练数据对应的声纹进行验证；
114.根据验证结果对所述声纹识别模型进行修正。
115.在本发明实施例三中，训练数据输入单元330，还用于执行：
116.通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息；
117.根据预设的声纹信息与用户信息的对应关系，对所述通话录音对应的用户进行识别。
118.在本发明实施例三中，训练数据输入单元330在执行通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息之后，还用于执行：
119.当不存在所述声纹信息对应的用户信息时，确定通话录音对应的联系方式；
120.根据所述联系方式，通过外部通讯服务器中获取用户信息；
121.建立所述用户信息与所述声纹信息的对应关系。
122.本发明实施例所提供的声纹识别模型训练装置可执行本发明任意实施例所提供的声纹识别模型训练方法，具备执行方法相应的功能模块和有益效果。
123.实施例四
124.图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
125.如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
126.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
127.处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如声纹识别模型训练方法。
128.在一些实施例中，声纹识别模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的声纹识别模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11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识别模型训练方法。
129.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)、负载可编程逻辑设备(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。
130.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
131.在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。
132.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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。
133.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)、区块链网络和互联网。
134.计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
135.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，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
136.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.声纹识别模型训练方法，其特征在于，包括：识别并提取通话场景中的至少一个无人声片段；根据所述无人声片段和预设的人声数据生成训练数据；将所述训练数据输入到声纹识别模型中进行训练。2.根据权利要求1所述的方法，其特征在于，所述识别并提取通话场景中的至少一个无人声片段，包括：获取通话场景中的通话录音；确定所述通话录音的频率信息；根据预设的人声频率信息，确定所述频率信息中的至少一个人声片段；从所述通话录音中截取所述人声片段外的录音片段，得到至少一个所述无人声片段。3.根据权利要求1所述的方法，其特征在于，所述根据所述无人声片段和预设的人声数据生成训练数据，包括：对每个所述无人声片段，执行：截取与当前无人声片段时长相同的目标人声数据；将所述当前无人声片段与所述目标人声数据进行合成，得到所述训练数据。4.根据权利要求1所述的方法，其特征在于，所述将所述训练数据输入到声纹识别模型中进行训练，包括：对所述声纹识别模型进行fine-tune处理；设置所述声纹识别模型的学习率与正常学习率的对应关系；将训练数据输入所述声纹识别模型中训练直至收敛。5.根据权利要求1所述的方法，其特征在于，每种所述人声数据对应一种声纹；相应的，进一步包括：当所述声纹识别模型从所述训练数据中识别出声纹后，与该训练数据对应的声纹进行验证；根据验证结果对所述声纹识别模型进行修正。6.根据权利要求1所述的方法，其特征在于，进一步包括：通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息；根据预设的声纹信息与用户信息的对应关系，对所述通话录音对应的用户进行识别。7.根据权利要求6所述的方法，其特征在于，通过所述声纹识别模型对待识别通话录音进行识别，得到声纹信息之后，进一步包括：当不存在所述声纹信息对应的用户信息时，确定通话录音对应的联系方式；根据所述联系方式，通过外部通讯服务器中获取用户信息；建立所述用户信息与所述声纹信息的对应关系。8.声纹识别模型训练装置，其特征在于，包括：无人声片段提取单元，用于识别并提取通话场景中的至少一个无人声片段；训练数据生成单元，用于根据所述无人声片段和预设的人声数据生成训练数据；训练数据输入单元，用于将所述训练数据输入到声纹识别模型中进行训练。9.一种电子设备，其特征在于，所述电子设备包括：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，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的声纹识别模型训练方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的声纹识别模型训练方法。

技术总结
本发明公开了声纹识别模型训练方法、装置、电子设备及可读介质。方法包括：识别并提取通话场景中的至少一个无人声片段；根据所述无人声片段和预设的人声数据生成训练数据；将所述训练数据输入到声纹识别模型中进行训练。本发明的方案利用通话场景中大量存在的背景无人声片段，通过预设的人声数据生成训练数据不断对声纹识别模型进行训练，提高声纹识别的准确率，使声纹识别模型适配通话场景。使声纹识别模型适配通话场景。使声纹识别模型适配通话场景。


技术研发人员：张超 王乐 滕勇 丁希剑 李健
受保护的技术使用者：小沃科技有限公司
技术研发日：2022.09.20
技术公布日：2023/8/9