1.一种基于改进深度学习声纹识别的方法,包括以下步骤:
S1、数据收集及预处理:收集语音信号,对语音信号进行预加重、语音分帧、短帧语音加窗、静音检测;并划分成训练集、验证集和测试集;
S2、构建模型:基于TDNN神经网络模型构建的x-vector系统,并将经过预处理的语音信号输入模型进行训练;
S3、声纹识别:输入一段测试音频,进行声纹识别,使用大顶堆形式的优先级队列存储预存语音样本,堆中的每个节点表示一个语音样本,其优先级由该样本与测试语音的相似度决定,相似度越高,优先级越高,节点越靠近堆顶;相似度越低,优先级越低,节点越靠近堆底,测试语音首先与堆顶语音比对,之后按顺序依次向下比对,直到找到最佳匹配或满足停止条件,在比对过程中,如果发现新的样本与测试语音的相似度更高,则需要更新堆结构,重新调整优先级,使用向下调整算法维护堆的性质;
S4、若声纹识别失败,则对失败原因进行检测,并将失败原因告知用户;
S5、若声纹识别成功,则使用SVC分类器进行年龄检测,若检测年龄与记录年龄的差异在±3岁内,则视为检测成功,若检测年龄与记录年龄的差异超过±3岁,则视为检测失败;
S6、声纹识别结果评价:若年龄检测成功,将新样本与历史样本比对,若新样本与历史样本平均相似度介于75%到80%之间,则将新样本特征与历史样本特征按权重加权平均,得到新的声音样本,若平均相似度低于75%,则提醒用户进行重新录入,替换原历史样本,若相似度高于80%,则保持历史样本不变。
2.根据权利要求1所述的一种基于改进深度学习声纹识别的方法,其特征在于,所述步骤S2具体包括以下步骤:S21、输入特征:输入为帧级别的声学特征,取20-30ms的语音帧,步长10ms,特征维度为40-60维,包含一阶、二阶差分;
S22、提取动态特征:TDNN通过局部时间上下文窗口捕捉语音的动态特征;
S23、计算全局特征:将变长的帧级别特征转换为固定维度的说话人特征;对TDNN输出的所有帧计算均值和标准差,拼接后作为全局特征;
S24、降维处理:池化后的特征经过多个全连接层,逐步降维,最后一层输出为x-vector,作为说话人的嵌入向量;
S25、训练与推理:训练时,在x-vector后接一个Softmax分类层,预测说话人ID,推理时,丢弃分类层,直接使用x-vector进行相似度计算。
3.根据权利要求1所述的一种基于改进深度学习声纹识别的方法,其特征在于,所述步骤S3具体包括以下步骤:S31、计算待测语音与语音库中预存语音的相似度
利用以下公式进行响度归一化:
y′=G·y
其中,G是增益因子,y是原始音频信号,LUFS(y)是音频信号的综合响度,以LUFS为单位,Ltarget是目标响度水平,y'是归一化后的音频信号;
利用以下公式进行梅尔归一化
其中,M′t,f是归一化后的梅尔频谱,Mt,f是原始的梅尔频谱,Mmin是梅尔频谱的最小值,Mmax是梅尔频谱的最大值;
利用以下公式计算相似度
combined_similarity=ω1×similarity1+ω2×similarity2+...+ωn×similarityn其中:wi是第i种相似度度量的权重,similarityi是第i种相似度度量的结果,combined_similarity为相似度的最终结果;
S32、使用大顶堆来管理预存语音的优先级
S321、特征提取:从预存语音和测试音频中提取特征向量;
S322、构建大顶堆:初始化一个大顶堆,包含所有预存语音及其初始相似度得分;
S323、计算相似度并更新堆:计算每个预存语音与测试音频的相似度,并根据相似度更新堆;
S324、进行比对:依次从堆顶取出节点进行比对,直到找到匹配的说话者或遍历完所有节点。
4.根据权利要求1所述的一种基于改进深度学习声纹识别的方法,其特征在于,所述步骤S4包括噪声检测、分贝检测和静音检测。
5.根据权利要求1所述的一种基于改进深度学习声纹识别的方法,其特征在于,步骤S6所述将新样本特征与历史样本特征按权重加权平均,得到新的声音样本,具体的加权公式如下:ωhist=1-ωnew
updated_features=ωnew·new_features+ωhist·hist_features其中,ωnew为新样本权重,ωhist为历史样本权重,match_probaility为新样本与历史样本平均相似度,new_features是新样本提取的特征,hist_features是历史样本的特征。