CN112786058A - 声纹模型训练方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了一种声纹模型训练方法、装置、设备以及存储介质，涉及语音识别、深度学习等人工智能领域。该方法的一具体实施方式包括：获取训练样本集，其中，训练样本集包括多个样本说话人的音频；提取多个样本说话人的音频的语音特征；将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和部分噪声的分数；基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。该实施方式提供了一种基于噪声比例的训练方式训练声纹模型，降低了模型训练的计算量，提高了模型训练的效率。

Description

声纹模型训练方法、装置、设备以及存储介质

技术领域

本申请实施例涉及计算机领域，具体涉及语音识别、深度学习等人工智能领域，尤其涉及声纹模型训练方法、装置、设备以及存储介质。

背景技术

对于存在大量不同说话人的音频的领域，通常希望对存量的音频进行声纹模型的训练与优化，然后通过建立庞大的声纹库来进行声纹的比对查找，有助于领域内的业务的推进。随着社会和互联网的飞速发展，领域内会积累海量说话人的音频。如何在这么庞大的数据量下，训练得到一个效果更优的声纹模型，成为声纹领域亟待解决的问题。

发明内容

本申请实施例提出了一种声纹模型训练方法、装置、设备以及存储介质。

第一方面，本申请实施例提出了一种声纹模型训练方法，包括：获取训练样本集，其中，训练样本集包括多个样本说话人的音频；提取多个样本说话人的音频的语音特征；将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和噪声的分数；基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。

第二方面，本申请实施例提出了一种声纹模型训练装置，包括：获取模块，被配置成获取训练样本集，其中，训练样本集包括多个样本说话人的音频；提取模块，被配置成提取多个样本说话人的音频的语音特征；识别模型，被配置成将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和部分噪声的分数；训练模块，被配置成基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本申请实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的声纹模型训练方法、装置、设备以及存储介质，首先提取训练样本集中的多个样本说话人的音频的语音特征；然后将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和噪声的分数；最后基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。提供了一种基于噪声比例的训练方式训练声纹模型，降低了模型训练的计算量，提高了模型训练的效率。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性***架构图；

图2是根据本申请的声纹模型训练方法的一个实施例的流程图；

图3是根据本申请的声纹模型训练方法的又一个实施例的流程图；

图4是可以实现本申请实施例的声纹模型训练方法的应用场景图。

图5是根据本申请的声纹模型训练装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的声纹模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的声纹模型训练方法或声纹模型训练装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送视频帧等。终端设备101、102、103上可以安装有各种客户端应用，例如录音应用、声纹模型训练应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取到的训练样本集进行分析和处理，并生成处理结果(例如声纹模型)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的声纹模型训练方法一般由服务器105执行，相应地，声纹模型训练装置一般设置于服务器105 中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的声纹模型训练方法的一个实施例的流程200。该声纹模型训练方法包括以下步骤：

步骤201，获取训练样本集。

在本实施例中，声纹模型训练方法的执行主体可以获取训练样本集。

其中，训练样本集可以包括多个样本说话人的音频。每个样本说话人可以包括至少一段音频。每段音频标注有对应的样本说话人。例如，训练样本集可以包括100万个样本说话人的音频，每个样本说话人包括5段音频。因此，训练样本集包括500万段音频。

需要说明的是，本申请的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

步骤202，提取多个样本说话人的音频的语音特征。

在本实施例中，对于每个样本说话人的每段音频，上述执行主体可以提取对应的语音特征。

其中，语音特征可以包括但不限于语音信号的时域特征和频域特征。在时域，语音信号可以直接用它的时间波形表示出来。语音信号的时域特征可以通过短时能量、短时过零率等方法来分析。频域分析方法可以分析语音信号的频域特性。常用的频域分析方法为傅里叶分析法。语音信号是一个非平稳过程，因此需要用短时傅里叶变换对语音信号进行频谱分析。通过语音信号的频谱可以观察它们的共振峰特性、基音频率和谐波频率。

步骤203，将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和噪声的分数。

在本实施例中，上述执行主体可以将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和部分噪声的分数。

其中，声纹模型可以包括多个输出节点。通常，一个输出节点可以对应一个样本说话人。输出节点的数目不大于训练样本集合对应的样本说话人的数目。输入的语音特征所属的说话人对应的输出节点可以输出语音特征所属的说话人的分数。除输入的语音特征所属的说话人对应的输出节点之外的其他输出节点可以输出噪声的分数。

步骤204，基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。

在本实施例中，上述执行主体可以选取部分噪声的分数，并基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。

通常，上述执行主体可以基于语音特征所属的说话人的分数和部分噪声的分数，更新声纹模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练，得到一个稳定的声纹模型。例如，训练结束条件可以包括但不限于以下至少一项：训练时间超过第四预设时长，训练次数超过预设次数，语音特征所属的说话人的分数尽可能高(例如大于第一预设阈值)，部分噪声的分数尽可能低(例如小于第二预设阈值)等等。

实践中，上述执行主体可以将训练样本集分批来训练声纹模型。例如，对于包括100万个样本说话人的音频的训练样本集，每次迭代可以选取 10个样本说话人的音频对声纹模型进行训练。经过多轮迭代后，声纹模型可以学习到不同说话人的特点，可用于声纹识别，即识别说话人，包括说话人辨认和说话人确认。声纹模型可以应用在存在大量说话人的音频的领域。通过声纹模型可以建立庞大的声纹库来进行声纹的比对查找，有助于领域内的多种业务的推进。

本申请实施例提供的声纹模型训练方法，首先提取训练样本集中的多个样本说话人的音频的语音特征；然后将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和噪声的分数；最后基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。提供了一种基于噪声比例的训练方式训练声纹模型，降低了模型训练的计算量，不仅支持利用更多的样本说话人的音频进行训练，还能够在短时间内完成训练，提高了模型训练的效率。可用于大规模说话人场景下的声纹模型训练。

进一步参考图3，其示出了根据本申请的声纹模型训练方法的又一个实施例的流程300。该声纹模型训练方法包括以下步骤：

步骤301，获取训练样本集。

在本实施例中，步骤301具体操作已在图2所示的实施例中步骤201 进行了详细的介绍，在此不再赘述。

步骤302，将多个样本说话人的音频从时域变换到频域，以及在频域上提取语音特征。

在本实施例中，每个样本说话人的每段音频，声纹模型训练方法的执行主体可以将其从时域变换到频域，并在频域上提取语音特征。

其中，语音特征是语音信号的频域特征，包括但不限于以下至少一项： MFCC(Mel-scaleFrequency Cepstral Coefficient，梅尔频率倒谱系数)、 PLP(Perceptual linearpredictive，感知线性预测)、FBank(Filter Bank，滤波器组)等。MFCC是在Mel标度频率域提取出来的倒谱参数，是一种在自动语音和说话人识别中广泛使用的特征。MFCC特征提取流程可以包括：预加重、分帧、加窗、FFT((Fast Fourier Transformation，快速傅里叶变换)、Mel滤波器组、对数运算、DTC(Discrete Cosine Transform，离散余弦变换)。PLP是一种基于听觉模型的特征参数，是对语音信号进行线性预测分析得到的。线性预测的基本思想是一个语音的采样能够用过去若干个语音采样的线性组合来逼近，通过线性预测到的采样在最小均方误差意义上逼近实际语音采样，可以求取一组唯一的预测系数。预测系数就是线性组合中所用的加权系数。FBank特征提取流程相当于MFCC 特征提取流程去掉最后一步的DTC，与MFCC，FBank保留了更多的原始语音数据。

步骤303，将语音特征输入到Xvector，得到语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数。

在本实施例中，声纹模型可以是Xvector。常见的Xvector的网络结构依次包括帧级别层(frame-level)、池化层(statistics pooling)、段级别层(segment-level)和激活函数层(softmax)。上述执行主体可以将语音特征输入到Xvector，Xvector进行前向计算，在最后一层激活函数层进行计算时，计算语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数。

其中，Xvector的输出节点与训练样本集对应的样本说话人一一对应。除语音特征所属的说话人对应的输出节点之外的输出节点都是噪声对应的输出节点。因此，就将原本的多元分类问题转化为二分类问题。其中，多元分类问题是确定训练样本对应多个样本说话人中的哪一个。由于每个训练样本只属于一个说话人，只对应一个输出节点，其余的输出节点都统称为噪声对应的输出节点，因此就转化成了二分类问题。

步骤304，基于训练样本集，估计噪声先验分布。

在本实施例中，上述执行主体可以基于训练样本集，估计噪声先验分布。

其中，训练样本集包括多个样本说话人的音频。一个输出节点可以对应一个样本说话人。除输入的语音特征所属的说话人对应的输出节点之外的输出节点都是噪声对应的输出节点。噪声对应的输出节点输出的分数是分布均匀，因此噪声先验分布可以是均匀分布。

步骤305，基于噪声先验分布，选取部分噪声的分数。

在本实施例中，上述执行主体可以基于噪声先验分布，选取部分噪声的分数。其中，选取出的这部分噪声的分数是满足噪声先验分布的。也就是说，在满足噪声先验分布的前提下随机选取出部分噪声的分数。例如，将噪声的分数按照从大到小(或从小到大)的顺序进行排序，并将排序后的噪声的分数均匀划分为多个区间(如5个区间)。每个区间随机选取固定数目(如5万个)的噪声的分数。选取出的这部分噪声的分数(如25 万个噪声的分数)同样满足均匀分布。

步骤306，将语音特征所属的说话人的分数和部分噪声的分数输入至损失函数，计算得到损失值。

在本实施例中，上述执行主体可以将语音特征所属的说话人的分数和部分噪声的分数输入至损失函数，计算得到损失值。

通常，语音特征所属的说话人的分数和部分噪声的分数可以求和，得到归一化因子，在进行softmax计算，得到每个样本说话人的概率，最后根据某一目标准则，计算损失值。其中，损失函数可以例如是交叉熵Cross Energy。

步骤307，基于损失值更新声纹模型的网络参数，直至声纹模型收敛。

在本实施例中，上述执行主体可以基于损失值更新声纹模型的网络参数，直至声纹模型收敛。

这里，可以采用各种实现方式基于损失值调整声纹模型的网络参数。例如，可以采用随机梯度下降(SGD，Stochastic Gradient Descent)、牛顿法(Newton's Method)、拟牛顿法(Quasi-Newton Methods)、共轭梯度法(Conjugate Gradient)、启发式优化方法以及其他现在已知或者未来开发的各种优化算法。通常，调整后的声纹模型的损失值较调整前的声纹模型的损失值小，直至声纹模型的损失值足够小，声纹模型收敛。

例如，对于包括100万个样本说话人的音频的训练样本集，Xvector 就包括100万个输出节点。每个训练样本迭代时，仅需要选取25万个噪声对应的输出节点输出的分数计算损失值。降低了每一次的更新成本，降低了每一次的计算量，减低了延迟，使得Xvector短时间内收敛。

从图3中可以看出，与图2对应的实施例相比，本实施例中的声纹模型训练方法突出了的噪声分数选取步骤和Xvector训练步骤。由此，本实施例描述的方案结合一定的噪声先验分布，仅选取部分噪声对应的输出节点输出的分数，与语音特征所属的说话人的分数一起，来代替所有输出节点输出的分数计算损失值。由于选取出的部分噪声对应的输出节点输出的分数与全部噪声对应的输出节点输出的分数满足同样的噪声先验分布，可以达到等价训练的效果。

为了便于理解，图4示出了可以实现本申请实施例的声纹模型训练方法的应用场景图。如图4所示，对原始音频进行特征提取，得到语音特征。将语音特征输入至Xvector网络，计算原始音频属于目标说话人的分数，并计算原始音频属于噪声集合里说话人的分数。基于预先估计的噪声先验分布选取部分噪声集合里的部分说话人的分数，并与目标说话人的分数一起计算Loss。最后基于Loss反向更新网络至收敛，即完成了模型训练。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种声纹模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的声纹模型训练装置500可以包括：获取模块501、提取模块502、识别模型503和训练模块504。其中，获取模块501，被配置成获取训练样本集，其中，训练样本集包括多个样本说话人的音频；提取模块502，被配置成提取多个样本说话人的音频的语音特征；识别模型503，被配置成将语音特征输入到声纹模型，得到语音特征所属的说话人的分数和噪声的分数；训练模块504，被配置成基于语音特征所属的说话人的分数和部分噪声的分数，训练声纹模型。

在本实施例中，声纹模型训练装置500中：获取模块501、提取模块502、识别模型503和训练模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，提取模块502进一步被配置成：将多个样本说话人的音频从时域变换到频域，以及在频域上提取语音特征，其中，语音特征包括以下至少一项：梅尔频率倒谱系数MFCC、感知线性预测PLP、滤波器组FBank。

在本实施例的一些可选的实现方式中，声纹模型是Xvector；以及识别模块503进一步被配置成：将语音特征输入到Xvector，得到语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数，其中，Xvector的输出节点与训练样本集对应的样本说话人一一对应，除语音特征所属的说话人对应的输出节点之外的输出节点是噪声对应的输出节点。

在本实施例的一些可选的实现方式中，声纹模型训练装置500还包括：估计模块，被配置成基于训练样本集，估计噪声先验分布；选取模块，被配置成基于噪声先验分布，选取部分噪声的分数。

在本实施例的一些可选的实现方式中，训练模块504进一步被配置成：将语音特征所属的说话人的分数和部分噪声的分数输入至损失函数，计算得到损失值；基于损失值更新声纹模型的网络参数，直至声纹模型收敛。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。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/或者要求的本申请的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。

计算单元601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。计算单元601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计算单元、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。计算单元601执行上文所描述的各个方法和处理，例如声纹模型训练方法。例如，在一些实施例中，声纹模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的声纹模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601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模型训练方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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***、装置或设备，或者上述内容的任何合适组合。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。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：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计算机。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。

可以将此处描述的***和技术实施在包括后台部件的计算*** (例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***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。

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，本申请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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

本申请的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

Claims (13)

1.一种声纹模型训练方法，包括：

获取训练样本集，其中，所述训练样本集包括多个样本说话人的音频；

提取所述多个样本说话人的音频的语音特征；

将所述语音特征输入到声纹模型，得到所述语音特征所属的说话人的分数和噪声的分数；

基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型。

2.根据权利要求1所述的方法，其中，所述提取所述多个样本说话人的音频的语音特征，包括：

将所述多个样本说话人的音频从时域变换到频域，以及在频域上提取所述语音特征，其中，所述语音特征包括以下至少一项：梅尔频率倒谱系数MFCC、感知线性预测PLP、滤波器组FBank。

3.根据权利要求1所述的方法，其中，所述声纹模型是Xvector；以及

所述将所述语音特征输入到声纹模型，得到所述语音特征所属的说话人的分数和噪声的分数，包括：

将所述语音特征输入到Xvector，得到所述语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数，其中，所述Xvector的输出节点与所述训练样本集对应的样本说话人一一对应，除所述语音特征所属的说话人对应的输出节点之外的输出节点是噪声对应的输出节点。

4.根据权利要求1所述的方法，其中，在所述基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型之前，还包括：

基于所述训练样本集，估计噪声先验分布；

基于所述噪声先验分布，选取所述部分噪声的分数。

5.根据权利要求1所述的方法，其中，所述基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型，包括：

将所述语音特征所属的说话人的分数和所述部分噪声的分数输入至损失函数，计算得到损失值；

基于所述损失值更新所述声纹模型的网络参数，直至所述声纹模型收敛。

6.一种声纹模型训练装置，包括：

获取模块，被配置成获取训练样本集，其中，所述训练样本集包括多个样本说话人的音频；

提取模块，被配置成提取所述多个样本说话人的音频的语音特征；

识别模型，被配置成将所述语音特征输入到声纹模型，得到所述语音特征所属的说话人的分数和噪声的分数；

训练模块，被配置成基于所述语音特征所属的说话人的分数和部分噪声的分数，训练所述声纹模型。

7.根据权利要求6所述的装置，其中，所述提取模块进一步被配置成：

将所述多个样本说话人的音频从时域变换到频域，以及在频域上提取所述语音特征，其中，所述语音特征包括以下至少一项：梅尔频率倒谱系数MFCC、感知线性预测PLP、滤波器组FBank。

8.根据权利要求6所述的装置，其中，所述声纹模型是Xvector；以及

所述识别模块进一步被配置成：

将所述语音特征输入到Xvector，得到所述语音特征所属的说话人对应的输出节点输出的分数和噪声对应的输出节点输出的分数，其中，所述Xvector的输出节点与所述训练样本集对应的样本说话人一一对应，除所述语音特征所属的说话人对应的输出节点之外的输出节点是噪声对应的输出节点。

9.根据权利要求6所述的装置，其中，所述装置还包括：

估计模块，被配置成基于所述训练样本集，估计噪声先验分布；

选取模块，被配置成基于所述噪声先验分布，选取所述部分噪声的分数。

10.根据权利要求6所述的装置，其中，所述训练模块进一步被配置成：

将所述语音特征所属的说话人的分数和所述部分噪声的分数输入至损失函数，计算得到损失值；

基于所述损失值更新所述声纹模型的网络参数，直至所述声纹模型收敛。

11.一种电子设备，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指令，所述指令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1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。

Images