JP2020503541A - 声紋の作成・登録の方法及び装置 - Google Patents

Abstract

本発明は、ユーザに声紋ＩＤを登録するように提示することと、テキストに関する訓練方法を利用して、登録されていないユーザのために声紋モデルを確立することと、ユーザＩＤを生成し、ユーザにユーザＩＤ相関データを入力するように提示することと、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶することを、含む声紋の作成・登録の方法及び装置。従来技術における声紋の作成・登録の方法の技術学習のコストが高く、ユーザの妨げとなる問題点を避けることができる。声紋の確立過程にそれぞれのシーンをカバーさせることができ、声紋確立が各段階にユーザを案内する又は頻度によって声紋の確立と登録を分離することができ、ユーザに対する妨げを最小化させ、ユーザが声紋を登録するように案内して、音声インタラクティブ製品が声紋に基づいてユーザに対してパーソナライズサービスを提供することができる。

Description

本願は、出願日が２０１７年６月３０日であり、出願番号が２０１７１０５２７０２２．７であり、発明の名称が「声紋の作成・登録の方法及び装置」である中国特許出願の優先権を要求する。
本願は、人工知能応用分野に関するものであり、特に声紋の作成・登録の方法及び装置に関するものである。

人工知能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ；ＡＩ）は、人の知能をシミュレーション、延在及び拡張するための理論、方法、技術及び応用システムを研究、開発する新たな技術科学である。人工知能は、コンピュータ科学の一つの分岐であり、スマートの本質を理解しようと努め、人間知能と似た方式で反応する新たなスマート機器を生産し、分野の研究は、ロボット、言語認識、画像認識、自然言語処理及びスキャンエキスパートシステム等を含む。ただし、人工知能の主な一の方面は、声紋認識技術である。

近年、人工知能技術の発展が非常に速く、徐々に製品化される。特に、スマート音声会話製品については、海外のＡｍａｚｏｎ Ｅｃｈｏ（登録商標）スピーカボックス及びＧｏｏｇｌｅ Ｈｏｍｅ（登録商標）スピーカボックスの普及に従って、会話を主のインタラクティブ方式とするスマート家居製品、特にスピーカボックス製品が流行される。

スマートスピーカボックスを含むスマート音声会話製品の典型的な使用シーンは、家庭中であり、家庭においてユーザが音声で機器とインタラクティブを行うことは、非常に自然であり、家庭には常に複数のユーザがあり、ユーザ毎に必ず異なる要求があるが、現在製品のサービスはすべて粗く、すべてのユーザに提供するのが同じサービスであり、製品がユーザの要求に対する応答に使用されるのは、同一の共通標準であり、ユーザのパーソナライズの要求を満足することができないことになる。

音声会話の利点は、ユーザの声を収録することができることであり、指紋のように、誰も自分の声を持っているので、各自の声を声紋と呼び、パーソナライズのサービスを提供するように、話者の声紋により、話者がどのユーザであるかを判断し、ユーザのデータを抽出する。現在、業界の声紋技術は成熟しなく、製品化の要件を満たすのが難しい。

従来技術における声紋の作成・登録の方法技術は、学習コストが高く、ユーザの妨げとなる問題点が存在する。

本願の複数の技術案は、ユーザにパーソナライズサービスを提供し、学習コストを低減させるための声紋の作成・登録の方法及び装置を提供する。

本願の一つの技術案によると、声紋の作成・登録の方法であって、
機器が最初に使用されるとき、声紋の作成・登録を提示すること、
テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立すること、
ユーザＩＤを生成すること、
ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶すること、を含む。

上述した技術案といずれかの可能な実現方式によると、テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立することは、
登録文字列をユーザに提供すること、
ユーザが登録文字列を読んだ音声情報を受信すること、
性別分類器と音声情報に基づいて、ユーザの性別タグを確定すること、
性別タグと音声情報に基づいて、ユーザの声紋モデルを生成すること、を含む。
本願の他の技術案によると、声紋の作成・登録の方法であって、
ユーザが送信した音声要求を取得すること、
音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識すること、
ユーザＩＤが認識されない場合、声紋の作成・登録を提示すること、
ユーザＩＤを生成すること、
ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶すること、を含む。

上述した技術案といずれかの可能な実現方式によると、ユーザが送信した音声要求を取得することは、
クラウド側に音声要求を送信する必要があるかを判断し、「はい」であれば、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識すること、を含む。

上述した技術案といずれかの可能な実現方式によると、ユーザが送信した音声要求を取得することは、
音声要求についてユーザＩＤを認識する必要があるかを判断し、「はい」であれば、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識すること、を含む。

上述した技術案といずれかの可能な実現方式によると、声紋の作成・登録を提示することは、
ユーザＩＤが認識されない声紋モデルにＩＤ番号を付けること、
ＩＤ番号を付けた声紋モデルの出現頻度を判断すること、
閾値より低いと、ＩＤ番号を削除すること、
閾値より高いと、ユーザＩＤを生成すること、
ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶すること、を含む。

上述した技術案といずれかの可能な実現方式によると、声紋の作成・登録を提示することは、
テキストに関する訓練方法を利用して、ユーザＩＤが認識されないユーザのために声紋モデルを確立すること、を含む。
上述した技術案といずれかの可能な実現方式によると、テキストに関する訓練方法を利用して、ユーザＩＤが認識されないユーザのために声紋モデルを確立することは、
登録文字列をユーザに提供すること、
ユーザが登録文字列を読んだ音声情報を受信すること、
性別分類器と音声情報に基づいて、ユーザの性別タグを確定すること、
性別タグと音声情報に基づいて、ユーザの声紋モデルを生成すること、を含む。

本発明の他の技術案によると、声紋の作成・登録の装置であって、
機器が最初に使用されるとき、声紋の作成・登録を提示するための提示モジュールと、
テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立するための声紋確立モジュールと
ユーザＩＤを生成するための入力モジュールと、
ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶するための登録モジュールと、を含む。

上述した技術案といずれかの可能な実現方式によると、声紋確立モジュールは、具体的に、
登録文字列をユーザに提供するための提供サブモジュールと、
ユーザが登録文字列を読んだ音声情報を受信するための受信サブモジュールと、
性別分類器と音声情報に基づいて、ユーザの性別タグを確定するための確定サブモジュールと、
性別タグと音声情報に基づいて、ユーザの声紋モデルを生成するための生成サブモジュールと、を含む。

本発明の他の技術案によると、声紋の作成・登録の装置であって、
ユーザが送信した音声要求を取得するための取得モジュールと、
音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識するための声紋認識モジュールと、
登録されていないユーザに声紋の作成・登録を提示するための提示モジュールと、
ユーザＩＤを生成するための入力モジュールと、
ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶するための登録モジュールと、を含む。

上述した技術案といずれかの可能な実現方式によると、取得モジュールは、
クラウド側に音声要求を送信する必要があるかを判断し、「はい」であれば、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識すること、を具体的に実行する。

上述した技術案といずれかの可能な実現方式によると、提示モジュールは、
音声要求についてユーザＩＤを認識する必要があるかを判断し、「はい」であれば、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識すること、を具体的に実行する。

上述した技術案といずれかの可能な実現方式によると、提示モジュールは、
ユーザＩＤが認識されない声紋モデルにＩＤ番号を付けること、
ＩＤ番号を付けた声紋モデルの出現頻度を判断すること、
閾値より低いと、ＩＤ番号を削除すること、
閾値より高いと、ユーザＩＤを生成すること、
ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶すること、を具体的に実行する。

上述した技術案といずれかの可能な実現方式によると、提示モジュールは、
テキストに関する訓練方法を利用して、登録されていないユーザのために声紋モデルを確立すること、を具体的に実行する。

上述した技術案といずれかの可能な実現方式によると、提示モジュールは、
登録文字列をユーザに提供するための提供サブモジュールと、
ユーザが登録文字列を読んだ音声情報を受信するための受信サブモジュールと、
性別分類器と音声情報に基づいて、ユーザの性別タグを確定するための確定サブモジュールと、
性別タグと音声情報に基づいて、ユーザの声紋モデルを生成するための生成サブモジュールと、を含む。

本願の他の技術案によると、機器であって、
一つ又は複数のプロセッサと、
一つ又は複数のプログラムを記憶するためのストレジと、を含み、
一つ又は複数のプログラムが一つ又は複数のプロセッサによって実行されるとき、一つ又は複数のプロセッサに上記のいずれかの方法を実現させる。

本願の他の技術案によると、コンピュータプログラムを記憶しているコンピュータ読み取り可能な記憶媒体であって、プログラムがプロセッサによって実行されるとき、上記のいずれかの方法を実現する。

以上の技術案から分かるように、本願実施形態は、従来技術における声紋認識方法の技術の依頼性が強く、使用策略が簡単で、製品化の程度が低い問題点を避けることができる。高い技術エラー耐性を有し、製品化を速くし、ユーザにパーソナライズサービスを提供する。

本願の一実施形態に係る声紋の作成・登録の方法のフロー模式図である。 本願の一実施形態に係る声紋の作成・登録の方法におけるテキストに関する訓練方法を利用して、登録されていないユーザのために声紋モデルを確立するフロー模式図である。 本願の他の実施形態に係る声紋の作成・登録の方法のフロー模式図である。 本願の他の実施形態に係る声紋の作成・登録の方法における音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識するフロー模式図である。 本願の他の実施形態に係る声紋の作成・登録の方法における登録されていないユーザに声紋の作成・登録を提示するフロー模式図である。 本願の他の実施形態に係る声紋の作成・登録の装置の構成模式図である。 本願の一実施形態に係る声紋の作成・登録の装置の声紋確立モジュールの構成模式図である。 本願の他の実施形態に係る声紋の作成・登録の装置の構成模式図である。 本願の他の実施形態に係る声紋の作成・登録の装置の提示モジュールの構成模式図である。 本発明の実施形態を実現するための示的なコンピュータシステム／サーバのブロック図である。

本発明の目的、技術案と利点をより明確で簡潔させるために、以下、図面を参照して具体的な実施形態を挙げて、本発明をはっきりと完全に説明する。

また、本願において使用される専門用語「及び／又は」は、関連対象を記述する関連関係だけであり、三つの関係、例えば、Ａ及び／又はＢは、Ａだけが存在し、ＡとＢが同ときに存在し、Ｂだけが存在するという三つの情况が存在することを表すと理解されるべきである。また、本願における文字「／」は、一般的に、前後関連対象が一つの「又は」の関係であることを表す。

スマート音声インタラクティブ機器には、ＭａｔｅＡＰＰが存在し、携帯電話側にスマート音声インタラクティブ機器と協力して、一連のタスクを完成する。声紋を確立するために、ＭａｔｅＡＰＰ上に「声紋管理」機能モジュールが作成されており、その内でユーザはアカウントにおける声紋を作成、削除及び補正を行うことができる。

図１は、本願の一実施形態に係る声紋の作成・登録の方法のフロー模式図であり、図１に示すように、以下のステップを含む。

１０１において、機器が最初に使用されるとき、声紋の作成・登録を提示する。

機器が初めに使用されるとき、ユーザにＭａｔｅＡＰＰによって少なくとも一つの声紋ＩＤを登録し、相関身元情報、例えば氏名、年齢、性別等の情報を確認するように提示する。

ユーザは、ＭａｔｅＡＰＰ又は音声によって声紋を作成したい旨を表すことで、声紋作成を行う。

１０２において、テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立し、具体的に、図２に示すように、以下のサブステップを含む。

２０１において、登録文字列をユーザに提供する。

当然のことながら、登録文字列の形式は、さまざまな種類がある。

一つの例示として、登録文字列は、ランダムに生成された数字列であってもよい。また、更に大きいサンプル空間をカバーすることができるように、登録文字列における数字は、一度だけ現れる。

他の一つの例示として、登録文字列は、ランダムに生成された漢字文字列であってもよい。

２０２において、ユーザが登録文字列を読んだ音声情報を受信する。

具体的に、登録文字列をユーザに提供した後、ユーザは、提供された登録文字列に基づいて、複数回の読み上げを行って複数本の音声を生成して登録することができる。ユーザが登録文字列を読む過程において、又はユーザが登録文字列の読み上げを完成したとき、ユーザにより提供された登録文字列を読み上げて生成された音声情報を受信することができる。

２０３において、性別分類器と音声情報に基づいて、ユーザの性別タグを確定する。

本発明の実施形態において、性別分類器に基づいて、音声に対して性別分類を行って、ユーザの性別タグを得ることができる。ただし、性別タグは、男性又は女性を含む。具体的に、取得された音声の第一特徴情報を抽出し、第一特徴情報を予め生成された性別分類器に送信する。性別分類器は、第一特徴情報を分析し、第一特徴情報の性別タグ、即ちユーザの性別タグを取得する。

例えば、性別分類モデルがガウス混合モデルである場合を例として、先ず音声に対して基本周波数特徴及びメル周波数ケプストラム係数(Malta Fairs and Convention Centre、ＭＦＣＣ)特徴を抽出した後、ガウス混合モデルに基づいて、基本周波数特徴及びＭＦＣＣ特徴に対して事後確率値を計算し、計算結果に基づいてユーザの性別を確定することができる。例えば、仮に、ガウス混合モデルが男性ガウス混合モデルであると、計算結果の事後確率値が非常に高いと、例えば一定の閾値より高いとき、ユーザの性別が男性であると確定することができ、計算結果の事後確率値が非常に小さいと、例えば一定の閾値より低いとき、ユーザの性別が女性であると確定することができる。

２０４において、性別タグと音声情報に基づいて、ユーザの声紋モデルを生成する。

性別タグに対応するＤＮＮモデルに基づいて、音声毎の事後確率を取得する。

性別タグに対応する統一背景モデルと特徴ベクトルに基づいて、モデルを抽出し、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得する。

具体的に、性別分類器が返送した、音声に対応する性別タグに基づいて、ユーザが入力した複数本の音声を対応する性別のＤＮＮモデルに送信する。即ち、音声に対応するのが男性の音声であると、音声を男性ＤＮＮモデルに送信する。音声に対応するのが女性の音声であると、音声を女性ＤＮＮモデルに送信する。

性別タグに対応するＤＮＮモデルに基づいて、音声毎に対応する複数の事後確率を取得する。

性別タグに対応する統一背景モデルに基づいて、事後確率毎に正規化処理を行い、予め訓練された特徴ベクトルを応用してモデルを抽出し、音声毎及びに対応する正規化の事後確率に基づいて、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得し、取得する方式は、複数の種類があり、異なる応用の必要に基づいて、選択することができ、例えば、複数の第二特徴ベクトルの平均特徴ベクトルをユーザの声紋モデルとして取得する。

１０３において、ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力するように提示する。

１０４において、後の声紋モデルに基づいて声紋認識を行うことと、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うことができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶する。

ただし、予め記憶された声紋モデルは、同一のアカウント、例えば百度(登録商標)アカウントに関連されており、アカウントにおけるすべての声紋が一つのコレクションを形成する。各スマート音声インタラクティブ機器とアカウントとはユニークに関連されており、アカウントがスマート音声インタラクティブ機器と声紋とを関連付けることで、アカウントにおけるいずれかの機器によって声紋を登録することができ、一旦登録したら、アカウントにおけるいずれかのスマート音声機器において使用することができる。あるアカウントにおける機器が声紋を収集した後、同一のアカウントにおける家庭声紋コレクションにおいてマッチングを行い、声紋ＩＤを認識し、三者の統一が完成し、エンドツーエンドの声紋コレクション認識の解決方案を実現した。

図３は、本願の他の実施形態に係る声紋の作成・登録の方法のフロー模式図であり、図３に示すように、以下のステップを含む。

３０１において、ユーザが送信した音声要求を取得する。

本実施形態の一つの実現方式において、スマート音声インタラクティブ機器は、ネットワークに接続した後、ユーザがスマート音声インタラクティブ機器と音声インタラクティブを行い、クラウド側へ音声要求を送信する必要があるかを判断し、「はい」であれば、更に音声要求を送信したユーザＩＤを認識する。

本実施形態の他の一つの実現方式において、先ず音声要求に対して音声認識を行い、命令音声に記載された命令を取得し、命令対応垂直クラスを確定し、垂直クラスが、パーソナライズ推薦を提供するためにユーザＩＤを確定する必要がないと、直接に音声要求に対して応答し、垂直クラスが、パーソナライズ推薦を提供するためにユーザＩＤを確定する必要があると、音声要求を送信したユーザＩＤを認識する。

３０２において、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識し、具体的に、図４に示すように、以下のサブステップを含む。

４０１において、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザ性別タグを認識する。

性別別のユーザ群が特殊の声紋特徴を有するので、異なる性別のユーザ群向けの声紋分析を実現するように、ユーザ群の声特点に基づいて、モデル訓練を行うことができる。ユーザが音声要求を送信したとき、ユーザが送信した音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザ性情報を認識する。

声紋認識の前に、先ず話者の声紋に対してモデリング、即ち「訓練」又は「学習」を行う必要がある。具体的に、ディープニューラルネットワークＤＮＮ声紋基準線システムを応用することで、訓練セットにおける音声毎の第一特徴ベクトルを抽出し、音声毎の第一特徴ベクトル及び予めマーキングした性別タグに基づいて、性別分類器を訓練する。従って、性別を区分する声紋処理モデルを確立する。

取得された命令音声情報に基づいて、命令音声の第一特徴情報を抽出し、第一特徴情報を予め生成された性別分類器に送信する。性別分類器は、第一特徴情報を分析し、第一特徴情報の性別タグ、即ち命令音声の性別タグを取得する。

例えば、性別分類器がガウス混合モデルであることを例として、先ず音声要求に対して基本周波数特徴及びメル周波数ケプストラム係数ＭＦＣＣ特徴を抽出した後、ガウス混合モデルに基づいて、基本周波数特徴及びＭＦＣＣ特徴に対して事後確率値を計算し、計算結果に基づいてユーザの性別を確定することができる。例えば、仮にガウス混合モデルが男性ガウス混合モデルであると、計算結果の事後確率値が非常に高い場合、例えば一定の閾値より高いとき、ユーザの性別が男性であると確定することができ、計算結果の事後確率値が非常に小さい場合、例えば一定の閾値より低いとき、ユーザの性別が女性であると確定することができる。

４０２において、音声要求を送信したユーザ性別タグを認識した後、更に命令音声を送信したユーザ声紋ＩＤを認識する。

ユーザ毎の声は、一つのユニークな声紋ＩＤを有し、ＩＤに、ユーザ氏名、性別、年齢、趣味等の個人データが記録されている。

具体的に、性別分類器が返送した音声要求に対応する性別タグに基づいて、ユーザが入力した音声を対応性別のＤＮＮモデルに送信する。即ち、音声要求に対応するのが男性の音声であれば、音声を男性ＤＮＮモデルに送信する。音声要求に対応するのが女性の音声であれば、音声を女性ＤＮＮモデルに送信する。

性別タグに対応するＤＮＮモデルに基づいて、音声要求に対応する複数の事後確率を取得する。

性別タグに対応する統一背景モデルに基づいて、事後確率毎に正規化処理を行い、予め訓練された特徴ベクトルを応用してモデルを抽出し、音声毎及びに対応する正規化の事後確率に基づいて、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得し、取得する方式は、複数の種類があり、異なる応用の必要に基づいて、選択することができ、例えば、
複数の第二特徴ベクトルの平均特徴ベクトルをユーザの声紋モデルとして取得する。

取得されたユーザの声紋モデルを、予めに記憶された声紋モデルとマッチングを行うことで、マッチング値が予め設定された閾値より小さいと、ユーザが登録されていない、初めにスマート機器を使用していると確定し、ステップ３０３を実行する。

３０３において、ユーザＩＤが認識されない場合、声紋の作成・登録を提示する。

本実施形態の一つの実現方式において、ユーザＩＤが認識されない場合、非テキストに関する訓練方法を利用し、登録されていないユーザのために声紋モデルを確立し、登録する。

具体的に、取得された登録されていないユーザの声紋モデルに対してＩＤ番号を付ける。

ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力して声紋を登録するように提示する。

後の声紋モデルに基づいて声紋認識を行うことと、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うこととができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶する。

本実施形態の他の一つの実現方式において、ユーザに対する妨げを最小化にするために、常に使用する家庭ユーザのみに声紋の作成を案内することができ、具体的に、
ユーザＩＤが認識されない声紋モデルにＩＤ番号を付けるが、ユーザＩＤを生成してユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力するように提示しなく、バックグラウンドのみでＩＤ番号が所属するユーザの行動を記録する。

ＩＤ番号を付けた声紋モデルの出現頻度を判断する。

声紋の出現頻度が低いと、自動にＩＤ番号を削除する。

声紋の出現頻度が高い又は連続に複数の日に出現したら、ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力して声紋を登録するように提示する。後に声紋モデルに基づいて声紋認識を行い、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うことができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶する。

本実施形態の一つの実現方式において、テキストに関する訓練方法を利用して、ユーザＩＤが認識されないユーザのために声紋モデルを確立し、声紋技術がまだ完璧でなくても、テキストに関する訓練方法を使用して認識率を向上することができる。

具体的に、図５に示すように、テキストに関する訓練方法を利用して、ユーザＩＤが認識されないユーザのために声紋モデルを確立し、以下のサブステップを含む。

５０１において、登録文字列をユーザに提供する。

当然のことながら、登録文字列の形式は、さまざまな種類がある。

一つの例示として、登録文字列は、ランダムに生成された数字列であってもよい。また、更に大きいサンプル空間をカバーすることができるために、登録文字列における数字は、一度だけ現れる。

他の一つの例示として、登録文字列は、ランダムに生成された漢字文字列であってもよい。

５０２において、ユーザが登録文字列を読んだ音声情報を受信する。

具体的に、登録文字列をユーザに提供した後、ユーザは、提供された登録文字列に従って複数回の読み上げを行って登録することができる。ユーザが登録文字列を読んだ過程において、又はユーザが登録文字列の読み上げを完成したとき、ユーザにより提供された登録文字列を読み上げて生成された音声情報を受信することができる。

５０３において、性別分類器と音声情報に基づいて、ユーザの性別タグを確定する。

本発明の実施形態において、性別分類器に基づいて、音声に対して性別分類を行って、ユーザの性別タグを得ることができる。ただし、性別タグは、男性又は女性を含む。具体的に、取得された音声の第一特徴情報を抽出し、第一特徴情報を予め生成された性別分類器に送信する。性別分類器は、第一特徴情報を分析し、第一特徴情報の性別タグ、即ちユーザの性別タグを取得する。

例えば、性別分類モデルがガウス混合モデルである場合を例として、先ず音声に対して基本周波数特徴及びメル周波数ケプストラム係数(Malta Fairs and Convention Centre、ＭＦＣＣ)特徴を抽出した後、ガウス混合モデルに基づいて、基本周波数特徴及びＭＦＣＣ特徴に対して事後確率値を計算し、計算結果に基づいてユーザの性別を確定することができる。例えば、仮にガウス混合モデルが男性ガウス混合モデルであると、計算結果の事後確率値が非常に高い、例えば一定の閾値より高いとき、ユーザの性別が男性であると確定することができ、計算結果の事後確率値が非常に小さい、例えば一定の閾値より低いとき、ユーザの性別が女性であると確定することができる。

５０４において、性別タグと音声情報に基づいて、ユーザの声紋モデルを生成する。

性別タグに対応するＤＮＮモデルに基づいて、音声毎の事後確率を取得する。
性別タグに対応する統一背景モデルと特徴ベクトルに基づいて、モデルを抽出し、それぞれに音声毎の第二特徴ベクトルを抽出する。
複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得する。

具体的に、性別分類器が返送した音声に対応する性別タグに基づいて、ユーザが入力した複数本の音声を対応する性別のＤＮＮモデルに送信する。即ち、音声に対応するのが男性の音声であると、音声を男性ＤＮＮモデルに送信する。音声に対応するのが女性の音声であると、音声を女性ＤＮＮモデルに送信する。

性別タグに対応するＤＮＮモデルに基づいて、音声毎に対応する複数の事後確率を取得する。

性別タグに対応する統一背景モデルに基づいて、事後確率毎に正規化処理を行い、予め訓練された特徴ベクトルを応用してモデルを抽出し、音声毎及びに対応する正規化の事後確率に基づいて、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得し、取得する方式は、複数の種類があり、異なる応用の必要に基づいて、選択することができ、例えば、
複数の第二特徴ベクトルの平均特徴ベクトルをユーザの声紋モデルとして取得する。

３０４において、ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力するように提示する。

３０５において、後の声紋モデルに基づいて声紋認識を行うことと、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うこととができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶する。

ただし、予め記憶された声紋モデルは、同一のアカウント、例えば百度(登録商標)アカウントに関連されており、アカウントにおけるすべての声紋が一つのコレクションを形成する。各スマート音声インタラクティブ機器とアカウントとはユニークに関連されており、アカウントがスマート音声インタラクティブ機器と声紋とを関連付けることで、アカウントにおけるいずれかの機器によって声紋を登録することができ、一旦登録したら、アカウントにおけるいずれかのスマート音声機器において使用することができる。あるアカウントにおける機器が声紋を収集した後、同一のアカウントにおける家庭声紋コレクションにおいてマッチングを行い、声紋ＩＤを認識し、三者の統一が完成し、エンドツーエンドの声紋コレクション認識の解決方案を実現した。

好ましくは、ユーザは、ＭａｔｅＡＰＰによって音声ログインし、ユーザＩＤ、声紋モデルを補正することができる。

本実施形態の方法は、従来技術における声紋の作成・登録の方法の技術学習のコストが高く、ユーザの妨げとなる問題点を避けることができる。性別を区分する声紋認証処理モデルを応用して声紋認証の効率と正確性を提高するように、性別を区分する声紋登録過程を実現し、声紋の確立過程にそれぞれのシーンをカバーさせることができ、声紋確立の各段階にユーザを案内することができ、又は頻度によって声紋の確立と登録を分離することができ、ユーザに対する妨げを最小化させ、ユーザが声紋を登録するように案内した後、音声インタラクティブ製品が声紋に基づいてユーザに対してパーソナライズサービスを提供することができる。

説明すべきことは、前述の各方法実施形態については、簡単に説明するために、それを共に一連のステップの組み合わせと記載したが、当業者にとって、本願に記述されたステップの順序に限定されておらず、あるステップを、他の順序に従って行っても良く、又は同時に行っても良いことを理解すべきである。次に、当業者については、説明書に記述された実施形態は共に好ましい実施形態であり、かかる動作とモジュールは必ず本願に必要なものではないことも理解すべきである。

実施形態において、各実施形態の記述は、共にそれぞれにフォーカスがあり、ある実施形態において詳細に説明していない部分は、他の実施形態の相関記述を参照することができる。

図６は、本願の他の実施形態に係る声紋の作成・登録の装置の構成模式図であり、６に示すように、提示モジュール６１、声紋確立モジュール６２、入力モジュール６３、登録モジュール６４を含み、ただし、
提示モジュール６１は、機器が最初に使用されるとき、声紋の作成・登録を提示するために用いられる。

機器が初めに使用されるとき、ユーザがＭａｔｅＡＰＰによって少なくとも一つの声紋ＩＤを登録するように案内し、相関身元情報、例えば氏名、年齢、性別等の情報を確認する。

ユーザは、ＭａｔｅＡＰＰ又は音声によって声紋を作成したい旨を表すことで、声紋作成を行う。

声紋確立モジュール６２は、テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立するために用いられ、具体的に、図７に示すように、以下のサブモジュールを含む。

提供サブモジュール７１は、登録文字列をユーザに提供するために用いられる。

当然のことながら、登録文字列の形式は、さまざまな種類がある。

一つの例示として、登録文字列は、ランダムに生成された数字列であってもよい。また、更に大きいサンプル空間をカバーすることができるために、登録文字列における数字は、一度だけ現れる。

他の一つの例示として、登録文字列は、ランダムに生成された漢字文字列であってもよい。

受信サブモジュール７２は、ユーザが登録文字列を読んだ音声情報を受信するために用いられる。

具体的に、登録文字列をユーザに提供した後、ユーザは、提供された登録文字列に基づいて、複数回の読み上げを行って複数本の音声を生成して登録することができる。ユーザが登録文字列を読んだ過程において、又はユーザが登録文字列の読み上げを完成したとき、ユーザにより提供された登録文字列を読み上げて生成された音声情報を受信することができる。

確定サブモジュール７３は、性別分類器と音声情報に基づいて、ユーザの性別タグを確定するために用いられる。

本発明の実施形態において、性別分類器に基づいて、音声に対して性別分類を行って、ユーザの性別タグを得ることができる。ただし、性別タグは、男性又は女性を含む。具体的に、取得された音声の第一特徴情報を抽出し、第一特徴情報を予め生成された性別分類器に送信する。性別分類器は、第一特徴情報を分析し、第一特徴情報の性別タグ、即ちユーザの性別タグを取得する。

例えば、性別分類モデルがガウス混合モデルである場合を例として、先ず音声に対して基本周波数特徴及びメル周波数ケプストラム係数(Malta Fairs and Convention Centre、ＭＦＣＣ)特徴を抽出した後、ガウス混合モデルに基づいて、基本周波数特徴及びＭＦＣＣ特徴に対して事後確率値を計算し、計算結果に基づいてユーザの性別を確定することができる。例えば、仮にガウス混合モデルが男性ガウス混合モデルであると、計算結果の事後確率値が非常に高いと、例えば一定の閾値より高いとき、ユーザの性別が男性であると確定することができ、計算結果の事後確率値が非常に小さいと、例えば一定の閾値より低いとき、ユーザの性別が女性であると確定することができる。

生成サブモジュール７４は、性別タグと音声情報に基づいて、ユーザの声紋モデルを生成するために用いられる。

性別タグに対応するＤＮＮモデルに基づいて、音声毎の事後確率を取得する。

性別タグに対応する統一背景モデルと特徴ベクトルに基づいて、モデルを抽出し、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得する。

具体的に、性別分類器が返送した音声に対応する性別タグに基づいて、ユーザが入力した複数本の音声を対応する性別のＤＮＮモデルに送信する。即ち、音声に対応するのが男性の音声であると、音声を男性ＤＮＮモデルに送信する。音声に対応するのが女性の音声であると、音声を女性ＤＮＮモデルに送信する。

性別タグに対応するＤＮＮモデルに基づいて、音声毎に対応する複数の事後確率を取得する。

性別タグに対応する統一背景モデルに基づいて、事後確率毎に正規化処理を行い、予め訓練された特徴ベクトルを応用してモデルを抽出し、音声毎及びに対応する正規化の事後確率に基づいて、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得し、取得する方式は、複数の種類があり、異なる応用の必要に基づいて、選択することができ、例えば、
複数の第二特徴ベクトルの平均特徴ベクトルをユーザの声紋モデルとして取得する。

入力モジュール６３は、ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力するように提示するために用いられる。

登録モジュール６４は、後の声紋モデルに基づいて声紋認識を行うことと、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うこととができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶するために用いられる。

ただし、予め記憶された声紋モデルは、同一のアカウント、例えば百度(登録商標)アカウントに関連されており、アカウントにおけるすべての声紋が一つのコレクションを形成する。各スマート音声インタラクティブ機器とアカウントとはユニークに関連されており、アカウントがスマート音声インタラクティブ機器と声紋とを関連付けることで、アカウントにおけるいずれかの機器によって声紋を登録することができ、一旦登録したら、アカウントにおけるいずれかのスマート音声機器において使用することができる。あるアカウントにおける機器が声紋を収集した後、同一のアカウントにおける家庭声紋コレクションにおいてマッチングを行い、声紋ＩＤを認識し、三者の統一が完成し、エンドツーエンドの声紋コレクション認識の解決方案を実現した。

図８は、本願の他の実施形態に係る声紋の作成・登録の装置の構成模式図であり、図８に示すように、以下のモジュールを含む。

取得モジュール８１は、ユーザが送信した音声要求を取得するために用いられる。

本実施形態の一つの実現方式において、スマート音声インタラクティブ機器は、ネットワークに接続した後、ユーザがスマート音声インタラクティブ機器と音声インタラクティブを行い、クラウド側へ音声要求を送信する必要があるかを判断し、「はい」であれば、更に音声要求を送信したユーザＩＤを認識する。

本実施形態の他の一つの実現方式において、先ず音声要求に対して音声認識を行い、命令音声に記載された命令を取得し、命令対応垂直クラスを確定し、垂直クラスがパーソナライズ推薦を提供するためにユーザＩＤを確定する必要がないと、直接に音声要求に対して応答し、垂直クラスが、パーソナライズ推薦を提供するためユーザＩＤを確定する必要があると、更に音声要求を送信したユーザＩＤを認識する。

声紋認識モジュール８２は、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識するために用いられ、具体的に、以下のサブモジュールを含む。

ユーザ性別認識サブモジュールは、音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザ性別タグを認識するために用いられる。

性別別のユーザ群が特殊の声紋特徴を有するので、異なる性別のユーザ群向けの声紋分析を実現するように、ユーザ群の声特点に基づいて、モデル訓練を行うことができる。ユーザが音声要求を送信したとき、ユーザが送信した音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザ性情報を認識する。

声紋認識の前に、先ず話者の声紋に対してモデリング、即ち「訓練」又は「学習」を行う必要がある。具体的に、ディープニューラルネットワークＤＮＮ声紋基準線システムを応用することで、訓練セットにおける音声毎の第一特徴ベクトルを抽出し、音声毎の第一特徴ベクトル及び予めマーキングした性別タグに基づいて、性別分類器を訓練する。従って、性別を区分する声紋処理モデルを確立する。

取得された命令音声情報に基づいて、命令音声の第一特徴情報を抽出し、第一特徴情報を予め生成された性別分類器に送信する。性別分類器は、第一特徴情報を分析し、第一特徴情報の性別タグ、即ち命令音声の性別タグを取得する。

例えば、性別分類器がガウス混合モデルであることを例として、先ず音声要求に対して基本周波数特徴及びメル周波数ケプストラム係数ＭＦＣＣ特徴を抽出した後、ガウス混合モデルに基づいて、基本周波数特徴及びＭＦＣＣ特徴に対して事後確率値を計算し、計算結果に基づいてユーザの性別を確定することができる例えば、仮にガウス混合モデルが男性ガウス混合モデルであると、計算結果の事後確率値が非常に高いと、例えば一定の閾値より高いとき、ユーザの性別が男性であると確定することができ、計算結果の事後確率値が非常に小さいと、例えば一定の閾値より低いとき、ユーザの性別が女性であると確定することができる。

ユーザ声紋ＩＤ認識サブモジュールは、音声要求を送信したユーザ性別タグを認識した後、更に命令音声を送信したユーザ声紋ＩＤを認識するために用いられる。

ユーザ毎の声は、一つのユニークな声紋ＩＤを有し、ＩＤに、ユーザ氏名、性別、年齢、趣味等の個人データが記録されている。

具体的に、性別分類器が返送した音声要求に対応する性別タグに基づいて、ユーザが入力した音声を対応性別のＤＮＮモデルに送信する。即ち、音声要求に対応するのが男性の音声であれば、音声を男性ＤＮＮモデルに送信する。音声要求に対応するのが女性の音声であれば、音声を女性ＤＮＮモデルに送信する。

性別タグに対応するＤＮＮモデルに基づいて、音声要求に対応する複数の事後確率を取得する。

性別タグに対応する統一背景モデルに基づいて、事後確率毎に正規化処理を行い、予め訓練された特徴ベクトルを応用してモデルを抽出し、音声毎及びに対応する正規化の事後確率に基づいて、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得し、取得する方式は、複数の種類があり、異なる応用の必要に基づいて、選択することができ、例えば、
複数の第二特徴ベクトルの平均特徴ベクトルをユーザの声紋モデルとして取得する。

取得されたユーザの声紋モデルを、予めに記憶された声紋モデルとマッチングを行うことで、マッチング値が予め設定された閾値より小さいと、ユーザが登録されていない、初めにスマート機器を使用していると確定する。

提示モジュール８３は、ユーザＩＤが認識されない場合、声紋の作成・登録を提示するために用いられる。

本実施形態の一つの実現方式において、ユーザＩＤが認識されなく、初めにスマート機器を使用する場合に、提示モジュール８３は、非テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立する。

具体的に、
ユーザＩＤが認識されない声紋モデルにＩＤ番号を付ける。

ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力して声紋を登録するように提示する。

後の声紋モデルに基づいて声紋認識を行うことと、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うことができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶する。

本実施形態の他の一つの実現方式において、ユーザに対する妨げを最小化にするために、常に使用する家庭ユーザのみに声紋の作成を案内することができ、具体的に、

ユーザＩＤが認識されない声紋モデルにＩＤ番号を付けるが、ユーザＩＤを生成してユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力するように提示しなく、バックグラウンドのみでＩＤ番号が所属するユーザの行動を記録する。

ＩＤ番号を付けた声紋モデルの出現頻度を判断する。

声紋の出現頻度が低いと、自動にＩＤ番号を削除する。

声紋の出現頻度が高い又は連続に複数の日に出現したら、ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力して声紋を登録するように提示する。後に声紋モデルに基づいて声紋認識を行い、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うことができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶する。

本実施形態の一つの実現方式において、提示モジュール８３は、テキストに関する訓練方法を利用して、ユーザＩＤが認識されない声紋モデルを確立し、登録し、声紋技術がまだ完璧でなくても、テキストに関する訓練方法を使用して認識率を向上することができる。具体的に、図９に示すように、以下のサブモジュールを含む。

提供サブモジュール９１は、登録文字列をユーザに提供するために用いられる。

当然のことながら、登録文字列の形式は、さまざまな種類がある。

一つの例示として、登録文字列は、ランダムに生成された数字列であってもよい。また、更に大きいサンプル空間をカバーすることができるために、登録文字列における数字は、一度だけ現れる。

他の一つの例示として、登録文字列は、ランダムに生成された漢字文字列であってもよい。

受信サブモジュール９２は、ユーザが登録文字列を読んだ音声情報を受信するために用いられる。

具体的に、登録文字列をユーザに提供した後、ユーザは、提供された登録文字列に従って複数回の読み上げを行って登録することができる。ユーザが登録文字列を読んだ過程において、又はユーザが登録文字列の読み上げを完成したとき、ユーザにより提供された登録文字列を読み上げて生成した音声情報を受信することができる。

確定サブモジュール９３は、性別分類器と音声情報に基づいて、ユーザの性別タグを確定するために用いられる。

本発明の実施形態において、性別分類器に基づいて、音声に対して性別分類を行って、ユーザの性別タグを得ることができる。ただし、性別タグは、男性又は女性を含む。具体的に、取得された音声の第一特徴情報を抽出し、第一特徴情報を予め生成された性別分類器に送信する。性別分類器は、第一特徴情報を分析し、第一特徴情報の性別タグ、即ちユーザの性別タグを取得する。

例えば、性別分類モデルがガウス混合モデルである場合を例として、先ず音声に対して基本周波数特徴及びメル周波数ケプストラム係数(Malta Fairs and Convention Centre、ＭＦＣＣ)特徴を抽出した後、ガウス混合モデルに基づいて、基本周波数特徴及びＭＦＣＣ特徴に対して事後確率値を計算し、計算結果に基づいてユーザの性別を確定することができる。例えば、仮にガウス混合モデルが男性ガウス混合モデルであると、計算結果の事後確率値が非常に高いと、例えば一定の閾値より高いとき、ユーザの性別が男性であると確定することができ、計算結果の事後確率値が非常に小さいと、例えば一定の閾値より低いとき、ユーザの性別が女性であると確定することができる。

生成サブモジュール９４は、性別タグと音声情報に基づいて、ユーザの声紋モデルを生成するために用いられる。

性別タグに対応するＤＮＮモデルに基づいて、音声毎の事後確率を取得する。

性別タグに対応する統一背景モデルと特徴ベクトルに基づいて、モデルを抽出し、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得する。

具体的に、性別分類器が返送した音声に対応する性別タグに基づいて、ユーザが入力した複数本の音声を対応性別のＤＮＮモデルに送信する。即ち、音声に対応するのが男性の音声であると、音声を男性ＤＮＮモデルに送信する。音声に対応するのが女性の音声であると、音声を女性ＤＮＮモデルに送信する。

性別タグに対応するＤＮＮモデルに基づいて、音声毎に対応する複数の事後確率を取得する。

性別タグに対応する統一背景モデルに基づいて、事後確率毎に正規化処理を行い、予め訓練された特徴ベクトルを応用してモデルを抽出し、音声毎及びに対応する正規化の事後確率に基づいて、それぞれに音声毎の第二特徴ベクトルを抽出する。

複数本の音声に対応する複数の第二特徴ベクトルに基づいて、ユーザの声紋モデルを取得し、取得する方式は、複数の種類があり、異なる応用の必要に基づいて、選択することができ、例えば、
複数の第二特徴ベクトルの平均特徴ベクトルをユーザの声紋モデルとして取得する。

入力モジュール８４は、ユーザＩＤを生成し、ユーザに氏名、性別、年齢、趣味、家庭住所、勤務先等のユーザＩＤ相関データを入力するように提示するために用いられる。

登録モジュール８５は、後の声紋モデルに基づいて声紋認識を行うことと、アカウントにおけるいずれかのスマート音声機器に対して音声制御を行うことができるように、ユーザＩＤと声紋モデルを対応付けて声紋登録データベースのあるアカウントに記憶するために用いられる。

ただし、予めに記憶された声紋モデルは、同一のアカウント、例えば百度(登録商標)アカウントに関連されており、アカウントにおけるすべての声紋が一つのコレクションを形成する。各スマート音声インタラクティブ機器とアカウントとはユニークに関連されており、アカウントがスマート音声インタラクティブ機器と声紋とを関連付けることで、アカウントにおけるいずれかの機器によって声紋を登録することができ、一旦登録したら、アカウントにおけるいずれかのスマート音声機器において使用することができる。あるアカウントにおける機器が声紋を収集した後、同一のアカウントにおける家庭声紋コレクションにおいてマッチングを行い、声紋ＩＤを認識し、三者の統一が完成し、エンドツーエンドの声紋コレクション認識の解決方案を実現した。

好ましく、ユーザは、ＭａｔｅＡＰＰによって音声ログインし、ユーザＩＤ、声紋モデルを補正することができる。

本実施形態の方法は、従来技術における声紋の作成・登録の方法の技術学習のコストが高く、ユーザの妨げとなる問題点を避けることができる。性別を区分する声紋認証処理モデルを応用して声紋認証の効率と正確性を提高するように、性別を区分する声紋登録過程を実現し、声紋の確立過程にそれぞれのシーンをカバーさせることができ、声紋確立の各段階にユーザを案内することができ、又は頻度によって声紋の確立と登録を分離することができ、ユーザに対する妨げを最小化させ、ユーザが声紋を登録するように案内した後、音声インタラクティブ製品が声紋に基づいてユーザに対してパーソナライズサービスを提供することができる。

当業者については、説明の簡単のために、端末とサーバの具体的な動作の過程は、前述の方法の実施形態における対応する過程を参照することができるので、ここで繰り返さないことを分かっている。

本実施形態の装置は、従来技術における声紋の作成・登録の方法の技術学習のコストが高く、ユーザの妨げとなる問題点を避けることができる。声紋の確立過程にそれぞれのシーンをカバーさせることができ、声紋確立の各段階にユーザを案内することができ、又は頻度によって声紋の確立と登録を分離することができ、ユーザに対する妨げを最小化させ、ユーザが声紋を登録するように案内した後、音声インタラクティブ製品が声紋に基づいてユーザに対してパーソナライズサービスを提供することができる。

本発明における幾つかの実施形態において、開示された方法と装置は、他の方式で得ることができることを理解されたい。例えば、上記した装置は単なる例示に過ぎず、例えば、手段の分割は、論理的な機能分割のみであり、実際には、別の方法で分割することもでき、例えば、複数の手段または部材を組み合わせて他のシステムに集積することができ、或いはいくつかの特徴を省略し、あるいは実行しないことができる。さて、表示または説明した相互結合または直接結合または通信接続は、何らかのインターフェース、装置または手段を介した間接的結合または通信接続であることができ、そして電気的、機械的または他の方式であってもよい。

分離部品として説明された手段が、物理的に分離されてもよく、物理的に分離されなくてもよく、手段として表される部品が、物理手段でもよく、物理手段でなくてもよく、１つの箇所に位置してもよく、又は複数のネットワークセルに分布されても良い。実際の必要に基づいて、その中の一部又は全部を選択して、本実施形態の態様の目的を実現することができる。

また、本発明の各実施形態における各機能手段が１つの処理手段に集積されてもよく、各手段が物理的に独立に存在してもよく、２つ又は２つ以上の手段が１つの手段に集積されても良い。上記集積された手段は、ハードウェアの形式で実現してもよく、ハードウェア＋ソフトウェア機能手段の形式で実現しても良い。

図１０は、本発明の実施形態を実現するために適応する例示的なコンピュータシステム／サーバ０１２のブロック図を示す。図１０に示すコンピュータシステム／サーバ０１２は、一つの例だけであり、本発明の実施形態の機能と使用範囲を制限していない。

図１０に示すように、コンピュータシステム／サーバ０１２は、汎用演算機器の形態で表現される。コンピュータシステム／サーバ０１２の構成要素には、１つ又は複数のプロセッサ又は処理手段０１６と、システムメモリ０２８と、異なるシステム構成要素（システムメモリ０２８と処理手段０１６とを含む）を接続するためのバス０１８を含んでいるが、これに限定されない。

バス０１８は、複数種類のバス構成の中の１つ又は複数の種類を示し、メモリバス又はメモリコントローラ、周辺バス、グラフィック加速ポート、プロセッサ又は複数種類のバス構成でのいずれかのバス構成を使用したローカルバスを含む。例えば、それらの架構には、工業標準架構（ＩＳＡ）バス、マイクロチャンネル架構（ＭＡＣ）バス、増強型ＩＳＡバス、ビデオ電子規格協会（ＶＥＳＡ）ローカルバス及び周辺コンポーネント接続（ＰＣＩ）バスを含んでいるが、これに限定されない。

コンピュータシステム／サーバ０１２には、典型的には複数のコンピュータシステム読取り可能な媒体を含む。それらの媒体は、コンピュータシステム／サーバ０１２にアクセスされて使用可能な任意な媒体であり、揮発性の媒体と不揮発性の媒体や移動可能な媒体と移動不可な媒体を含む。

システムメモリ０２８には、揮発性メモリ形式のコンピュータシステム読取り可能な媒体、例えばランダムアクセスメモリ（ＲＡＭ）０３０及び／又はキャッシュメモリ０３２を含むことができる。コンピュータシステム／サーバ０１２には、更に他の移動可能／移動不可なコンピュータシステム記憶媒体や揮発性／不揮発性のコンピュータシステム記憶媒体を含むことができる。例として、ストレジ０３４は、移動不可能な不揮発性磁媒体を読み書くために用いられる（図１０に示していないが、常に「ハードディスクドライブ」とも呼ばれる）。図９に示していないが、移動可能な不揮発性磁気ディスク（例えば「フレキシブルディスク」）に対して読み書きを行うための磁気ディスクドライブ、及び移動可能な不揮発性光ディスク（例えばＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ又は他の光媒体）に対して読み書きを行うための光ディスクドライブを提供できる。このような場合に、ドライブは、それぞれ１つ又は複数のデータ媒体インターフェースによってバス０１８に接続される。システムメモリ０２８には少なくとも１つのプログラム製品を含み、プログラム製品には１組の（例えば少なくとも１つの）プログラムモジュールを含み、それらのプログラムモジュールは、本発明の各実施形態の機能を実行するように配置される。

１組の（少なくとも１つの）プログラムモジュール０４２を含むプログラム／実用ツール０４０は、例えばシステムメモリ０２８に記憶され、このようなプログラムモジュール０４２には、オペレーティングシステム、１つの又は複数のアプリケーションプログラム、他のプログラムモジュール及びプログラムデータを含んでいるが、これに限定しておらず、それらの例示での１つ又はある組み合にはネットワーク環境の実現を含む可能性がある。プログラムモジュール０４２は、常に本発明に記載されている実施形態における機能及び／或いは方法を実行する。

コンピュータシステム／サーバ０１２は、一つ又は複数の周辺機器０１４（例えばキーボード、ポインティングデバイス、ディスプレイ０２４）と通信を行ってもよく、本発明において、コンピュータシステム／サーバ０１２は外部レーダ機器と通信を行い、一つ又は複数のユーザとコンピュータシステム／サーバ０１２とのインタラクティブを実現することができる機器と通信を行ってもよく、及び／又はコンピュータシステム／サーバ０１２と一つ又は複数の他の演算機器との通信を実現することができるいずれかの機器（例えばネットワークカード、モデム等）と通信を行っても良い。このような通信は入力／出力（Ｉ／Ｏ）インターフェース０２２によって行うことができる。そして、コンピュータシステム／サーバ０１２は、ネットワークアダプタ０２０によって、一つ又は複数のネットワーク（例えばローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）及び／又は公衆回線網、例えばインターネット）と通信を行っても良い。図１０に示すように、ネットワークアダプタ０２０は、バス０１８によって、コンピュータシステム／サーバ０１２の他のモジュールと通信を行う。当然のことながら、図１０に示していないが、コンピュータシステム／サーバ０１２と連携して他のハードウェア及び／又はソフトウェアモジュールを使用することができ、マイクロコード、機器ドライブ、冗長処理手段、外部磁気ディスクドライブアレイ、ＲＡＩＤシステム、磁気テープドライブ及びデータバックアップストレジ等を含むが、これに限定されない。

処理手段０１６は、メモリ０２８に記憶されているプログラムを実行することで、本発明に記述された実施形態における機能及び／又は方法を実現する。

上記のコンピュータプログラムは、コンピュータ記憶媒体に設置されることができ、即ちコンピュータ記憶媒体にコンピュータプログラムを符号化することができ、プログラムが一つ又は複数のコンピュータによって実行されるとき、一つ又は複数のコンピュータに本発明の上記実施形態に示す方法フロー及び／又は装置操作を実行させる。

時間と技術の発展に伴って、媒体の意味はますます広範囲になり、コンピュータプログラムの伝送経路は有形のメディアによって制限されなくなり、ネットワークなどから直接ダウンロードすることもできる。１つ又は複数のコンピュータ読み取り可能な媒体の任意な組合を利用しても良い。コンピュータ読み取り可能な媒体は、コンピュータ読み取り可能な信号媒体又はコンピュータ読み取り可能な記憶媒体である。コンピュータ読み取り可能な記憶媒体は、例えば、電気、磁気、光、電磁気、赤外線、又は半導体のシステム、装置又はデバイス、或いは上記ものの任意な組合であるが、これに限定されない。コンピュータ読み取り可能な記憶媒体の更なる具体的な例（網羅していないリスト）には、１つ又は複数のワイヤを具備する電気的な接続、携帯式コンピュータ磁気ディスク、ハードディクス、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、消去可能なプログラマブルリードオンリーメモリ（ＥＰＲＯＭ又はフラッシュ）、光ファイバー、携帯式コンパクト磁気ディスクリードオンリーメモリ（ＣＤ−ＲＯＭ）、光メモリ部材、磁気メモリ部材、又は上記ものの任意で適当な組合を含む。本願において、コンピュータ読み取り可能な記憶媒体は、プログラムを含む又は記憶する任意な有形媒体であってもよく、プログラムは、命令実行システム、装置又はデバイスに使用される又はそれらと連携して使用されるができる。

コンピュータ読み取り可能な信号媒体には、ベースバンドにおいて伝搬されるデータ信号或いはキャリアの一部として伝搬されるデータ信号を含み、それにコンピュータ読み取り可能なプログラムコードが載っている。このような伝搬されるデータ信号について、複数種類の形態を利用でき、電磁気信号、光信号又はそれらの任意で適当な組合を含んでいるが、これに限定されない。コンピュータ読み取り可能な信号媒体は、コンピュータ読み取り可能な記憶媒体以外の任意なコンピュータ読み取り可能な媒体であってもよく、コンピュータ読み取り可能な媒体は、命令実行システム、装置又はデバイスによって使用される又はそれと連携して使用されるプログラムを送信、伝搬又は転送できる。

コンピュータ読み取り可能な媒体に記憶されたプログラムコードは、任意で適正な媒体によって転送されてもよく、無線、電線、光ケーブル、ＲＦ等、又は上記ものの任意で適当な組合が含まれているが、これに限定されない。

１つ又は複数のプログラミング言語又はそれらの組合で、本発明の操作を実行するためのコンピュータプログラムコードを編集することができ、プログラミング言語には、オブジェクト向けのプログラミング言語、例えばＪａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋が含まれ、通常のプロシージャ向けプログラミング言語、例えば「Ｃ」言葉又は類似しているプログラミング言語も含まれる。プログラムコードは、完全的にユーザコンピュータに実行されてもよく、部分的にユーザコンピュータに実行されてもよく、１つの独立のソフトウェアパッケージとして実行されてもよく、部分的にユーザコンピュータに実行され且つ部分的に遠隔コンピュータに実行されてもよく、又は完全的に遠隔コンピュータ又はサーバに実行されてもよい。遠隔コンピュータに係る場合に、遠隔コンピュータは、ローカルエリアネットワーク（ＬＡＮ）又は広域ネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介して、ユーザコンピュータ、又は、外部コンピュータに接続できる（例えば、インターネットサービス事業者を利用してインターネットを介して接続できる）。

以上は、本発明の好ましい実施形態のみであり、本発明を制限しなく、本発明の精神および原則の範囲内で行われた変更、同等の置換、改善等は、全て本発明の特許請求の範囲に含めるべきである。

Claims (18)

1. 声紋の作成・登録の方法であって、
   機器が最初に使用されるとき、声紋の作成・登録を提示することと、
   テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立することと、
   ユーザＩＤを生成することと、
   ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶することと、を含む、
   声紋の作成・登録の方法。
2. テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立することは、
   登録文字列をユーザに提供することと、
   ユーザが登録文字列を読んだ音声情報を受信することと、
   性別分類器と音声情報に基づいて、ユーザの性別タグを確定することと、
   性別タグと音声情報に基づいて、ユーザの声紋モデルを生成することと、を含む、
   請求項１に記載の声紋の作成・登録の方法。
3. 声紋の作成・登録の方法であって、
   ユーザが送信した音声要求を取得することと、
   前記音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識することと、
   ユーザＩＤが認識されない場合、声紋の作成・登録を提示することと、
   ユーザＩＤを生成することと、
   ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶することと、を含む、
   声紋の作成・登録の方法。
4. ユーザが送信した音声要求を取得することは、
   クラウド側に前記音声要求を送信する必要があるかを判断し、「はい」であれば、前記音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識すること、を更に含む、
   請求項３に記載の声紋の作成・登録の方法。
5. ユーザが送信した音声要求を取得することは、
   前記音声要求についてユーザＩＤを認識する必要があるかを判断し、「はい」であれば、前記音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識することと、を更に含む、請求項３又は４に記載の声紋の作成・登録の方法。
6. 声紋の作成・登録を提示することは、
   ユーザＩＤが認識されない声紋モデルにＩＤ番号を付けることと、
   前記ＩＤ番号を付けた声紋モデルの出現頻度を判断することと、
   閾値より低いと、ＩＤ番号を削除することと、
   閾値より高いと、ユーザＩＤを生成することと、
   ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶することと、を含む、
   請求項３から５のいずれか１項に記載の声紋の作成・登録の方法。
7. 声紋の作成・登録を提示することは、
   テキストに関する訓練方法を利用して、ユーザＩＤが認識されないユーザのために声紋モデルを確立することと、を含む、
   請求項３から６のいずれか１項に記載の声紋の作成・登録の方法。
8. 前記テキストに関する訓練方法を利用して、ユーザＩＤが認識されないユーザのために声紋モデルを確立することは、
   登録文字列をユーザに提供することと、
   ユーザが登録文字列を読んだ音声情報を受信することと、
   性別分類器と音声情報に基づいて、ユーザの性別タグを確定することと、
   性別タグと音声情報に基づいて、ユーザの声紋モデルを生成することと、を含む、
   請求項７に記載の声紋の作成・登録の方法。
9. 声紋の作成・登録の装置であって、
   機器が最初に使用されるとき、声紋の作成・登録を提示するための提示モジュールと、
   テキストに関する訓練方法を利用して、ユーザのために声紋モデルを確立するための声紋確立モジュールと
   ユーザＩＤを生成するための入力モジュールと、
   ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶するための登録モジュールと、を含む、
   声紋の作成・登録の装置。
10. 前記声紋確立モジュールは、
    登録文字列をユーザに提供するための提供サブモジュールと、
    ユーザが登録文字列を読んだ音声情報を受信するための受信サブモジュールと、
    性別分類器と音声情報に基づいて、ユーザの性別タグを確定するための確定サブモジュールと、
    性別タグと音声情報に基づいて、ユーザの声紋モデルを生成するための生成サブモジュールと、を含む、
    請求項９に記載の声紋の作成・登録の装置。
11. 声紋の作成・登録の装置であって、
    ユーザが送信した音声要求を取得するための取得モジュールと、
    前記音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識するための声紋認識モジュールと、
    登録されていないユーザに声紋の作成・登録を提示するための提示モジュールと、
    ユーザＩＤを生成するための入力モジュールと、
    ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶するための登録モジュールと、を含む、
    声紋の作成・登録の装置。
12. 前記取得モジュールは、
    クラウド側に前記音声要求を送信する必要があるかを判断し、「はい」であれば、前記音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識するように構成された、
    請求項１１に記載の声紋の作成・登録の装置。
13. 前記提示モジュールは、
    前記音声要求についてユーザＩＤを認識する必要があるかを判断し、「はい」であれば、前記音声要求に基づいて、声紋認識方式を利用して、音声要求を送信したユーザＩＤを認識するように構成された、
    請求項１１又は１２に記載の声紋の作成・登録の装置。
14. 前記提示モジュールは、
    ユーザＩＤが認識されない声紋モデルにＩＤ番号を付けることと、
    前記ＩＤ番号を付けた声紋モデルの出現頻度を判断することと、
    閾値より低いと、ＩＤ番号を削除することと、
    閾値より高いと、ユーザＩＤを生成することと、
    ユーザＩＤと声紋モデルを対応付けて声紋登録データベースに記憶することと、を実行するように構成された、
    請求項１１から１３のいずれか１項に記載の声紋の作成・登録の装置。
15. 前記提示モジュールは、
    テキストに関する訓練方法を利用して、登録されていないユーザのために声紋モデルを確立するように構成された、
    請求項１３に記載の声紋の作成・登録の装置。
16. 前記提示モジュールは、
    登録文字列をユーザに提供するための提供サブモジュールと、
    ユーザが登録文字列を読んだ音声情報を受信するための受信サブモジュールと、
    性別分類器と音声情報に基づいて、ユーザの性別タグを確定するための確定サブモジュールと、
    性別タグと音声情報に基づいて、ユーザの声紋モデルを生成するための生成サブモジュールと、を含む、
    請求項１５に記載の声紋の作成・登録の装置。
17. 一つ又は複数のプロセッサと、
    一つ又は複数のプログラムを記憶するためのストレジと、を含む機器であって、
    前記一つ又は複数のプログラムが前記一つ又は複数のプロセッサによって実行されるとき、前記一つ又は複数のプロセッサに請求項１から8のいずれか１項の方法を実現させる、
    機器。
18. プログラムが記憶されているコンピュータ読み取り可能な記憶媒体であって、
    前記プログラムがプロセッサによって実行されるとき、請求項１から８のいずれか１項の方法を実現する、
    記憶媒体。

Images