用于筛选目标语音的方法、装置、设备和介质与流程

本公开的实施例涉及计算机技术领域，具体涉及用于筛选目标语音的方法、装置、设备和介质。

背景技术：

随着互联网技术的日益发展，网络上的音频数据量也越来越大，从而对各网络平台提出了更高的音频内容审核要求。

现有技术中，通常利用所获取的大量说话人的语音数据训练语音识别模型，然后利用语音识别模型对上传的包含有广告、违规内容等内容的音频进行筛选识别。在识别出内容违规的音频后，通常只是对所识别出的音频或上传者进行权限禁止，并不能据此追踪到关联的潜在内容违规音频。

技术实现要素：

本公开提出了用于筛选目标语音的方法、装置、设备和介质。

第一方面，本公开的实施例提供了一种用于筛选目标语音的方法，该方法包括：获取待识别语音；根据待识别语音，生成识别文本；响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

在一些实施例中，上述根据待识别语音，生成识别文本，包括：将待识别语音输入至预先训练的语音识别模型，生成识别文本。

在一些实施例中，上述提取待识别语音的声纹特征，包括：将待识别语音输入至预先训练的声纹识别模型，生成声纹特征。

在一些实施例中，上述声纹识别模型通过以下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的训练样本包括样本语音和对应的样本标识，样本标识用于标识样本语音对应的说话人；获取初始模型，其中，初始模型包括初始声纹识别模型和输出层；将第一训练样本集合中的训练样本的样本语音作为初始模型的输入，将与输入的样本语音对应的样本标识作为期望输出，将训练得到的初始模型的初始声纹识别模型确定为声纹识别模型。

在一些实施例中，上述训练步骤还包括：根据声纹识别模型，提取第一训练样本集合中的训练样本的样本语音对应的声纹特征；利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，其中，声纹特征信息集合中包括声纹特征和与声纹特征对应的标识；获取文本集合；根据文本集合和声纹特征信息集合中的声纹特征，生成合成语音集合；根据所生成的合成语音集合和对应的标识，生成第二训练样本集合；利用所生成的第二训练样本集合，继续训练声纹识别模型。

在一些实施例中，上述利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，包括：从所提取的声纹特征中选取声纹特征进行按比例融合操作，以生成新的声纹特征；生成与声纹特征对应的标识，以生成声纹特征信息集合。

在一些实施例中，该方法还包括：根据所生成的合成语音集合和对应的文本集合，生成第三训练样本集合；利用所生成的第三训练样本集合，继续训练语音识别模型。

第二方面，本公开的实施例提供了一种用于筛选目标语音的装置，该装置包括：获取单元，被配置成获取待识别语音；生成单元，被配置成根据待识别语音，生成识别文本；提取单元，被配置成响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；选取单元，被配置成从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

第三方面，本公开的实施例提供了一种用于筛选目标语音的服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于筛选目标语音的方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种用于筛选目标语音的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于筛选目标语音的方法中任一实施例的方法。

本公开的实施例提供的用于筛选目标语音的方法、装置、设备和介质，通过获取待识别语音；而后根据待识别语音，生成识别文本；之后，响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；最后，从预设的语音集合中选取与声纹特征一致的语音作为目标语音。从而实现了根据音频对应的说话人进行潜在关联音频的追踪，进而能够实现更全面的音频内容审核。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于筛选目标语音的方法的一个实施例的流程图；

图3是根据本公开的用于筛选目标语音的方法的一个应用场景的示意图；

图4是根据本公开的用于筛选目标语音的方法的又一个实施例的流程图；

图5是根据本公开的用于筛选目标语音的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开的实施例，而非对本公开的实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开的实施例相关的部分。

需要说明的是，在不冲突的情况下，本公开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公开。

图1示出了可以应用本公开的实施例的用于筛选目标语音的方法或用于筛选目标语音的装置的实施例的示例性系统架构100。

如图1所示，系统架构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，以接收或发送数据等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频播放软件、新闻资讯类应用、音频处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

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，可以是具有显示屏并且支持音频传输的各种电子设备，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，可以安装在上述所列举的电子设备中。其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的软件或软件模块)，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可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的音频提供支持的后台服务器。后台服务器可以对接收到的待识别语音等数据进行分析等处理，并将处理结果(例如是否通过音频内容审核)反馈给终端设备。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的用于筛选目标语音的方法通常可以由服务器执行。相应地，用于筛选目标语音的装置包括的各个部分(例如各个单元、子单元、模块、子模块)通常可以设置于服务器中。

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。当用于筛选目标语音的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于筛选目标语音的方法运行于其上的电子设备(例如服务器)。

继续参考图2，示出了根据本公开的用于筛选目标语音的方法的一个实施例的流程200。该用于筛选目标语音的方法，包括以下步骤：

步骤201，获取待识别语音。

在本实施例中，用于筛选目标语音的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从其他电子设备(例如图1所示的终端101、102、103)或者软件模块(例如用于存储待识别语音的软件模块)获取待识别语音。作为示例，上述待识别语音可以包括终端设备所上传的投稿视频中包括的语音。作为又一示例，上述待识别语音可以包括网络平台上待展示的语音。

步骤202，根据待识别语音，生成识别文本。

在本实施例中，基于步骤201所获取的待识别语音，上述执行主体可以通过各种语音识别方法生成与上述待识别语音对应的识别文本。其中，上述识别文本可以用于表征上述待识别语音的内容。

在本实施例的一些可选的实现方式中，上述执行主体可以将步骤201所获取的待识别语音输入至预先训练的语音识别模型，生成上述识别文本。其中，上述语音识别模型可以包括各种通过机器学习方式训练得到的用于表征语音与识别文本之间对应关系的模型。

步骤203，响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征。

在本实施例中，上述执行主体可以首先确定上述步骤202所生成的识别文本中是否包括预设类别的文本。其中，上述预设类别可以用于指示预先指定的文本类别。其中，上述预先指定的文本类别可以包括但不限于以下至少一项：特殊符号的数量超过预设阈值的文本，包括预设宣传词(例如“惊爆”、“秒杀”)的文本，包括预设敏感词的文本等。响应于确定上述所生成的识别文本中包括预设类别的文本，上述执行主体可以通过各种方式提取上述步骤201所获取的待识别语音的声纹特征。其中，上述声纹特征可以用于表征语音的说话人。上述声纹特征可以包括但不限于以下至少一项：梅尔倒谱系数(mel-scalefrequencycepstralcoefficients，mfcc)，线性预测倒谱系数(linearpredictioncepstrumcoefficient，lpcc)。

在本实施例的一些可选的实现方式中，响应于确定步骤202所生成的识别文本中包括预设类别的文本，上述执行主体可以将上述待识别语音输入至预先训练的声纹识别模型，生成上述声纹特征。其中，上述声纹识别模型可以包括各种通过机器学习方式训练得到的用于表征语音与声纹特征之间对应关系的模型。

步骤204，从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

在本实施例中，上述执行主体可以从预设的语音集合中选取与步骤203所提取的声纹特征一致的语音作为目标语音。其中，上述预设的语音集合中的语音通常各自具有对应的声纹特征。上述执行主体可以根据声纹特征之间的相似度选取目标语音。作为示例，上述执行主体可以从预设的语音集合中选取与步骤203所提取的声纹特征之间的相似度大于预设阈值的语音作为目标语音。作为又一示例，上述执行主体可以根据与步骤203所提取的声纹特征之间的相似度从高至低的顺序从预设的语音集合中选取预设数目个语音作为目标语音。

在本实施例的一些可选的实现方式中，上述执行主体可以对所选取的目标语音进行进一步的语音内容审核。其中，上述语音内容审核例如可以包括对上述目标语音进行语音识别，并根据上述语音识别所得到的识别文本中是否包括上述预设类别的文本来确定上述目标语音是否通过上述语音内容审核。

在本实施例的一些可选的实现方式中，上述执行主体还可以将不包括目标语音的语音列表进行展示。作为示例，上述预设的语音集合可以包括待分发给终端的语音列表。上述执行主体可以剔除上述目标语音的更新后的语音列表发送给上述终端。

继续参见图3，图3是根据本实施例的用于筛选目标语音的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端302上传包括语音303的音频文件。服务器304获取上述语音303作为待识别语音。之后，服务器304根据待识别语音303生成对应的识别文本305。响应于确定识别文本305中包括预设类别的文本(例如“劲爆”、“促销”)，服务器304提取待识别语音303的声纹特征306。之后，服务器304从预设的语音集合307中选取与声纹特征306一致的语音作为目标语音308。可选地，根据上述识别文本305中包括预设类别的文本，服务器304还可以向终端302发送用于表征上传失败的提示信息。可选地，服务器304还可以对上述目标语音308进行进一步的内容识别。

本公开的上述实施例提供的方法，通过将与包括预设类别的文本的识别文本对应的语音的声纹特征一致的语音筛选出来，从而实现了根据音频对应的说话人进行潜在关联音频的追踪，进而能够实现更全面的音频内容审核。

进一步参考图4，其示出了用于筛选目标语音的方法的又一个实施例的流程400。该用于筛选目标语音的方法的流程400，包括以下步骤：

步骤401，获取待识别语音。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，将待识别语音输入至预先训练的语音识别模型，生成识别文本。

在本实施例中，步骤402与图2对应实施例中的步骤202的可选的实现方式基本一致，这里不再赘述。

步骤403，响应于确定识别文本中包括预设类别的文本，将待识别语音输入至预先训练的声纹识别模型，生成声纹特征。

在本实施例中，响应于确定识别文本中包括预设类别的文本，上述执行主体可以将步骤401所获取的待识别语音输入至预先训练的声纹识别模型，生成声纹特征。其中，上述声纹识别模型可以通过以下步骤训练得到：

第一步，获取第一训练样本集合。

在本实施例中，上述用于训练声纹识别模型的执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器)或者软件模块(例如用于存储第一训练样本集合的软件模块)获取第一训练样本集合。其中，上述第一训练样本集合中的训练样本可以包括样本语音和对应的样本标识。上述样本标识可以用于标识样本语音对应的说话人。

第二步，获取初始模型。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器)或者软件模块(例如用于存储初始模型的软件模块)获取初始模型。其中，上述初始模型可以包括初始声纹识别模型和输出层。上述初始声纹模型可以包括各种能够用于声纹识别的神经网络模型，例如卷积神经网络(convolutionalneuralnetworks,cnn)、递归神经网络(recurrentneuralnetworks，rnn)。

第三步，将第一训练样本集合中的训练样本的样本语音作为初始模型的输入，将与输入的样本语音对应的样本标识作为期望输出，将训练得到的初始模型的初始声纹识别模型确定为声纹识别模型。

在本实施例中，上述执行主体可以将上述第一步所获取的第一训练样本集合中的训练样本的样本语音作为上述第二步所获取的初始模型的输入，经过初始声纹模型和输出层得到与输入的样本语音对应的输出结果。而后，上述执行主体可以将上述所得到的输出结果与输入的样本语音对应的样本标识进行比较，生成差异值。根据所得到的差异值，上述执行主体可以对上述初始声纹模型的参数进行调整，将调整后的初始声纹模型作为新的初始声纹模型继续训练。并且，在满足训练结束条件的情况下结束训练，上述执行主体可以将训练得到的初始模型的初始声纹识别模型确定为上述声纹识别模型。

在本实施例的一些可选的实现方式中，上述训练步骤还可以包括：

第四步，根据声纹识别模型，提取第一训练样本集合中的训练样本的样本语音对应的声纹特征。

在这些实现方式中，上述用于训练声纹识别模型的执行主体可以利用上述第三步训练得到的声纹识别模型提取上述第一训练样本集合中的训练样本的样本语音对应的声纹特征。

第五步，利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合。

在这些实现方式中，上述执行主体可以利用上述第四步所提取的声纹特征，通过各种方式合成新的声纹特征，以生成声纹特征信息集合。作为示例，上述执行主体可以从上述所提取的声纹特征中任意选取两个声纹特征(例如声纹特征a和声纹特征b)，而后选取声纹特征a和b中各对应的特征向量中的元素的较大值或较小值或介于较小值和较大值之间的任意值作为新生成的声纹特征中的元素。例如，声纹特征a的embedding可以为(10,11,10)，声纹特征b的embedding可以为(9,12,8)。从而，新生成的声纹特征可以包括(10,12,10)、(9,11,8)、(9,12,9)。经过多次上述操作，可以生成上述声纹特征信息集合。其中，上述声纹特征信息集合中可以包括声纹特征和与声纹特征对应的标识。上述标识可以包括各种形式，例如“样本用户1”、“样本用户2”、“0008”、“a-03”等等。

可选地，上述执行主体可以通过以下步骤利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合：

s1、从所提取的声纹特征中选取声纹特征进行按比例融合操作，以生成新的声纹特征。

在这些可选的实现方式中，上述执行主体可以从上述第四步所提取的声纹特征中选取声纹特征进行按比例融合操作，以生成新的声纹特征。作为示例，上述执行主体可以从上述第四步所提取的声纹特征中任意选取两个声纹特征(例如声纹特征x和声纹特征y)进行加权(例如70％声纹特征x+30％声纹y)生成新的声纹特征。而后，上述执行主体可以得到大量的新的声纹特征。

s2、生成与声纹特征对应的标识，以生成声纹特征信息集合。

在这些可选的实现方式中，上述执行主体可以通过各种方式生成与上述第一训练样本集合中的训练样本的样本语音对应的样本标识形式一致的标识，作为与上述步骤s1所生成的新的声纹特征对应的标识。从而生成上述声纹特征信息集合。

基于上述可选的实现方式，上述执行主体可以通过权重取值实现每一个真实声纹特征向另一个真实声纹特征的近乎平滑过渡，并在这一过程中合成大量的新的声纹特征，从而为样本扩增提供坚实的数据基础。

第六步，获取文本集合。

在这些实现方式中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器)或者软件模块(例如用于存储文本集合的软件模块)获取初始模型。其中，上述文本集合中的文本可以用于表征合成语音的内容。

第七步，根据文本集合和声纹特征信息集合中的声纹特征，生成合成语音集合。

在这些实现方式中，根据上述第六步所获取的文本集合和上述第五步所生成的声纹特征信息集合中的声纹特征，上述执行主体可以利用各种语音合成(texttospeech,tts)方法生成上述合成语音集合。其中，上述合成语音集合中的语音可以包括具有上述声纹特征所指示的音色、并且包含上述文本集合中的文本所指示的内容的语音。

第八步，根据所生成的合成语音集合和对应的标识，生成第二训练样本集合。

在这些实现方式中，根据上述第七步所生成的合成语音集合和对应的标识，上述执行主体可以生成第二训练样本集合。其中，上述对应的标识可以为与生成的合成语音的声纹特征对应(即用于标识合成语音的音色)的标识。上述合成语音集合中的语音可以作为上述第二训练样本集合中训练样本的样本语音，与上述样本语音对应的标识可以作为上述第二训练样本集合中训练样本的样本标注信息。

第九步，利用所生成的第二训练样本集合，继续训练声纹识别模型。

在这些实现方式中，利用上述第八步所生成的第二训练样本集合，上述执行主体可以按照与前述第三步基本一致的方法对上述第三步训练得到的声纹识别模型进行继续训练，具体可以包括：首先，将上述第八步所获取的第二训练样本集合中的训练样本的样本语音作为上述第三步训练得到的声纹识别模型的输入，经过声纹模型和输出层得到与输入的样本语音对应的输出结果。而后，将上述所得到的输出结果与输入的样本语音对应的样本标注信息进行比较，生成差异值。之后，根据所得到的差异值，对上述声纹识别模型的参数进行调整，将调整后的声纹识别模型作为新的声纹识别模型继续训练。并且，在满足训练结束条件的情况下结束训练，上述执行主体可以将训练得到的参数调整后的声纹识别模型确定为后续训练所得到的声纹识别模型。

基于上述可选的实现方式，上述执行主体可以利用较少量的声纹特征合成较多的新的声纹特征，从而实现样本扩增。并且，可以利用扩增的样本对声纹识别模型进行继续训练，从而提高声纹识别模型对原本数量较少的特定音色(例如老人、儿童)的语音的识别准确度。

需要说明的是，上述用于训练声纹识别模型的步骤的执行主体可以与上述用于筛选目标语音的方法的执行主体相同或不同。如果相同，则上述训练步骤的执行主体可以在训练得到上述声纹识别模型后将训练好的声纹识别模型的网络结构和网络参数值存储于本地。如果不同，则上述训练步骤的执行主体可以在训练得到上述声纹识别模型后将训练好的声纹识别模型的网络结构和网络参数值发送给上述用于筛选目标语音的方法的执行主体。

步骤404，从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

在本实施例中，步骤404与图2对应实施例中的步骤204基本一致，这里不再赘述。

在本实施例的一些可选的实现方式中，上述执行主体还可以继续执行以下步骤：

第一步，根据所生成的合成语音集合和对应的文本集合，生成第三训练样本集合。

在这些实现方式中，基于上述第七步所生成的合成语音集合和上述第六步所获取的文本集合，上述执行主体可以生成第三训练样本集合。其中，上述对应的文本集合可以为上述所生成的各合成语音所表征的内容。从而，上述合成语音集合中的语音可以作为上述第三训练样本集合中训练样本的样本语音，与上述样本语音对应的文本集合中的文本可以作为上述第三训练样本集合中训练样本的样本文本。

第二步，利用所生成的第三训练样本集合，继续训练语音识别模型。

在这些实现方式中，利用上述第一步所生成的第三训练样本集合，上述执行主体可以按照与前述第九步基本一致的方法对上述步骤402中的语音识别模型进行继续训练，具体可以包括：首先，将上述第一步所获取的第三训练样本集合中的训练样本的样本语音作为上述步骤402中的语音识别模型的输入，得到与输入的样本语音对应的输出结果。而后，将上述所得到的输出结果与输入的样本语音对应的样本文本进行比较，生成差异值。之后，根据所得到的差异值，对上述语音识别模型的参数进行调整，将调整后的语音识别模型作为新的语音识别模型继续训练。并且，在满足训练结束条件的情况下结束训练，上述执行主体可以将训练得到的参数调整后的语音识别模型确定为后续训练所得到的语音识别模型。

基于上述可选的实现方式，上述执行主体可以利用较少量的声纹特征合成较多的新的声纹特征，从而实现样本扩增。并且，可以利用扩增的样本对语音识别模型进行继续训练，从而提高语音识别模型对原本数量较少的特定音色(例如老人、儿童)的语音的识别准确度。

需要说明的是，除上面所记载的内容外，本公开的实施例还可以包括与图2对应的实施例相同或类似的特征、效果，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于筛选目标语音的方法的流程400突出了声纹识别模型的训练步骤。由此，本实施例描述的方案可以利用更丰富的训练样本提升声纹识别模型的效果，从而提升声纹特征提取的准确度，为目标语音的准确筛选提供更为坚实的技术基础。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于筛选目标语音的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于筛选目标语音的装置500包括：获取单元501、生成单元502、提取单元503和选取单元504。其中，获取单元501被配置成获取待识别语音；生成单元502被配置成根据待识别语音，生成识别文本；提取单元503被配置成响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；选取单元504被配置成从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

在本实施例中，用于筛选目标语音的装置500中：获取单元501、生成单元502、提取单元503和选取单元504的具体处理及其所带来的技术效果可分别参考图2对应的实施例中的步骤201、步骤202、步骤203和步骤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，上述生成单元502可以被进一步配置成：将待识别语音输入至预先训练的语音识别模型，生成识别文本。

在本实施例的一些可选的实现方式中，上述提取单元503可以被进一步配置成：将待识别语音输入至预先训练的声纹识别模型，生成声纹特征。

在本实施例的一些可选的实现方式中，上述声纹识别模型可以通过以下步骤训练得到：获取第一训练样本集合；获取初始模型；将第一训练样本集合中的训练样本的样本语音作为初始模型的输入，将与输入的样本语音对应的样本标识作为期望输出，将训练得到的初始模型的初始声纹识别模型确定为声纹识别模型。其中，第一训练样本集合中的训练样本可以包括样本语音和对应的样本标识。上述样本标识可以用于标识样本语音对应的说话人。上述初始模型可以包括初始声纹识别模型和输出层。

上述训练步骤还可以包括：根据声纹识别模型，提取第一训练样本集合中的训练样本的样本语音对应的声纹特征；利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合；获取文本集合；根据文本集合和声纹特征信息集合中的声纹特征，生成合成语音集合；根据所生成的合成语音集合和对应的标识，生成第二训练样本集合；利用所生成的第二训练样本集合，继续训练声纹识别模型。其中，上述声纹特征信息集合中可以包括声纹特征和与声纹特征对应的标识。

在本实施例的一些可选的实现方式中，上述利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，可以包括：从所提取的声纹特征中选取声纹特征进行按比例融合操作，以生成新的声纹特征；生成与声纹特征对应的标识，以生成声纹特征信息集合。

在本实施例的一些可选的实现方式中，用于筛选目标语音的装置500还可以包括：样本生成单元(图中未示出)、训练单元(图中未示出)。其中，上述样本生成单元可以被配置成根据所生成的合成语音集合和对应的文本集合，生成第三训练样本集合。上述训练单元可以配置成利用所生成的第三训练样本集合，继续训练语音识别模型。

本公开的上述实施例提供的装置，通过获取单元501获取待识别语音；而后，生成单元502根据待识别语音，生成识别文本；之后，提取单元503响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；最后，选取单元504从预设的语音集合中选取与声纹特征一致的语音作为目标语音。实现了根据音频对应的说话人进行潜在关联音频的追踪，进而能够实现更全面的音频内容审核。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603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。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例，本公开提供了一种用于筛选目标语音的方法，该方法包括：获取待识别语音；根据待识别语音，生成识别文本；响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的方法中，上述根据待识别语音，生成识别文本，包括：将待识别语音输入至预先训练的语音识别模型，生成识别文本。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的方法中，上述提取待识别语音的声纹特征，包括：将待识别语音输入至预先训练的声纹识别模型，生成声纹特征。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的方法中，上述声纹识别模型通过以下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的训练样本包括样本语音和对应的样本标识，样本标识用于标识样本语音对应的说话人；获取初始模型，其中，初始模型包括初始声纹识别模型和输出层；将第一训练样本集合中的训练样本的样本语音作为初始模型的输入，将与输入的样本语音对应的样本标识作为期望输出，将训练得到的初始模型的初始声纹识别模型确定为声纹识别模型。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的方法中，上述训练步骤还包括：根据声纹识别模型，提取第一训练样本集合中的训练样本的样本语音对应的声纹特征；利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，其中，声纹特征信息集合中包括声纹特征和与声纹特征对应的标识；获取文本集合；根据文本集合和声纹特征信息集合中的声纹特征，生成合成语音集合；根据所生成的合成语音集合和对应的标识，生成第二训练样本集合；利用所生成的第二训练样本集合，继续训练声纹识别模型。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的方法中，上述利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，包括：从所提取的声纹特征中选取声纹特征进行按比例融合操作，以生成新的声纹特征；生成与声纹特征对应的标识，以生成声纹特征信息集合。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的方法还包括：根据所生成的合成语音集合和对应的文本集合，生成第三训练样本集合；利用所生成的第三训练样本集合，继续训练语音识别模型。

根据本公开的一个或多个实施例，本公开提供了一种用于筛选目标语音的装置，该装置包括：获取单元，被配置成获取待识别语音；生成单元，被配置成根据待识别语音，生成识别文本；提取单元，被配置成响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；选取单元，被配置成从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的装置中，上述生成单元被进一步配置成：将待识别语音输入至预先训练的语音识别模型，生成识别文本。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的装置中，上述提取单元被进一步配置成：将待识别语音输入至预先训练的声纹识别模型，生成声纹特征。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的装置中，上述声纹识别模型通过以下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的训练样本包括样本语音和对应的样本标识，样本标识用于标识样本语音对应的说话人；获取初始模型，其中，初始模型包括初始声纹识别模型和输出层；将第一训练样本集合中的训练样本的样本语音作为初始模型的输入，将与输入的样本语音对应的样本标识作为期望输出，将训练得到的初始模型的初始声纹识别模型确定为声纹识别模型。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的装置中，上述训练步骤还包括：根据声纹识别模型，提取第一训练样本集合中的训练样本的样本语音对应的声纹特征；利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，其中，声纹特征信息集合中包括声纹特征和与声纹特征对应的标识；获取文本集合；根据文本集合和声纹特征信息集合中的声纹特征，生成合成语音集合；根据所生成的合成语音集合和对应的标识，生成第二训练样本集合；利用所生成的第二训练样本集合，继续训练声纹识别模型。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的装置中，上述利用所提取的声纹特征合成新的声纹特征，以生成声纹特征信息集合，包括：从所提取的声纹特征中选取声纹特征进行按比例融合操作，以生成新的声纹特征；生成与声纹特征对应的标识，以生成声纹特征信息集合。

根据本公开的一个或多个实施例，本公开提供的用于筛选目标语音的装置还包括：样本生成单元，被配置成根据所生成的合成语音集合和对应的文本集合，生成第三训练样本集合；训练单元，被配置成利用所生成的第三训练样本集合，继续训练语音识别模型。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元、提取单元和选取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别语音的单元”。

作为另一方面，本公开的实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取待识别语音；根据待识别语音，生成识别文本；响应于确定识别文本中包括预设类别的文本，提取待识别语音的声纹特征；从预设的语音集合中选取与声纹特征一致的语音作为目标语音。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述本公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除