声纹注册方法、声纹认证方法及对应装置与流程

本技术涉及语音处理，特别是涉及一种声纹注册方法、声纹认证方法及对应装置。

背景技术：

1、在互联网身份认证与生物特征识别技术领域，声纹认证因其非接触、交互自然、设备要求低等优势，在账号安全、风控等场景中具有广泛应用前景。然而，任何声纹认证系统有效运作的前提是建立一个可靠的声纹注册底库，即需要一种能够低成本、高覆盖且可信地获取用户声纹模板的方式。

2、相关技术中，声纹注册底库的构建通常依赖于用户在特定环节的主动配合与现场录音。例如，一种常见方案要求用户按照提示朗读指定内容，系统采集当次音频并提取声纹特征，得到用户的声纹模板。该方案需用户新增独立的现场录音步骤，导致注册交互链路长、成本高、且注册的声纹模板质量受限于现场录音环境。这一技术瓶颈制约了声纹认证的规模化落地与广泛应用。

技术实现思路

1、有鉴于此，本技术提供了一种声纹注册方法、声纹认证方法及对应装置，以便于简化构建声纹模板所需的注册交互。

2、本技术提供了如下方案：

3、根据第一方面，提供了一种声纹注册方法，包括：获取目标账号的历史作品以及用于标识目标账号的主体身份的参考视觉生物特征，历史作品包括视频数据；基于参考视觉生物特征，从视频数据中提取目标语音片段，目标语音片段的发声主体与目标账号对应的主体一致；对目标语音片段进行声纹特征提取，得到目标语音片段对应的声纹特征；基于声纹特征，生成并存储目标账号对应的声纹模板。

4、可选地，基于参考视觉生物特征，从视频数据中提取目标语音片段，包括：对视频数据进行视觉生物特征检测，基于检测结果生成一个以上的候选视觉生物特征以及各候选视觉生物特征对应的视频内容；分别确定各候选视觉生物特征与参考视觉生物特征的相似度，确定相似度满足相似度要求的候选视觉生物特征对应的视频内容作为目标视频内容；从目标视频内容中提取目标语音片段。

5、可选地，从目标视频内容中提取目标语音片段，包括：对目标视频内容包含的各视频片段进行发声主体一致性检测，确定发声主体与目标账号对应的主体的一致性符合一致性要求的目标视频片段；从目标视频片段中提取语音片段作为目标语音片段。

6、可选地，对目标视频内容包含的各视频片段进行发声主体一致性检测，包括：基于唇动检测，确定视频片段中唇部运动与语音信号的时间相关性；确定视频片段中视频画面与语音信号之间的同步程度；确定视频片段中发声主体的视觉生物特征与参考视觉生物特征的相似度；基于时间相关性、同步程度以及相似度中的至少一种确定视频片段的发声主体与目标账号对应的主体的一致性。

7、可选地，从目标视频内容中提取目标语音片段，包括：从目标视频内容中区分多个语音轨道；对多个语音轨道进行背景音轨过滤、配乐音轨过滤、搬运音轨过滤以及配音音轨过滤中的至少一种，以分离出主发声语音轨道的语音片段作为目标语音片段。

8、可选地，目标语音片段为多个；基于声纹特征，生成目标账号对应的声纹模板，包括：分别确定多个目标语音片段的质量评价指标；基于各目标语音片段的质量评价指标，对多个目标语音片段对应的声纹特征进行加权融合得到目标账号对应的声纹模板；或者，基于各目标语音片段的质量评价指标，从多个目标语音片段对应的声纹特征中选择声纹特征作为目标账号对应的声纹模板。

9、可选地，该方法还包括：响应于目标账号的更新历史作品满足预设要求，基于参考视觉生物特征从更新历史作品中提取新的目标语音片段；确定预设时间窗口内的多个目标语音片段；从预设时间窗口内的多个目标语音片段中分别进行声纹提取，得到预设时间窗口内的多个目标语音片段分别对应的声纹特征；针对预设时间窗口内的多个目标语音片段，转至执行分别确定多个目标语音片段的质量评价指标的步骤，进而得到目标账号对应的更新后的声纹模板。

10、可选地，该方法还包括：响应于目标账号的更新历史作品满足预设要求，基于参考视觉生物特征从更新历史作品中提取新的目标语音片段；分别确定新的目标语音片段的质量评价指标；从已经提取的所有语音片段中选择质量评价指标最高的n个目标语音片段，基于n个目标语音片段的质量评价指标，对n个目标语音片段对应的声纹特征进行加权融合得到目标账号对应的更新后的声纹模板，n为预设的正整数。

11、可选地，质量评价指标包括视觉生物特征匹配得分、发声可信得分和音频质量得分中的至少一种；其中，视觉生物特征匹配得分是基于从目标语音片段对应的视频内容提取的视觉生物特征与参考视觉生物特征之间的相似度得到的；发声可信度得分是对目标语音片段进行发声主体一致性检测得到的，发声主体一致性检测用以检测目标语音片段的发声主体与目标账号对应的主体的一致性。

12、可选地，目标语音片段为多个；基于声纹特征，生成目标账号对应的声纹模板，包括：对多个目标语音片段对应的声纹特征进行聚类；将聚类得到的聚类中心作为目标账号对应的声纹模板。

13、可选地，该方法还包括：响应于目标账号的更新历史作品满足预设要求，基于参考视觉生物特征从更新历史作品中提取新的目标语音片段；对新的目标语音片段进行声纹特征提取，得到新的目标语音片段对应的声纹特征；确定第一声纹特征和第二声纹特征之间的数量比例，其中，第一声纹特征为新的目标语音片段对应的声纹特征中距离聚类中心大于或等于预设距离阈值的声纹特征，第二声纹特征为新的目标语音片段对应的声纹特征中距离聚类中心小于预设距离阈值的声纹特征；若数量比例小于预设比例阈值，则利用第二声纹特征对聚类中心进行增量更新，将更新后的聚类中心作为目标账号对应的更新后的声纹模板；若数量比例大于或等于预设比例阈值，则利用第一声纹特征进行聚类，将聚类得到的新的聚类中心作为目标账号对应的更新后的声纹模板。

14、根据第二方面，提供了一种声纹认证方法，包括：对待认证语音进行声纹特征提取，得到待认证语音对应的声纹特征；确定待认证语音对应的声纹特征与目标账号对应的声纹模板之间的相似度；响应于相似度大于或等于相似度阈值，认证通过；否则认证失败；其中目标账号对应的声纹模板是采用上述第一方面任一实现方式提供的方法注册的。

15、可选地，该方法还包括：针对待认证语音进行认证场景的风险程度识别；基于识别出的风险程度，确定相似度阈值，其中风险程度与相似度阈值正相关。

16、可选地，该方法还包括：针对待认证语音进行认证场景的风险程度识别；基于识别出的风险程度，确定采用的认证策略，认证策略包括：声纹认证方法，或者，声纹认证方法结合至少一种其他认证方法；其中，其他认证方法包括基于视觉生物特征的认证方法、基于语音活体检测的认证方法、基于待认证语音所来源设备的认证方法、基于目标账号所对应行为的认证方法或人工认证方法。

17、根据第三方面，提供了一种声纹注册装置，所述装置包括：

18、参考获取单元，被配置为获取目标账号的历史作品以及用于标识所述目标账号对应的主体身份的参考视觉生物特征，所述历史作品包括视频数据；

19、片段获取单元，被配置为基于所述参考视觉生物特征，从所述视频数据中提取目标语音片段，所述目标语音片段的发声主体与所述目标账号对应的主体一致；

20、声纹提取单元，被配置为对所述目标语音片段进行声纹特征提取，得到所述目标语音片段对应的声纹特征；

21、声纹维护单元，被配置为基于所述声纹特征，生成并存储所述目标账号对应的声纹模板。

22、根据第四方面，提供了一种声纹认证装置，所述装置包括：

23、声纹提取单元，被配置为对待认证语音进行声纹特征提取，得到所述待认证语音对应的声纹特征；

24、声纹认证单元，被配置为确定所述待认证语音对应的声纹特征与所述目标账号对应的声纹模板之间的相似度；

25、结果获取单元，被配置为响应于所述相似度大于或等于相似度阈值，认证通过；否则认证失败；

26、其中所述目标账号对应的声纹模板是由是上述第三方面所述的声纹注册装置注册的。

27、根据第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面和第二方面中任一项所述的方法的步骤。

28、根据第六方面，提供了一种电子设备，包括：

29、一个或多个处理器；以及

30、与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行上述第一方面和第二方面中任一项所述的方法的步骤。

31、根据第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面和第二方面任一项所述方法的步骤。

32、根据本技术提供的具体实施例，本技术公开了以下技术效果：

33、本技术充分利用目标账号的视频形式的历史作品，通过引入参考视觉生物特征作为桥梁，将目标账号的历史作品包括的视频数据与发声主体身份进行绑定，从而实现了无需用户执行现场录音动作即可自动完成声纹注册，有效降低了用户交互成本，简化了构建声纹模板所需的注册交互，使得大规模声纹库构建成为可能。

34、当然，实施本技术的任一产品并不一定需要同时达到以上所述的所有优点。