本发明涉及声纹识别，更具体地说，本发明涉及基于声纹识别身份的对话难度调整方法。
背景技术：
1、随着人工智能和机器学习技术的不断进步，声纹识别技术在生物特征识别领域表现出色。声纹识别具有独特性、便利性和高安全性，逐渐成为身份验证的一种重要方式。
2、特别是随着语音助手和智能对话系统的普及，声纹识别技术被应用于对话系统中，以提高系统的用户体验和安全性，基于声纹识别身份的对话难度调整方法，通过将声纹识别技术与人机交互相结合，动态调整对话的难度，提高系统的安全性和用户体验。
技术实现思路
1、本发明针对现有技术中存在的技术问题，提供基于声纹识别身份的对话难度调整方法，以解决上述背景技术中提出的问题。
2、本发明解决上述技术问题的技术方案如下：基于声纹识别身份的对话难度调整方法，具体包括以下步骤：
3、步骤101、收集多个动画角色的声纹数据，并对收集的声纹数据进行预处理；
4、步骤102、使用声纹识别算法，从预处理的声纹数据中提取声纹的特征，并存储到角色声纹特征库中，所述声纹特征包括音调、语速、音色，将提取的声纹特征与角色身份进行关联，建立角色的声纹模型；
5、步骤103、针对每个动画角色，设定不同的对话难度级别，使用建立好的角色声纹模型进行声纹识别，根据声纹识别结果确定动画角色身份，根据识别到的角色身份，将设定的对话难度级别与相应的动画角色进行关联，动态调整对话策略和难度。
6、在一个优选地实施方式中，所述步骤101中，收集多个动画角色的声纹数据，并对收集的声纹数据进行预处理，具体步骤如下：
7、步骤a1、声音信号采集：使用音频设备为每个动画角色录制一段标准的原始声音样本，创建一个声音数据库，将其存储为不同的文件夹，并将采集到的声纹数据进行切割，分为较短的语音片段，每段长度为1-3秒；
8、步骤a2、预处理声音数据：对切割后的语音片段进行预处理，以提高声纹特征的可靠性和准确性，包括去除噪音、增强语音信号、端点检测操作，所述端点检测操作是使用基于短时能量变化率的端点检测方法，对语音片段进行检测，确定语音的起始和结束点，进一步包括以下步骤：
9、步骤a201、计算短时能量：对语音信号进行分帧处理，每帧的长度为n个采样点，对每帧进行加窗，并计算其能量，具体计算公式如下：
10、
11、其中，e(n)表示第n帧的能量值，n是每帧的采样点数，s(i)表示第n帧中第i个采样点的语音信号值，表示加窗函数中的第i个采样点的值；
12、步骤a202、计算相邻帧之间的能量变化率为e(n)-e(n-1)，定义一个能量变化率门限r，对于每个采样点n，当能量变化率大于门限r，将当前采样点n标记为语音的起始点；继续遍历后续采样点，直到遇到连续m个采样点的能量变化率均小于门限r：将当前采样点n标记为语音的结束点。
13、在一个优选地实施方式中，所述步骤102中，使用声纹识别算法，从预处理的声纹数据中提取声纹的特征，并存储到角色声纹特征库中，所述声纹特征包括音调、语速、音色，将提取的声纹特征与角色身份进行关联，建立角色的声纹模型，具体步骤如下：
14、步骤b1、声纹特征提取：从预处理后的声音数据中提取声纹特征，通过计算声音信号的频谱来获取音调、语速、音色，并将提取到的声纹特征转化为声纹向量，存储到角色声纹特征库中，便于后续的模式匹配和比对，进一步包括以下步骤：
15、步骤b101、将声音信号进行分帧处理，将长时间的声音信号切割成若干个短时段的帧，对每个帧应用加窗函数来消除频谱泄漏，并将其转化为时域信号乘以窗函数的结果，通过对每一帧进行傅里叶变换，得到每一帧的频谱信息，具体计算公式如下：
16、
17、其中，x(h)是输入信号的时域波形，是加窗函数，x(h,ω)是在第h帧的频率为ω的复数值频谱，j是虚数单位，m是离散时间的索引，h为窗口函数的长度；
18、步骤b102、声纹向量：对于每个声音信号帧，将得到的频谱信息表示为一个频谱图谱，通过对数变换方式将频谱图谱进行预处理，将其转化为频谱向量，通过将频谱向量进行降维处理，得到最终的声纹特征向量；
19、步骤b2、建立声纹模型：将提取的声纹特征与角色身份进行关联，使用机器学习算法，将声纹特征与角色身份进行匹配和识别，建立角色的声纹模型，进一步包括以下步骤：
20、步骤b201、建立声纹特征库：将提取的声纹特征存储到角色声纹特征库中，每个角色包括多个声纹特征向量，每个特征向量包含音调、语速、音色特征，
21、使用角色id标识符将声纹特征与角色进行关联，当有新的声音进行声纹识别时，通过比对角色的声纹特征来确定角色的身份；
22、步骤b202、使用卷积神经网络建立角色声纹模型，通过多层卷积和池化操作，提取声纹特征，并通过全连接层进行分类，具体计算公式如下：
23、y＝softmax(wλ+b)
24、其中，λ表示声纹特征，y表示角色标签，w是权重矩阵，b是偏置项，softmax函数用于将输出转化为概率分布，表示不同角色的概率。
25、在一个优选地实施方式中，所述步骤103中，针对每个动画角色，设定不同的对话难度级别，使用建立好的角色声纹模型进行声纹识别，根据声纹识别结果确定动画角色身份，根据识别到的角色身份，将设定的对话难度级别与相应的动画角色进行关联，动态调整对话策略和难度，具体步骤如下：
26、步骤c1、设定对话难度级别：根据角色的特性、语速、词汇量因素进行设定，为每个动画角色设定不同的对话难度级别，将对话难度分为简单、中等和困难级别；
27、步骤c2、对话内容录制：在对话过程中，持续使用音频设备以短时间段为单位录制角色的声音，对每个录制的声音片段进行声纹特征提取，包括音调、语速、音色特征，根据之前存储的声纹特征提取方法来提取对话中的角色声纹特征；
28、步骤c3、声纹识别：当开始进行对话时，使用建立好的角色声纹模型进行声纹识别，通过提取对话中的角色声纹特征并与预先存储的声纹模型进行比对，根据声纹识别结果确定动画角色身份；
29、步骤c4、动态调整对话策略：将设定的对话难度级别与识别到的动画角色身份进行关联，根据预设的对话难度级别为该角色调整对话策略和难度。
30、本发明的有益效果是：收集多个动画角色的声纹数据，并对收集的声纹数据进行预处理，使用声纹识别算法，从预处理的声纹数据中提取声纹的特征，并存储到角色声纹特征库中，所述声纹特征包括音调、语速、音色，将提取的声纹特征与角色身份进行关联，建立角色的声纹模型，针对每个动画角色，设定不同的对话难度级别，使用建立好的角色声纹模型进行声纹识别，根据声纹识别结果确定动画角色身份，根据识别到的角色身份，将设定的对话难度级别与相应的动画角色进行关联，动态调整对话策略和难度，随着对话难度的动态调整，用户与动画角色之间的对话能够更贴近角色特点，让互动更加生动有趣，增加用户的参与感和沉浸感。
1.基于声纹识别身份的对话难度调整方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于声纹识别身份的对话难度调整方法，其特征在于：所述步骤101中，收集多个动画角色的声纹数据，并对收集的声纹数据进行预处理，具体步骤如下：
3.根据权利要求2所述的基于声纹识别身份的对话难度调整方法，其特征在于，所述步骤a2中，所述端点检测操作是使用基于短时能量变化率的端点检测方法，对语音片段进行检测，确定语音的起始和结束点，进一步包括以下步骤：
4.根据权利要求1所述的基于声纹识别身份的对话难度调整方法，其特征在于，所述步骤102中，使用声纹识别算法，从预处理的声纹数据中提取声纹的特征，并存储到角色声纹特征库中，所述声纹特征包括音调、语速、音色，将提取的声纹特征与角色身份进行关联，建立角色的声纹模型，具体步骤如下：
5.根据权利要求4所述的基于声纹识别身份的对话难度调整方法，其特征在于，所述步骤b1声纹特征提取中，通过计算声音信号的频谱来获取音调、语速、音色，并使用短时傅里叶变换将提取到的声纹特征转化为声纹向量，进一步包括以下步骤：
6.根据权利要求4所述的基于声纹识别身份的对话难度调整方法，其特征在于，所述步骤b2建立声纹模型中，使用机器学习算法，将声纹特征与角色身份进行匹配和识别，建立角色的声纹模型，进一步包括以下步骤：
7.根据权利要求1所述的基于声纹识别身份的对话难度调整方法，其特征在于，所述步骤103中，针对每个动画角色，设定不同的对话难度级别，使用建立好的角色声纹模型进行声纹识别，根据声纹识别结果确定动画角色身份，根据识别到的角色身份，将设定的对话难度级别与相应的动画角色进行关联，动态调整对话策略和难度，具体步骤如下：
