1.一种说话人语音验证方法，其特征在于，所述方法包括：
构建语音特征提取‑教师模型，并对所述语音特征提取‑教师模型进行说话人语音验证的预训练；
构建说话人语音验证‑学生模型，并基于预训练后的所述语音特征提取‑教师模型对所述说话人语音验证‑学生模型进行多层知识蒸馏训练，其中：
第一层，在所述语音特征提取‑教师模型和所述说话人语音验证‑学生模型的嵌入层之间进行基于特征表示和基于特征距离的特征知识蒸馏，将所述语音特征提取‑教师模型中的说话人关键特征信息迁移至所述说话人语音验证‑学生模型；
第二层，在所述语音特征提取‑教师模型和所述说话人语音验证‑学生模型的逻辑层之间进行解耦知识蒸馏，将所述语音特征提取‑教师模型中解耦的目标类逻辑信息和非目标类逻辑信息迁移至所述说话人语音验证‑学生模型；
在所述说话人语音验证‑学生模型训练完成后，基于训练好的所述说话人语音验证‑学生模型对目标说话人语音进行验证。
2.根据权利要求1的方法，其特征在于，基于特征表示的特征知识蒸馏，包括：
通过第一损失函数L1进行基于特征表示的特征知识蒸馏，所述第一损失函数L1的计算公式如下：
其中，假定输入的成对训练样本数据为(Xt,Xs)，Xt＝{xt,1,xt,2,L,xt,N}表示所述语音特征提取‑教师模型的输入，Xs＝{xs,1,xs,2,L,xs,M}表示所述说话人语音验证‑学生模型的输入；<,>表示计算特征向量的内积；fθ(·)表示所述语音特征提取‑教师模型提取的话语级说话人特征向量；fΦ(·)表示所述说话人语音验证‑学生模型中提取的话语级说话人特征向量表示。fθ(xt,i)和fΦ(xs,j)具有相同的说话人标签，fθ(xt,i)和fΦ(xs,α)具有不同的说话人标签；A(i)表示所述语音特征提取‑教师模型的训练样本下标，其对应样本的说话人标签与fθ(xt,i)不一致。
3.根据权利要求1的方法，其特征在于，基于特征距离的特征知识蒸馏，包括：
通过第二损失函数L2进行基于特征距离的特征知识蒸馏，所述第二损失函数L2的计算公式如下：
其中，L2表示两个相似度矩阵的均方误差距离，B表示训练样本数目；
s s
d表示所述说话人语音验证‑学生模型提取的说话人特征向量之间的相似度矩阵，d 的计算公式如下：
其中，FΦ＝[fΦ(xs,1),fΦ(xs,2),L,fΦ(xs,B)]，表示所述说话人语音验证‑学生模型提取的说话人特征向量矩阵，B表示训练样本数目，“·”表示矩阵乘法，“‑1”表示矩阵的转置；
t t
d表示所述说话人语音验证‑教师模型提取的说话人特征向量之间的相似度矩阵，d 的计算公式如下：
其中，Fθ＝[fθ(xt,1),fθ(xt,2),L,fθ(xt,B)]，表示所述语音特征提取‑教师模型提取的说话人特征向量矩阵。
4.根据权利要求1的方法，其特征在于，所述解耦知识蒸馏，包括：
通过第三损失函数L3进行解耦知识蒸馏，所述第三损失函数L3的计算公式如下：
L3＝αTCKD+βNCKD
其中，α和β为超参数，TCKD表示目标类知识蒸馏，NCKD表示非目标类知识蒸馏。
5.根据权利要求1的方法，其特征在于，所述构建语音特征提取‑教师模型，并对所述语音特征提取‑教师模型进行说话人语音验证的预训练，包括：
基于前端预训练大模型UniSpeech‑SAT、特征融合模块和后端RepVGG模型，构建语音特征提取‑教师模型；
基于近场语音样本对所述语音特征提取‑教师模型进行说话人语音验证的预训练，其中包括：
在所述前端预训练大模型UniSpeech‑SAT的卷积神经网络层中，提取所述近场语音样本的卷积特征；
在所述前端预训练大模型UniSpeech‑SAT的多层Transformer模型中，提取所述卷积特征的编码特征；
在所述特征融合模块中，将所述卷积特征和所述编码特征进行融合，得到融合特征；
将所述融合特征输入所述后端RepVGG模型，并使用交叉熵损失函数进行说话人语音验证的预训练。
6.根据权利要求5的方法，其特征在于，假设所述卷积神经网络层输出的所述卷积特征表示为H0＝{h1,0,L,hT,0}，所述多层Transformer模型中第l层隐藏层输出的所述编码特征表示为Hl＝{h1,l,L,hT,l}，则：
所述在所述特征融合模块中，将所述卷积特征和所述编码特征进行融合，得到融合特征，包括：
在所述特征融合模块中，基于可学习的权重ωl将所述卷积特征和所述编码特征进行融合，得到融合特征O，所述融合特征O表示如下：
O＝{o1,o2,L,oT}
其中，l∈{1,2,L,L}，T表示序列长度，L表示隐藏层数目。
7.根据权利要求1的方法，其特征在于，所述构建说话人语音验证‑学生模型，包括：
基于短时傅里叶变换模块、梅尔频谱特征提取模块、RepVGG主干网络，构建说话人语音验证‑学生模型；
其中，所述短时傅里叶变换模块，用于将待处理的语音时域信号转换为语音频域信号；
所述梅尔频谱特征提取模块，用于提取所述语音频域信号的梅尔频谱特征；
所述RepVGG主干网络，用于基于所述梅尔频谱特征进行说话人语音验证。
8.根据权利要求7的方法，其特征在于，所述RepVGG主干网络还用于：在所述多层知识蒸馏训练的过程中，基于多分支结构进行训练；在推理时，通过重参数化技术，将所述多分支结构转换为单一路径结构。
9.一种说话人语音验证装置，其特征在于，所述装置包括：
第一构建模块，用于构建语音特征提取‑教师模型，并对所述语音特征提取‑教师模型进行说话人语音验证的预训练；
第二构建模块，用于构建说话人语音验证‑学生模型，并基于预训练后的所述语音特征提取‑教师模型对所述说话人语音验证‑学生模型进行多层知识蒸馏训练，其中：
第一层，在所述语音特征提取‑教师模型和所述说话人语音验证‑学生模型的嵌入层之间进行基于特征表示和基于特征距离的特征知识蒸馏，将所述语音特征提取‑教师模型中的说话人关键特征信息迁移至所述说话人语音验证‑学生模型；
第二层，在所述语音特征提取‑教师模型和所述说话人语音验证‑学生模型的逻辑层之间进行解耦知识蒸馏，将所述语音特征提取‑教师模型中解耦的目标类逻辑信息和非目标类逻辑信息迁移至所述说话人语音验证‑学生模型；
验证模块，用于在所述说话人语音验证‑学生模型训练完成后，基于训练好的所述说话人语音验证‑学生模型对目标说话人语音进行验证。
10.一种电子设备，包括：
处理器；以及
存储程序的存储器，
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1‑8中任一项所述的方法。