1.一種聲紋識別方法，其特征在于，所述方法包括：
獲取來自用戶的包含作業指令的音頻數據；
將預處理后的音頻數據輸入至已訓練的聲紋識別模型，以輸出識別信息，其中，所述聲紋識別模型包括池化層，所述池化層為不同語音幀設置不同的權重；
根據預先存儲的驗證音頻數據對所述識別信息進行識別，以識別用戶身份；
響應于所述用戶身份識別成功，執行所述作業指令。
2.根據權利要求1所述的方法，其特征在于，所述聲紋識別模型通過如下方式訓練：
獲取歷史用戶的歷史驗證音頻數據；
將預處理后的歷史驗證音頻數據輸入至聲紋識別模型，并基于識別分類誤差信息對所述聲紋識別模型進行訓練。
3.根據權利要求2所述的方法，其特征在于，所述池化層包括神經網絡，基于識別分類誤差信息對所述聲紋識別模型進行訓練包括：
基于所述識別分類誤差信息與預定誤差閾值對所述神經網絡的參數進行調整，以為輸入所述池化層的不同語音幀設置不同的權重；
響應于所述識別分類誤差信息小于等于預定誤差閾值，所述聲紋識別模型訓練完成。
4.根據權利要求3所述的方法，其特征在于，基于語音幀中的聲紋信息為不同語音幀設置不同的權重。
5.一種聲紋識別裝置，其特征在于，所述裝置包括：
數據獲取單元，用于獲取來自用戶的包含作業指令的音頻數據；
信息識別單元，用于將預處理后的音頻數據輸入至已訓練的聲紋識別模型，以輸出識別信息，其中，所述聲紋識別模型包括池化層，所述池化層為不同語音幀設置不同的權重；
用戶身份識別單元，用于根據預先存儲的驗證音頻數據對所述識別信息進行識別，以識別用戶身份；
執行單元，用于響應于所述用戶身份識別成功，執行所述作業指令。
6.根據權利要求5所述的裝置，其特征在于，所述裝置還包括：
模型訓練單元，用于對所述聲紋識別模型進行訓練，
所述模型訓練單元包括：
歷史數據獲取模塊，用于獲取歷史用戶的歷史驗證音頻數據；
訓練模塊，用于將預處理后的歷史驗證音頻數據輸入至聲紋識別模型，并基于識別分類誤差信息對所述聲紋識別模型進行訓練。
7.根據權利要求6所述的裝置，其特征在于，所述池化層包括神經網絡，所述訓練模塊包括：
參數調整子模塊，用于基于所述識別分類誤差信息與預定誤差閾值對所述神經網絡的參數進行調整，以為輸入所述池化層的不同語音幀設置不同的權重；
訓練子模塊，用于響應于所述識別分類誤差信息小于等于預定誤差閾值，所述聲紋識別模型訓練完成。
8.根據權利要求7所述的裝置，其特征在于，所述參數調整子模塊基于語音幀中的聲紋信息為不同語音幀設置不同的權重。
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1至4中任一項所述方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至4中任一項所述方法的步驟。