本发明实施例提供一种说话人计数方法。该方法包括：基于深度卷积神经网络建立端到端说话人计数模型；将原始音频波形作为所述端到端说话人计数模型的输入；根据所述端到端说话人计数模型的输出结果确定说话人个数。本发明实施例提供说话人计数系统并且还提供了一种混叠语音检测模型的优化方法及系统。本发明实施例采用原始波形输入的端到端语音混叠检测与说话人计数方法，利用神经网络直接从原始语音中提取深度特征用于后续任务，更容易得到匹配相应任务的特征，准确的确定出说话人的个数；更适用于实际生活中多人同时说话的场景，为后端语音处理系统提供额外信息，从而推进混叠语音的识别、分离、增强的问题。