[發明專利]基于長時特征和短時特征的重疊語音與單人語音區分方法

有效

• 申請號: 201210442113.8
• 申請日: 2012-11-07
• 公開（公告）號: CN102968986A
• 公開（公告）日: 2013-03-13
• 發明（設計）人: 李艷雄;陳祝允;賀前華;李廣隆;杜佳媛;吳偉;王梓里
• 申請（專利權）人: 華南理工大學
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/06;G10L25/03
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 蔡茂略

1.一種基于長時特征和短時特征的重疊語音與單人語音區分方法，其特征在于，包括如下步驟：

S1讀入語音：讀入記錄有重疊語音或單人語音的語音文件；

S2語音預處理：對讀入的語音文件進行預加重、分幀、加窗；

S3提取短時特征：從經過預處理的語音幀中提取短時特征，所述短時特征包括梅爾頻率倒譜系數及其一階差分、短時能量、過零率，將提取的短時特征拼接得到短時特征矩陣；

S4提取長時特征：計算短時特征矩陣的統計特征，所述統計特征包括均值、最大值、最小值、中值、均方差，得到長時特征矩陣；

S5訓練高斯混合模型：采用EM算法訓練四個高斯混合模型，包括單人語音的短時特征模型、單人語音的長時特征模型、重疊語音的短時特征模型、重疊語音的長時特征模型；

S6模型融合判決：將短時特征矩陣和長時特征矩陣分別輸入短時特征模型和長時特征模型，所述短時特征模型包括單人語音的短時特征模型和重疊語音的短時特征模型，長時特征模型包括單人語音的長時特征模型和重疊語音的長時特征模型，并將這兩種模型的輸出概率進行加權得到總的概率輸出值，根據總的概率輸出值將測試語音判為重疊語音或單人語音，實現重疊語音與單人語音的區分。

2.根據權利要求1所述的區分方法，其特征在于，所述S2中對讀入的語音文件進行預加重、分幀、加窗，具體步驟為：

S2.1所述預加重，具體為：設置數字濾波器的Z傳遞函數為H(z)=1-αz^-1，其中α取值為：0.9≤α≤1，讀入的語音文件通過數字濾波器后實現預加重；

S2.2所述分幀、加窗，具體步驟為：

S2.2.1設置語音幀的幀長為40毫秒、幀移為20毫秒，幀長和幀移所對應的采樣點個數分別為N=0.04×f_s和S=0.02×f_s，其中f_s為語音采樣頻率，將輸入語音信號分割成T個語音幀x′_t(n)，且每個語音幀包含N個采樣點；

S2.2.2計算漢明窗函數ω(n)：

S2.2.3對每一個語音幀x′_t(n)加漢明窗，得到x_t(n)：

ω(n)×xt′(n)⇒{xt(n)|n=0,1,...,N-1;t=1,2,...,T}.]]>