[發明專利]一種提取會議中最重要嘉賓語音的方法

無效

• 申請號: 201410231431.9
• 申請日: 2014-05-28
• 公開（公告）號: CN104021785A
• 公開（公告）日: 2014-09-03
• 發明（設計）人: 李艷雄;金海;賀前華;王琴
• 申請（專利權）人: 華南理工大學
• 主分類號: G10L15/02
• 分類號: G10L15/02
• 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

技術領域

本發明涉及語音信號處理和模式識別技術，尤其涉及一種提取會議中最重要嘉賓語音的方法。

背景技術

最重要嘉賓是指在多人參與的會議中，發言權最高、在整個會議進程中處于主導地位的說話人，例如會議中的某個國家領導人、單位負責人、行業精英或權威人士。在經常召開的發布會、討論會、演講等會議中，一般都有一個最重要的嘉賓，他的語音是人們在瀏覽分析會議語音時最感興趣的。最重要嘉賓是與會人員中的最主要發言人，他在整個會議中的說話時間一般是最長的。另外，他單次連續說話時間一般也是最長的(我們統計發現，說話人分割之后的最長語音段和第二長語音段中至少有一個是最重要嘉賓的語音)。因此，會議中的最重要嘉賓的語音總時長和單次說話的最大語音時長在所有與會人員中是最大的。從最重要嘉賓的語音中，可以得到該會議的主題、會議決議等重要信息。這些信息是人們在瀏覽分析冗長的會議語音時最希望獲取的。因此，快速有效地提取出會議中最重要嘉賓的語音，對于會議語音的快速瀏覽、主題提取、說話人分析與檢索等應用都具有非常重要的意義。

發明內容

目前的說話人語音提取方法在說話人分割之后，一般采取基于凝聚分層聚類(Agglomerative?Hierarchical?Clustering)的方法進行說話人聚類，從而得到各個說話人的語音。目前的方法存在聚類次數多，速度慢的不足。為了克服現有技術存在的缺點與不足，本發明提供一種快速提取會議中最重要嘉賓語音的方法。

一種提取會議中最重要嘉賓語音的方法，包括如下步驟：

S1讀入記錄有會議語音的音頻文件；

S2說話人分割：檢測上述會議語音中的說話人改變點，將相鄰兩個改變點之間的語音樣點作為一個語音段，將音頻文件分成J個語音段，并將這J個語音段按時長從大到小的順序編號得到排序后的語音段x_j，1≤j≤J，x₁和x₂分別是最長和第二長的語音段，以此類推；

S3語音段的距離比較及合并：比較語音段x₁與語音段x₂的距離，根據該距離與門限的關系判斷語音段x₁與語音段x₂是否都是最重要嘉賓的語音，再根據其他語音段x_j與語音段x₁和語音段x₂的距離，判斷其他語音段x_j是不是最重要嘉賓的語音，從而實現最重要嘉賓語音的提取，其中3≤j≤J。

進一步地，所述S2說話人分割：檢測上述會議語音中的說話人改變點，將相鄰兩個改變點之間的語音樣點作為一個語音段，將音頻文件分成多個語音段，具體為：

S2.1利用基于門限判決的語音檢測算法從上述音頻文件中找出靜音段和語音段；

S2.2將上述語音段按時間順序拼接成一個長語音段，并從長語音段中提取音頻特征；

S2.3利用上述提取的音頻特征，根據貝葉斯信息準則，判斷長語音段中相鄰數據窗之間的相似度來檢測說話人改變點；

S2.4依次把相鄰兩個改變點之間的語音樣點作為一個語音段，從而將音頻文件分割成多個語音段，且每個語音段包含一個說話人。

進一步地，所述S2.1利用基于門限判決的語音檢測算法從上述音頻文件中找出靜音段和語音段，具體包括如下步驟：

S2.1.1對讀入的會議語音進行分幀，并計算每幀語音的能量，得到會議語音的能量特征矢量；

S2.1.2計算每幀語音的能量門限；

S2.1.3將每幀語音的能量與能量門限進行比較，低于能量門限的幀為靜音幀，否則為語音幀，將所有的靜音幀都舍棄，將語音幀按時間順序拼接成一個語音段。

進一步地，所述S2.3根據貝葉斯信息準則判斷長語音段中相鄰數據窗之間的相似度來檢測說話人改變點，具體包括如下步驟：

S2.3.1將長語音段切分成數據窗，對每個數據窗進行分幀，從每一幀語音信號中提取音頻特征，每個數據窗的音頻特征構成一個音頻特征矩陣F；

S2.3.2計算兩個相鄰數據窗(x和y)之間的距離ΔBIC_x,y：