[發(fā)明專利]一種語言音頻的檢測(cè)系統(tǒng)及方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510091609.9
• 申請(qǐng)日: 2015-02-28
• 公開（公告）號(hào): CN104681036B
• 公開（公告）日: 2018-09-25
• 發(fā)明（設(shè)計(jì)）人: 王歡良;楊嵩;代大明;袁軍峰;惠寅華;林遠(yuǎn)東
• 申請(qǐng)（專利權(quán)）人: 蘇州馳聲信息科技有限公司
• 主分類號(hào): G10L25/03
• 分類號(hào): G10L25/03;G10L15/02;G10L15/06
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 湯東鳳

本發(fā)明公開了一種語言音頻的檢測(cè)系統(tǒng)及方法，屬于語言信號(hào)處理技術(shù)領(lǐng)域。所述系統(tǒng)包括：聲學(xué)特征提取模塊、音素識(shí)別模塊、聲學(xué)置信度計(jì)算模塊、語言置信度計(jì)算模塊、韻律特征提取模塊和分類判別模塊。本發(fā)明通過綜合利用聲學(xué)置信度、語言置信度和韻律特征信息，系統(tǒng)的檢測(cè)性能獲得顯著提高，適用于不同長(zhǎng)度的音頻檢測(cè)，具有很好的檢測(cè)穩(wěn)定性，可以處理多種非目標(biāo)語言音頻和噪聲音頻，具有很好的實(shí)用性，可以根據(jù)非目標(biāo)語言的類型進(jìn)行快速擴(kuò)展，只需要提供新語種的聲學(xué)模型和語言模型，然后重新訓(xùn)練分類器模型就可以，具有較好的系統(tǒng)結(jié)構(gòu)的靈活性和可擴(kuò)展性。

技術(shù)領(lǐng)域

本發(fā)明涉及語言信號(hào)處理技術(shù)領(lǐng)域，特別涉及一種語言音頻的檢測(cè)系統(tǒng)及方法。

背景技術(shù)

語音技術(shù)的實(shí)際應(yīng)用環(huán)境通常非常復(fù)雜,系統(tǒng)接收到的音頻中可能包含很多非目標(biāo)語言的聲音,比如不同語種的語音、音樂、自然噪聲和人造噪聲等。這些音頻的存在會(huì)嚴(yán)重影響語音技術(shù)的可用性和用戶體驗(yàn)。因此，采用技術(shù)手段高效地檢測(cè)并過濾這些音頻是非常有必要的。

在這類技術(shù)中，最典型的是語種識(shí)別技術(shù)和噪聲檢測(cè)技術(shù)。其中，語種識(shí)別技術(shù)是利用語音中包含的音韻信息(比如特殊的發(fā)音單元，發(fā)音單元的不同分布或者組合方式等)來判斷語言種類。

現(xiàn)有技術(shù)中，最成熟的語種識(shí)別技術(shù)是基于音素識(shí)別的多音素語言模型技術(shù)該技術(shù)認(rèn)為不同語種識(shí)別器產(chǎn)生的音素序列分布和組合是有各自不同規(guī)律的，因此利用不同語種識(shí)別器輸出的音素識(shí)別序列在不同語種語言的音素語言模型上的分布概率進(jìn)行語種識(shí)別。該技術(shù)具有較好的精度和通用型，但是其性能在短語音上會(huì)急劇下降，存在一定局限性。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的問題，本發(fā)明實(shí)施例提供了一種語言音頻的檢測(cè)系統(tǒng)及方法。所述技術(shù)方案如下：

一方面，提供了一種語言音頻的檢測(cè)系統(tǒng)，所述系統(tǒng)包括：聲學(xué)特征提取模塊、音素識(shí)別模塊、聲學(xué)置信度計(jì)算模塊、語言置信度計(jì)算模塊、韻律特征提取模塊和分類判別模塊；

其中，

所述聲學(xué)特征提取模塊用于提取輸入語音信號(hào)的聲學(xué)特征，所述聲學(xué)特征至少包括輸入音頻的基頻特征；

所述音素識(shí)別模塊由至少包括目標(biāo)語言對(duì)應(yīng)識(shí)別器的一組識(shí)別器組成，分別對(duì)應(yīng)不同的語言，用于對(duì)所述聲學(xué)特征進(jìn)行解碼，得到不同語言的最佳音素序列和對(duì)應(yīng)的時(shí)間邊界，所述不同語言的最佳音素序列和對(duì)應(yīng)的時(shí)間邊界至少包括目標(biāo)語言的最佳音素序列和對(duì)應(yīng)的時(shí)間邊界；

所述聲學(xué)置信度計(jì)算模塊用于根據(jù)所述不同語言的最佳音素序列和對(duì)應(yīng)的時(shí)間邊界，分別計(jì)算不同語言的音素序列在DNN模型上的后驗(yàn)概率，作為該音素序列的聲學(xué)置信度，得到不同語言音素序列的聲學(xué)置信度；

所述語言置信度計(jì)算模塊用于根據(jù)所述不同語言的最佳音素序列和對(duì)應(yīng)的時(shí)間邊界，分別計(jì)算不同語言的音素序列在對(duì)應(yīng)語言的更高階語言模型上的生成概率，作為該音素序列的語言置信度，得到不同語言音素序列的語言置信度；

所述韻律特征提取模塊用于根據(jù)所述目標(biāo)語言的最佳音素序列和對(duì)應(yīng)的時(shí)間邊界以及所述輸入音頻的基頻特征，計(jì)算輸入音頻的韻律特征；

所述分類判別模塊用于利用預(yù)先訓(xùn)練好的分類器對(duì)所述不同語言音素序列的聲學(xué)置信度、語言置信度以及所述輸入音頻的韻律特征組成的特征向量進(jìn)行目標(biāo)語言/非目標(biāo)語言分類。

可選地，所述一組識(shí)別器中每個(gè)識(shí)別器采用其對(duì)應(yīng)語言的聲學(xué)模型和語言模型，所述聲學(xué)模型需要預(yù)先采用相應(yīng)語言的語音數(shù)據(jù)進(jìn)行訓(xùn)練，所述語言模型需要預(yù)先采用相應(yīng)語言的文本數(shù)據(jù)進(jìn)行訓(xùn)練。

可選地，所述預(yù)先訓(xùn)練好的分類器需要預(yù)先采用收集并標(biāo)注的大量數(shù)據(jù)訓(xùn)練。