[發(fā)明專利]基于人工智能的語音特征提取方法及裝置

有效

• 申請?zhí)枺?/td>: 201611239071.2
• 申請日: 2016-12-28
• 公開（公告）號: CN106710589B
• 公開（公告）日: 2019-07-30
• 發(fā)明（設計）人: 李超;李先剛
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L25/18
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 宋合成

1.一種基于人工智能的語音特征提取方法，其特征在于，所述語音特征用于進行語音識別，包括：

對待識別語音進行頻譜分析，得到所述待識別語音的語譜圖；

利用圖像識別算法中的Inception卷積結構，對所述語譜圖進行特征提取，得到所述待識別語音的語音特征；

其中，所述Inception卷積結構包括多個卷積模塊，每個卷積模塊包括一個分路層、多個卷積層、一個池化層和特征拼接層；所述池化層用于在時域和/或頻域進行降采樣；各池化層在時域上的總降采樣率小于在頻域上的總降采樣率，其中，在形成所述語譜圖時在時域已對所述待識別語音進行了一次降采樣；

其中，所述Inception卷積結構包括4個卷積模塊，其中，所述第一個卷積模塊和第二個卷積模塊中均包括：一個分路層、4個卷積核為1*1的卷積層、1個卷積核為3*3的卷積層和1個卷積核為5*1的卷積層和1個卷積核為1*5的卷積層、所述池化層和所述特征拼接層，其中，所述1個卷積核為5*1的卷積層和1個卷積核為1*5的卷積層構成一個卷積核5*5的卷積層，所述池化層的尺度為2*2，卷積步長為1*1；

所述第三個卷積模塊和第四個卷積模塊中均包括：一個所述分路層、4個卷積核為1*1的卷積層、1個卷積核為3*3的卷積層和1個卷積核為7*1的卷積層和1個卷積核為1*7的卷積層、所述池化層和所述特征拼接層，其中，所述1個卷積核為7*1的卷積層和1個卷積核為1*7的卷積層構成一個卷積核7*7的卷積層，所述池化層的尺度為2*2，卷積步長為1*1。

2.根據權利要求1所述的基于人工智能的語音特征提取方法，其特征在于，所述對待識別語音進行頻譜分析，得到所述待識別語音的語譜圖，包括：

對所述待識別語音所包括的各語音幀進行快速傅里葉變換，得到各語音幀的頻譜值；

利用各語音幀的頻譜值，生成所述待識別語音的所述語譜圖；所述語譜圖的橫坐標為所述語音幀所對應的時間，所述語譜圖的縱坐標為所述語音幀所含的頻率分量，所述語譜圖的坐標點值為所述頻譜值。

3.根據權利要求1所述的基于人工智能的語音特征提取方法，其特征在于，在時域上的總降采樣率是根據對所述待識別語音進行語音分類時的粒度確定的。

4.根據權利要求1所述的基于人工智能的語音特征提取方法，其特征在于，所述Inception卷積結構中，后一個卷積模塊中過濾器的個數為前一個卷積模塊中過濾器的整數倍。

5.根據權利要求1-4任一項所述的基于人工智能的語音特征提取方法，其特征在于，所述利用圖像識別算法中的Inception卷積結構，對所述語譜圖進行特征提取之前，還包括：

預先對所述Inception卷積結構中所包括的各卷積模塊進行設置；

對經過設置的Inception卷積結構進行訓練。

6.根據權利要求1-4任一項所述的基于人工智能的語音特征提取方法，其特征在于，所述利用圖像識別算法中的Inception卷積結構，對所述語譜圖進行特征提取，得到所述待識別語音的語音特征之后，還包括：

將提取到的語音特征輸入全連接層進行語音分類處理。