[發(fā)明專利]語音端點(diǎn)識(shí)別方法、裝置及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201810509977.4
• 申請(qǐng)日: 2018-05-24
• 公開（公告）號(hào): CN108766418B
• 公開（公告）日: 2020-01-14
• 發(fā)明（設(shè)計(jì)）人: 李超;朱唯鑫
• 申請(qǐng)（專利權(quán)）人: 百度在線網(wǎng)絡(luò)技術(shù)(北京)有限公司
• 主分類號(hào): G10L15/05
• 分類號(hào): G10L15/05;G10L15/06;G10L15/16;G10L17/18;G10L25/87
• 代理公司: 11205 北京同立鈞成知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 張子青;劉芳

1.一種語音端點(diǎn)識(shí)別方法，其特征在于，包括：

提取待檢測(cè)音頻的各音頻幀的聲學(xué)特征；

將所述各音頻幀的聲學(xué)特征依次作為第一目標(biāo)幀，對(duì)所述第一目標(biāo)幀進(jìn)行以下起點(diǎn)識(shí)別處理：

將所述第一目標(biāo)幀的聲學(xué)特征輸入起點(diǎn)識(shí)別模型，計(jì)算所述第一目標(biāo)幀是有效語音的概率值；

根據(jù)所述第一目標(biāo)幀是有效語音的概率值與第一閾值的大小，確定所述第一目標(biāo)幀是否是有效語音；

若所述第一目標(biāo)幀不是有效語音，將下一個(gè)音頻幀作為新的第一目標(biāo)幀，對(duì)所述新的第一目標(biāo)幀進(jìn)行所述起點(diǎn)識(shí)別處理；

若所述第一目標(biāo)幀是有效語音，將所述第一目標(biāo)幀確定為語音起點(diǎn)幀；

根據(jù)所述各音頻幀的聲學(xué)特征和終點(diǎn)識(shí)別模型，識(shí)別出所述各音頻幀中的語音終點(diǎn)幀，所述終點(diǎn)識(shí)別模型是用終點(diǎn)訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述各音頻幀的聲學(xué)特征和終點(diǎn)識(shí)別模型，識(shí)別出所述各音頻幀中的語音終點(diǎn)幀，所述終點(diǎn)識(shí)別模型是用終點(diǎn)訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的，還包括：

將所述語音起點(diǎn)幀之后的音頻幀依次作為第二目標(biāo)幀，對(duì)所述第二目標(biāo)幀進(jìn)行以下終點(diǎn)識(shí)別處理：

將所述第二目標(biāo)幀的聲學(xué)特征輸入所述終點(diǎn)識(shí)別模型，計(jì)算所述第二目標(biāo)幀是有效語音的概率值；

根據(jù)所述第二目標(biāo)幀是有效語音的概率值與第二閾值的大小，確定所述第二目標(biāo)幀是否是有效語音，所述第二閾值小于所述第一閾值；

若所述第二目標(biāo)幀是有效語音，將下一個(gè)音頻幀作為新的第二目標(biāo)幀，對(duì)所述新的第二目標(biāo)幀進(jìn)行所述終點(diǎn)識(shí)別處理；

若所述第二目標(biāo)幀不是有效語音，將所述第二目標(biāo)幀確定為語音終點(diǎn)幀。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述起點(diǎn)訓(xùn)練集包括至少一組起點(diǎn)訓(xùn)練數(shù)據(jù)，一組起點(diǎn)訓(xùn)練數(shù)據(jù)包括一條起點(diǎn)訓(xùn)練音頻的各幀的聲學(xué)特征和標(biāo)注信息；

所述終點(diǎn)訓(xùn)練集包括至少一組終點(diǎn)訓(xùn)練數(shù)據(jù)，一組終點(diǎn)訓(xùn)練數(shù)據(jù)包括一條終點(diǎn)訓(xùn)練音頻的各幀的聲學(xué)特征和標(biāo)注信息；

標(biāo)注信息為第一屬性值或者第二屬性值，第一屬性值用于標(biāo)注幀為無效語音，第二屬性值用于標(biāo)注幀為有效語音。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述方法還包括：

獲取樣本音頻的各幀的聲學(xué)特征和標(biāo)注信息；

根據(jù)所述樣本音頻的各幀的標(biāo)注信息，確定所述樣本音頻中的語音起始時(shí)刻，所述語音起始時(shí)刻之后第一預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的音頻段為有效語音段；

將所述樣本音頻的第一時(shí)刻之前的幀的標(biāo)注信息設(shè)置為第一屬性值，所述第一時(shí)刻＝所述語音起始時(shí)刻+所述第一預(yù)設(shè)時(shí)長(zhǎng)；

將所述樣本音頻的所述第一時(shí)刻與第二時(shí)刻之間的幀的標(biāo)注信息設(shè)置為第二屬性值，所述第二時(shí)刻＝所述第一時(shí)刻+所述第一預(yù)設(shè)時(shí)長(zhǎng)；

將所述樣本音頻的所述第二時(shí)刻之前的幀的聲學(xué)特征和標(biāo)注信息作為一組起點(diǎn)訓(xùn)練數(shù)據(jù)，添加到所述起點(diǎn)訓(xùn)練集中。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述方法還包括：

獲取樣本音頻的各幀的聲學(xué)特征和標(biāo)注信息；

據(jù)所述樣本音頻的各幀的標(biāo)注信息，確定所述樣本音頻中的語音結(jié)束時(shí)刻，所述語音結(jié)束時(shí)刻之后第二預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的音頻段是無效語音段，所述第二預(yù)設(shè)時(shí)長(zhǎng)小于所述第一預(yù)設(shè)時(shí)長(zhǎng)；

將所述樣本音頻的第三時(shí)刻之后的幀的標(biāo)注信息設(shè)置為第一屬性值，所述第三時(shí)刻＝所述語音結(jié)束時(shí)刻+所述第二預(yù)設(shè)時(shí)長(zhǎng)；

將所述樣本音頻的第四時(shí)刻與所述第三時(shí)刻之間的幀的標(biāo)注信息設(shè)置為第二屬性值，所述第四時(shí)刻＝所述第三時(shí)刻-所述第二預(yù)設(shè)時(shí)長(zhǎng)；

將所述樣本音頻的所述第四時(shí)刻之后的幀的聲學(xué)特征和標(biāo)注信息作為一組終點(diǎn)訓(xùn)練數(shù)據(jù)，添加到所述終點(diǎn)訓(xùn)練集中。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，在確定所述待檢測(cè)音頻的語音起點(diǎn)幀和語音終點(diǎn)幀之后，還包括：

將所述語音起點(diǎn)幀的起始時(shí)刻作為所述待檢測(cè)音頻的語音起點(diǎn)；

將所述語音終點(diǎn)幀的起始時(shí)刻作為所述待檢測(cè)音頻的語音終點(diǎn)；

截取所述待檢測(cè)音頻的語音起點(diǎn)和語音終點(diǎn)之間的第一音頻段；

將所述第一音頻段發(fā)送給語音識(shí)別設(shè)備。