[發明專利]語音處理方法、裝置、設備及存儲介質

有效

• 申請號: 201810595783.0
• 申請日: 2018-06-11
• 公開（公告）號: CN108806707B
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 李超;朱唯鑫
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G10L21/0208
• 分類號: G10L21/0208
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 朱穎;劉芳

本申請提供一種語音處理方法、裝置、設備及存儲介質，包括：獲取N個語音幀中每個語音幀的第一聲學特征，N為大于1的正整數。對N個第一聲學特征采用神經網絡算法，得到第一掩蔽閾值。根據N個語音幀的VAD信息修正第一掩蔽閾值，得到第二掩蔽閾值。根據第二掩蔽閾值對N個第一聲學特征進行處理，得到第二聲學特征。從而提高噪聲抑制效果，并且降低語音損傷。

技術領域

本申請涉及語音處理技術領域，尤其涉及一種語音處理方法、裝置、設備及存儲介質。

背景技術

在低噪聲情況下，人類的聽覺系統可以分辨出嘈雜環境中的感興趣的聲音，這個現象叫做“雞尾酒會效應”。“雞尾酒會效應”通常被在技術上描述為盲源分離問題，也就是在沒有參考信號的情況下，把感興趣的“前景音”從嘈雜的“背景音”中分離出來。

盲源分離主要的技術手段是估計掩蔽閾值(mask)，并通過掩蔽閾值對聲學特征進行處理。目前采用神經網絡算法估計掩蔽閾值。例如：針對語音的快速傅里葉變換(FastFourier Transform，FFT)的幅值譜這一特征，通過如下公式估計掩蔽閾值：其中，t表示第t個語音幀，f表示第f個頻點，表示第(t，f)時頻點的干凈(clean)語音的功率；表示第(t，f)時頻點的帶有噪聲(noisy)的語音的功率。然而，在實際應用中干凈語音還是攜帶有噪聲，基于此，造成估計得到的掩蔽閾值不夠準確，進而導致語音處理效果不佳。

發明內容

為了解決上述技術問題，本申請提供一種語音處理方法、裝置、設備及存儲介質，其中根據vad信息對掩蔽閾值修正，從而消除了大量離散的掩蔽閾值，進而提高了噪聲抑制效果，并且降低了語音損傷。

第一方面，本申請提供一種語音處理方法，包括：獲取N個語音幀中每個語音幀的第一聲學特征，N為大于1的正整數。對N個第一聲學特征采用神經網絡算法，得到第一掩蔽閾值。根據N個語音幀的語音活動檢測VAD信息修正第一掩蔽閾值，得到第二掩蔽閾值。根據第二掩蔽閾值對N個第一聲學特征進行處理，得到第二聲學特征。

本申請的有益效果包括：通過vad信息對掩蔽閾值修正，從而消除了大量離散的掩蔽閾值，通過修正后的掩蔽閾值對聲學特征進行處理，可以提高噪聲抑制效果，并且降低語音損傷。

可選地，根據N個語音幀的VAD信息修正第一掩蔽閾值，包括：計算VAD信息與第一掩蔽閾值的乘積，得到第二掩蔽閾值。通過該方法可以有效的修正第一掩蔽閾值。

可選地，VAD信息包括：每個語音幀對應的VAD值。當N個語音幀包括靜音幀時，將靜音幀對應的VAD值置為0。通過該方法可以確定VAD信息，以修正第一掩蔽閾值。

可選地，VAD信息包括：每個語音幀對應的VAD值。相應的，根據N個語音幀的語音活動檢測VAD信息修正第一掩蔽閾值之前，還包括：確定N個語音幀中VAD值為1的M1個語音幀，以及，VAD值為0的P1個語音幀，M1個語音幀與P1個語音幀相鄰，其中M1和P1均為大于1的正整數。對M1個語音幀中的M2個語音幀對應的VAD值和P1個語音幀中的P2個語音幀對應的VAD值作平滑處理，以使M2個語音幀和P2個語音幀對應的VAD值由0漸變至1或者由1漸變至0，M2個語音幀與P2個語音幀相鄰，其中1≤M2≤M1，1≤P2≤P1。通過該方法可以確定VAD信息，以修正第一掩蔽閾值。

可選地，確定N個語音幀中VAD值為1的M1個語音幀，以及，VAD值為0的P1個語音幀，包括：確定N個語音幀中的每個語音幀對應的電話類型，類型包括：靜音和非靜音。將類型為靜音的語音幀確定為VAD值為0的語音幀。將類型為非靜音的語音幀確定為VAD值為1的語音幀。

可選地，M2和P2通過hamming窗、三角窗或者hanning窗確定。

下面將提供一種語音處理裝置、設備、存儲介質及計算機程序產品，其效果和參考上述方法部分的效果，下面對此不再贅述。

第二方面，本申請提供一種語音處理裝置，包括：