[發明專利]語音端點檢測方法及設備

有效

• 申請號: 201810948464.3
• 申請日: 2018-08-20
• 公開（公告）號: CN109036471B
• 公開（公告）日: 2020-06-30
• 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: G10L25/87
• 分類號: G10L25/87;G10L25/30;G10L15/14;G10L15/05;G10L15/02;G10L15/18
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 孫靜;劉芳

1.一種語音端點檢測方法，其特征在于，包括：

對待檢測語音進行分幀處理，得到多個待檢測音幀；

獲取各所述待檢測音幀的聲學特征，并將各所述待檢測音幀的聲學特征依次輸入至語音活動性檢測VAD模型；所述VAD模型用于輸出各所述待檢測音幀被分類為如下各狀態的概率：聲母的起始狀態、聲母的持續狀態、聲母的結束狀態、韻母的起始狀態、韻母的持續狀態、韻母的結束狀態、噪音的起始狀態、噪音的持續狀態、噪音的結束狀態；

根據所述VAD模型的輸出結果，確定各所述待檢測音幀為語音幀或者噪音幀；

將第一個被分類為語音幀的音幀確定為語音段的起點，將最后一個被分類為語音幀的音幀確定為語音段的終點；

所述根據所述VAD模型的輸出結果，確定各所述待檢測音幀為語音幀或者噪音幀，包括：

根據所述VAD模型的輸出結果，獲取各所述待檢測音幀被分類為語音幀的概率以及噪音幀的概率；其中，所述待檢測音幀被分類為語音幀的概率為所述待檢測音幀被分類為如下狀態的概率之和：聲母的起始狀態、聲母的持續狀態、聲母的結束狀態、韻母的起始狀態、韻母的持續狀態、韻母的結束狀態；所述待檢測音幀被分類為噪音幀的概率為所述待檢測音幀被分類為如下狀態的概率之和：噪音的起始狀態、噪音的持續狀態、噪音的結束狀態；

根據各所述待檢測音幀被分類為語音幀的概率以及噪音幀的概率，確定各所述待檢測音幀為語音幀或者噪音幀。

2.根據權利要求1所述的方法，其特征在于，所述將各所述待檢測音幀的聲學特征依次輸入至語音活動性檢測VAD模型之前，還包括：

對待訓練的語音進行分幀處理，得到多個待訓練音幀；

獲取各所述待訓練音幀的聲學特征以及各所述待訓練音幀的聲學特征對應的標簽；所述標簽用于指示待訓練音幀的分類結果為聲母、韻母或噪音；

根據各所述待訓練音幀的聲學特征以及各所述待訓練音幀的聲學特征對應的標簽，對待訓練的VAD模型進行訓練，得到所述VAD模型。

3.根據權利要求2所述的方法，其特征在于，所述獲取各所述待訓練音幀的聲學特征對應的標簽，包括：

將各所述待訓練音幀的聲學特征依次輸入到已訓練好的音素模型，所述音素模型用于輸出各所述待訓練音幀的聲學特征對應的音素的狀態，其中，所述音素為下述中的一種：M個聲母分別對應的音素、N個韻母分別對應的音素、噪音對應的音素；所述狀態為下述中的一種：起始狀態、持續狀態、結束狀態；

根據所述音素模型的輸出結果，確定各所述待訓練音幀的聲學特征對應的標簽。

4.根據權利要求3所述的方法，其特征在于，所述根據所述音素模型的輸出結果，確定各所述待訓練音幀的聲學特征對應的標簽，包括：

獲取映射關系，所述映射關系用于將至少一個音素的狀態映射一個標簽；

根據所述映射關系，對所述音素模型輸出的各所述待訓練音幀的聲學特征對應的音素的狀態進行映射，得到各所述待訓練音幀的聲學特征對應的標簽。

5.根據權利要求4所述的方法，其特征在于，所述音素模型為高斯混合隱馬爾可夫模型GMM-HMM模型。

6.根據權利要求1-5任一項所述的方法，其特征在于，所述VAD模型為深度神經網絡模型。