[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

本發明實施例提供一種語音端點檢測方法及設備，該方法通過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聲母、韻母和噪音的概率，使得該VAD模型可以準確的對各待檢測音幀的聲學特征進行分類，進而根據所述VAD模型的輸出結果確定語音段的起點和終點，能夠提高語音端點檢測的準確率。

技術領域

本發明實施例涉及語音識別技術領域，尤其涉及一種語音端點檢測方法及設備。

背景技術

隨著人機交互技術的發展，語音識別技術顯示出其重要性。在語音識別系統中，語音端點檢測技術是非常重要的一項技術，通常也稱為語音活動性檢測技術(voiceactivity detection，VAD)。語音端點檢測是指在連續音頻信號中找出語音段的起始點和終止點。

在現有技術中，可以通過VAD技術來確定一段音頻信號中語音段的起點和終點。在具體實現時，對音頻信號進行分幀處理，基于傳統的信號處理方法提取每個音幀的能量和過零率等特征，然后根據人為制定的一些規則，判讀每個音幀為語音幀或者噪音幀，最后，將連續多個語音幀中的首個語音幀作為語音段的起點，將最后一個語音幀作為語音段的終點。

然而，現有的端點檢測技術存在不準確的問題，檢測準確度較低。

發明內容

本發明實施例提供一種語音端點檢測方法及設備，以提高語音端點的準確度。

第一方面，本發明實施例提供一種語音端點檢測方法，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聲母、韻母和噪音的概率；

根據所述VAD模型的輸出結果確定語音段的起點和終點。

可選的，所述根據所述VAD模型的輸出結果確定語音段的起點和終點，包括：

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。

可選的，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。

可選的，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。

可選的，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；