[發(fā)明專利]一種基于GRU的音頻中的人聲識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201911298207.0
• 申請日: 2019-12-17
• 公開（公告）號: CN111145763A
• 公開（公告）日: 2020-05-12
• 發(fā)明（設計）人: 曾志先;肖龍源;李稀敏;蔡振華;劉曉葳
• 申請（專利權）人: 廈門快商通科技股份有限公司
• 主分類號: G10L17/22
• 分類號: G10L17/22;G10L17/18;G10L17/04;G10L17/02
• 代理公司: 廈門仕誠聯(lián)合知識產權代理事務所(普通合伙) 35227
• 代理人: 樂珠秀

1.一種基于GRU的音頻中的人聲識別方法，其特征在于，包括以下步驟：

S11.采集待識別音頻，以A秒作為單位時間，在一個單位時間內，以B秒為窗口，C秒為位移時間，每時長為B秒的音頻數(shù)據(jù)保存為1個數(shù)組(時長不足B秒則以實際時長)，其中，0＜C≤B≤A；

S12.將所述數(shù)組轉為聲紋特征數(shù)據(jù)；

S13.基于預設GRU神經網絡識別模型對所述聲紋特征數(shù)據(jù)進行識別，所述預設GRU神經網絡識別模型的輸出層輸出兩個數(shù)值，分別為所述聲紋特征數(shù)據(jù)為人聲的分數(shù)和為非人聲的分數(shù)；

S14.基于SoftMax算法將所述數(shù)值轉為所述聲紋特征數(shù)據(jù)為人聲的概率；

S15.將一個單位時間內的所有所述概率取平均值，若所述平均值大于設定的默認閾值，則確定所述單位時間的音頻中出現(xiàn)人聲；

其中，所述預設GRU神經網絡識別模型的構建方法，包括以下步驟：

S21.采集訓練集，所述訓練集包括正樣本和負樣本，所述正樣本包括在各種環(huán)境下的人聲的音頻數(shù)據(jù)，所述負樣本包括在各種環(huán)境下的非人聲的音頻數(shù)據(jù)；

S22.將所述訓練集的音頻數(shù)據(jù)轉為訓練集聲紋特征數(shù)據(jù)；

S23.將所述訓練集聲紋特征數(shù)據(jù)作為輸入層對GRU神經網絡識別模型進行訓練，所述GRU神經網絡識別模型的輸出層輸出兩個數(shù)值，分別為所述訓練集聲紋特征數(shù)據(jù)為人聲的分數(shù)和為非人聲的分數(shù)；

S24.多次迭代訓練，使用交叉熵損失來作為損失函數(shù)，通過Adam算法來優(yōu)化損失值至趨于穩(wěn)定后完成訓練。

2.根據(jù)權利要求1所述的一種基于GRU的音頻中的人聲識別方法，其特征在于，所述預設GRU神經網絡識別模型為3層GRU結構的RNN循環(huán)網絡，隱藏層神經元個數(shù)為300。

3.根據(jù)權利要求1所述的一種基于GRU的音頻中的人聲識別方法，其特征在于，使用PyAudio工具采集所述待識別音頻或所述訓練集的音頻數(shù)據(jù)，其中，采集到的數(shù)據(jù)為字符串數(shù)據(jù)，使用numpy工具將所述字符串數(shù)據(jù)轉為數(shù)值數(shù)據(jù)。

4.根據(jù)權利要求1所述的一種基于GRU的音頻中的人聲識別方法，其特征在于，使用python_speech_features工具將所述數(shù)組或所述訓練集的音頻數(shù)據(jù)轉為40維的MFCC特征數(shù)據(jù)。

5.根據(jù)權利要求4所述的一種基于GRU的音頻中的人聲識別方法，其特征在于，對所述MFCC特征數(shù)據(jù)進行數(shù)值標準化處理，標準化的計算方式為(原數(shù)值－平均值)/標準差。

6.根據(jù)權利要求1所述的一種基于GRU的音頻中的人聲識別方法，其特征在于，所述正樣本包括從歌手所唱的歌曲、訪談節(jié)目中的對話或故事節(jié)目中的聲音上截取的人聲片段。

7.一種基于GRU的音頻中的人聲識別系統(tǒng)，其特征在于，包括：

音頻采集終端，用于采集待識別的音頻數(shù)據(jù)；

識別模塊，基于權利要求1至6中任一項所述的方法對所述音頻數(shù)據(jù)進行識別，并輸出識別結果。