[發明專利]一種基于GRU的音頻中的人聲識別方法及系統

在審

• 申請號: 201911298207.0
• 申請日: 2019-12-17
• 公開（公告）號: CN111145763A
• 公開（公告）日: 2020-05-12
• 發明（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: 廈門仕誠聯合知識產權代理事務所(普通合伙) 35227
• 代理人: 樂珠秀

本發明公開了一種基于GRU的音頻中的人聲識別方法，包括以下步驟：S11.采集待識別音頻，將音頻數據保存為數組；S12.將數組轉為聲紋特征數據；S13.基于預設GRU神經網絡識別模型對聲紋特征數據進行識別，預設GRU神經網絡識別模型的輸出層輸出兩個數值；S14.將數值轉為聲紋特征數據為人聲的概率；S15.將一個單位時間內的所有概率取平均值，若平均值大于設定的默認閾值，則確定單位時間的音頻中出現人聲，本發明還公開了一種用于實現上述方法的基于GRU的音頻中的人聲識別系統。本發明采用端到端的網絡結構識別音頻中的人聲，識別效果好，識別得到的人聲片段質量高。

技術領域

本發明涉及音頻識別技術領域，特別是一種基于GRU的音頻中的人聲識別方法及系統。

背景技術

隨著語音技術和自然語言處理技術的發展，智能音箱在近幾年發展迅速，越來越多的人通過智能音箱來操作設備以及獲取信息。目前的智能音箱通過語音喚醒技術喚醒設備，然后通過語音識別技術識別用戶說話的內容，從而進行判斷，在語音識別的過程當中，環境噪聲對識別效果有較大的影響，因此需要對語音信號進行前端處理。

人聲提取是語音信號的前端處理的一種主要方式，如何高效識別語音信號中包括人聲的片段并提取用于語音識別是一個有待解決的技術問題。

發明內容

本發明為解決上述問題，提供了一種基于GRU的音頻中的人聲識別方法及系統，采用端到端的網絡結構識別音頻中的人聲，識別效果好，識別得到的人聲片段質量高。

為實現上述目的，本發明采用的技術方案為：

一種基于GRU的音頻中的人聲識別方法，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秒的音頻數據保存為1個數組(時長不足B秒則以實際時長)，其中，0＜C≤B≤A；

S12.將所述數組轉為聲紋特征數據；

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

S14.基于SoftMax算法將所述數值轉為所述聲紋特征數據為人聲的概率；

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境下的人聲的音頻數據，所述負樣本包括在各種環境下的非人聲的音頻數據；

S22.將所述訓練集的音頻數據轉為訓練集聲紋特征數據；

S23.將所述訓練集聲紋特征數據作為輸入層對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值，分別為所述訓練集聲紋特征數據為人聲的分數和為非人聲的分數；

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

優選的，所述預設GRU神經網絡識別模型為3層GRU結構的RNN循環網絡，隱藏層神經元個數為300。

優選的，使用PyAudio工具采集所述待識別音頻或所述訓練集的音頻數據，其中，采集到的數據為字符串數據，使用numpy工具將所述字符串數據轉為數值數據。

優選的，使用python_speech_features工具將所述數組或所述訓練集的音頻數據轉為40維的MFCC特征數據。