[發明專利]一種基于角度譜特征的多通道遠場的目標語音識別方法

有效

• 申請號: 202010098250.9
• 申請日: 2020-02-18
• 公開（公告）號: CN113345421B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 張鵬遠;李文潔;顏永紅
• 申請（專利權）人: 中國科學院聲學研究所;中科信利（廣州）技術有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/22;G10L15/16;G10L19/02;G10L19/26;G10L25/24
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

1.一種基于角度譜特征的多通道遠場的目標語音識別方法，其特征在于，包括下列步驟：

獲取包含目標人語音的M個通道的混合語音；將兩個通道組成通道對，得到H個不重復的通道對；其中，H＝M*(M-1)/2，M為大于等于2的正整數；

提取M個通道的混合語音的梅爾倒譜系數MFCC特征，將M個MFCC特征串接，得到第一特征；

計算H個通道對的相位變換可控響應功率SRP-PHAT，根據SRP-PHAT生成包含目標人的位置信息的角度譜特征作為第二特征；

從目標人預先注冊的語音中，提取出目標人特征作為第三特征；

根據所述第一特征、第二特征和第三特征對混合語音中的目標人進行語音識別。

2.根據權利要求1所述的方法，其特征在于，所述提取M個通道的混合語音的梅爾倒譜系數MFCC特征，將M個MFCC特征串接，得到第一特征；具體包括：

分別對各通道的混合語音進行分幀加窗，傅立葉變換，梅爾濾波，離散余弦變換，得到M個N維的MFCC特征；串接M個MFCC特征，生成M*N維的第一特征；其中，N為正整數。

3.根據權利要求1所述的方法，其特征在于，所述根據SRP-PHAT生成包含目標人的位置信息的第二特征，具體包括：

根據預設的采樣間隔得到L個采樣點對應的SRP-PHAT值，將L個SRP-PHAT值合成為1個L維的第二特征；其中，L為正整數。

4.根據權利要求3所述的方法，其特征在于，所述第二特征中的峰值個數，對應于所述混合語音中的說話人數量，所述說話人數量為目標人數量與非目標人數量之和；其中，目標人數量大于等于1，非目標人數量大于等于0；

所述第二特征中的每個峰值，對應于所述混合語音中的每個說話人的位置信號。

5.根據權利要求4所述的方法，其特征在于，當所述第二特征中具備至少兩個峰值，即所述混合語音中包含至少兩個說話人時，采用滑窗算法計算并分離所述第二特征中的至少兩個峰值，得到至少兩個單峰值第二特征；所述單峰值第二特征中具有一個對應于說話人的位置信息的峰值。

6.根據權利要求1所述的方法，其特征在于，根據所述第一特征、第二特征和第三特征對目標人的目標語音進行識別，具體包括：

將所述第一特征和第二特征拼接后輸入時延神經網絡的第一層；

將第一個隱層的輸出和所述第三特征進行拼接后輸入之后的時延神經網絡進行目標人的目標語音識別。

7.根據權利要求6所述的方法，其特征在于，所述時延神經網絡使用第一特征、第二特征和第三特征進行訓練，以提高識別目標語音的能力。