[發明專利]人聲分離提取方法方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202010792766.3
• 申請日: 2020-08-10
• 公開（公告）號: CN111933172A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 劉嗣平;柯登峰;張思萱
• 申請（專利權）人: 廣州九四智能科技有限公司
• 主分類號: G10L21/0272
• 分類號: G10L21/0272;G10L21/0308;G10L25/30;G10L21/0208
• 代理公司: 深圳科灣知識產權代理事務所(普通合伙) 44585
• 代理人: 鐘斌

本申請實施例屬于語音識別技術領域，涉及人聲分離提取方法，包括一種人聲分離提取方法，包括將帶有環境噪聲的錄音轉化為原始幅度譜；將所述原始幅度譜輸入到預先訓練的抗噪神經網絡，以確定與所述原始幅度譜相應的p?PSM值，所述p?PSM值大于等于0；將所述原始幅度頻譜與對應的p?PSM點乘，以獲取去噪幅度譜；將所述去噪幅度譜輸入到預先訓練的諧波恢復神經網絡，以恢復所述去噪幅度頻譜，并獲取所述去噪幅度頻譜對應的純凈幅度頻譜；將所述純凈幅度頻譜轉換為語音。本申請還提供一種人聲分離提取裝置、計算機設備及存儲介質。本申請能夠避除噪聲規避過程中語音的損失，人聲提取更為準確。

技術領域

本申請涉及語音識別技術領域，尤其涉及人聲分離提取方法方法、裝置、計算機設備及存儲介質

背景技術

語音分離(Speech Separation)是一種在音頻中分離出主要說話人語音的技術，主要包括語音增強(Speech Enhancement)、多說話人分離(Speaker Separation)、解混響(De-reverberation)。人聲與環境聲分離，利用了語音增強的技術，在錄音中去除環境噪聲而保留下人聲，達到分離出純凈人聲的目的。

在實際的處理過程當中，隨著人工智能的發展，基于人聲和環境聲分離的應用深入到人們的生活，對于語音識別，一方面需要改進語音識別自身技術，另一方面，需要提高語音分離的性能以提供盡可能純凈的語音。作為語音識別的前端。深度學習興起，語音分離也逐漸由傳統方法轉為監督學習的方法。目前最好的用于語音分離的語音增強系統，在抗噪的時候，為了最大程度上去除噪音，會出現抑制部分人聲的情況，造成語音的失真。

發明內容

本申請實施例的目的在于提出一種語音提取方法，能夠克服抗噪過程中對語音部分的抑制而造成的人聲失真。

為了解決上述技術問題，本申請實施例提供一種人聲分離提取方法，采用了如下所述的技術方案：

一種人聲分離提取方法，包括下述步驟：

將帶有環境噪聲的錄音轉化為原始幅度譜；

將所述原始幅度譜輸入到預先訓練的抗噪神經網絡，以確定與所述原始幅度譜相應的p-PSM值，所述p-PSM值大于等于0；

將所述原始幅度頻譜與對應的p-PSM點乘，以獲取去噪幅度譜；

將所述去噪幅度譜輸入到預先訓練的諧波恢復神經網絡，以恢復所述去噪幅度頻譜，并獲取所述去噪幅度頻譜對應的純凈幅度頻譜；

將所述純凈幅度頻譜轉換為語音。

進一步的，所述步驟將所述原始幅度譜輸入到預先訓練的抗噪神經網絡，以確定與所述原始幅度譜相應的p-PSM值，所述p-PSM值大于等于0，具體包括：

將原始幅度頻譜輸入到連續的至少兩層BLSTM模型當中，并且通過BLSTM模型，輸出第一相關值；

將所述第一相關值通過連接層連接，以獲取與預處理幅度頻譜對應的p-PSM值。

進一步的，所述將所述去噪幅度譜輸入到預先訓練的諧波恢復神經網絡，以恢復所述去噪幅度頻譜，并獲取所述去噪幅度頻譜對應的純凈幅度頻譜，具體包括：

將所述去噪幅度頻譜輸入到連續的至少兩層的BLSTM模型當中，并且通過BLSTM模型，輸出根據時域與所述去噪幅度頻譜對應的隱層輸出；

通過全連接層連接所述隱層輸出，以獲取所述去噪幅度頻譜對應的純凈幅度頻譜。

為了解決上述技術問題，本申請還公開了一種神經網絡的訓練方法

一種神經網絡的訓練方法，用于如上所述的抗噪神經網絡的訓練，其特征在于，包括：