[發明專利]語音端點檢測方法和裝置、存儲介質及電子設備

有效

• 申請號: 202011296495.9
• 申請日: 2020-11-18
• 公開（公告）號: CN112420079B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 張曉萌;馬路;趙培;蘇騰榮
• 申請（專利權）人: 青島海爾科技有限公司;海爾智家股份有限公司
• 主分類號: G10L25/87
• 分類號: G10L25/87;G10L15/22;G10L15/06;G10L15/04;G10L25/30
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 周婷婷

1.一種語音端點檢測方法，其特征在于，包括：

獲取待識別的目標音頻數據；

將所述目標音頻數據輸入第一語音識別模型進行分幀處理，得到多個音頻幀，并通過所述第一語音識別模型對所述音頻幀進行標簽標注，得到識別結果，其中，所述第一語音識別模型為用于識別所述目標音頻數據中包含的語音幀的深度神經網絡模型；

在從所述目標音頻數據中識別出多個候選語音幀的情況下，對各個所述候選語音幀進行再次劃分得到用于能量計算的連續語音片段，并獲取所述語音片段各自對應的第一能量值，其中，獲取第n個語音片段對應的第一能量值，包括：

其中，E1（n）代表第n個語音片段對應的第一能量值，n代表當前語音片段在所述候選語音幀中的順序編號，M代表在前n個語音片段中包含的能量點的數量，代表第m個能量點的能量值的絕對值；

基于所述語音片段對應的第一能量值，確定所述候選語音幀對應的第一能量值，其中，所述候選語音幀對應的第一能量值是所述候選語音幀包括的全部所述語音片段的平均能量值；

根據所述語音片段的對應的第一能量值，確定所述候選語音幀對應的第二能量值，所述候選語音幀對應的第二能量值是所述候選語音幀包括的全部所述語音片段的第一能量值的最大值；

對所述候選語音幀對應的第二能量值按照縮放系數進行調整，得到調整后的所述候選語音幀對應的第二能量值；

在所述候選語音幀對應的第一能量值大于所述調整后的所述候選語音幀對應的第二能量值的情況下，確定所述多個候選語音幀中包含有效語音幀的語音端點。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

重復執行以下步驟，直至遍歷所述候選語音幀的全部所述語音片段；

獲取第i個語音片段對應的第一能量值，其中，i為正整數；

比對所述第i個語音片段對應的第一能量值與歷史最大能量值；

在所述第i個語音片段對應的第一能量值大于所述歷史最大能量值，將所述第i個語音片段對應的第一能量值作為更新后的最大能量值，并將所述第i個語音片段對應的第一能量值作為所述第二能量值；

在所述第i個語音片段對應的第一能量值小于所述歷史最大能量值，將所述歷史最大能量作為所述第二能量值。

3.根據權利要求1所述的方法，其特征在于，所述將所述目標音頻數據輸入第一語音識別模型進行分幀處理，得到多個音頻幀，并通過所述第一語音識別模型對所述音頻幀進行標簽標注，得到識別結果包括：

在所述第一語音識別模型中對所述目標音頻數據進行分幀處理，得到所述多個音頻幀；

對所述多個音頻幀分別進行預處理，得到各自對應的音頻特征；

基于所述音頻特征計算得到所述多個音頻幀各自對應的語音識別概率，其中，在所述語音識別概率大于第一閾值的情況下，確定所述音頻幀為所述語音幀；在所述語音識別概率小于所述第一閾值的情況下，確定所述音頻幀為非語音幀。

4.根據權利要求3所述的方法，其特征在于，所述對所述多個音頻幀分別進行預處理，得到各自對應的音頻特征包括：

對所述音頻幀進行高頻信號增強處理，得到信號增強后的所述音頻幀；

對所述信號增強后的所述音頻幀進行時頻轉換處理，得到轉換至頻域中的所述音頻幀；

對所述轉換至頻域中的所述音頻幀進行濾波處理，得到濾波后的所述音頻幀；

對所述濾波后的所述音頻幀進行縮放處理，得到縮放后的所述音頻幀；

對所述縮放后的所述音頻幀進行動態差分處理，得到所述音頻特征。

5.根據權利要求1至4中任一項所述的方法，其特征在于，在所述獲取待識別的目標音頻數據之前，還包括：

獲取多個樣本音頻數據進行訓練，以得到所述第一語音識別模型，其中，所述第一語音識別模型為基于Keras框架構建的深度神經網絡模型。