[發(fā)明專利]語音端點(diǎn)檢測(cè)方法和裝置、存儲(chǔ)介質(zhì)及電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202011296495.9
• 申請(qǐng)日: 2020-11-18
• 公開（公告）號(hào): CN112420079B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 張曉萌;馬路;趙培;蘇騰榮
• 申請(qǐng)（專利權(quán)）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(hào): G10L25/87
• 分類號(hào): G10L25/87;G10L15/22;G10L15/06;G10L15/04;G10L25/30
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 周婷婷

本發(fā)明公開了一種語音端點(diǎn)檢測(cè)方法和裝置、存儲(chǔ)介質(zhì)及電子設(shè)備。其中，該方法包括：獲取待識(shí)別的目標(biāo)音頻數(shù)據(jù)；將目標(biāo)音頻數(shù)據(jù)輸入第一語音識(shí)別模型，以得到識(shí)別結(jié)果，其中，第一語音識(shí)別模型為用于識(shí)別目標(biāo)音頻數(shù)據(jù)中包含的語音幀的深度神經(jīng)網(wǎng)絡(luò)模型；在從目標(biāo)音頻數(shù)據(jù)中識(shí)別出多個(gè)候選語音幀的情況下，獲取多個(gè)候選語音幀中每個(gè)候選語音幀各自對(duì)應(yīng)的能量信息；在能量信息滿足判定條件的情況下，確定多個(gè)候選語音幀中包含有效語音幀的語音端點(diǎn)。本發(fā)明解決了語音端點(diǎn)檢測(cè)結(jié)果準(zhǔn)確率低的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明涉及語音識(shí)別領(lǐng)域，具體而言，涉及一種語音端點(diǎn)檢測(cè)方法和裝置、存儲(chǔ)介質(zhì)及電子設(shè)備。

背景技術(shù)

語音信號(hào)處理技術(shù)是人機(jī)交互領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)，語音端點(diǎn)檢測(cè)就是從連續(xù)的語音流中檢測(cè)出有效的語音段，其中包括，檢測(cè)出有效語音的起始點(diǎn)即前端點(diǎn)，檢測(cè)出有效語音的結(jié)束點(diǎn)即后端點(diǎn)。在語音識(shí)別和信號(hào)處理中，通過進(jìn)行語音的端點(diǎn)檢測(cè)識(shí)別出有效語音，從而在存儲(chǔ)或傳輸語音的場(chǎng)景下，從連續(xù)的語音流中分離出有效語音，可以降低存儲(chǔ)或傳輸?shù)臄?shù)據(jù)量，簡化人機(jī)交互的工作量和繁瑣度。因此，語音端點(diǎn)檢測(cè)是語音通信、語音識(shí)別、語音編碼技術(shù)中前端處理的必要環(huán)節(jié)，對(duì)后續(xù)的語音處理性能表現(xiàn)起著至關(guān)重要的作用。

在相關(guān)技術(shù)中，語音端點(diǎn)檢測(cè)通常采用基于混合高斯模型的語音端點(diǎn)檢測(cè)方法，對(duì)于每一幀輸入的音頻，分別計(jì)算語音的概率和噪聲的概率。但是混合高斯模型的建模能力有限，無法實(shí)現(xiàn)對(duì)語音的精確的建模，特別是復(fù)雜的語音環(huán)境下，基于混合高斯模型的語音端點(diǎn)檢測(cè)性能嚴(yán)重下降，由此導(dǎo)致語音端點(diǎn)檢測(cè)準(zhǔn)確率較低。

針對(duì)上述的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種語音端點(diǎn)檢測(cè)方法和裝置、存儲(chǔ)介質(zhì)及電子設(shè)備，以至少解決語音端點(diǎn)檢測(cè)結(jié)果準(zhǔn)確率低的技術(shù)問題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種語音端點(diǎn)檢測(cè)方法，包括：獲取待識(shí)別的目標(biāo)音頻數(shù)據(jù)；將上述目標(biāo)音頻數(shù)據(jù)輸入第一語音識(shí)別模型，以得到識(shí)別結(jié)果，其中，上述第一語音識(shí)別模型為用于識(shí)別上述目標(biāo)音頻數(shù)據(jù)中包含的語音幀的深度神經(jīng)網(wǎng)絡(luò)模型；在從上述目標(biāo)音頻數(shù)據(jù)中識(shí)別出多個(gè)候選語音幀的情況下，獲取上述多個(gè)候選語音幀中每個(gè)候選語音幀各自對(duì)應(yīng)的能量信息；在上述能量信息滿足判定條件的情況下，確定上述多個(gè)候選語音幀中包含有效語音幀的語音端點(diǎn)。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種語音端點(diǎn)檢測(cè)裝置，包括：第一獲取模塊，用于獲取待識(shí)別的目標(biāo)音頻數(shù)據(jù)；識(shí)別模塊，用于將上述目標(biāo)音頻數(shù)據(jù)輸入第一語音識(shí)別模型，以得到識(shí)別結(jié)果，其中，上述第一語音識(shí)別模型為用于識(shí)別上述目標(biāo)音頻數(shù)據(jù)中包含的語音幀的深度神經(jīng)網(wǎng)絡(luò)模型；第二獲取模塊，用于在從上述目標(biāo)音頻數(shù)據(jù)中識(shí)別出多個(gè)候選語音幀的情況下，獲取上述多個(gè)候選語音幀中每個(gè)候選語音幀各自對(duì)應(yīng)的能量信息；確定模塊，用于在上述能量信息滿足判定條件的情況下，確定上述多個(gè)候選語音幀中包含有效語音幀的語音端點(diǎn)。

根據(jù)本發(fā)明實(shí)施例的又一方面，還提供了一種計(jì)算機(jī)可讀的存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀的存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，其中，該計(jì)算機(jī)程序被設(shè)置為運(yùn)行時(shí)執(zhí)行上述語音端點(diǎn)檢測(cè)方法。

根據(jù)本發(fā)明實(shí)施例的又一方面，還提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，上述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，上述處理器被設(shè)置為通過所述計(jì)算機(jī)程序執(zhí)行上述的語音端點(diǎn)檢測(cè)方法。

在本發(fā)明實(shí)施例中，采用將音頻數(shù)據(jù)輸入第一語音識(shí)別模型得到音頻數(shù)據(jù)中語音幀的識(shí)別結(jié)果，并在識(shí)別出語音幀的情況下，通過能量信息進(jìn)行再次判斷，滿足判定條件才確定為有效語音幀端點(diǎn)的方式，通過對(duì)音頻數(shù)據(jù)的識(shí)別結(jié)果顯示為語音幀的語音進(jìn)行能量信息的再次判斷，達(dá)到了結(jié)合識(shí)別結(jié)果和能量信息對(duì)語音端點(diǎn)進(jìn)行雙重判斷以增加語音端點(diǎn)檢測(cè)準(zhǔn)確性的目的，從而達(dá)到了提高語音端點(diǎn)檢測(cè)結(jié)果準(zhǔn)確率的技術(shù)效果，進(jìn)而解決了語音端點(diǎn)檢測(cè)結(jié)果準(zhǔn)確率低的技術(shù)問題。

附圖說明