[發(fā)明專利]語音情緒識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011536031.0
• 申請日: 2020-12-23
• 公開（公告）號: CN112489690A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設(shè)計(jì)）人: 曲道奎;杜威;王海鵬;鄒風(fēng)山;王曉東;高多
• 申請（專利權(quán)）人: 沈陽新松機(jī)器人自動(dòng)化股份有限公司
• 主分類號: G10L25/63
• 分類號: G10L25/63;G10L25/03;G10L25/30;G06N3/04;G06N3/08
• 代理公司: 沈陽科苑專利商標(biāo)代理有限公司 21002
• 代理人: 許宗富

1.一種語音情緒識別方法，其特征在于，該方法包括如下步驟：

a.將說話人的語音保存為原始語音文件，并對所述原始語音文件進(jìn)行音頻預(yù)處理，得到預(yù)處理后的語音文件；

b.使用音頻處理庫函數(shù)，對所述預(yù)處理后的語音文件進(jìn)行音頻特征抽取，得到音頻特征向量或者譜圖像特征；

c.將抽取的音頻特征送入訓(xùn)練好的語音情緒識別模型，由語音情緒識別模型完成語音情緒識別。

2.如權(quán)利要求1所述的方法，其特征在于，所述的音頻預(yù)處理包括：靜音移除及數(shù)據(jù)增強(qiáng)。

3.如權(quán)利要求2所述的方法，其特征在于，所述的靜音移除包括：

使用語音能量作為閾值，如果所述原始語音文件一段時(shí)間內(nèi)的能量小于所設(shè)定的閾值時(shí)，認(rèn)為當(dāng)前該段時(shí)間內(nèi)的音頻為噪音，并丟棄；然后保存丟棄所述噪音后的語音文件作為當(dāng)前語音文件。

4.如權(quán)利要求3所述的方法，其特征在于，所述的語音數(shù)據(jù)增強(qiáng)包括：

如果當(dāng)前語音文件短于最小音頻片段數(shù)據(jù)，則將當(dāng)前語音文件中間開始截取一定長度，將該長度復(fù)制到原始語音文件的中間位置，以保證預(yù)處理后的語音文件滿足最短音頻時(shí)長要求。

5.如權(quán)利要求1所述的方法，其特征在于，所述的步驟b包括：

使用音頻處理庫函數(shù)抽取包括以音高、能量、過零率、色度為代表的韻律特征，以共振頻率、譜特征為代表的質(zhì)量特征，及以梅爾倒頻譜系數(shù)、MFCC一階導(dǎo)數(shù)、線性預(yù)測編碼系數(shù)為代表的導(dǎo)出特征，通過拼接的方式組成音頻特征向量。

6.如權(quán)利要求1所述的方法，其特征在于，所述的步驟b包括：

使用譜圖像特征的形式展示預(yù)處理后的語音文件的多維度特征。

7.如權(quán)利要求1所述的方法，其特征在于，所述語音情緒識別模型為卷積神經(jīng)網(wǎng)絡(luò)模型，采用所述卷積神經(jīng)網(wǎng)絡(luò)模型完成語音情緒識別。

8.如權(quán)利要求1所述的方法，其特征在于，所述語音情緒識別模型為融合雙向長短時(shí)記憶與注意力機(jī)制模型，采用所述融合雙向長短時(shí)記憶與注意力機(jī)制模型完成語音情緒識別。

9.一種語音情緒識別系統(tǒng)，其特征在于，該系統(tǒng)包括預(yù)處理模塊、音頻特征抽取模塊以及語音情緒識別模塊，其中：

所述預(yù)處理模塊用于將說話人的語音保存為原始語音文件，并對所述原始語音文件進(jìn)行音頻預(yù)處理，得到預(yù)處理后的語音文件；

所述音頻特征抽取模塊用于使用音頻處理庫函數(shù)，對所述預(yù)處理后的語音文件進(jìn)行音頻特征抽取，得到音頻特征向量或者譜圖像特征；

所述語音情緒識別模塊用于將抽取的音頻特征送入訓(xùn)練好的語音情緒識別模型，由語音情緒識別模型完成語音情緒識別。