[發(fā)明專利]基于時(shí)延神經(jīng)網(wǎng)絡(luò)的音頻切割方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011577892.3
• 申請(qǐng)日: 2020-12-28
• 公開（公告）號(hào): CN112735470A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計(jì)）人: 任君;羅超;鄒宇;李巍
• 申請(qǐng)（專利權(quán)）人: 攜程旅游網(wǎng)絡(luò)技術(shù)（上海）有限公司
• 主分類號(hào): G10L25/30
• 分類號(hào): G10L25/30;G10L25/03;G10L25/51;G10L25/78
• 代理公司: 上海弼興律師事務(wù)所 31283
• 代理人: 楊東明;張冉

本發(fā)明公開了一種基于時(shí)延神經(jīng)網(wǎng)絡(luò)的音頻切割方法、系統(tǒng)、設(shè)備及介質(zhì)，方法包括：提取原始音頻中每個(gè)音頻塊對(duì)應(yīng)的第一特征；將第一特征輸入至?xí)r延神經(jīng)網(wǎng)絡(luò)以得到音頻塊為噪音的第一概率值；根據(jù)第一概率值與噪音概率閾值的比較結(jié)果對(duì)音頻塊設(shè)置對(duì)應(yīng)的標(biāo)簽；對(duì)已設(shè)置對(duì)應(yīng)標(biāo)簽的音頻塊順序進(jìn)行切片，每個(gè)切片內(nèi)包括第一數(shù)量的音頻塊；根據(jù)相鄰切片內(nèi)的音頻塊對(duì)應(yīng)的標(biāo)簽的判斷結(jié)果對(duì)原始音頻進(jìn)行切割。本發(fā)明提高了尾點(diǎn)檢測(cè)的準(zhǔn)確性，減少了切割次數(shù)和切割后的音頻失真，減少了下游模型的誤識(shí)別，提高了智能語音平臺(tái)的用戶體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及噪聲處理領(lǐng)域，尤其涉及一種基于時(shí)延神經(jīng)網(wǎng)絡(luò)的音頻切割方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)

在OTA(在線旅游)行業(yè)中，客戶端和OTA客服端通過電話進(jìn)行溝通，客戶端在接打電話時(shí)可能會(huì)處于嘈雜的環(huán)境，同時(shí)，客服端的工作環(huán)境也經(jīng)常處于多人說話聲中，因此需要對(duì)客戶端和客服端的聲音進(jìn)行噪音處理，以提升通話質(zhì)量。現(xiàn)有技術(shù)中常用的方法有：

1.以過零率法或短時(shí)能量為代表的語音活性檢測(cè)技術(shù)，過零率法或短時(shí)能量可以有效在信噪比較高條件下效果很好，基于該方法，先用傳統(tǒng)的語音增強(qiáng)方法如譜減法對(duì)語音進(jìn)行增強(qiáng)，剔除部分影響噪音，然后較好的調(diào)整其閾值對(duì)音頻做端點(diǎn)切割。在低采樣率8kHz(赫茲)下的OTA電話場(chǎng)景中，其面對(duì)的用戶或酒店的噪音、回響、重音等較大，信噪比不是非常高，較難區(qū)分是人聲或噪音。

2.以機(jī)器學(xué)習(xí)為代表的語音幀分類技術(shù)，主要將信號(hào)在頻譜上進(jìn)行多個(gè)子帶劃分，將每個(gè)頻帶能量設(shè)計(jì)為特征，然后通過極大似然估計(jì)對(duì)混合高斯分布模型自適應(yīng)學(xué)習(xí)優(yōu)化。該方法是一種無監(jiān)督學(xué)習(xí)算法，不需要事先標(biāo)注，在不太嘈雜的環(huán)境下效果尚可，但OTA環(huán)境下噪音較為復(fù)雜，也不符合實(shí)際場(chǎng)景。

可見，現(xiàn)有技術(shù)處理技術(shù)不適用與環(huán)境噪音較為復(fù)雜的語音信號(hào)處理。另外，對(duì)語音信號(hào)進(jìn)行切割的方法通常是基于二分法，即將某一幀的語音信號(hào)與噪聲閾值比較，若大于噪聲閾值則將該點(diǎn)語音信號(hào)確定為噪聲信號(hào)，在該點(diǎn)進(jìn)行語音切割，該方法判斷結(jié)果的準(zhǔn)確性偏低，尾點(diǎn)檢測(cè)不準(zhǔn)確，同時(shí)切割次數(shù)較多，導(dǎo)致切割后的語音片段失真，造成下游模型的誤識(shí)別，降低智能語音平臺(tái)的用戶體驗(yàn)。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中僅進(jìn)行二分判斷，判斷結(jié)果的準(zhǔn)確性偏低，且切割次數(shù)較多，導(dǎo)致切割后的語音片段失真的缺陷，提供一種基于時(shí)延神經(jīng)網(wǎng)絡(luò)的音頻切割方法、系統(tǒng)、設(shè)備及介質(zhì)。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題：

一種基于時(shí)延神經(jīng)網(wǎng)絡(luò)的音頻切割方法，包括：

提取原始音頻中每個(gè)音頻塊對(duì)應(yīng)的第一特征；

將所述第一特征輸入至?xí)r延神經(jīng)網(wǎng)絡(luò)以得到所述音頻塊為噪音的第一概率值；

根據(jù)所述第一概率值與噪音概率閾值的比較結(jié)果對(duì)所述音頻塊設(shè)置對(duì)應(yīng)的標(biāo)簽；

對(duì)已設(shè)置對(duì)應(yīng)標(biāo)簽的所述音頻塊順序進(jìn)行切片，每個(gè)切片內(nèi)包括第一數(shù)量的所述音頻塊；

根據(jù)相鄰切片內(nèi)的所述音頻塊對(duì)應(yīng)的所述標(biāo)簽的判斷結(jié)果對(duì)所述原始音頻進(jìn)行切割。

較佳地，所述音頻塊包括至少一幀語音信號(hào)；

所述提取原始音頻中每個(gè)音頻塊對(duì)應(yīng)的第一特征的步驟具體包括：

提取原始音頻中至少一幀語音信號(hào)對(duì)應(yīng)的第一特征；

和/或，

所述時(shí)延神經(jīng)網(wǎng)絡(luò)為通過參數(shù)配置生成的輕量級(jí)時(shí)延神經(jīng)網(wǎng)絡(luò)；

所述將所述第一特征輸入至?xí)r延神經(jīng)網(wǎng)絡(luò)以得到所述音頻塊為噪音的第一概率值的步驟具體包括：

所述將所述第一特征輸入至所述輕量級(jí)時(shí)延神經(jīng)網(wǎng)絡(luò)以得到所述音頻塊為噪音的第一概率值。