[發(fā)明專利]人聲激活檢測方法、裝置、計算機設(shè)備和存儲介質(zhì)在審
| 申請?zhí)枺?/td> | 202110425564.X | 申請日： | 2021-04-20 |
| 公開（公告）號： | CN113113001A | 公開（公告）日： | 2021-07-13 |
| 發(fā)明（設(shè)計）人： | 徐泓洋;王廣新;楊漢丹 | 申請（專利權(quán)）人： | 深圳市友杰智新科技有限公司 |
| 主分類號： | G10L15/16 | 分類號： | G10L15/16;G10L21/0272 |
| 代理公司： | 深圳市明日今典知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44343 | 代理人： | 王杰輝;曹勇 |
| 地址： | 518000 廣東省深圳市南山區(qū)招商*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 人聲 激活 檢測 方法 裝置 計算機 設(shè)備 存儲 介質(zhì) | ||
1.一種人聲激活檢測方法，其特征在于，包括以下步驟：
實時采集語音數(shù)據(jù)；所述語音數(shù)據(jù)包括多幀音頻數(shù)據(jù)；
提取所述語音數(shù)據(jù)中每一幀音頻數(shù)據(jù)對應(yīng)的語音特征向量；
依序?qū)㈩A設(shè)幀音頻數(shù)據(jù)對應(yīng)的語音特征向量輸入至預設(shè)的人聲激活檢測模型中；其中，輸入的所述預設(shè)幀音頻數(shù)據(jù)對應(yīng)的語音特征向量包括當前幀及其上下文的多幀音頻數(shù)據(jù)分別對應(yīng)的語音特征向量；
基于所述人聲激活檢測模型，檢測所述預設(shè)幀音頻數(shù)據(jù)中是否包括人聲。
2.根據(jù)權(quán)利要求1所述的人聲激活檢測方法，其特征在于，所述人聲激活檢測模型至少包括第一卷積層、第二卷積層、第三卷積層以及分類層；
所述基于所述人聲激活檢測模型，檢測所述預設(shè)幀音頻數(shù)據(jù)中是否包括人聲的步驟，包括：
將所述預設(shè)幀音頻數(shù)據(jù)對應(yīng)的語音特征向量輸入至所述第一卷積層進行卷積運算，得到第一中間特征向量；
將所述第一中間特征向量輸入至所述第二卷積層進行卷積運算，得到第二中間特征向量；
將所述第二中間特征向量輸入至所述第三卷積層進行卷積運算，得到第三中間特征向量；
將所述第三中間特征向量輸入至所述分類層中進行分類，得出所述預設(shè)幀音頻數(shù)據(jù)中是否包括人聲的檢測結(jié)果。
3.根據(jù)權(quán)利要求2所述的人聲激活檢測方法，其特征在于，所述第一卷積層、第二卷積層、第三卷積層為一維膨脹卷積網(wǎng)絡(luò)；其中，所述第一卷積層的dilate＝1，context＝3，所述第二卷積層的dilate＝3，context＝3，所述第三卷積層的dilate＝3，context＝15。
4.根據(jù)權(quán)利要求1所述的人聲激活檢測方法，其特征在于，所述實時采集語音數(shù)據(jù)的步驟之前，還包括：
獲取訓練數(shù)據(jù)；所述訓練數(shù)據(jù)包括多幀訓練音頻，所述訓練數(shù)據(jù)為帶噪的音頻文件；
提取每一幀訓練音頻對應(yīng)的訓練特征向量；
依序?qū)㈩A設(shè)幀訓練音頻對應(yīng)的訓練特征向量輸入至時延神經(jīng)網(wǎng)絡(luò)中進行訓練，得到所述人聲激活檢測模型。
5.根據(jù)權(quán)利要求4所述的人聲激活檢測方法，其特征在于，所述獲取訓練數(shù)據(jù)的步驟，包括：
獲取干凈的人聲語音；其中，所述干凈的人聲語音為不包括噪聲以及混響的語音；
基于預設(shè)的語音識別模型檢測所述干凈的人聲語音中每個字對應(yīng)的音頻幀；
將所述干凈的人聲語音中每個字對應(yīng)的音頻幀標注為第一標簽，將其余的音頻幀標注為第二標簽；
對標注后的所述干凈的人聲語音進行加噪以及加混響處理，得到所述訓練數(shù)據(jù)。
6.一種人聲激活檢測裝置，其特征在于，包括：
采集單元，用于實時采集語音數(shù)據(jù)；所述語音數(shù)據(jù)包括多幀音頻數(shù)據(jù)；
第一提取單元，用于提取所述語音數(shù)據(jù)中每一幀音頻數(shù)據(jù)對應(yīng)的語音特征向量；
第一輸入單元，用于依序?qū)㈩A設(shè)幀音頻數(shù)據(jù)對應(yīng)的語音特征向量輸入至預設(shè)的人聲激活檢測模型中；其中，輸入的所述預設(shè)幀音頻數(shù)據(jù)對應(yīng)的語音特征向量包括當前幀及其上下文的多幀音頻數(shù)據(jù)分別對應(yīng)的語音特征向量；
檢測單元，用于基于所述人聲激活檢測模型，檢測所述預設(shè)幀音頻數(shù)據(jù)中是否包括人聲。
7.根據(jù)權(quán)利要求6所述的人聲激活檢測裝置，其特征在于，所述人聲激活檢測模型至少包括第一卷積層、第二卷積層、第三卷積層以及分類層；
所述檢測單元，具體用于：
將所述預設(shè)幀音頻數(shù)據(jù)對應(yīng)的語音特征向量輸入至所述第一卷積層進行卷積運算，得到第一中間特征向量；
將所述第一中間特征向量輸入至所述第二卷積層進行卷積運算，得到第二中間特征向量；
將所述第二中間特征向量輸入至所述第三卷積層進行卷積運算，得到第三中間特征向量；
將所述第三中間特征向量輸入至所述分類層中進行分類，得出所述預設(shè)幀音頻數(shù)據(jù)中是否包括人聲的檢測結(jié)果。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于深圳市友杰智新科技有限公司，未經(jīng)深圳市友杰智新科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110425564.X/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
