[發明專利]基于深度學習的流式實時語音激活檢測方法

在審

• 申請號: 202210135633.8
• 申請日: 2022-02-14
• 公開（公告）號: CN114550753A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 苗啟廣;宋建鋒;聶磊;劉如意;盧子祥;劉向增;趙博程;馬卓奇;郗岳
• 申請（專利權）人: 西安電子科技大學重慶集成電路創新研究院
• 主分類號: G10L25/87
• 分類號: G10L25/87;G10L25/30;G10L25/03;G06N3/04;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 李鄭建

1.一種基于深度學習的流式語音激活檢測方法，其特征在于，按以下步驟實施：

步驟1，輸入RAW聲音波形信號片段，進行聲學特征提取，并結合SpecAugment數據增強算法計算得到提取后的聲學特征張量；

步驟2，構建基于深度卷積神經網絡模型，輸出結果為0或1，其中1代表語音信號，0代表非語音信號，并訓練得到可用的作為語音激活檢測模型權重參數；

步驟3，語音激活檢測模型在執行預測時，將步驟1所述得到的聲學特征張量作為輸入，得到預測輸出結果。

2.如權利要求1所述的方法，其特征在于，所述聲學特征提取的方法是：將一段聲音信號每400ms、800ms或2000ms片段切斷，將每個片段做聲學特征提取，先以10ms的時間步進行分幀，每個幀長為250ms，從起始時間點向后，逐幀處理，一次可處理的片段可選400ms、800ms或2000ms長度，分別對應不同長度時延，以及神經網絡的輸入維度大小；

對于每一幀的信號，進行快速傅里葉變換，取其對稱的張量的一半，并取模再取對數，如果用于訓練，則再通過SpecAugment進行數據增強，作為最終的聲學特征，預測時不做SpecAugment數據增強處理。