[發明專利]一種語音降噪訓練數據的處理方法及其裝置、訓練方法

有效

• 申請號: 202110707510.2
• 申請日: 2021-06-24
• 公開（公告）號: CN113409812B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 胡伯承
• 申請（專利權）人: 展訊通信（上海）有限公司
• 主分類號: G10L21/0216
• 分類號: G10L21/0216;G10L25/30
• 代理公司: 北京蘭亭信通知識產權代理有限公司 11667
• 代理人: 趙永剛

本發明提供了一種語音降噪訓練數據的處理方法及其裝置、訓練方法，該處理方法包括：接收待處理的語音降噪訓練數據；將語音降噪訓練數據進行分幀；計算每幀語音降噪訓練數據單元的第一均方根值；計算多幀語音降噪訓練數據單元中的最大均方根值；根據最大均方根值對每幀語音降噪訓練數據單元的第一均方根值進行歸一化處理；依次判斷每幀語音降噪訓練數據單元的第二均方根值是否小于噪音閾值；如果該幀語音降噪訓練數據單元的第二均方根值小于噪音閾值，則該幀語音降噪訓練數據單元為噪音幀；否則，該幀語音降噪訓練數據單元為語音幀。以每幀語音降噪訓練數據的時域均方根值為依據，進行語音激活檢測，簡化語音激活檢測的算法，提高運算效率。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種語音降噪訓練數據的處理方法及其裝置、訓練方法。

背景技術

當前，采用深度神經網絡(Deep Neural Network，簡稱DNN)技術，在語音降噪方面已經取得了很大的成功，尤其對非平穩和類平穩噪聲的抑制效果，明顯優于傳統方法。深度神經網絡的訓練過程需要大量非常干凈的語音數據。但由于錄音條件的限制，很多語音數據的底噪較大，且其中不可避免的包含呼吸聲，這些干擾因素會直接影響深度神經訓練的質量，導致深度網絡訓練的效果變差。

現有技術在消除噪聲過程中，通常使用最小值跟蹤或者最小值控制的遞歸平均(Minimum Controlled Regressive Averaging，簡稱MCRA)等算法進行語音激活檢測，然后使用譜減法、維納濾波等算法進行噪聲估計并消除噪聲。采用該方式，在對語音幀進行降噪時會不可避免的出現語音損傷，雖然人耳對這種損傷往往并不敏感，但使用這種損傷后的語音訓練數據進行降噪訓練后最終得到的深度神經網絡模型會出現較大的語音損傷，導致效果不佳。且傳統的降噪算法需要考慮各種復雜的帶噪場景，因此運算量較大，尤其是面對大批量的語音訓練數據時(100小時以上)，往往需要很長的處理時間(1小時以上)，導致效率不高。

發明內容

本發明提供了一種語音降噪訓練數據的處理方法及其裝置、訓練方法，以簡化語音激活檢測的算法，提高運算效率。

第一方面，本發明提供了一種語音降噪訓練數據的處理方法，其中，該語音降噪訓練數據用于訓練深度神經網絡模型。該處理方法包括：接收待處理的語音降噪訓練數據；將語音降噪訓練數據進行分幀，獲得多幀語音降噪訓練數據單元；計算多幀語音降噪訓練數據單元中的每幀語音降噪訓練數據單元的第一均方根值；計算多幀語音降噪訓練數據單元的第一均方根值中的最大均方根值；根據最大均方根值對每幀語音降噪訓練數據單元的第一均方根值進行歸一化處理，得到每幀語音降噪訓練數據單元的第二均方根值；依次判斷每幀語音降噪訓練數據單元的第二均方根值是否小于噪音閾值；如果判斷結果為該幀語音降噪訓練數據單元的第二均方根值小于噪音閾值，則識別該幀語音降噪訓練數據單元為噪音幀；如果判斷結果為該幀語音降噪訓練數據單元的第二均方根值不小于噪音閾值，則識別該幀語音降噪訓練數據單元為語音幀。

在上述的方案中，通過計算多幀語音降噪訓練數據單元中的每幀語音降噪訓練數據單元的第一均方根值，之后根據最大均方根值對每幀語音降噪訓練數據單元的第一均方根值進行歸一化處理，得到每幀語音降噪訓練數據單元的第二均方根值，再依次判斷每幀語音降噪訓練數據單元的第二均方根值是否小于噪音閾值，從而識別出原始的語音降噪訓練數據中的噪音幀和語音幀。與現有技術的方案相比，本申請的方式以每幀語音降噪訓練數據的時域均方根值為依據，進行語音激活檢測，簡單實用，從而簡化語音激活檢測的算法，提高運算效率。

在一個具體的實施方式中，計算多幀語音降噪訓練數據單元中的每幀語音降噪訓練數據單元的第一均方根值具體為：采用如下公式計算每幀語音降噪訓練數據單元的第一均方根值：

其中，i表示幀索引；

n表示每幀語音降噪訓練數據單元中的時域采樣點個數；

j表示每幀語音降噪訓練數據單元中的各時域采樣點索引；