[發(fā)明專(zhuān)利]語(yǔ)音檢測(cè)方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310089664.9
• 申請(qǐng)日: 2023-02-09
• 公開(kāi)（公告）號(hào): CN116168725A
• 公開(kāi)（公告）日: 2023-05-26
• 發(fā)明（設(shè)計(jì)）人: 王步云;吳澤策;楊睿
• 申請(qǐng)（專(zhuān)利權(quán)）人: 烽火通信科技股份有限公司
• 主分類(lèi)號(hào): G10L25/51
• 分類(lèi)號(hào): G10L25/51
• 代理公司: 武漢智權(quán)專(zhuān)利代理事務(wù)所(特殊普通合伙) 42225
• 代理人: 羅成

本發(fā)明提供一種語(yǔ)音檢測(cè)方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)，語(yǔ)音檢測(cè)方法包括：對(duì)待檢測(cè)語(yǔ)音進(jìn)行人聲和背景噪聲分離，得到待檢測(cè)人聲和待檢測(cè)背景噪聲；通過(guò)計(jì)算待檢測(cè)背景噪聲的第一特征和真實(shí)背景噪聲的第一特征之間的相似度，判定待檢測(cè)背景噪聲是否真實(shí)；若待檢測(cè)背景噪聲為不真實(shí)，則判定待檢測(cè)語(yǔ)音不是真人語(yǔ)音；若待檢測(cè)背景噪聲為真實(shí)，則通過(guò)計(jì)算待檢測(cè)人聲的第二特征和真實(shí)目標(biāo)人聲的第二特征之間的相似度，判定待檢測(cè)語(yǔ)音是否為真人語(yǔ)音。本發(fā)明通過(guò)，將待檢測(cè)語(yǔ)音分離得到的待檢測(cè)背景噪聲和真實(shí)背景噪聲進(jìn)行特征提取及相似度對(duì)比，由于真實(shí)背景噪聲難以獲取及模仿，因此能夠有效提升語(yǔ)音檢測(cè)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及語(yǔ)音識(shí)別技術(shù)領(lǐng)域，尤其涉及一種語(yǔ)音檢測(cè)方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

日常生活中，經(jīng)常接到偽裝人的聲音的營(yíng)銷(xiāo)、詐騙電話(huà)，這些通過(guò)計(jì)算機(jī)AI(ArtificialIntelligence，人工智能)自動(dòng)生成的語(yǔ)音電話(huà)非常接近真人語(yǔ)音，缺少經(jīng)驗(yàn)的人很容易受欺騙，從而導(dǎo)致經(jīng)濟(jì)損失，以及一些采用語(yǔ)音合成技術(shù)或者拼接真人聲音生成的語(yǔ)音，通過(guò)聊天工具向其親戚朋友發(fā)送語(yǔ)音借錢(qián)而導(dǎo)致財(cái)產(chǎn)損失，現(xiàn)有帶語(yǔ)音智能的軟件可以高度模仿真人的語(yǔ)音特征或者通過(guò)拼接真實(shí)人聲生成語(yǔ)音，普通人很難分辨真假，一不小心就會(huì)中招成為被害人。

目前，通常是通過(guò)建立聲紋模型來(lái)識(shí)別是否為同一人，但是由于AI軟件可以高度模仿真人的語(yǔ)音特征，導(dǎo)致通過(guò)分析真人與錄音文件的語(yǔ)音特征相似程度，進(jìn)行真?zhèn)卧u(píng)判的準(zhǔn)確率不高，另外，通過(guò)聊天工具及錄音軟件等，可以獲取到真人的語(yǔ)音，通過(guò)拼接語(yǔ)音的方式也可以偽造一段真人語(yǔ)音，難以分辨出真假，因此，目前這種建立在聲紋識(shí)別技術(shù)基礎(chǔ)上的語(yǔ)音檢測(cè)方法，對(duì)于一些AI軟件的模仿語(yǔ)音和真人語(yǔ)音拼接的情形，很難有效辨別真?zhèn)巍?/p>

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種語(yǔ)音檢測(cè)方法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì)，旨在解決目前建立在聲紋識(shí)別技術(shù)基礎(chǔ)上的語(yǔ)音檢測(cè)方法，對(duì)于一些AI軟件的模仿語(yǔ)音和真人語(yǔ)音拼接的情形，很難有效辨別真?zhèn)蔚募夹g(shù)問(wèn)題。

第一方面，本發(fā)明提供一種語(yǔ)音檢測(cè)方法，所述語(yǔ)音檢測(cè)方法包括：

獲取待檢測(cè)語(yǔ)音、真實(shí)目標(biāo)人聲和真實(shí)背景噪聲；

對(duì)待檢測(cè)語(yǔ)音進(jìn)行人聲和背景噪聲分離，得到待檢測(cè)人聲和待檢測(cè)背景噪聲；

從待檢測(cè)背景噪聲和真實(shí)背景噪聲中，分別提取第一特征，通過(guò)計(jì)算待檢測(cè)背景噪聲的第一特征和真實(shí)背景噪聲的第一特征之間的相似度，判定待檢測(cè)背景噪聲是否真實(shí)；

若待檢測(cè)背景噪聲為不真實(shí)，則判定待檢測(cè)語(yǔ)音不是真人語(yǔ)音；

若待檢測(cè)背景噪聲為真實(shí)，則從待檢測(cè)人聲和真實(shí)目標(biāo)人聲中，分別提取第二特征，通過(guò)計(jì)算待檢測(cè)人聲的第二特征和真實(shí)目標(biāo)人聲的第二特征之間的相似度，判定待檢測(cè)語(yǔ)音是否為真人語(yǔ)音。

可選的，所述對(duì)待檢測(cè)語(yǔ)音進(jìn)行人聲和背景噪聲分離，得到待檢測(cè)人聲和待檢測(cè)背景噪聲包括：

將待檢測(cè)語(yǔ)音劃分為連續(xù)且時(shí)長(zhǎng)相等的多個(gè)語(yǔ)音幀；

將每一個(gè)語(yǔ)音幀使用傅里葉變換轉(zhuǎn)換為頻域，將每一個(gè)語(yǔ)音幀根據(jù)頻域劃分為多個(gè)頻率區(qū)間；

根據(jù)每個(gè)頻率區(qū)間的能量值和每個(gè)頻率區(qū)間的預(yù)設(shè)能量值，采用概率計(jì)算模型，判定每一個(gè)語(yǔ)音幀是否為人聲；

將判定為人聲，且時(shí)間上連續(xù)的語(yǔ)音幀進(jìn)行合并，將合并得到的一個(gè)或多個(gè)片段作為待檢測(cè)人聲；

將判定為不是人聲，且時(shí)間上連續(xù)的語(yǔ)音幀進(jìn)行合并，將合并得到的一個(gè)或多個(gè)片段作為待檢測(cè)背景噪聲。

可選的，所述從待檢測(cè)背景噪聲和真實(shí)背景噪聲中，分別提取第一特征，通過(guò)計(jì)算待檢測(cè)背景噪聲的第一特征和真實(shí)背景噪聲的第一特征之間的相似度，判定待檢測(cè)背景噪聲是否真實(shí)包括：