[发明专利]一种识别音频中人声的方法及装置

说明书

技术领域

本发明涉及多媒体信息领域，具体涉及音频信号分析领域，尤其涉及一种识别音频中人声的方法及装置。

背景技术

随着多媒体技术不断的发展，音视频信息在人们的工作、文体和娱乐生活中的作用越来越重。例如，互联网上各大音乐网站对歌曲进行分类或者推荐歌曲，使每个用户能尽快的搜索到歌曲或者给用户推荐好的歌曲。

当前各大音乐网站其歌曲分类及推荐等工作多是基于文本分析和用户行为协同滤波，尚未见有深入到音频内容分析技术的应用。音频内容分析技术根据提取的音频特征对音频进行分类，使用户能更准确地检索到所需的音频，还能实现对实时音频数据的检索。歌曲音频中一般包括伴奏部分和人声部分，能准确检测出音频中人声部分的位置是音频内容分析领域内一项基础性工作，但却难度大、有挑战性。现有技术有一些歌曲中人声检测的研究，但精度不高，且准确率较低。

发明内容

本发明的目的在于提供一种识别音频中人声的方法及装置，通过提取有效的音频特征即短时过零率、P阶LPC预测系数以及LPC预测残差幅度谱得偏度和峰度形成特征向量，并使用机器学习的方式来识别音频中人声，解决人声识别研究中精度低准确率低的问题，实现音频中人声的高精度高置信度的识别。

第一方面，本发明实施例提供了一种识别音频中人声的方法，所述方法包括：

对音频数据进行分帧处理；

使用阶数为P的线性预测编码(LPC)分析分帧处理后的每一帧音频数据并提取音频特征，所述音频特征包括短时过零率、P阶LPC预测系数和LPC预测残差幅度谱的偏度和峰度；

根据所述音频特征形成P+3阶特征向量；

使用支持向量机(SVM)算法对所述特征向量进行训练得到相应的支持向量机；

根据所述支持向量机识别所述每一帧音频数据中是否含有人声。

第二方面，本发明实施例还提供一种识别音频中人声的装置，其特征在于，所述装置包括：分帧处理模块、音频特征提取模块、特征向量模块、支持向量机训练模块和识别模块，

其中，分帧处理模块，用于对音频数据进行分帧处理；

音频特征提取模块，用于使用阶数为P的线性预测编码(LPC)分析分帧处理后的每一帧音频数据并提取音频特征，所述音频特征包括短时过零率、P阶LPC预测系数和LPC预测残差幅度谱的偏度和峰度；

特征向量模块，用于根据所述音频特征形成P+3阶特征向量；

支持向量机训练模块，用于使用支持向量机(SVM)算法对所述特征向量进行训练得到相应的支持向量机；

识别模块，用于根据所述支持向量机识别所述每一帧音频数据中是否含有人声。

本发明通过提取有效的音频特征即短时过零率、P阶LPC预测系数以及LPC预测残差幅度谱得偏度和峰度形成特征向量，并使用机器学习的方式来识别音频中人声，实现音频中人声的高精度高置信度的识别，为歌曲内容分析提供基础性服务，从而进一步的实现歌词同步、歌曲分类、歌曲推荐等功能。

附图说明

图1是本发明第一实施例中的识别音频中人声的方法的流程图。

图2是本发明第一实施例中的步骤101的细分流程图。

图3是本发明第一实施例中的步骤102的细分流程图。

图4是本发明第二实施例中的识别音频中人声的装置的结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在图1中示出了本发明的第一实施例。

图1是本发明第一实施例中的识别音频中人声的方法，该实现流程100详述如下：

在步骤101中，对音频数据进行分帧处理。

步骤101(如图2所示)具体包括：

步骤1011、检测音频是否为双声道或多声道。

在本实施例中，输入的音频可以为单声道、双声道或多声道，如果检测到音频是双声道或多声道，可以提取音频的左声道或者将所有声道融合到一起再进行分帧处理；如果检测到音频是单声道，则直接对音频采样数据序列按照预设帧长进行分帧处理。

步骤1012、当音频是双声道或多声道时，融合所有声道为一个声道提取音频数据。

步骤1013、将所述音频数据中的音频采样数据序列按照预设帧长进行分帧处理，将所述音频采样数据序列划分为一个音频数据帧序列。