[发明专利]一种基于说话人分割的会议主持人语音提取方法

权利要求书

1.一种基于说话人分割的会议主持人语音提取方法，其特征在于，包括如下步骤：

S1、读入记录有会议语音的音频文件；

S2、对会议上说话人的语音进行分割：检测上述会议语音中的说话人改变点，将相邻两个改变点之间的语音样点作为一个语音段，将音频文件分成若干个语音段，所述语音段的个数等于改变点个数加1；

S3、语音段距离比较：将说话人的语音进行分割之后的第一个语音段作为会议主持人的一部分语音，并比较该语音段与其他语音段的距离，并将距离小于门限的语音段也判为会议主持人的另一部分语音，根据分割后的第一个语音段和距离小于门限的语音段，得到会议主持人的全部语音段。

2.根据权利要求1所述的会议语音中的主持人语音提取方法，其特征在于，所述步骤S2包括以下步骤：

S2.1、利用门限判决的语音检测算法从上述音频文件中找出静音段和语音段；

S2.2、将步骤S2.1中的语音段按时间顺序拼接成一个长语音段，并从长语音段中提取音频特征；

S2.3、利用步骤S2.2中提取的音频特征，根据贝叶斯信息准则，判断长语音段中相邻数据窗之间的相似度来检测说话人改变点；

S2.4、依次把相邻两个改变点之间的语音样点作为一个语音段，从而将音频文件分割成多个语音段，且每个语音段包含一个说话人的语音。

3.根据权利要求2所述的会议语音中的主持人语音提取方法，其特征在于，所述步骤S2.1包括如下步骤：

S2.1.1、对读入的会议语音进行分帧，并计算每帧语音的能量，得到会议语音的能量特征矢量；

S2.1.2、计算每帧语音的能量门限；

S2.1.3、将每帧语音的能量与能量门限比较，低于能量门限的帧为静音帧，否则为语音帧，将所有的静音帧都舍弃，并将语音帧按时间顺序拼接成一个语音段。

4.根据权利要求1所述的会议语音中的主持人语音提取方法，其特征在于，所述步骤S3包括如下步骤：

S3.1、将第一语音段X₁与其他语音段X_i都分为语音帧，从每帧语音中提取梅尔频率倒谱系数及其一阶差分的音频特征，各个语音段的特征构成一个特征矩阵，语音段X₁的特征矩阵为F₁，X_i的特征矩阵为F_i，其中，i≥2；

S3.2、计算语音段X₁与X_i之间的BIC距离，所述BIC距离的计算公式如下：

ΔBIC=(n1+ni)ln(|det(cov(Fz))|)-n1ln(|det(cov(F1))|)-niln(|det(cov(Fi))|)-α(d+d(d+1)2)ln(n1+ni),]]>

其中，Z是将语音段X₁和X_i合并之后得到的语音段，n₁和n_i分别是语音段X₁和X_i的帧数，F₁、F_i和F_z分别是语音段X₁、X_i和Z的特征矩阵，cov(F₁)、cov(F_i)和cov(F_z)分别是特征矩阵F₁、F_i和F_z的协方差矩阵，det(·)表示求矩阵的行列式值，α是惩罚系数且取值为2.0；

S3.3、如果BIC距离ΔBIC大于零，则两个语音段被视为属于两个不同的说话人，否则，两个语音段被视为属于主持人并将它们合并；

S3.4、重复执行步骤S3.1至步骤S3.3，判断语音段X_i与第一个语音段X₁之间的BIC距离是否大于零，直到所有的X_i与X₁之间的BIC距离都被判断完为止。