[发明专利]语音识别方法及装置

权利要求书

1.一种语音识别方法，其特征在于，包括：

将采集到的输入声音信号进行处理，得到输入声音数据；

对所述输入声音数据进行几何重塑，得到降维后的所述输入声音数据的低维表征数据；

采用所述输入声音数据的低维表征数据与预设的降维后的声音训练数据的低维表征数据，计算得出所述输入声音数据的VAD分值，所述声音训练数据的低维数据表征通过对所述声音训练数据进行几何重塑得到；

当确定计算得出的VAD分值大于预设的分值阈值时，对所述声音数据进行语音识别；

其中，所述声音训练数据的低维数据表征通过对所述声音训练数据进行几何重塑得到，包括：

采用预设的纯净语音数据库、非稳态噪声数据库和稳态噪声数据库，分别得到纯净语音数据的MFCC及其对应的MFCC频带数量的信息、非稳态噪声数据的MFCC及其对应的MFCC频带数量的信息，以及稳态噪声信息对应的MFCC及其对应的MFCC频带数量的信息；

根据得到纯净语音数据、非稳态噪声数据，以及稳态噪声信息对应的MFCC及其对应的MFCC频带数量的信息，分别得到第一、第二、第三、第四和第五声音数据训练集的MFCC及其对应的MFCC频带数量的信息；

将所述第一、第二、第三、第四和第五声音数据训练集的MFCC分别划分成为不同的时隙，并根据所得到的第一、第二、第三、第四和第五声音数据训练集的MFCC及对应的MFCC频带数量的信息，分别计算得出所述第一、第二、第三、第四和第五声音数据训练集的对数似然比；

根据计算得出的所述第一、第二、第三、第四和第五声音数据训练集的对数似然比，分别计算得出第一、第二、第三、第四和第五声音数据训练集的特征矩阵；

为第一、第二、第三、第四和第五声音数据训练集的特征矩阵分配相应的权重并相加，得到所述声音训练数据的相似矩阵；

对所述声音训练数据的相似矩阵进行拉普拉斯特征提取，得到拉普拉斯特征矩阵和特征值，将最小的预设个数的非零特征值对应的特征向量作为所述声音训练数据的低维表征数据。

2.根据权利要求1所述的语音识别方法，其特征在于，采用如下的公式计算对数似然比，包括：

其中，ι表示对数似然比，xs表示MFCC对应的MFCC频带数量，PriSNR表示先噪声比，PostSNR表示后噪声比。

3.根据权利要求2所述的语音识别方法，其特征在于，根据计算得出的所述第一、第二、第三、第四和第五声音数据训练集的对数似然比，分别计算得出第一、第二、第三、第四和第五声音数据训练集的特征矩阵，包括：

其中，X表示数据训练集的特征矩阵，t表示声音数据帧的位序，且t＝(1,2…N)。

4.根据权利要求3所述的语音识别方法，其特征在于，所述为第一、第二、第三、第四和第五声音数据训练集的特征矩阵分配相应的权重并相加，得到所述声音训练数据的相似矩阵，包括：

其中，T表示所述声音训练数据的相似矩阵，i、j分别表示所述声音训练数据集的位序，p表示计算所述声音训练数据的相似矩阵的持续时间，且：

其中，X(i)表示第i个声音数据训练集的特征矩阵，X(j)表示第j个声音数据训练集的特征矩阵。

5.根据权利要求4所述的语音识别方法，其特征在于，所述计算输入声音数据特征矩阵的特征向量与所述声音数据训练集特征矩阵的特征向量之间的似然距离，包括：

其中，表示所述似然距离，S(U)表示所述输入声音数据特征矩阵的特征向量的光谱灵敏度，S(K)表示所述声音数据训练集特征矩阵的特征向量的光谱灵敏度，σ_U、σ_K分别表示S(U)、S(K)的预测误差。

6.根据权利要求5所述的语音识别方法，其特征在于，所述计算得出所述输入声音数据的VAD分值，包括：

其中，VAD score表示所述输入声音数据的VAD分值，表示为具有数个预设阈值的比较函数。

7.一种语音识别装置，其特征在于，包括：

数据处理单元，适于将采集到的输入声音信号进行处理，得到输入声音数据；几何重塑单元，适于对所述输入声音数据进行几何重塑，得到降维后的所述输入声音数据的低维表征数据；

计算单元，适于采用所述输入声音数据的低维表征数据与预设的降维后的声音训练数据的低维表征数据，计算得出所述输入声音数据的VAD分值，所述声音训练数据的低维数据表征通过对所述声音训练数据进行几何重塑得到；语音识别单元，适于当确定计算得出的VAD分值大于预设的分值阈值时，对所述声音数据进行语音识别；

其中，还包括训练单元，适于通过对所述声音训练数据进行几何重塑得到所述声音训练数据的低维数据表征，包括：

采用预设的纯净语音数据库、非稳态噪声数据库和稳态噪声数据库，分别得到纯净语音数据的MFCC及其对应的MFCC频带数量的信息、非稳态噪声数据的MFCC及其对应的MFCC频带数量的信息，以及稳态噪声信息对应的MFCC及其对应的MFCC频带数量的信息；

根据得到纯净语音数据、非稳态噪声数据，以及稳态噪声信息对应的MFCC及其对应的MFCC频带数量的信息，分别得到第一、第二、第三、第四和第五声音数据训练集的MFCC及其对应的MFCC频带数量的信息；

将所述第一、第二、第三、第四和第五声音数据训练集的MFCC分别划分成为不同的时隙，并根据所得到的第一、第二、第三、第四和第五声音数据训练集的MFCC及对应的MFCC频带数量的信息，分别计算得出所述第一、第二、第三、第四和第五声音数据训练集的对数似然比；

根据计算得出的所述第一、第二、第三、第四和第五声音数据训练集的对数似然比，分别计算得出第一、第二、第三、第四和第五声音数据训练集的特征矩阵；

为第一、第二、第三、第四和第五声音数据训练集的特征矩阵分配相应的权重并相加，得到所述声音训练数据的相似矩阵；

对所述声音训练数据的相似矩阵进行拉普拉斯特征提取，得到拉普拉斯特征矩阵和特征值，将最小的预设个数的非零特征值对应的特征向量作为所述声音训练数据的低维表征数据。