[发明专利]一种语音分割点的确定方法和装置

说明书

本发明实施例提供了一种语音分割点的确定方法和装置，涉及语音信号处理技术领域。本发明提供的语音分割点的确定方法和装置，对所述第一时间范围内的语音帧，从发生特征变化的第一分割点开始按照第一预设帧长度进行分段，获取分段之后的第一子段落，并提取每一所述第一子段落的嵌入矢量，直至再次获取到所述语音帧发生特征变化的第二分割点，在相邻两个所述第一子段落的嵌入矢量的相似度满足预设条件的情况下，确定所述当前帧的时间为第一目标分割点，通过第一目标分割点可以对实时语音进行准确的分割，以便可以精准识别说话人。

技术领域

本发明涉及语音信号处理技术领域，尤其涉及一种语音分割点的确定方法和装置。

背景技术

随着语音交互技术的兴起，以及语音交互技术在产业中的广泛应用，从语音中提取多维度的信息用于交互，比如提取说话人身份信息、性别信息、情感信息等，对改进交互产品的体验越来越重要。其中，说话人身份识别对实现个性化交互服务尤为重要。

现有实时说话人识别技术，基于实时语音活动检测(Voice Activity Detection，VAD)根据语音端点切分语音，馈送给说话人识别模块。其问题在于，对于实时语音信号，VAD的分割点与不同说话人的分割点并不一致，这种切分方法，往往使得一个VAD分割片段内包含多个说话人语音，将这个分割片段馈送给说话人识别模块，说话人识别不准。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种语音分割点的确定方法和装置。

依据本发明的第一方面，提供了一种语音分割点的确定方法，该方法包括：

获取关于当前帧的第一时间范围内的语音帧发生特征变化的第一分割点；

对所述第一时间范围内的语音帧，从所述第一分割点开始按照第一预设帧长度进行分段，获取分段之后的第一子段落，并提取每一所述第一子段落的嵌入矢量，直至再次获取到所述语音帧发生特征变化的第二分割点；

在相邻两个所述第一子段落的嵌入矢量的相似度满足预设条件的情况下，确定所述当前帧的时间为第一目标分割点。

可选的，所述在相邻两个所述第一子段落的嵌入矢量的相似度满足预设条件的情况下，确定所述当前帧的时间为第一目标分割点，包括：

获取相邻两个第一子段落的嵌入矢量的相似度；

将所述相似度与预设阈值进行比较，若所述相似度小于所述预设阈值，则确定所述当前帧的时间为所述第一目标分割点。

可选的，所述相似度为相邻两个第一子段落的嵌入矢量的余弦距离或者欧式距离；

其中，相邻两个第一子段落的嵌入矢量在空间中距离越近，相似度越大。

可选的，在所述确定所述当前帧的时间为第一目标分割点之后，所述方法还包括：

获取与所述第一目标分割点相邻的第二目标分割点；

将所述第一目标分割点与所述第二目标分割点之间的语音帧，按照第二预设帧长度进行分段，获取分段之后的第二子段落，并提取每一所述第二子段落的嵌入矢量；

根据所述第二子段落的嵌入矢量，确定多个对象中的目标对象。

可选的，所述根据所述第二子段落的嵌入矢量，确定多个对象中的目标对象，包括：

在所述第二子段落的嵌入矢量为多个的情况下，计算多个所述第二子段落的嵌入矢量的嵌入矢量平均值；

根据所述嵌入矢量平均值与对象之间的对应关系，确定多个对象中与所述嵌入矢量平均值对应的对象为所述目标对象。

依据本发明的第二方面，提供了一种语音分割点的确定装置，该装置包括：