[发明专利]针对目标说话人提取的单通道语音分离方法及系统

权利要求书

1.针对目标说话人提取的单通道语音分离方法，其特征在于，所述针对目标说话人提取的单通道语音分离方法实现时涉及多个目标说话人混合语音样本及一个初始深度神经网络模型；所述针对目标说话人提取的单通道语音分离方法包括：

步骤S101，通过一个设定采样频率预处理训练目标说话人语音样本获取目标说话人混合语音样本；

步骤S102，随机初始化所述初始深度神经网络模型的初始深度神经网络模型参数；

步骤S103，根据初始化后的初始深度神经网络模型参数，利用损失函数结果及梯度下降法反向传播更新权重和偏置，训练所述初始深度神经网络模型获取第一深度神经网络模型；

步骤S104，在所述第一深度神经网络模型的输出层前，插入ADMM模块，生成第二深度神经网络模型；

步骤S105，将所述第一深度神经网络模型的网络模型参数作为所述第二深度神经网络模型的初始参数，初始化所述第二深度神经网络模型；对ADMM模块的参数初始化；

步骤S106，根据初始化后的所述第二深度神经网络模型参数及初始化后的ADMM模块参数，通过损失函数及梯度下降法来反向传播更新权重和偏置，训练所述第二深度神经网络模型获取当前深度神经网络模型；

步骤S107，将待测试语音样本输入到所述当前深度神经网络模型中，获取与所述目标说话人语音样本对应的估计掩蔽；根据所述估计掩蔽及所述目标说话人混合语音样本的音频获取目标说话人语音样本。

2.根据权利要求1所述的单通道语音分离方法，其特征在于，所述步骤S101包括：

步骤S201，通过所述设定采样频率重采样所述目标说话人语音样本；所述目标说话人混合语音样本为目标说话人取样语音信号样本、目标说话人语音在设定信噪比范围随机混合环境噪声和其他说话人音频的样本；

所述目标说话人取样语音信号样本、所述目标说话人混合语音样本的样本长度为4s；

步骤S202，短时傅里叶变换所述目标说话人取样语音信号样本、目标说话人混合语音样本，获取所述目标说话人取样语音信号样本、所述目标说话人混合语音样本的幅度谱、相位谱及幅度最大值；

步骤S203，归一化所述目标说话人取样语音信号样本、所述目标说话人混合语音样本的幅度谱；获取理想幅值掩蔽值；

步骤S204，将归一化后的所述目标说话人取样语音信号样本、所述目标说话人混合语音样本的幅度谱、相位谱输入到所述初始深度神经网络模型中。

3.根据权利要求2所述的单通道语音分离方法，其特征在于，所述设定采样频率为8kHz；所述设定信噪比范围为-2.5dB到2.5dB之间。

4.根据权利要求1所述的单通道语音分离方法，其特征在于，所述步骤S103中还包括：

步骤S1031，初始化所述初始深度神经网络模型中网络神经元节点之间的权重和偏置值,且前向传播优化所述初始深度神经网络模型；在所述初始深度神经网络模型前向传播过程中，通过激活函数生成输入与输出结果间的非线性映射。

5.根据权利要求1所述的单通道语音分离方法，其特征在于，所述步骤S104中还包括：

步骤S1041，增加并获取训练阶段的验证指标：SDR信号失真比、SIR信号干扰比。

6.根据权利要求1所述的单通道语音分离方法，其特征在于，所述步骤S106中还包括：

步骤S1061，初始化所述第二深度神经网络模型中网络神经元节点之间的权重和偏置值，且前向传播优化所述第二深度神经网络模型；在所述第二深度神经网络模型前向传播过程中，通过激活函数生成输入与输出结果间的非线性映射。

7.根据权利要求2所述的单通道语音分离方法，其特征在于，所述步骤S107中包括：

步骤S1071，将所述待测试语音样本输入到所述当前深度神经网络模型中，获取与所述目标说话人语音样本对应的估计掩蔽；

步骤S1072，根据所述估计掩蔽及所述目标说话人混合语音样本的幅度谱，结合所述目标说话人混合语音样本的相位谱，通过短时傅里叶逆变换，根据重叠帧获取目标说话人语音样本。