[发明专利]基于轻量级神经网络的含噪语音性别识别方法及系统

说明书

本发明公开了一种基于轻量级神经网络的含噪语音性别识别方法及系统，包括基于纯净男女语音音频和纯噪声音频合成含噪语音；提取含噪语音的音频特征；音频特征仅包括多个BFCC特征以及部分BFCC特征的一阶时间导数和二阶时间导数，基音增益值，基频周期值，语音短时过零率；基于音频特征构建轻量级神经网络模型并进行训练；轻量级神经网络模型包括语音活度分支、降噪分支和性别分类分支；基于轻量级神经网络模型进行含噪语音性别预测；该方法在延时30ms的时间范围内搭建了含有降噪分支和男女声分类分支的轻量级神经网络模型，具有高的准确率，适用于含有未知噪声的实际应用场景。

技术领域

本发明涉及语音识别技术领域，具体涉及一种基于轻量级神经网络的含噪语音性别识别方法及系统。

背景技术

好听的声音在日常沟通中会给倾听者莫名的感染力，曾任四届英国首相的格莱斯顿说：“声音是交流中最有力的乐器”，某些特殊职业和场合对声音的要求更高，比如主持、广播、直播和游戏语音聊天等，但并不是每个人都有好听的嗓音，所以需要进行男女声精细化调节。

男女声精细化调节的第一步是实现实时语音性别识别，这是一个经典的二分类问题，现有技术中对语音性别识别的方法分两种，一种是传统的机器学习方法，对语音进行特征提取实现数据降维，输入到高斯混合模型或者SVM模型中训练得到模型参数，传统机器学习方法模型小，但是其严重依赖于音频特征提取的准确性，在未知噪声的环境下，现有特征提取方法很难提取到期望的音频特征，比如音高pitch的提取，因此在噪声环境下，传统机器学习对男女声识别准确度并不高，在实际应用时通常会在性别分类前添加前置降噪算法，降噪通常会在音频质量和降噪幅度之间取舍，而且降噪后还是会有部分噪声保留下来，此外降噪算法也会引入延时，当降噪算法与性别分类算法串联连接时，其时延不低于二者的叠加；另一种是基于深度学习神经网络的方法，提取语音声学特征，搭建神经网络模型，再用softmax进行分类，相比于传统机器学习的方法，神经网络的方式能避免对输入模型的音频特征准确性的依赖，声学特征可以是高维的初级特征，在含有一定噪声的情况下得到更高的识别准确度，但是基于深度学习神经网络的方法由于输入网络的音频片段时长通常为1s~4s，这样虽然获得了高的准确性，但是牺牲了实时性，而且神经网络的输入通常是时频谱STFT或者MFCC等高维特征，存在网络训练参数多、模型大的问题，将其实际应用到嵌入式设备存在一定难度。

发明内容

针对上述问题，本发明的一个目的是提供一种基于轻量级神经网络的含噪语音性别识别方法，该方法充分挖掘语音特征提取、语音降噪和男女声分类之间的关系，构建了一个轻量级神经网络（555kb大小），适用于含有未知噪声的实际应用场景；该方法在延时30ms的时间范围内搭建了含有降噪分支和男女声分类分支的神经网络模型，并具有较高的准确率。

本发明的第二个目的是提供一种基于轻量级神经网络的含噪语音性别识别系统。

本发明所采用的第一个技术方案是：一种基于轻量级神经网络的含噪语音性别识别方法，包括以下步骤：

S100：基于纯净男女语音音频和纯噪声音频合成含噪语音；

S200：提取所述含噪语音的音频特征；所述音频特征仅包括：多个BFCC特征以及部分BFCC特征的一阶时间导数和二阶时间导数，基音增益值，基频周期值，语音短时过零率；

S300：基于所述音频特征构建轻量级神经网络模型并进行训练；所述轻量级神经网络模型包括语音活度分支、降噪分支和性别分类分支；

S400：基于所述轻量级神经网络模型进行含噪语音性别预测。

优选地，所述步骤S200包括以下子步骤：

S210：基于FFT求得含噪语音的频谱；

S220：对所述频谱求BFCC得到多个BFCC特征，作为第一音频特征；分别计算所述BFCC特征的一阶时间导数和二阶时间导数，分别以所述一阶时间导数和二阶时间导数的前6个值作为第二音频特征；