[发明专利]模型训练方法及系统、通话音频的预测方法及系统

权利要求书

1.一种模型训练方法，其特征在于，所述模型训练方法包括以下步骤：

获取通话音频，所述通话音频包括第一通话音频和第二通话音频，所述第一通话音频为通话过程中有旁边人说话的音频，所述第二通话音频为通话过程中无旁边人说话的音频；

对所述通话音频进行标注后形成训练数据集；

将所述训练数据集中的训练数据输入深度卷积神经网络模型进行训练以得到旁边人说话检测模型，所述旁边人说话检测模型用于预测通话过程中旁边人说话的概率。

2.如权利要求1所述的模型训练方法，其特征在于，所述对所述通话音频进行标注后形成训练数据集的步骤包括：

通过动态区域切割算法将所述通话音频划分为音频时长都相同的音频片段；

对所述音频片段进行标注后形成所述训练数据集。

3.如权利要求1所述的模型训练方法，其特征在于，所述深度卷积神经网络模型包括卷积层、池化层和线性层；

所述卷积层和所述池化层用于提取所述通话音频的语音特征；

所述线性层用于根据所述卷积层和所述池化层输出的所述语音特征对所述通话音频进行分类，以确定所述通话音频为所述第一通话音频或所述通话音频为所述第二通话音频。

4.一种通话音频的预测方法，其特征在于，所述预测方法用于预测通话过程中是否有旁边人说话，所述预测方法包括以下步骤：

获取待预测的通话音频；

将所述待预测的通话音频输入旁边人说话模型以预测所述待预测的通话音频中有旁边人说话的概率；

所述旁边人说话模型通过如权利要求1-3任意一项所述的模型训练方法训练得到的。

5.如权利要求4所述的通话音频的预测方法，其特征在于，所述将所述待预测的通话音频输入旁边人说话模型以预测所述待预测的通话音频中有旁边人说话的概率的步骤包括：

基于所述旁边人说话模型通过动态区域切割算法将所述待预测的通话音频划分为音频时长都相同的音频片段；

基于所述旁边人说话模型通过softmax函数计算得到所述音频片段中有旁边人说话的概率，并通过所述旁边人说话模型输出所述音频片段中有旁边人说话的概率。

6.如权利要求5所述的通话音频的预测方法，其特征在于，所述将所述待预测的通话音频输入旁边人说话模型以预测所述待预测的通话音频中有旁边人说话的概率的步骤之后，所述预测方法包括：

基于所述音频片段中与旁边人说话的概率根据加权公式进行加权计算以得到与多个所述音频片段对应的同一个所述待预测的通话音频中有旁边人说话的概率；

所述加权公式为：

其中，P(X)表示为所述待预测的通话音频中有旁边人说话的概率，n表示所述音频片段的总数，p(x)表示为第x个所述音频片段中有旁边人说话的概率，x为正整数，a、b为常数。

7.一种模型训练系统，其特征在于，所述模型训练系统包括：

获取模块，用于获取通话音频，所述通话音频包括第一通话音频和第二通话音频，所述第一通话音频为通话过程中有旁边人说话的音频，所述第二通话音频为通话过程中无旁边人说话的音频；

处理模块，用于对所述通话音频进行标注后形成训练数据集；

训练模块，用于将所述训练数据集中的训练数据输入深度卷积神经网络模型进行训练以得到旁边人说话检测模型，所述旁边人说话检测模型用于预测通话过程中旁边人说话的概率。

8.一种通话音频的预测系统，其特征在于，所述预测系统包括：

音频获取模块，用于获取待预测的通话音频；

预测模块，用于将所述待预测的通话音频输入旁边人说话模型以预测所述待预测的通话音频中有旁边人说话的概率；

所述旁边人说话模型通过如权利要求7所述的模型训练系统训练得到的。