[发明专利]一种基于深度学习的语音端点检测方法

权利要求书

1.一种基于深度学习的语音端点检测方法，其特征在于,包括如下步骤：

S1.采集高信噪比的目标人声作为原始数据集，通过对原始数据集进行数据增广，构建训练集；高信噪比是指目标语音高于背景噪声分贝值10dB以上；

S2.对训练集和原始数据集语料进行短时傅里叶变换，计算幅度谱；

S3.构建初始深度学习训练网络进行训练，以训练集每一帧的幅度谱作为训练输入特征，以原始数据集的幅度谱作为训练目标；

所述深度学习训练网络包括编码器和解码器，二者之间连接有两层GRU层；训练完成后，得到最终深度学习训练网络模型；

利用所述最终深度学习训练网络模型对待识别语料音频进行语音状态识别的具体方式为：

S4.利用最终深度学习训练网络模型求取待识别语料音频的增益值和语音增强后的时域信号；

S5.通过模型输出的增益值和制定的状态机机制对语音增强后的时域信号进行语音端点检测；

所述编码器部分采用三个卷积层，解码器采用三个反卷积层；

步骤S5具体为：

定义四个状态，其中START代表语音开始状态， ON代表语音持续状态， END代表语音结束状态， IDEL代表非语音状态；

定义两个判断条件，条件一为EG%的增益值都大于语音增益高门限thr_high；条件二为EG%的增益值小于语音增益低门限thr_low；

EG表示设定的增益值百分比，语音增益高门限和语音增益低门限为设定的门限值；

端点检测过程如下：

从起始帧开始逐帧检测，设置帧语音端点检测当前状态cur_state的初始状态为IDEL状态，采用条件一进行判断，若不满足，则cur_state保持为IDEL状态，若满足，则cur_state切换为START状态；

当上一帧的帧语音端点检测当前状态cur_state为START状态，切换判断条件为条件二，若不满足条件二, 则切换状态cur_state为ON状态，若满足条件二， cur_state切换为END状态；

则语音段的起点为语音端点检测当前状态为START的帧，终点为语音端点检测当前状态为END的帧；

当上一帧的帧语音端点检测当前状态cur_state为END状态时，切换判断条件成条件一，若不满足条件一，cur_state保持为IDEL状态，若满足条件一，那cur_state为START状态，

设置一个循环缓存区缓存多帧的语音增益值，检测过程中，第K个增益值依次覆盖第K-1个增益值，第M帧缓存的值由当前帧的语音增益值覆盖，K是2到M的整数，M为缓存区长度。

2.如权利要求1所述的语音端点检测方法，其特征在于，S4步骤具体为：

S41.对待识别语料音频进行短时傅里叶变换，获得变换后的实部A、虚部B和幅度谱；

S42.将待识别语料音频幅度谱作为最终深度学习训练网络的输入，通过最终深度学习训练网络输出增益值gain；

S43.将输出的增益值gain分别与实部A和虚部B相乘得到语音增强后的频谱，通过短时傅立叶逆变换，得到增强后输出的时域信号。