[发明专利]一种基于深度学习的语音端点检测方法

说明书

一种基于深度学习的语音端点检测方法，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，构建训练集；S2.对训练集和原始数据集计算幅度谱；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；训练完成后，得到最终深度学习训练网络；S4.求取增益值和时域信号；S5.通过模型输出的增益值和制定的状态机机制对时域信号进行语音端点检测。本发明通过模型输出的增益值来间接进行端点检测有利于应对不同的环境，可以对增益值进行不同的后处理方式增强适应性。

技术领域

本发明属于语音技术领域，涉及语音识别,具体涉及一种基于深度学习的语音端点检测方法。

背景技术

语音增强技术和语音端点检测技术可有效提升语音识别、语音通话任务的用户体验，语音增强技术可对复杂环境中噪音进行降噪处理，提高目标语音的清晰度，然而对于低信噪比和复杂噪音环境，传统的基于噪声估计的方法存在局限，无法有效滤除非稳态噪音。

语音端点检测技术可以有效的区分出语音片段和非语音片段，可以有效的降低需要处理的数据量，可有效减轻语音识别、语音通话任务的负荷，提升用户体验。传统的语音端点检测技术依赖于时域幅值、频域能量、过零率等语音特性，转换成不同的特征计算语音存在概率，进而判区分语音段和非语音段，通常在外界环境噪声较小的情况下，传统方法往往能取得较理想的结果，但当应用环境过于复杂时，其效果很难满足实际应用需求。

近年来，深度学习方法已成功应用于语音增强技术和语音端点检测任务，该方法表现出对复杂环境更好的建模能力。

发明内容

为克服现有技术存在的缺陷，提高在复杂环境下，提高系统的抗噪性以及提高语音端点检测的适用性，本发明公开了一种基于深度学习的语音端点检测方法。

本发明所述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。

优选的，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。

优选的，步骤S42中，通过增益值gain求取增益平均值，以增益平均值代替增益值代入后续步骤进行处理；

具体为，首先对增益值进行平滑处理，频点f 的增益值AsmoothGainf平滑后的增益值smoothGainf=α* AsmoothGainf+(1-α) gainf