[发明专利]语音活动检测模型的训练及检测方法、装置、设备和介质

权利要求书

1.一种语音活动检测模型的训练方法，其特征在于，所述方法包括：

获取纯净语音信号样本；

将所述纯净语音信号样本进行分帧得到多个纯净语音信号帧样本，获取所述多个纯净语音信号帧样本各自对应的对数能量的归一化值；

针对每一纯净语音信号帧样本，根据所述多个纯净语音信号帧样本各自对应的对数能量的归一化值，获取所述纯净语音信号帧样本前后第一预设数量个纯净语音信号帧样本中第一纯净语音信号帧样本的占比；所述第一纯净语音信号帧样本为所述对数能量的归一化值大于归一化值阈值的纯净语音信号帧样本；

根据所述第一纯净语音信号帧样本的占比，确定所述纯净语音信号帧样本对应的语音活动检测标签；

根据所述纯净语音信号帧样本和预设噪声信号，得到携带噪声的语音信号帧样本；

利用所述携带噪声的语音信号帧样本和所述语音活动检测标签对待训练的语音活动检测模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一纯净语音信号帧样本的占比，确定所述纯净语音信号帧样本对应的语音活动检测标签，包括：

根据所述第一纯净语音信号帧样本的占比与占比阈值的比较结果，得到所述纯净语音信号帧样本对应的初始语音活动检测标签；

针对每一纯净语音信号帧样本，根据所述多个纯净语音信号帧样本各自对应的初始语音活动检测标签，获取所述纯净语音信号帧样本前后第二预设数量个纯净语音信号帧样本中第二纯净语音信号帧样本的数量；所述第二纯净语音信号帧样本为所述初始语音活动检测标签属于第一类标签的纯净语音信号帧样本；

根据所述第二纯净语音信号帧样本的数量，确定所述纯净语音信号帧样本对应的语音活动检测标签。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二纯净语音信号帧样本的数量，确定所述纯净语音信号帧样本对应的语音活动检测标签，包括：

若所述第二纯净语音信号帧样本的数量大于或等于第二预设数量，则确定所述纯净语音信号帧样本对应的语音活动检测标签属于第一类标签；

若所述第二纯净语音信号帧样本的数量小于第二预设数量，则确定所述纯净语音信号帧样本对应的语音活动检测标签属于第二类标签。

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一纯净语音信号帧样本的占比与占比阈值的比较结果，得到所述纯净语音信号帧样本对应的初始语音活动检测标签，包括：

若所述第一纯净语音信号帧样本的占比大于所述占比阈值，则确定所述纯净语音信号帧样本对应的初始语音活动检测标签属于第一类标签；

若所述第一纯净语音信号帧样本的占比小于或等于所述占比阈值，则确定所述纯净语音信号帧样本对应的初始语音活动检测标签属于第二类标签。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述获取所述多个纯净语音信号帧样本各自对应的对数能量的归一化值，包括：

针对每一纯净语音信号帧样本，对所述纯净语音信号帧样本进行去均值处理，根据去均值处理后的纯净语音信号帧样本计算对应的对数能量，对所述对数能量进行归一化，得到所述多个纯净语音信号帧样本各自对应的对数能量的归一化值。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述利用所述携带噪声的语音信号帧样本和所述语音活动检测标签对待训练的语音活动检测模型进行训练，包括：

获取所述携带噪声的语音信号帧样本对应的梅尔功率谱；

将所述语音信号帧样本对应的梅尔功率谱作为输入特征输入至所述待训练的语音活动检测模型，获取所述待训练的语音活动检测模型根据所述梅尔功率谱输出的语音活动检测预测信息；其中，所述待训练的语音活动检测模型包括依次连接的门控二维卷积层、长短期记忆网络、全连接层和输出层；

将所述语音活动检测预测信息和语音活动检测标签输入预设的加权焦点损失函数，得到模型损失；

根据所述模型损失对所述待训练的语音活动检测模型进行训练。