[发明专利]语音端点检测方法、装置、电子设备及存储介质

说明书

本公开示出了一种语音端点检测方法、装置、电子设备及存储介质，首先对待检测语音进行分帧处理，得到多个待检测音帧，然后提取各待检测音帧的频率特征、能量特征和过零率特征，将各待检测音帧的频率特征、能量特征和过零率特征输入语音检测模型中，获得各待检测音帧的检测结果，再根据各待检测音帧的检测结果，确定待检测语音的起始点和结束点。由于频率特征能够准确地区分静音和噪声，能量特征和过零率特征对歌曲和语音有较高的区分度，因此，同时采用频率特征、能量特征和过零率特征，不但可以对纯语音信号准确地进行检测，而且对包含音乐信号的语音也能进行很好地区分，提高了语音端点检测的准确率，相对现有技术具有更强的鲁棒性。

技术领域

本公开涉及计算机技术领域，尤其涉及一种语音端点检测方法、装置、电子设备及存储介质。

背景技术

随着人工智能的发展，语音识别已经广泛应用于各行各业，在语音识别系统中，语音端点检测(VAD)发挥着重要作用。由于语音在识别时存在着大量的静音、各种噪声等，严重干扰语音识别的性能，增加了语音识别系统的负担，因此，在语音识别系统中，往往是先对语音进行端点检测，即给定连续输入的语音，输出期望语音片段的起始点和结束点，从而可以过滤掉静音，噪声等，提高语音识别系统的性能。

现有VAD技术中，多采用MFCC特征进行语音端点检测，即首先提取语音帧的MFCC特征，然后将MFCC特征输入预先训练得到的VAD语音检测模型中，根据检测结果确定起始点和结束点。然而，对于包含音乐的语音(如有背景音乐的语音或说唱结合的语音等)，采用MFCC特征无法准确地进行端点检测。

发明内容

本公开提供一种语音端点检测方法、装置、电子设备及存储介质，以至少解决相关技术无法对包含音乐的语音准确地进行端点检测的问题。本公开的技术方案如下：

根据本公开的第一方面，提供一种语音端点检测方法，所述方法包括：

对待检测语音进行分帧处理，得到多个待检测音帧；

提取各所述待检测音帧的频率特征、能量特征和过零率特征；

将各所述待检测音帧的频率特征、能量特征和过零率特征输入预先训练得到的语音检测模型中，获得各所述待检测音帧的检测结果，所述检测结果包括语音帧和非语音帧；

根据各所述待检测音帧的检测结果，确定所述待检测语音的起始点和结束点。

在一种可选的实现方式中，所述频率特征包括梅尔频率倒谱系数或对数谱特征，所述能量特征包括低短时能量比，所述过零率特征包括高过零率比。

在一种可选的实现方式中，所述语音检测模型包括第一特征融合层和第一分类层，所述将各所述待检测音帧的频率特征、能量特征和过零率特征输入预先训练得到的语音检测模型中，获得各所述待检测音帧的检测结果的步骤，包括：

将各所述待检测音帧的频率特征、能量特征和过零率特征输入所述第一特征融合层中，得到各所述待检测音帧的融合特征；

将各所述待检测音帧的融合特征输入所述第一分类层中，获得各所述待检测音帧的检测结果。

在一种可选的实现方式中，所述将各所述待检测音帧的频率特征、能量特征和过零率特征输入所述第一特征融合层中，得到各所述待检测音帧的融合特征的步骤，包括：

将各所述待检测音帧的频率特征、能量特征和过零率特征进行特征拼接，得到各所述待检测音帧的拼接特征矩阵；

基于预先训练得到的权重矩阵，对各所述待检测音帧的拼接特征矩阵进行线性映射，得到各所述待检测音帧的融合特征。

在一种可选的实现方式中，所述将各所述待检测音帧的频率特征、能量特征和过零率特征输入所述第一特征融合层中，得到各所述待检测音帧的融合特征的步骤，包括：