基于多模型神经网络的语音处理方法和装置制造方法及图纸

本发明专利技术提供一种基于多模型神经网络的语音处理方法和装置，包括：获取目标语音帧中的声学特征，将该声学特征分别作为N个第一神经网络模型的输入参数，得到N个第一掩蔽阈值，该N个第一神经网络模型均不同，将声学特征作为第二神经网络模型的输入参数，得到N个权重，该N个权重与该N个第一掩蔽阈值一一对应，根据N个权重和N个第一掩蔽阈值，得到第二掩蔽阈值，根据第二掩蔽阈值对该声学特征进行处理，得到目标语音帧的源信号的估计值。通过多个不同的第一神经网络模型得到多个不同的第一掩蔽阈值，进而对多个第一掩蔽阈值进行处理得到最终的掩蔽阈值，从而提高了掩蔽阈值的准确度，使得盲源分离的效果更佳。

【技术实现步骤摘要】
基于多模型神经网络的语音处理方法和装置
本申请实施例涉及语音信号处理
，尤其涉及一种基于多模型神经网络的语音处理方法和装置。
技术介绍
语音交互中一个常见的应用场景就是高噪声情况下的语音识别，高噪声情况下，人类的听觉系统可以分辨出嘈杂环境中的感兴趣的声音，这个现象叫做“鸡尾酒会效应”，“鸡尾酒会效应”在技术上描述为盲源分离(BlindSourceSeparation，BSS)问题，也就是在没有参考信号的情况下，把感兴趣的“前景音”从嘈杂的“背景音”中分离出来。常用的盲源分离方法为理想比例掩蔽(IdealRatioMask，IRM)阈值，现有技术中，采用单模型神经网络计算掩蔽阈值，该单模型神经网络由多个卷几层、多个循环神经网络(RecurrentNeuralNetworks，RNN)层和一个输出层组成，输出层与RNN层之间采用全连接的方式，激活函数使用sigmoid。但是，单模型神经网络具有性能上限，导致掩蔽阈值的准确度不高。
技术实现思路
本申请实施例提供一种基于多模型神经网络的语音处理方法和装置，提高了掩蔽阈值的准确度，使得盲源分离的效果更佳本专利技术第一方面提供一种基于多模型神本文档来自技高网...

【技术保护点】
1.一种基于多模型神经网络的语音处理方法，其特征在于，包括：获取目标语音帧中的声学特征，所述目标语音帧中包括源信号和噪音；将所述声学特征分别作为N个第一神经网络模型的输入参数，得到N个第一掩蔽阈值，N为大于1的整数，所述N个第一神经网络模型均不同；将所述声学特征作为第二神经网络模型的输入参数，得到N个权重，所述N个权重与所述N个第一掩蔽阈值一一对应；根据所述N个权重和所述N个第一掩蔽阈值，得到第二掩蔽阈值；根据所述第二掩蔽阈值对所述声学特征进行处理，得到所述目标语音帧的源信号的估计值。

【技术特征摘要】
1.一种基于多模型神经网络的语音处理方法，其特征在于，包括：获取目标语音帧中的声学特征，所述目标语音帧中包括源信号和噪音；将所述声学特征分别作为N个第一神经网络模型的输入参数，得到N个第一掩蔽阈值，N为大于1的整数，所述N个第一神经网络模型均不同；将所述声学特征作为第二神经网络模型的输入参数，得到N个权重，所述N个权重与所述N个第一掩蔽阈值一一对应；根据所述N个权重和所述N个第一掩蔽阈值，得到第二掩蔽阈值；根据所述第二掩蔽阈值对所述声学特征进行处理，得到所述目标语音帧的源信号的估计值。2.根据权利要求1所述的方法，其特征在于，所述根据所述N个权重和所述N个第一掩蔽阈值，得到第二掩蔽阈值，包括：根据所述N个权重计算所述N个第一掩蔽阈值的加权平均值；根据所述加权平均值得到所述第二掩蔽阈值。3.根据权利要求2所述的方法，其特征在于，所述根据所述加权平均值得到所述第二掩蔽阈值，包括：将所述加权平均值和1中的较小者作为所述第二掩蔽阈值。4.根据权利要求2所述的方法，其特征在于，所述根据所述加权平均值得到所述第二掩蔽阈值，包括：若所述加权平均值小于或等于1，则将所述加权平均值作为所述第二掩蔽阈值；若所述加权平均值大于1，则计算所述加权平均值与修正因子的乘积，得到所述第二掩蔽阈值，其中，所述修正因子大于0且小于1。5.根据权利要求1-4任一项所述的方法，其特征在于，所述第一神经网络模型包括至少一个卷积层、至少一个循环神经网络层以及一个输出层；或者，所述第一神经网络模型包括至少一个卷积层以及一个输出层；或者，所述第一神经网络模型包括至少一个门控循环单元层以及一个输出层。6.根据权利要求1-4任一项所述的方法，其特征在于，所述第二神经网络模型包括至少一个卷积层、至少一个循环神经网络层以及一个输出层；或者，所述第二神经网络模型包括至少一个卷积层以及一个输出层；或者，所述第二神经网络模型包括至少一个卷积层、至少一个门控循环单元层以及一个输出层。7.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述第二掩蔽阈值对所述声学特征进行处理，得到所述目标语音帧的源信号的估计值，包括：计算所述第二掩蔽阈值与所述声学特征的乘积，得到所述目标语音帧的源信号的估计值。8.根据权利要求1所述的方法，其特征在于，所述目标语音帧的声学特征包括以下特征中的任意一种：快速傅里叶变换FFT的幅值谱、梅尔频率倒谱系数MFCC特征、梅尔标度滤波器组FBank特征或者感知线性预测PLP特征。9.一种基于多模型神经网络的语音处理装置，其特征在于，包括：获取模块，用于获取目标语音帧中的声学特征，所述目标语音帧中包括源信号和噪音；第一训练模块，用于将所述声学特征分别作为N个第一神经网络模型的输入参数，得到N个第一掩蔽阈值，N为大于1的整数，所述N个第一神经网络模型均不同；第二训练模块，用于将所述声学特征作为第二神经网络模型的输入参数，得到N个权重，所述N个权重与所述N个第一掩蔽阈值一一对应；融合模块，用于根据所述N个权重和所述N个第一掩蔽阈值，得到第二掩蔽阈值；分离模块，用于根据所述第...

【专利技术属性】
技术研发人员：李超，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11