语音活动检测方法、语音识别方法及系统技术方案

本发明专利技术公开一种语音活动检测方法，包括：对待检测音频文件进行帧级别音频活动检测，以确定所述待检测音频文件是否包含语音；当采用帧级别音频活动检测确定所述待检测音频文件包含语音时，将所述待检测音频文件切分为多个句子级子音频片段，以获取所述多个句子级子音频片段的多个子音频特征；根据所述多个子音频特征对所述待检测音频文件进行句子级别语音活动检测，以再次判断所述待检测音频文件是否包含语音。本发明专利技术在对待检测音频文件进行帧级别的语音活动检测之后，对初步确定的包含语音的待检测音频文件进行特征提取，并根据所提取的特征实现了句子级别的再次检测，从而使得在背景噪声较大、信噪比较低时，仍能够检测出是否存在语音。

Speech activity detection method, speech recognition method and system

【技术实现步骤摘要】
语音活动检测方法、语音识别方法及系统
本专利技术涉及语音识别
，尤其涉及一种语音活动检测方法、语音识别方法及系统。
技术介绍
语音活动检测(VoiceActivitydetection，VAD)也被称为语音检测，在语音处理中用于检测语音的存在与否，从而将信号中的语音片段和非语音片段分开。专利申请号为：201410853931.6，名称为：语音活动检测方法及其系统的中国专利申请基于传统声学特征，如短时能量、频谱能量、过零率等或基于神经网络提取的特征来进行语音活动检测，对每一帧音频都给出是否是语音的判定。这种方法在信噪比较高时拥有很好的性能。但是背景噪声较大、信噪比较低时，系统容易将非语音片段判定为语音片段，并送到后端语音识别系统，造成资源的浪费。
技术实现思路
本专利技术实施例提供一种语音活动检测方法、语音识别方法及系统，用于至少解决上述技术问题之一。第一方面，本专利技术实施例提供一种语音活动检测方法，包括：对待检测音频文件进行帧级别音频活动检测，以确定所述待检测音频文件是否包含语音；当采用帧级别音频活动检测确定所述待检测音频文件包含语音时，将所述待检测音频文件切分为多个句子级子音频片段，以获取所述多个句子级子音频片段的多个子音频特征；根据所述多个子音频特征对所述待检测音频文件进行句子级别语音活动检测，以再次判断所述待检测音频文件是否包含语音。第二方面，本专利技术实施例提供一种语音识别方法，应用于语音识别终端，所述方法包括：获取待检测音频文件；<br>采用本专利技术任一实施例所述的语音活动检测方法判断所述待检测音频文件中是否包含语音；如果是，则对所述待检测音频文件进行语音识别；如果否，则不对所述待检测音频文件进行语音识别。第三，本专利技术实施例提供语音活动检测系统，包括：帧级音活动检测模块，用于对待检测音频文件进行帧级别音频活动检测，以确定所述待检测音频文件是否包含语音；音频分段模块，用于当采用帧级别音频活动检测确定所述待检测音频文件包含语音时，将所述待检测音频文件切分为多个句子级子音频片段，以获取所述多个句子级子音频片段的多个子音频特征；句级语音活动检测模块，用于根据所述多个子音频特征对所述待检测音频文件进行句子级别语音活动检测，以再次判断所述待检测音频文件是否包含语音。第四方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本专利技术上述任一项语音活动检测方法和/或语音识别方法。第五方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术上述任一项语音活动检测方法和/或语音识别方法。第六方面，本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项语音活动检测方法和/或语音识别方法。本专利技术实施例的有益效果在于：在对待检测音频文件进行帧级别的语音活动检测之后，对初步确定的包含语音的待检测音频文件进行特征提取，并根据所提取的特征实现了句子级别的再次检测，从而使得在背景噪声较大、信噪比较低时，仍能够检测出是否存在语音。进一步的使得送到后端语音识别系统的音频文件是真正包含了语音的需要识别的语音文件，避免了资源的浪费。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的语音活动检测方法的一实施例的流程图；图2为本专利技术的中所涉及的句子级语音活动检测系统的一实施例的框架图；图3为本专利技术的语音识别方法的一实施例的流程图；图4为本专利技术的语音识别方法的另一实施例的流程图；图5为本专利技术的语音活动检测系统的一实施例的原理框图图6为本专利技术的语音识别系统的一实施例的原理框图；图7为本专利技术的电子设备的一实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。在本专利技术中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。如图1所示，本专利技术的实施例提供一种语音活动检测方法，包括：S10、对待检测音频文件进行帧级别音频活动检测，以确定所述待检测音频文件是否包含语音。示例性地，本专利技术所采用的帧级别语音活动检测方法可以是现有技术中任意成熟的技术，例如，可以是
技术介绍
中所述的专利文献所公开的技术，或者是其它技术，本专利技术对此不作限定。S20、当采用帧级别音频活动检测确定所述待检测音频文件包含语音时，将所述待检测音频文件切分为多个句子级子音频片段，以获取所述多个句子级子音频片段的多个子音频特征；专利技术人在实现本专利技术的过程中发现，针对系统的输入，最开始的输入是整条音频，即一条音频只做一次是否是语音的判定，这满足不了线上流式数据的实时性，带来了严重的滞后。本实施例中改成分段式判定，即将一整条音频分成几段，分别对每段进行判定，并且只要有一段判定是语音，便认为该条音频含语音，可省去音本文档来自技高网...

【技术保护点】
1.一种语音活动检测方法，包括：/n对待检测音频文件进行帧级别音频活动检测，以确定所述待检测音频文件是否包含语音；/n当采用帧级别音频活动检测确定所述待检测音频文件包含语音时，将所述待检测音频文件切分为多个句子级子音频片段，以获取所述多个句子级子音频片段的多个子音频特征；/n根据所述多个子音频特征对所述待检测音频文件进行句子级别语音活动检测，以再次判断所述待检测音频文件是否包含语音。/n

【技术特征摘要】
1.一种语音活动检测方法，包括：
对待检测音频文件进行帧级别音频活动检测，以确定所述待检测音频文件是否包含语音；
当采用帧级别音频活动检测确定所述待检测音频文件包含语音时，将所述待检测音频文件切分为多个句子级子音频片段，以获取所述多个句子级子音频片段的多个子音频特征；
根据所述多个子音频特征对所述待检测音频文件进行句子级别语音活动检测，以再次判断所述待检测音频文件是否包含语音。


2.根据权利要求1所述的方法，其中，所述根据所述音频特征对所述待检测音频文件进行句子级别语音活动检测包括：将所述音频特征输入至预先训练的句子级语音活动检测模型，以对所述待检测音频文件进行句子级别语音活动检测；所述句子级语音活动检测模型基于语音数据和噪声数据集预先训练得到。


3.根据权利要求2所述的方法，其中，所述句子级语音活动检测模型包括：顺序连接的特征提取层、卷积层、特征统计层、融合层和深度神经网络层；其中，
所述特征提取层提取所接收到的句子级子音频片段的子音频特征，并将所述子音频特征输入至所述卷积层；
所述特征统计层基于所述卷积层的输出统计得到所述子音频特征的统计特征；
所述融合层对所述统计特征进行融合处理，并将融合结果输入至所述深度神经网络层，以基于所述深度神经网络层的输出确定所述待检测音频文件是否包含语音。


4.根据权利要求3所述的方法，其中，所述特征统计层包括：
音频特征均值统计单元，用于确定所述句子级子音频片段在预设时间内的子音频特征的特征平均值；
音频特征标准差统计单元，用于确定所述句子级子音频片段在预设时间内的子音频特征的特征标准差；所述预设时长为所述句子级子音频片段的时间长度。


5.根据权利要求1所述的方法，其中...

【专利技术属性】
技术研发人员：汪鑫，薛峰，
申请(专利权)人：苏州思必驰信息科技有限公司，
类型：发明
国别省市：江苏;32