基于语音的置信度检测方法和系统技术方案

本公开所描述的技术涉及基于语音的置信度检测方法和系统。描述了一种用于训练置信度检测模型的方法包括：采集语音数据；基于该语音数据来提取多个特征参数集；获得与该语音数据相对应的置信度信息，该置信度信息指示在多个特征参数集中的每一个特征参数集下的置信度；将该语音数据的多个特征参数集中的每一者与该置信度信息进行关联以形成训练数据；以及基于该训练数据来训练置信度检测模型。本公开还描述了一种用于基于语音来检测置信度的方法包括：获得由上述用于训练置信度检测模型的方法来训练的置信度检测模型，获取语音数据，提取该语音数据的特征参数集，以及基于该语音数据的该特征参数集，使用该置信度检测模型来检测置信度。

【技术实现步骤摘要】
基于语音的置信度检测方法和系统
本申请一般涉及语音识别
，尤其涉及基于语音的置信度检测方法和系统。
技术介绍
目前，传统的测谎仪通常带有诸如脑电图记录仪、心电记录仪、综合记录仪、面部表情记录仪之类的若干设备，以记录被检测者在情绪变化时各种生理变化(呼吸、脉搏、频率、血压和皮肤电阻等)。同时，测谎仪需要根据所要调查的内容事先编制好一系列问题，然后逐一向被检测者提问，所涉及的问题主要有三类：与调查事件无关的中性问题，与调查事件有关的相关或主题问题，与调查事件没有直接关系而被检测者肯定会撒谎的准绳问题或对照问题。这使得识别谎言困难且将花费巨大的精力。因此，期望在没有任何其他设备的情况下仅基于语音来进行置信度检测以识别谎言。另一方面，在实际交易中，出售方通常通过人工地与客户交谈以实时识别潜在欺诈行为。例如，金融信用验收部门打电话给客户并尝试验证该客户的身份、收入和其他关键信用接受标准，通过识别潜在的错误和认知中断，信用验收部门可以在必要时进行更广泛的身份验证，而收款部门可以确定客户是否真的打算在约定的日期付款。然而，上述通过人工来进行交谈本文档来自技高网...

【技术保护点】
1.一种用于训练置信度检测模型的方法，包括：/n采集语音数据；/n基于所述语音数据来提取多个特征参数集；/n获得与所述语音数据相对应的置信度信息，所述置信度信息指示在所述多个特征参数集中的每一个特征参数集下的置信度；/n将所述语音数据的所述多个特征参数集中的每一个特征参数集与所述置信度信息进行关联以形成训练数据；以及/n基于所述训练数据来训练置信度检测模型。/n

【技术特征摘要】
1.一种用于训练置信度检测模型的方法，包括：
采集语音数据；
基于所述语音数据来提取多个特征参数集；
获得与所述语音数据相对应的置信度信息，所述置信度信息指示在所述多个特征参数集中的每一个特征参数集下的置信度；
将所述语音数据的所述多个特征参数集中的每一个特征参数集与所述置信度信息进行关联以形成训练数据；以及
基于所述训练数据来训练置信度检测模型。


2.如权利要求1所述的方法，其特征在于，进一步包括对所述语音数据进行预处理，所述预处理包括对所述语音数据进行采样量化、分帧处理、以及根据语音强度来去除无声段。


3.如权利要求1所述的方法，其特征在于，进一步包括对所述语音数据进行预处理，所述预处理包括对所述语音数据执行硬件降噪、软件降噪、或其组合。


4.如权利要求3所述的方法，其特征在于，所述软件降噪包括采用快速傅里叶变换(FFT)算法来执行数字处理降噪。


5.如权利要求1所述的方法，其特征在于，所述训练包括使用支持向量机(SVM)、卷积神经网络(CNN)、随机森林(RF)算法来训练所述置信度检测模型。


6.如权利要求1所述的方法，其特征在于，所述多个特征参数集中的每一个特征参数集包括以下各项中的一者或多者：
所述语音数据的能量、过零率、自相关系数、振幅、能熵比、反射系数、音调、共振频率、线性预测倒谱系数(LPCC)、光谱质心、梅尔频率倒谱系数(MFCC)。


7.如权利要求6所述的方法，其特征在于，所述LPCC是使用以下步骤来获得的：
对线性预测系数(LPC)进行快速傅里叶变换(FFT)计算，以输出经FFT计算的LPC；
对所述经FFT计算的LPC取对数运算；
对所述对数运算的结果进行快速傅里叶反变换(IFFT)计算，以获得所述LPCC。


8.如权利要求6所述的方法，其特征在于，所述MFCC是使用以下步骤来获得的：
将所述语音数据的频率划分成一系列三角形的Mel滤波器序列；
取每个三角形的Mel滤波器序列频率带宽内所有信号幅度的加权和作为相应滤波器的输出；
对所述滤波器的所有所述输出作对数运算；
对所述对数运算的结果进行离散余弦变换(DCT)，以获得所述MFCC。

【专利技术属性】
技术研发人员：S·卡拉布伦，尤琪，何吉波，
申请(专利权)人：宝马股份公司，
类型：发明
国别省市：德国;DE