[发明专利]一种自适应的语音端点检测方法

说明书

技术领域

本发明涉及自动字幕生成系统中的语音检测技术，具体涉及一种自适应 的语音端点监测方法。

背景技术

语音端点检测技术是语音技术研究的一个新的领域，其应用于自动字幕 生成系统中。当前的字幕制作方法首先需要准备好字幕文稿，这种字幕文稿 是指在制作电视节目之前，事先写好的一个文本文件，记录着节目的标题、 主持人要说的话，以及被采访人所讲的话等内容。在制作电视节目时，编辑 人员把音、视频素材添加到非线性编辑软件的故事板上，然后按照节目的主 旨，对其进行编辑。编辑操作一般包括对素材位置的修改，添加一些特技， 添加字幕等等。添加字幕时，一般是先在字幕文稿中选择多段文字(每一段 就是一句话)，然后以这些文字生成一个新的字幕文件，将这个文件拖上非 线性编辑软件的轨道，此时字幕中的每一句话就会按顺序播出，但是往往会 出现“声画不同步”的现象，即字幕出现的时刻和音频文件中播出的声音对 不上。这时就需要编辑人员一边听声音，一边一句句地修改字幕的入点和出 点的值。这就非常耗费人力和时间，影响唱词文件生成的质量和效率。

从复杂背景噪声中找出语音的起始点和结束点，即语音端点检测技术， 一直是语音信号处理中的基本问题。由于语音端点检测的重要性，人们已经 提出了很多种语音端点检测方法。这些方法大致可以分为基于模型的方法和 基于门限的方法两类。

基于模型的方法可以使用多维的特征如Mel倒普等，但是这种方法非常依 赖于建立模型并进行数据训练，计算量非常大；因为采用的特征维数较多，对 环境进行自适应就需要大量的数据，因此实现起来有相当的难度。

基于门限的语音端点检测方法则是根据语音的特点，选择合适的特征参 数，然后将该特征参数与预先设定的门限值进行比较，或者是先对特征参数 进行一系列的后期处理然后再与门限进行比较。在传统的基于门限方法中， 基本上都使用了短时能量、短时过零率和短时信息熵等语音参数，分别判断 它们是否超过一个阀值，然后再通过“与”或者“或”运算来做出是否为语 音起点或终点的判断。

现有的基于门限的端点检测方法中，一般会首先选取音频最初的10- 20ms作为背景噪声进行分析，并通过分析来设定两个门限值：一个用于确定 语音起点，另一个用于确定语音的终点。当发现所观察的参数值大于起点门 限，则将该点标识为语音的起点。语音起点确定后，当所观察的参数值小于 终点门限时，将该点标识语音终点。这种方法具有一定的限制：首先，这种 方法要求在整个语音端点检测的过程中，背景噪声不发生大的变化；其次， 由于不同的说话人所对应的特征门限不同，这种检测算法的门限值很难确定。

对于基于门限的语音端点检测方法，影响检测结果的因素主要有两个：1. 特征参数的提取；2.门限值的确定以及调整。

现有的基于门限的端点检测参数主要有：

1)能量：以声音的强度作为判断参数。这种方法在高信噪比的情况下会有 很好的效果。但是，在信噪比低的情况下，如在汽车引擎声、关门声等噪声的 干扰下，这种方法的准确率很低。

2)频率：采用频率域的特征作为判断依据。这种方法可以准确的区分语音 和汽车引擎、关门声等噪声，但是，对于语音和乐音的区别效果较差。

传统的基于门限的语音端点检测方法主要存在以下几点不足：

首先，无论采用哪种音频参数，传统的语音端点检测方法在特定的噪声环 境下都存在很大的不足。比如，基于能量的方法在低SNR的环境中表现不好； 基于信息熵的算法在音乐背景下则会失效。

另外，传统的语音端点检测方法主要应用在语音识别、语音拨号、指令控 制以及嵌入式系统中。在这些应用环境中，语音只会持续很短一段时间，一般 是几秒钟。而且背景噪声在端点检测过程中基本上不发生大的变化，因此这些 方法一般取音频的前5帧来分析噪音。但是如果语音持续较长的一段时间，并 且背景噪声在检测过程中频繁变化，那么上述方法并不能很好的工作。

最后，传统的语音端点检测方法着重于从背景噪声中精确地提取出单个的 字(词)的语音端点。与之相比，自动唱词生成系统对精度的要求相对较低，而 侧重于在连续的语音中，进行连续的语音端点检测，并且最终检测出语句的端 点。