[发明专利]语音端点检测中的背景噪声自适应调整方法

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，具体涉及一种语音端点检测中的背景噪声自适应调整方法。 

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。 

基于门限的语音端点检测方法是根据语音的特点，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。 

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。 

因此，有必要提出一种新的语音端点检测方法，能够应对突然变化的背景噪声，并能够在复杂的背景噪声环境下，对连续语音进行端点检测，并最终检测出语句的端点。 

发明内容

本发明的目的在于针对自动字幕生成系统的特点以及现有语音端点检测方法的缺陷，提供一种语音端点检测中的背景噪声自适应调整方法，可以在背景噪声经常发生变化的情况下，对连续语音进行语音端点检测，从而提高在复杂噪声背景下的语音端点检测效率。 

本发明的技术方案如下：一种语音端点检测中的背景噪声自适应调整方法，包括如下步骤： 

(1)将音频采样序列分成固定长度的帧，并形成一个帧序列，针对每一帧数据提取短时能量、短时过零率和短时信息熵三个音频特征参数； 

(2)将音频文件最初的10ms作为环境音，将这10ms音频信号的短时能量平均值、短时过零率平均值和短时信息熵平均值作为最初的背景噪声的短时能量E_b、短时过零率Z_b和短时信息熵H_b，计算得到短时能频值序列； 

(3)根据对短时能频值序列的分析找到一个语音起点，记为第F_h帧，判断F_h帧与上一个语音终点所在的F_t帧相距的时间间隔，当该时间间隔大于规定长度时，进行环境噪声的提取；