[发明专利]生成音频模型的方法、设备和检测场景类别的方法、设备

说明书

技术领域

本发明涉及音频识别技术，更具体地，涉及生成场景音频模型的方法和设备，以及检测音频所源于的场景的类别的方法和设备。

背景技术

音频识别技术允许从采集自特定场景的音频信号中识别指示场景类别的信息。例如对于采集自海滩的音频信号，从中识别出该音频信号是采集自海滩的。音频识别技术通常涉及两个阶段的处理。一个阶段是训练阶段，另一个阶段是检测阶段。在训练阶段，采集包含源于特定场景的音频信号并且标记上相应的场景信息，从而获得训练样本集。从训练样本集的每个样本中提取出特征，从而获得特征集。采用例如混合高斯模型、隐马尔科夫模型等等的建模方法对特征集进行建模，从而得到场景音频模型。在检测阶段，从作为检测对象的音频信号中提取特征，并且用通过训练得到的场景音频模型确定音频信号是否采集自相应类别的场景。

采集自场景的音频信号会包含干扰噪声。干扰噪声会对训练和检测带来不利的影响。为了弱化干扰噪声的影响，通常增加训练样本的数量。这增大了训练的成本。另一个措施是通过谱减法来进行音频增强。例如在MBerouti的“Enhancement of Speech Corrupted by Acoustic Noise”，[C].ICASSP，19791208-211中提出了一种谱减法来进行音频增强，以处理宽带噪声，其中采用调节噪声功率谱大小的系数和增强语音功率谱的最小值的限制，从而提高了谱减法的性能。但其修正系数和最小值根据经验确定，适应性较差。谱减法虽然在一定程度上能出去除部分的干扰噪声，但是也会同时去除一些有用的谱特征。因此，也会对场景音频模型的训练带来一些负面的影响。

发明内容

本发明的一个实施例是一种生成场景音频模型的设备，包括：幅度谱计算装置，针对同一类别的场景音频的多个样本中的每个样本，计算所述样本的每个分段的每个帧的幅度谱，其中所述每个帧的幅度谱包括各个频率区间的幅度谱；突变识别装置，在每个帧的幅度谱中识别满足下述条件的一对频率区间：所述一对频率区间的幅度谱之差超过预定程度，并且不存在幅度谱介于所述一对频率区间的幅度谱之间的频率区间；噪声估计装置，通过将每个帧的幅度谱中幅度谱小于所识别的一对频率区间的幅度谱中的较大幅度谱的频率区间的音频信号识别为噪声，估计在每个频率区间上所述样本的每个分段的噪声功率；滤波装置，通过谱减法把所估计的噪声功率从相应分段的相应频率区间的幅度谱中去除；特征提取装置，从经过所述滤波装置处理的所述幅度谱中提取音频特征；和训练装置，根据所提取的音频特征训练出场景音频模型。

本发明的一个实施例是一种生成场景音频模型的方法，包括：针对同一类别的场景音频的多个样本中的每个样本，计算所述样本的每个分段的每个帧的幅度谱，其中所述每个帧的幅度谱包括各个频率区间的幅度谱；在每个帧的幅度谱中识别满足下述条件的一对频率区间：所述一对频率区间的幅度谱之差超过预定程度，并且不存在幅度谱介于所述一对频率区间的幅度谱之间的频率区间；通过将每个帧的幅度谱中幅度谱小于所识别的一对频率区间的幅度谱中的较大幅度谱的频率区间的音频信号识别为噪声，估计在每个频率区间上所述样本的每个分段的噪声功率；通过谱减法把所估计的噪声功率从相应分段的相应频率区间的幅度谱中去除；从经过所述滤波装置处理的所述幅度谱中提取音频特征；和根据所提取的音频特征训练出场景音频模型。

本发明的一个实施例是一种检测音频所源于的场景的类别的设备，包括：幅度谱计算装置，计算输入音频的每个分段的每个帧的幅度谱，其中所述每个帧的幅度谱包括各个频率区间的幅度谱；突变识别装置，在每个帧的幅度谱中识别满足下述条件的一对频率区间：所述一对频率区间的幅度谱之差超过预定程度，并且不存在幅度谱介于所述一对频率区间的幅度谱之间的频率区间；噪声估计装置，通过将每个帧的幅度谱中幅度谱小于所识别的一对频率区间的幅度谱中的较大幅度谱的频率区间的音频信号识别为噪声，估计在每个频率区间上所述输入音频的每个分段的噪声功率；滤波装置，通过谱减法把所估计的噪声功率从相应分段的相应频率区间的幅度谱中去除；特征提取装置，从经过所述滤波装置处理的所述幅度谱中提取音频特征；和检测装置，利用场景音频模型，根据所提取的音频特征检测所述输入音频所源于的场景的类别。