[发明专利]一种语音端点检测方法及语音识别方法

权利要求书

1.一种语音端点检测方法，其特征在于，预先训练形成一用于判断语音数据是否为静音帧的静音模型，随后获取外部输入的包括连续帧的所述语音数据的一段语音，并执行下述步骤：

步骤S1，提取每一帧所述语音数据的语音特征，并将所述语音特征输入至所述静音模型中；

步骤S2，所述静音模型根据所述语音特征输出关联于每一帧所述语音数据的标签，所述标签用于表示所述语音数据是否为静音帧；

步骤S3，根据连续帧的所述语音数据的所述标签确认一段所述语音的语音端点：

当采集所述语音的拾音设备处于非激活状态时，若连续出现非静音帧的所述语音数据的长度大于一预设的第一阈值，则判断第一帧为所述非静音帧的所述语音数据为一段所述语音的起始端点；

当采集所述语音的拾音设备处于激活状态时，若连续出现所述静音帧的所述语音数据的长度大于一预设的第二阈值，则判断第一帧为所述静音帧的所述语音数据为一段所述语音的结束端点。

2.如权利要求1所述的语音端点检测方法，其特征在于，通过下述方法预先训练形成所述静音模型：

步骤A1，输入预设的多个训练用语音数据，并提取每个所述训练用语音数据的语音特征；

步骤A2，根据对应的所述语音特征，针对每帧所述训练用语音数据进行自动标注操作，获得对应每帧所述语音数据的一标签；所述标签用于表示对应的一帧所述语音数据为静音帧或者非静音帧；

步骤A3，根据所述训练用语音数据以及对应的所述标签训练得到所述静音模型；

所述静音模型的输出层上设置有第一节点和第二节点；

所述第一节点用于表示对应所述静音帧的所述标签；

所述第二节点用于表示对应所述非静音帧的所述标签。

3.如权利要求2所述的语音端点检测方法，其特征在于，对应外部输入的每个所述训练用语音数据均预先设置一标注文本，以标注所述训练用语音数据对应的文本内容；

则所述步骤A2具体包括：

步骤A21，获取所述语音特征和对应的所述标注文本；

步骤A22，利用预先训练形成的声学模型对所述语音特征和对应的所述标注文本进行强制对齐，以得到每帧所述语音特征对应到音子的输出标签；

步骤A23，对经过所述强制对齐的所述训练用语音数据进行后处理，以将静音音子的所述输出标签映射到表示所述静音帧的所述标签上，以及将非静音音子的所述输出标签映射到表示所述非静音帧的所述标签上。

4.如权利要求3所述的语音端点检测方法，其特征在于，所述步骤A22中，预先训练形成的所述声学模型为高斯混合模型-隐马尔科夫模型，或者为深度神经网络-隐马尔科夫模型。

5.如权利要求1所述的语音端点检测方法，其特征在于，所述静音模型为包括多层神经网络的深度神经网络模型。

6.如权利要求5所述的语音端点检测方法，其特征在于，所述静音模型的每两层所述神经网络之前包括至少一个非线性变换。

7.如权利要求5所述的语音端点检测方法，其特征在于，所述静音模型的每层所述神经网络为全连接的神经网络，或者卷积神经网络，或者递归神经网络。

8.如权利要求2所述的语音端点检测方法，其特征在于，所述静音模型为包括多层神经网络的深度神经网络模型；

所述静音模型的输出层上设置有第一节点和第二节点；

所述第一节点用于表示对应所述静音帧的所述标签；

所述第二节点用于表示对应非静音帧的所述标签；

则所述步骤S2具体包括：

步骤S21，所述语音特征输入所述静音模型后，通过多层所述神经网络的前向计算分别得到所述输出层中关联于所述第一节点的第一取值以及关联于所述第二节点的第二取值；

步骤S22，将所述第一取值与所述第二取值进行比较：

若所述第一取值大于所述第二取值，则将所述第一节点作为所述语音数据的所述标签并输出；

若所述第一取值小于所述第二取值，则将所述第二节点作为所述语音数据的所述标签并输出。

9.一种语音识别方法，其特征在于，采用如权利要求1-8中所述的语音端点检测方法检测得到需要识别的一段语音的所述起始端点和所述结束端点。