[发明专利]基于多模型神经网络的语音处理方法和装置

说明书

本发明提供一种基于多模型神经网络的语音处理方法和装置，包括：获取目标语音帧中的声学特征，将该声学特征分别作为N个第一神经网络模型的输入参数，得到N个第一掩蔽阈值，该N个第一神经网络模型均不同，将声学特征作为第二神经网络模型的输入参数，得到N个权重，该N个权重与该N个第一掩蔽阈值一一对应，根据N个权重和N个第一掩蔽阈值，得到第二掩蔽阈值，根据第二掩蔽阈值对该声学特征进行处理，得到目标语音帧的源信号的估计值。通过多个不同的第一神经网络模型得到多个不同的第一掩蔽阈值，进而对多个第一掩蔽阈值进行处理得到最终的掩蔽阈值，从而提高了掩蔽阈值的准确度，使得盲源分离的效果更佳。

技术领域

本申请实施例涉及语音信号处理技术领域，尤其涉及一种基于多模型神经网络的语音处理方法和装置。

背景技术

语音交互中一个常见的应用场景就是高噪声情况下的语音识别，高噪声情况下，人类的听觉系统可以分辨出嘈杂环境中的感兴趣的声音，这个现象叫做“鸡尾酒会效应”，“鸡尾酒会效应”在技术上描述为盲源分离(Blind Source Separation，BSS)问题，也就是在没有参考信号的情况下，把感兴趣的“前景音”从嘈杂的“背景音”中分离出来。

常用的盲源分离方法为理想比例掩蔽(Ideal Ratio Mask，IRM)阈值，现有技术中，采用单模型神经网络计算掩蔽阈值，该单模型神经网络由多个卷几层、多个循环神经网络(Recurrent Neural Networks，RNN)层和一个输出层组成，输出层与RNN层之间采用全连接的方式，激活函数使用sigmoid。

但是，单模型神经网络具有性能上限，导致掩蔽阈值的准确度不高。

发明内容

本申请实施例提供一种基于多模型神经网络的语音处理方法和装置，提高了掩蔽阈值的准确度，使得盲源分离的效果更佳

本发明第一方面提供一种基于多模型神经网络的语音处理方法，包括：

获取目标语音帧中的声学特征，所述目标语音帧中包括源信号和噪音；

将所述声学特征分别作为N个第一神经网络模型的输入参数，得到N个第一掩蔽阈值，N为大于1的整数，所述N个第一神经网络模型均不同；

将所述声学特征作为第二神经网络模型的输入参数，得到N个权重，所述N个权重与所述N个第一掩蔽阈值一一对应；

根据所述N个权重和所述N个第一掩蔽阈值，得到第二掩蔽阈值；

根据所述第二掩蔽阈值对所述声学特征进行处理，得到所述目标语音帧的源信号的估计值。

可选的，所述根据所述N个权重和所述N个第一掩蔽阈值，得到第二掩蔽阈值，包括：

根据所述N个权重计算所述N个第一掩蔽阈值的加权平均值；

根据所述加权平均值得到所述第二掩蔽阈值。

可选的，所述根据所述加权平均值得到所述第二掩蔽阈值，包括：

将所述加权平均值和1中的较小者作为所述第二掩蔽阈值。

可选的，所述根据所述加权平均值得到所述第二掩蔽阈值，包括：

若所述加权平均值小于或等于1，则将所述加权平均值作为所述第二掩蔽阈值；

若所述加权平均值大于1，则计算所述加权平均值与修正因子的乘积，得到所述第二掩蔽阈值，其中，所述修正因子大于0且小于1。

可选的，所述第一神经网络模型包括至少一个卷积层、至少一个循环神经网络层以及一个输出层；或者，

所述第一神经网络模型包括至少一个卷积层以及一个输出层；或者，