[发明专利]一种语音处理方法及装置

权利要求书

1.一种语音处理方法，其特征在于，所述方法包括：

对语音信号进行分帧处理，生成多个语音帧；

分别提取所述多个语音帧对应的声学特征；

利用声学模型按照帧移为第一数量的频率处理所述声学特征，以在单次帧移处理后获取第二数量的后验概率向量，所述后验概率向量包括声学特征分别对应于多个预设建模单元的概率，所述声学模型基于低帧率(LFR)算法和多帧预测(MFP)算法的结合训练得到；

其中，所述声学模型被设置为按照下述方式训练得到：

获取多个历史语音信号、所述历史语音信号对应的多个声学特征以及所述声学特征对应的建模单元；

将所述历史语音信号对应的多个声学特征按照帧移为所述第一数量的频率进行划分；

将所述第一数量的声学特征划分成所述第二数量的声学特征序列，所述声学特征序列中包括具有相邻关系的第三数量的声学特征；

根据所述第三数量的声学特征对应的建模单元，分别计算所述第二数量的声学特征序列对应于多个预设建模单元的平均概率向量；

利用所述多个历史语音信号的声学特征序列以及所述声学特征序列对应的平均概率向量训练生成所述声学模型。

2.根据权利要求1所述的方法，其特征在于，所述声学模型被设置为按照下述方式处理所述声学特征：

在单次帧移处理中，将所述第一数量的声学特征划分成所述第二数量的声学特征序列，所述声学特征序列中包括具有相邻关系的多个声学特征；

分别对所述第二数量的声学特征序列进行处理，生成所述第二数量的后验概率向量。

3.根据权利要求1所述的方法，其特征在于，所述利用所述多个历史语音信号的声学特征序列以及所述声学特征序列对应的平均概率向量训练生成所述声学模型包括：

构建基于深度学习的声学模型，所述声学模型中设置有网络参数；

将所述历史语音信号按照每次输入所述第二数量的声学特征序列的规则输入所述声学模型，并在每次获取所述第二数量的预测概率向量；

基于所述平均概率向量与所述预测概率向量之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

4.根据权利要求3所述的方法，其特征在于，所述声学模型中包括主神经网络和所述第二数量的相互独立的子神经网络，所述主神经网络的输入端为所述声学模型的输入端，所述主神经网络的输出端分别与所述第二数量的子神经网络的输入端相耦合，所述第二数量的子神经网络的输出端为所述声学模型的输出端。

5.根据权利要求3所述的方法，其特征在于，所述声学模型中包括主神经网络和具有多层结构的多个子神经网络，所述主神经网络的输入端为所述声学模型的输入端，所述主神经网络的输出端与所述多个子神经网络的第一层的输入端相耦合，所述多个子神经网络最后一层的输出端为所述声学模型的输出端。

6.一种语音处理装置，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现下述步骤：

对语音信号进行分帧处理，生成多个语音帧；

分别提取所述多个语音帧对应的声学特征；

利用声学模型按照帧移为第一数量的频率处理所述声学特征，以在单次帧移处理后获取第二数量的后验概率向量，所述后验概率向量包括声学特征分别对应于多个预设建模单元的概率，所述声学模型基于低帧率(LFR)算法和多帧预测(MFP)算法的结合训练得到；

其中，所述声学模型被设置为按照下述方式训练得到：

获取多个历史语音信号、所述历史语音信号对应的多个声学特征以及所述声学特征对应的建模单元；

将所述历史语音信号对应的多个声学特征按照帧移为所述第一数量的频率进行划分；

将所述第一数量的声学特征划分成所述第二数量的声学特征序列，所述声学特征序列中包括具有相邻关系的第三数量的声学特征；

根据所述第三数量的声学特征对应的建模单元，分别计算所述第二数量的声学特征序列对应于多个预设建模单元的平均概率向量；

利用所述多个历史语音信号的声学特征序列以及所述声学特征序列对应的平均概率向量训练生成所述声学模型。