[发明专利]噪声环境下层级式语音降噪识别方法及系统

权利要求书

1.一种噪声环境下层级式语音降噪识别方法，其特征在于，包括如下步骤：

A)设置通话常用的文本，并进行文本的录入；所述文本至少包含常用字、常用词语和有关货币金额类的量词；

B)使用设置好的所述文本建立文本数据库；

C)根据所述文本进行纯净语音和各类噪声的录制；

D)将所述纯净语音与各类噪声进行线性组合，建立语音数据库；

E)对带噪语音进行端点检测，检测出有效语音的前端点和后端点，提取出有效语音；

F)将所述有效语音通过层级式方法训练语音增强深度神经网络；

G)所述有效语音经过语音增强后再提取其声学特征；

H)使用所述声学特征训练声学模型；

I)使用所述文本训练语言模型；

J)利用所述声学模型和语言模型进行搜索得到最佳的识别结果序列。

2.根据权利要求1所述的噪声环境下层级式语音降噪识别方法，其特征在于，所述步骤D)进一步包括：

D1)对任意一句纯净语音与各类常见噪声进行线性组合；

D2)控制各类噪声的幅度的取值；

D3)使所述纯净语音和噪声的组合覆盖事先设定好的日常生活中常见的情况。

3.根据权利要求1或2所述的噪声环境下层级式语音降噪识别方法，其特征在于，所述步骤F)进一步包括：

F1)将带噪语音到纯净语音的映射按照信噪比递增的方式划分为多个阶段，每一个阶段相比前一阶段提升输入语音的信噪比；

F2)将前一个阶段的输出与当前阶段对应信噪比的原始特征输入进行拼接，作为当前阶段的输入；

F3)所述语音增强深度神经网络的所有层都学习比输入具有更高信噪比的带噪中间目标语音和纯净语音；

F4)训练完所述语音增强深度神经网络后，所有的语音都先经过所述语音增强深度神经网络实现降噪。

4.根据权利要求1所述的噪声环境下层级式语音降噪识别方法，其特征在于，在检测有效语音的前端点和后端点时，事先设定一个能量值阈值，在语音前面连续x帧的能量值低于所述能量值阈值，接下来的y帧的能量值大于所述能量值阈值，则认为能量值增大的地方就是前端点；若连续的x帧的能量值高于所述能量值阈值，接下来的y帧的能量值低于所述能量值阈值，则认为能量值减少的地方就是后端点；其中，所述x和y均为大于0的整数。

5.一种实现如权利要求1所述的噪声环境下层级式语音降噪识别方法的系统，其特征在于，包括：

文本设置录入单元：用于设置通话常用的文本，并进行文本的录入；所述文本至少包含常用字、常用词语和有关货币金额类的量词；

文本数据库建立单元：用于使用设置好的所述文本建立文本数据库；

录制单元：用于根据所述文本进行纯净语音和各类噪声的录制；

语音数据库建立单元：用于将所述纯净语音与各类噪声进行线性组合，建立语音数据库；

端点检测单元：用于对带噪语音进行端点检测，检测出有效语音的前端点和后端点，提取出有效语音；

训练单元：用于将所述有效语音通过层级式方法训练语音增强深度神经网络；

声学特征提取单元：用于使所述有效语音经过语音增强后再提取其声学特征；

声学模型训练单元：用于使用所述声学特征训练声学模型；

语言模型训练单元：用于使用所述文本训练语言模型；

识别结果序列搜索单元：用于利用所述声学模型和语言模型进行搜索得到最佳的识别结果序列。

6.根据权利要求5所述的系统，其特征在于，所述语音数据库建立单元进一步包括：

线性组合模块：用于对任意一句纯净语音与各类常见噪声进行线性组合；

幅度控制模块：用于控制各类噪声的幅度的取值；

覆盖模块：用于使所述纯净语音和噪声的组合覆盖事先设定好的日常生活中常见的情况。