[发明专利]一种基于GRU的音频中的人声识别方法及系统

说明书

本发明公开了一种基于GRU的音频中的人声识别方法，包括以下步骤：S11.采集待识别音频，将音频数据保存为数组；S12.将数组转为声纹特征数据；S13.基于预设GRU神经网络识别模型对声纹特征数据进行识别，预设GRU神经网络识别模型的输出层输出两个数值；S14.将数值转为声纹特征数据为人声的概率；S15.将一个单位时间内的所有概率取平均值，若平均值大于设定的默认阈值，则确定单位时间的音频中出现人声，本发明还公开了一种用于实现上述方法的基于GRU的音频中的人声识别系统。本发明采用端到端的网络结构识别音频中的人声，识别效果好，识别得到的人声片段质量高。

技术领域

本发明涉及音频识别技术领域，特别是一种基于GRU的音频中的人声识别方法及系统。

背景技术

随着语音技术和自然语言处理技术的发展，智能音箱在近几年发展迅速，越来越多的人通过智能音箱来操作设备以及获取信息。目前的智能音箱通过语音唤醒技术唤醒设备，然后通过语音识别技术识别用户说话的内容，从而进行判断，在语音识别的过程当中，环境噪声对识别效果有较大的影响，因此需要对语音信号进行前端处理。

人声提取是语音信号的前端处理的一种主要方式，如何高效识别语音信号中包括人声的片段并提取用于语音识别是一个有待解决的技术问题。

发明内容

本发明为解决上述问题，提供了一种基于GRU的音频中的人声识别方法及系统，采用端到端的网络结构识别音频中的人声，识别效果好，识别得到的人声片段质量高。

为实现上述目的，本发明采用的技术方案为：

一种基于GRU的音频中的人声识别方法，包括以下步骤：

S11.采集待识别音频，以A秒作为单位时间，在一个单位时间内，以B秒为窗口，C秒为位移时间，每时长为B秒的音频数据保存为1个数组(时长不足B秒则以实际时长)，其中，0＜C≤B≤A；

S12.将所述数组转为声纹特征数据；

S13.基于预设GRU神经网络识别模型对所述声纹特征数据进行识别，所述预设GRU神经网络识别模型的输出层输出两个数值，分别为所述声纹特征数据为人声的分数和为非人声的分数；

S14.基于SoftMax算法将所述数值转为所述声纹特征数据为人声的概率；

S15.将一个单位时间内的所有所述概率取平均值，若所述平均值大于设定的默认阈值，则确定所述单位时间的音频中出现人声；

其中，所述预设GRU神经网络识别模型的构建方法，包括以下步骤：

S21.采集训练集，所述训练集包括正样本和负样本，所述正样本包括在各种环境下的人声的音频数据，所述负样本包括在各种环境下的非人声的音频数据；

S22.将所述训练集的音频数据转为训练集声纹特征数据；

S23.将所述训练集声纹特征数据作为输入层对GRU神经网络识别模型进行训练，所述GRU神经网络识别模型的输出层输出两个数值，分别为所述训练集声纹特征数据为人声的分数和为非人声的分数；

S24.多次迭代训练，使用交叉熵损失来作为损失函数，通过Adam算法来优化损失值至趋于稳定后完成训练。

优选的，所述预设GRU神经网络识别模型为3层GRU结构的RNN循环网络，隐藏层神经元个数为300。

优选的，使用PyAudio工具采集所述待识别音频或所述训练集的音频数据，其中，采集到的数据为字符串数据，使用numpy工具将所述字符串数据转为数值数据。

优选的，使用python_speech_features工具将所述数组或所述训练集的音频数据转为40维的MFCC特征数据。