[发明专利]一种基于三值量化压缩的VAD实现方法

说明书

本发明公开了一种基于三值量化压缩的VAD实现方法，主要包括数据预处理、神经网络和量化处理部分三个部分，首先对纯净人声数据与噪声数据按不同信噪比进行融合得到原始数据集，然后进行预处理使其数据符合神经网络的计算需求，预处理包括语音信号的预加重、分帧、加窗、短时快速傅里叶变换(FFT)、计算不同FFT子带的能量、梅尔滤波、dct变换、lifter变换等；然后通过神经网络进行数据训练，再对训练完成的神经网络模型进行量化压缩，减少其占用存储空间大小。本发明不仅优化了语音数据处理，而且降低了成本，使得经精确计算后能识别清晰语音信息。

技术领域

本发明涉及音频处理技术领域，具体涉及一种基于三值量化压缩的VAD实现方法。

背景技术

区分人声语音与噪音是现有音频处理领域的一个重点，也是难点。

现有的技术中，在特征提取过程中采用多分辨率耳蜗谱图MRCG (Multi-Resolution Cochleagram)特征。对预先处理好的噪声与人声混合的数据集音频计算输入信号的gammatone系数g，gammatone是一组模拟人耳特性的滤波器，滤波器的个数n决定最后特征的维度。

然后采用两种不用的帧长和帧移计算g的cochleagram之后取log10得到耳蜗图谱c1,c2。然后利用get_avg函数计算c1的5*5、11*11模糊图，得到耳蜗图谱c3,c4。然后将四个耳蜗图串联[c1；c2；c3；c4]得到all_cochleas。接下来对all_cochleas求一阶导和二阶导，分别得到del和ddel。最后将三个串联得到最后特征[all_cochleas,del,ddel]，特征的维度是n*4*3。

将这些MRCG特征视为神经网络的输入来训练模型；神经网络则采用深度神经网络(DNN)，将上一层输入的MRCG特征通过深度神经网络(DNN)中，对音频信号的每一帧特征数据进行处理，并且将DNN的计算结果经过softmax函数来计算语音/非语音的后验概率，概率值在(0,1)之间，大于设定阈值即可认定为是语音，小于阈值则认定为非语音。

发明内容

基于此，针对上述问题，有必要提出一种基于三值量化压缩的VAD实现方法，能从带有噪声的语音中准确的定位出语音的开始和结束点，主要对麦克风中录到的音频进行处理，识别其中的语音部分，并删去非语音部分。

本发明的技术方案是：

一种基于三值量化压缩的VAD实现方法，包括以下步骤：

A、提取人声数据及噪音数据，按预设定的信噪比结合，得到训练音频数据；

B、针对每一帧训练音频数据提取MFCC特征后，经拼接得到最终特征数据；

C、拼接多帧特征数据，输入神经网络进行数据训练；

D、接收训练后的数据模型，进行三值量化处理；

E、利用相同训练数据，训练三值化bDNN后，提取并保存其权重、参数。

在本技术方案中，采用了三值量化压缩的VAD实现方法(Ternary Voice ActivityDetection)，以下简称TVAD，主要包括数据预处理、神经网络(Neural Network)和量化处理部分三个部分。

数据预处理，是指对于纯净人声数据与噪声数据进行按不同信噪比进行融合得到原始数据集，然后进行预处理使其数据符合神经网络的计算需求；其中，数据预处理主要步骤包括：语音信号的预加重、分帧、加窗、短时快速傅里叶变换(FFT)、计算不同FFT子带的能量、梅尔滤波、dct变换、lifter变换等。