[发明专利]语音端点检测方法、装置、设备及存储介质

权利要求书

1.一种语音端点检测方法，其特征在于，所述语音端点检测方法包括：

获取待识别语音信息，并对所述待识别语音信息进行预处理，得到预处理后的语音信息；

从所述预处理后的语音信息中提取帧级别的语音频谱特征信息；

对所述预处理后的语音信息进行特征处理，得到目标说话人的声学特征信息；

对所述语音频谱特征信息和所述声学特征信息进行特征融合，得到已融合的语音特征信息，所述已融合的语音特征信息为段级或句子级的特征信息；

将所述已融合的语音特征信息输入至已训练的深度神经网络模型中进行语音端点检测处理，得到检测结果，并按照所述检测结果确定目标说话人语音类型、非目标说话人语音类型和背景噪声类型。

2.根据权利要求1所述的语音端点检测方法，其特征在于，所述获取待识别语音信息，并对所述待识别语音信息进行预处理，得到预处理后的语音信息，包括：

接收待识别语音信息，并对所述待识别语音信息进行采样，得到已采样的语音信息；

对所述已采样的语音信息依次进行预加重、分帧和加窗处理，得到预处理后的语音信息。

3.根据权利要求1所述的语音端点检测方法，其特征在于，所述从所述预处理后的语音信息中提取帧级别的语音频谱特征信息，包括：

从所述预处理后的语音信息中提取每帧语音信号；

对所述每帧语音信号进行傅里叶变换，得到对应的频谱信息；

对所述对应的频谱信息进行梅尔滤波器组处理，得到过滤器组fbank特征信息，并将所述fbank特征信息设置为帧级别的语音频谱特征信息。

4.根据权利要求1所述的语音端点检测方法，其特征在于，所述对所述预处理后的语音信息进行特征处理，得到目标说话人的声学特征信息，包括：

判断目标说话人是否已预先注册语音特征信息；

若目标说话人未预先注册语音特征信息，则采用预训练的d-vector网络对所述预处理后的语音信息进行特征处理，得到目标说话人的声学特征信息；

若目标说话人已预先注册语音特征信息，则从所述预置数据表中查询目标说话人的声学特征信息。

5.根据权利要求4所述的语音端点检测方法，其特征在于，所述若目标说话人未预先注册语音特征信息，则采用预训练的d-vector网络对所述预处理后的语音信息进行特征处理，得到目标说话人的声学特征信息，包括：

若目标说话人未预先注册语音特征信息，则将所述预处理后的语音信息输入到预训练的d-vector网络中，采用预置特征提取网络从所述预处理后的语音信息中提取帧级说话人特征向量；

采用所述预训练的d-vector网络中的预置隐层网络从所述过滤器组fbank特征信息中抽取激活值；

将所述激活值进行L2正则化并累加处理，得到目标说话人的声学特征信息，所述声学特征信息为d-vector特征向量信息。

6.根据权利要求4所述的语音端点检测方法，其特征在于，所述若目标说话人已预先注册语音特征信息，则从所述预置数据表中查询目标说话人的声学特征信息，包括：

若目标说话人已预先注册语音特征信息，则获取目标说话人的唯一标识信息，并按照预置结构化查询语言语法规则、所述唯一标识信息和所述预置数据表生成查询语句；

执行所述查询语句，得到所述目标说话人在特征注册阶段中确定的预置d-vector特征信息，并将所述预置d-vector特征信息设置为目标说话人特征信息。