[发明专利]语音激活检测方法和装置

说明书

本发明公开一种语音激活检测方法和装置，其中，语音激活检测方法，包括：对接收的音频进行处理生成音频帧特征；基于神经网络分类器对每一所述音频帧特征为噪声或语音的概率分布值进行计算；对每一所述音频帧特征为噪声或语音的概率分布值进行后处理，输出每一所述音频帧特征的状态判定结果，其中，所述状态判定结果包括静音状态、预音频状态、音频状态和预静音状态。本方案有效解决语音激活检测过程中的一些异常帧以及解决人说话过程中会夹杂静音和噪声段的情况，极大提高语音激活检测的准确性和可用性。通过优化语音激活检测性能，可以进一步提升唤醒及识别性能。

技术领域

本发明属于语音识别领域，尤其涉及语音激活检测方法和装置。

背景技术

语音激活检测(VAD,Voice Activity Detection)，其目的是检测当前语音信号中是否包含语音信号存在，即对输入信号进行判断，将语音信号与各种背景噪声信号区分出来，分别对两种信号采用不同的处理方法。传统的方式有通过过零率、短时能量来进行语音和噪声信号的区分。最近几年基于神经网络的语音激活检测蓬勃发展，极大提高了区分语音和噪声信号的正确率。

短时过零率表示一帧语音中语音信号波形穿过横轴(零电平)的次数，主要是基于语音音频会有高的过零率，在没有噪声的位置表现良好，但是在有噪声的地方表现并不好，抗干扰能力比较差，过零率只是统计了一定时间内波形穿过很轴的次数，当有噪声时波形也会频繁穿过横轴；基于短时能量的方式同样是计算出每帧的能量以后，根据能量的高低判断是不是语音段，方式过于直接，实际效果差，当噪声能量大时，也会被误判成语音；基于神经网络的语音激活检测，是通过训练一个神经网络分类器，该分类器可以判断一帧是否是语音还是噪声，该方式对单帧的判断比较好，但是没有考虑帧之间的关系，以及实际人的语音中因为换气的原因，语音中会有短暂的噪声段，神经网络本身判断语音和噪声帧准确率高，但是未考虑前后帧的影响、实际人的语音中因为换气的因素，造成实际使用中性能变差。

发明内容

本发明实施例提供一种语音激活检测方法及装置，用于至少解决上述技术问题之一。

第一方面，本发明实施例提供一种语音激活检测方法，包括：对接收的音频进行处理生成音频帧特征；基于神经网络分类器对每一所述音频帧特征为噪声或语音的概率分布值进行计算；对每一所述音频帧特征为噪声或语音的概率分布值进行后处理，输出每一所述音频帧特征的状态判定结果，其中，所述状态判定结果包括静音状态、预音频状态、音频状态和预静音状态。

第二方面，本发明实施例提供一种语音激活检测装置，包括：音频处理模块，配置为对接收的音频进行处理生成音频帧特征；音频分析模块，基于神经网络分类器对每一所述音频帧特征为噪声或语音的概率分布值进行计算；结果转换模块，配置为对每一所述音频帧特征为噪声或语音的概率分布值进行后处理，输出每一所述音频帧特征的状态判定结果，其中，所述状态判定结果包括静音状态、预音频状态、音频状态和预静音状态。

第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述方法的步骤。

第四方面，本发明实施例还提供一种存储介质，其包括：所述程序被处理器执行时实现第一方面所述方法的步骤

本申请实施例提供的方法通过有效解决语音激活检测过程中的一些异常帧以及解决人说话过程中会夹杂静音和噪声段的情况，极大提高语音激活检测的准确性和可用性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种语音激活检测方法的流程图；