[发明专利]语音端点检测方法、装置、计算机设备及存储介质

说明书

本申请公开了一种语音端点检测方法、装置、计算机设备及存储介质，该方法包括：获取待检测语音数据；提取待检测语音数据的目标声学特征向量和目标音频特征向量，并将目标音频特征向量和目标声学特征向量进行拼接，得到目标拼接特征向量；将目标拼接特征向量输入语音端点检测模型，得到待检测语音数据的至少一个语音片段和N个转折点；基于该至少一个语音片段和N个转折点，将待检测语音数据分割成至少一个音频段。本申请通过融合语音数据的音频特征和声学特征得到语音片段和转折点，根据转折点和语音片段对语音数据进行分割，可以将包括多人说话的语音片段分割成多个单说话人的音频段，提高多人讨论场景下语音端点检测的准确性。

技术领域

本申请涉及语音信息处理技术领域，尤其涉及一种语音端点检测方法、装置、计算机设备及存储介质。

背景技术

随着信息技术的发展，语音信息的应用越来越广泛。语音端点检测(VoiceActivity Detection，VAD)技术是语音识别领域的重要技术，在一段长语音音频中获取真正想要提取的目标活跃语音片段，对提高语音识别的正确率至关重要。

VAD采用神经网络模型结合逻辑策略的方法，在提取输入语音音频的频域特征之后，通过实时的神经网络模型输出每一帧音频的后验信息，再通过逻辑策略的方法将每一帧音频的状态串起来解码，从而判断出每一个需要切割出来的语音片段。

VAD检测有效语音段的结束端点需要等待一段时间的纯静音时长，否则检测不出来有效的语音结束端点。但是，在嘈杂的多人讨论场景下，两人讨论问题的间隔可能不存在一段完全安静的片段，从而使得切割后的有效语音片段中可能包含多人的语音片段或者切割后的有效语音片段很长。而过长的语音片段或者有多个说话人的语音片段会使得语音识别不准确，同时可能会将包含两个说话人的语音片段中的第二个说话人的语音内容丢弃，只识别出第一个人的识别结果。因此，如何在多人讨论场景下提供语音端点检测的准确性是亟待解决的问题。

发明内容

本申请实施例提供一种语音端点检测方法、装置、计算机设备及存储介质，能够提高多人讨论场景下的语音端点检测的准确性。

第一方面，本申请实施例提供一种语音识别方法，该方法包括：

获取待检测语音数据；

提取所述待检测语音数据的目标声学特征向量和目标音频特征向量，并将所述目标音频特征向量和所述目标声学特征向量进行拼接，得到目标拼接特征向量；

将所述目标拼接特征向量输入语音端点检测模型，得到所述待检测语音数据的至少一个语音片段和N个转折点，所述N为整数；

基于所述至少一个语音片段和所述N个转折点，将待检测语音数据分割成至少一个音频段。

第二方面，本申请实施例提供一种语音识别装置，该装置包括：

获取单元，用于获取待检测语音数据；

提取单元，用于提取所述待检测语音数据的目标声学特征向量和目标音频特征向量，并将所述目标音频特征向量和所述目标声学特征向量进行拼接，得到目标拼接特征向量；

检测单元，用于将所述目标拼接特征向量输入语音端点检测模型，得到所述待检测语音数据的至少一个语音片段和N个转折点，所述N为整数；

分割单元，用于基于所述至少一个语音片段和所述N个转折点，将待检测语音数据分割成至少一个音频段。

第三方面，本申请实施例提供一种终端设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。