[发明专利]语音检测方法和装置、存储介质及电子设备

说明书

本发明公开了一种语音检测方法和装置、存储介质及电子设备。其中，该方法包括：将待识别的目标音频数据的音频特征输入循环神经网络模型，以得到识别结果，其中，所述循环神经网络模型用于识别所述目标音频数据中包含的语音帧；在从所述目标音频数据中识别出多个候选语音帧的情况下，获取所述多个候选语音帧中的每个候选语音帧对应的能量信息；根据所述每个候选语音帧对应的能量信息，确定所述每个候选语音帧是否为有效语音帧。本发明解决了语音检测结果准确率低的技术问题。

技术领域

本发明涉及语音识别领域，具体而言，涉及一种语音检测方法和装置、存储介质及电子设备。

背景技术

语音信号处理技术是人机交互领域的一项关键技术，语音端点检测就是从连续的语音流中检测出有效的语音段，其中包括，检测出有效语音的起始点即前端点，检测出有效语音的结束点即后端点。在语音识别和信号处理中，检测识别出有效语音，从而在存储或传输语音的场景下，从连续的语音流中分离出有效语音，可以降低存储或传输的数据量，简化人机交互的工作量和繁琐度。因此，语音检测是语音通信、语音识别、语音编码技术中前端处理的必要环节，对后续的语音处理性能表现起着至关重要的作用。

在相关技术中，在进行语音检测时通常采用基于混合高斯模型的语音检测方法，对于每一帧输入的音频，分别计算语音的概率和噪声的概率。但是混合高斯模型的建模能力有限，无法实现对语音的精确的建模，特别是复杂的语音环境下，基于混合高斯模型的语音端点检测性能严重下降，由此导致语音检测准确率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种语音检测方法和装置、存储介质及电子设备，以至少解决语音检测结果准确率低的技术问题。

根据本发明实施例的一个方面，提供了一种语音检测方法，包括：将待识别的目标音频数据的音频特征输入循环神经网络模型，以得到识别结果，其中，所述循环神经网络模型用于识别所述目标音频数据中包含的语音帧；在从所述目标音频数据中识别出多个候选语音帧的情况下，获取所述多个候选语音帧中的每个候选语音帧对应的能量信息；根据所述每个候选语音帧对应的多个能量信息，确定所述每个候选语音帧是否为有效语音帧。

可选地，所述获取所述多个候选语音帧中的每个候选语音帧对应的能量信息，包括：获取所述多个候选语音帧中的每个候选语音帧各自对应的第一能量值，并根据所述第一能量值确定第二能量值，其中，所述第一能量值用于表示所述多个候选语音帧中距离所述每个候选语音帧最近、且位于所述每个候选语音帧之前的n个语音帧的平均能量值，所述第二能量值用于表示多个所述第一能量值中的最大能量值，n为正整数、且n小于f，f为所述多个候选语音帧的帧数。

可选地，所述获取所述多个候选语音帧中的每个候选语音帧各自对应的第一能量值，并根据所述第一能量值确定第二能量值，包括：重复执行以下步骤，直至遍历所述多个候选语音帧中的全部候选语音帧：获取所述多个候选语音帧中的第i个候选语音帧对应的第一能量值，其中，i为正整数；比对所述第i个候选语音帧对应的第一能量值与历史最大能量值；在所述第i个候选语音帧对应的第一能量值大于所述历史最大能量值的情况下，将所述历史最大能量值更新为所述第i个候选语音帧对应的第一能量值；在所述第i个候选语音帧对应的第一能量值小于所述历史最大能量值的情况下，保持所述历史最大能量值不变；在遍历所述多个候选语音帧的全部候选语音帧之后，将所述历史最大能量值确定为所述第二能量值。

可选地，所述根据所述每个候选语音帧对应的能量信息，确定所述每个候选语音帧是否为有效语音帧，包括：在所述第i个候选语音帧对应的第一能量值小于a×第二能量值的情况下，确定所述第i个候选语音帧为无效语音帧，其中，0＜a＜1；在所述第i个候选语音帧对应的第一能量值大于或等于a×第二能量值的情况下，确定所述第i个候选语音帧为有效语音帧。