[发明专利]语音提取方法、系统、设备及存储介质

说明书

本发明涉及语音处理技术领域，尤其涉及一种语音提取方法、系统、设备及存储介质。包括：将混合语音输入到分离网络的特征提取模块，获取混合语音对应的特征向量；将预设向量和混合语音对应的特征向量输入到分离网络的语音提取模块，从混合语音中提取出目标对象的语音。该方法将混合语音输入到特征提取模块中，得到对应的特征向量，并将预先提取的目标对象的预设向量和该特征向量输入到语音提取模块，在该语音提取模块的作用下，以该预设向量作为参考，保留混合语音中目标对象的语音遗弃噪声语音，从而实现从混合语音中提取出目标对象的语音的功能。即使在多个说话人语音重合时，可以对混合语音中的非目标说话人进行过滤，将目标对象语音提取出来。

技术领域

本发明涉及人语音处理技术领域，尤其涉及一种语音提取方法、系统、设备及存储介质。

背景技术

针对特定说话人的语音提取系统是用来将特定说话人的语音从嘈杂的环境中抽取出来，嘈杂环境不仅包括环境噪声，还包含多人对话。传统方法一般是先对语音进行切割、提取说话人特征、再对说话人进行聚类验证，在多人说话具有重合的问题时，就无法将特定说话人的语音分离出来。

因此，亟需一种针对特定说话人的语音提取方法。

发明内容

本发明实施例提供一种语音提取方法、系统、设备及存储介质，以解决多人说话重合时无法抽取出目标对象语音的问题。

第一方面，本发明实施例提供一种语音提取方法，包括：

将混合语音输入到分离网络的特征提取模块，获取所述混合语音对应的特征向量，所述混合语音包括目标对象的语音和噪声语音；

将预设向量和所述特征向量输入到所述分离网络的语音提取模块，从所述混合语音中提取出所述目标对象的语音，其中，所述分离网络通过样本和标签训练得到，所述预设向量根据所述目标对象的预设语音获得，所述语音提取模块以所述预设向量为参考，调整所述目标对象的语音和所述噪声语音在所述混合语音中所占的比例，从而保留所述目标对象的语音而忘记所述噪声语音。

优选地，所述语音提取模块以所述预设向量为参考，调整所述目标对象的语音和所述噪声语音在所述混合语音中所占的比例，从而保留所述目标对象的语音而忘记所述噪声语音，通过如下方式实现：

LSTM优化网络中的遗忘门将所述目标对象的语音映射成1，将所述噪声语音映射成0，所述语音提取模块包括LSTM优化网络。

优选地，LSTM优化网络中的遗忘门计算公式如下：

f_t＝σ(W_e[h_t-1,e_j]+b_e)，

其中，f_t表示t时刻遗忘门的输出，σ表示sigmoid函数，W_e表示遗忘门的权重矩阵，b_e表示遗忘门的偏置，h_t-1表示t-1时刻的隐藏状态，e_j表示所述预设向量，j表示所述目标对象的语音在所述混合语音中的位置。

优选地，所述预设向量通过如下方式获得：

将所述预设语音依次输入到若干个依次连接的LSTM网络，获取所述预设向量。

优选地，所述特征提取模块为若干个依次连接的空洞卷积层。

优选地，将预设向量和所述混合语音对应的特征向量输入到所述分离网络的语音提取模块，从所述混合语音中提取出所述目标对象的语音，包括：

将所述预设向量和所述混合语音对应的特征向量输入到修改后的LSTM网络中，并将修改后的LSTM网络的输出结果作为全连接层的输入，获取所述目标对象的语音。

优选地，所述分离网络在训练时的损失函数如下：