[发明专利]一种语音降噪训练数据的处理方法及其装置、训练方法

说明书

本发明提供了一种语音降噪训练数据的处理方法及其装置、训练方法，该处理方法包括：接收待处理的语音降噪训练数据；将语音降噪训练数据进行分帧；计算每帧语音降噪训练数据单元的第一均方根值；计算多帧语音降噪训练数据单元中的最大均方根值；根据最大均方根值对每帧语音降噪训练数据单元的第一均方根值进行归一化处理；依次判断每帧语音降噪训练数据单元的第二均方根值是否小于噪音阈值；如果该帧语音降噪训练数据单元的第二均方根值小于噪音阈值，则该帧语音降噪训练数据单元为噪音帧；否则，该帧语音降噪训练数据单元为语音帧。以每帧语音降噪训练数据的时域均方根值为依据，进行语音激活检测，简化语音激活检测的算法，提高运算效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种语音降噪训练数据的处理方法及其装置、训练方法。

背景技术

当前，采用深度神经网络(Deep Neural Network，简称DNN)技术，在语音降噪方面已经取得了很大的成功，尤其对非平稳和类平稳噪声的抑制效果，明显优于传统方法。深度神经网络的训练过程需要大量非常干净的语音数据。但由于录音条件的限制，很多语音数据的底噪较大，且其中不可避免的包含呼吸声，这些干扰因素会直接影响深度神经训练的质量，导致深度网络训练的效果变差。

现有技术在消除噪声过程中，通常使用最小值跟踪或者最小值控制的递归平均(Minimum Controlled Regressive Averaging，简称MCRA)等算法进行语音激活检测，然后使用谱减法、维纳滤波等算法进行噪声估计并消除噪声。采用该方式，在对语音帧进行降噪时会不可避免的出现语音损伤，虽然人耳对这种损伤往往并不敏感，但使用这种损伤后的语音训练数据进行降噪训练后最终得到的深度神经网络模型会出现较大的语音损伤，导致效果不佳。且传统的降噪算法需要考虑各种复杂的带噪场景，因此运算量较大，尤其是面对大批量的语音训练数据时(100小时以上)，往往需要很长的处理时间(1小时以上)，导致效率不高。

发明内容

本发明提供了一种语音降噪训练数据的处理方法及其装置、训练方法，以简化语音激活检测的算法，提高运算效率。

第一方面，本发明提供了一种语音降噪训练数据的处理方法，其中，该语音降噪训练数据用于训练深度神经网络模型。该处理方法包括：接收待处理的语音降噪训练数据；将语音降噪训练数据进行分帧，获得多帧语音降噪训练数据单元；计算多帧语音降噪训练数据单元中的每帧语音降噪训练数据单元的第一均方根值；计算多帧语音降噪训练数据单元的第一均方根值中的最大均方根值；根据最大均方根值对每帧语音降噪训练数据单元的第一均方根值进行归一化处理，得到每帧语音降噪训练数据单元的第二均方根值；依次判断每帧语音降噪训练数据单元的第二均方根值是否小于噪音阈值；如果判断结果为该帧语音降噪训练数据单元的第二均方根值小于噪音阈值，则识别该帧语音降噪训练数据单元为噪音帧；如果判断结果为该帧语音降噪训练数据单元的第二均方根值不小于噪音阈值，则识别该帧语音降噪训练数据单元为语音帧。

在上述的方案中，通过计算多帧语音降噪训练数据单元中的每帧语音降噪训练数据单元的第一均方根值，之后根据最大均方根值对每帧语音降噪训练数据单元的第一均方根值进行归一化处理，得到每帧语音降噪训练数据单元的第二均方根值，再依次判断每帧语音降噪训练数据单元的第二均方根值是否小于噪音阈值，从而识别出原始的语音降噪训练数据中的噪音帧和语音帧。与现有技术的方案相比，本申请的方式以每帧语音降噪训练数据的时域均方根值为依据，进行语音激活检测，简单实用，从而简化语音激活检测的算法，提高运算效率。

在一个具体的实施方式中，计算多帧语音降噪训练数据单元中的每帧语音降噪训练数据单元的第一均方根值具体为：采用如下公式计算每帧语音降噪训练数据单元的第一均方根值：

其中，i表示帧索引；

n表示每帧语音降噪训练数据单元中的时域采样点个数；

j表示每帧语音降噪训练数据单元中的各时域采样点索引；