[发明专利]一种实时语音分离语音转写的方法

权利要求书

1.一种实时语音分离语音转写的方法，其特征在于,包括：

通过硬件采集模块对多人说话的声音采集，并得到多路麦克风的数字信号；

通过语音分离模块将所述数字信号分离出多个单人的语音信号；

将各个所述语音信号分别接入语音转写模块，转写成对应每个说话人的文字内容；

所述语音分离模块由DOA声源定位、Fixed Beamformer固定方向波束成形，PostFilter后处理滤波器及Post Separator后处理时域分离器构成；

所述DOA声源定位采用GWS-SRP-PHAT方法：

第一步、先计算SRP-PHAT得到每一帧的原始DOA输出记为DOA_PEAK_RAW，同时对不同频率进行加权，用以平衡不同频率的空间谱分辨率和麦克风间距，提高DOA精度,按5度为间隔，扫描0-360度，SRPout最大值为目前DOA_PEAK_energy和DOA_PEAK；

第二步、对DOA_PEAK进行中值滤波器平滑滤波得到DOA_SMOOTH，结合语音学和经验值设定，中值滤波器长度为H，当前时刻T，DOA_SMOOTH为中值滤波器的输出，即窗口H内排序后的中值DOA_SMOOTH；

第三步、按指定的目标方向角DOA_TARGET和波束范围DOA_BEAM，得到FixedBeamformer的输入导向矢量DOA_TARGET_BF，同时输出平滑DOA_SMOOTH。

2.根据权利要求1所述的一种实时语音分离语音转写的方法，其特征在于：所述采集模块包含多个麦克风拾音模组；各个所述麦克风拾音模组的采样率为16kHz。

3.根据权利要求1所述的一种实时语音分离语音转写的方法，其特征在于：所述FixedBeamformer固定方向波束成形通过采用Modified TF-GSC结构分别输出目标说话方向空间滤波后的语音信号。

4.根据权利要求3所述的一种实时语音分离语音转写的方法，其特征在于：所述TF-GSC由Fixed Beamformer固定波束成形、Blocking Matrix矩塞矩阵、Multichannel AdaptiveInterference Canceller构成；所述Blocking Matrix矩塞矩阵采用自适应滤波器Adaptive Blocking Matrix，自适应滤波器Adaptive Blocking Matrix和MultichannelAdaptive Interference Cancel ler滤波器更新策略，本方法使用AdaptiveInterference Canceller-Adaptive Blocking Matrix controller跟踪各自输入输出的后验信噪比变化，来判定目标方向和非目标方向是否包含语音，来控制两组滤波器是否更新。

5.根据权利要求1所述的一种实时语音分离语音转写的方法，其特征在于：所述PostFilter后处理滤波器采用MAP-Based后处理滤波器。

6.根据权利要求3所述的一种实时语音分离语音转写的方法，其特征在于：所述PostFilter后处理滤波器采用γ(e^jΩμ，k)为后验信噪比作为随机变量，定义Γ(e^jΩμ，k)＝10log₁₀γ(e^jΩμ，k)，复合高斯分布定义先验信噪比As为Modified TF-GSC输出，An为Modified TF-GSC ABM模块的输出，

μ_r(ξ)＝10log₁₀(ξ+1)，

λ_Φ为经验超参，μ_r，λ_r为高斯分布均值和方差，估计后处理滤波器的系数进一步形成目标方向固定波束，消除残余方向的干扰信号。

7.根据权利要求1所述的一种实时语音分离语音转写的方法，其特征在于，所述PostSeparator包含：相似度，Pitch filter，DOA_GUIDE,窗口能量；预定义的输出的说话人数量为N_SPK，

所述相似度为N_SPK路分离信号的窗口的Coherence，即谱相似度；

所述Pitch filter用于分别估计N_SPK路语音信号的Pitch差是否在预定义的delta-Pitch内，即N_SPK的基频是否相似；

所述DOA_GUIDE用于同步判断窗口内当前帧属于N_SPK路说话人的比例，予以加权。