[发明专利]一种语音端点检测模型的构建方法和装置

说明书

本发明公开了一种语音端点检测模型的构建方法和装置，该方法包括：获取初始语音信号数据集；通过第一语音端点检测模型，对每个音频数据样本的语音帧进行语音段和非语音段的标注，并整合成一个语音信号合成样本；将语音信号合成样本随机分割成不同时长的语音段，并在每个语音段的末端添加任意时长的静音段，以及，在每个语音段中添加噪声，得到若干语音信号样本；通过若干语音信号样本对深度学习模型进行训练和超参数调整，得到第二语音端点检测模型；通过模型压缩方法对第二语音端点检测模型进行压缩，得到最终的语音端点检测模型。本发明能够解决低信噪比的环境下，混合着噪声的语音会破坏语音的特征，对语音端点检测的准确率造成影响的问题。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种语音端点检测模型的构建方法和装置。

背景技术

VAD(Voice Activity Detection)，又称语音端点检测，是指从复杂的环境中区分出语音部分和非语音部分，并判断出语音部分的起点和终点。传统的VAD算法主要分为以下两种：第一种是基于特征的阈值比较法，该方法通过提取输入信号的特征，然后将该特征与预先设定的阈值相比较，从而区分出语音与非语音。第一种方法是模型匹配法，该方法分别为语音和非语音建立不同的模型，之后将输入信号与相应的模型进行匹配，从而区分出语音与非语音。但是，这两种语音端点检测算法在低信噪比的环境下，由于混合着噪声的语音会破坏语音的特征，使得上述两种方法的检测结果错误，对语音端点检测的准确率造成影响。

发明内容

本发明提供一种语音端点检测模型的构建方法和装置，能够解决低信噪比的环境下，混合着噪声的语音会破坏语音的特征，对语音端点检测的准确率造成影响的问题，以提高语音端点检测的准确率。

本发明实施例提供了一种语音端点检测模型的构建方法，包括：

获取初始语音信号数据集；其中，所述初始语音信号数据集中包含若干音频数据样本；

通过预先构建的第一语音端点检测模型，对每个所述音频数据样本的语音帧进行标注，并将所有标注好的语音帧整合成一个语音信号合成样本；

将所述语音信号合成样本随机分割成不同时长的语音段，并在每个所述语音段的末端添加任意时长的静音段，以及，在每个所述语音段中添加不同分贝和不同类型的噪声，得到若干语音信号样本；

通过若干所述语音信号样本对预先构建的深度学习模型进行训练和超参数调整，得到第二语音端点检测模型；其中，所述深度学习模型由GRU层、Linear层和Sigmoid层组成；

通过模型压缩方法对所述第二语音端点检测模型进行压缩，得到最终的语音端点检测模型。

作为上述方案的改进，所述通过若干所述语音信号样本对预先构建的深度学习模型进行训练和超参数调整，得到第二语音端点检测模型，包括：

从若干所述语音信号样本中划分预设比例的语音训练数据集和语音验证数据集；

对所述语音训练数据集中的每个语音信号样本进行MFCC特征提取，得到所述语音训练数据集中每个语音信号样本的MFCC特征数据，以构成MFCC特征数据集；

对每个所述MFCC特征数据进行一阶差分运算，得到每个所述MFCC特征数据的动态特征向量，以构成动态特征向量数据集；

将所述MFCC特征数据集和所述动态特征向量数据集输入至预先构建的深度学习模型中，并通过Adam优化器对所述深度学习模型和参数调整，得到训练后的深度学习模型；

通过所述语音验证数据集和网络搜素算法，对所述训练后的深度学习模型进行超参数调整，得到第二语音端点检测模型。

作为上述方案的改进，所述对所述语音训练数据集中的每个语音信号样本进行MFCC特征提取，得到所述语音训练数据集中每个语音信号样本的MFCC特征数据，以构成MFCC特征数据集，包括：