CN110827858B - 语音端点检测方法及系统 - Google Patents
语音端点检测方法及系统 Download PDFInfo
- Publication number
- CN110827858B CN110827858B CN201911176491.4A CN201911176491A CN110827858B CN 110827858 B CN110827858 B CN 110827858B CN 201911176491 A CN201911176491 A CN 201911176491A CN 110827858 B CN110827858 B CN 110827858B
- Authority
- CN
- China
- Prior art keywords
- voice
- audio frame
- current audio
- speech
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000005236 sound signal Effects 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000009499 grossing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
- G10L15/05—Word boundary detection
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开一种语音端点检测方法,包括:获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率以确定当前音频帧的语音信号存在概率;判断当前音频帧的语音信号存在概率是否大于第一设定阈值,以确定当前音频帧的语音状态;获取当前音频帧的前面L1个音频帧各自的语音状态;当确定当前音频帧和前面L1个音频帧各自的语音状态之和的平均值大于第二设定阈值时,确定当前音频帧及后面L1个音频帧存在语音信号。本发明通过采用对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率作为源数据进行语音端点检测,实现利用信号处理的结果,做简单的统计比较,大大简化了计算,减小了内存的需求。
Description
技术领域
本发明涉及语音信号处理技术领域,尤其涉及一种语音端点检测方法及系统。
背景技术
语音活动检测(Voice Activity detection,VAD)也被称为语音检测,在语音处理中用于检测语音的存在与否,从而将信号中的语音片段和非语音片段分开。
当前语音端点检测的方法有:神经网络的方法、双门限检测方法、基于自相关极大值的检测方法、基于小波变换的检测方法。其中,
神经网络的方法:特征需要人为设计,实现起来比较复杂,计算量比较大。
双门限检测方法:利用了语音的短时能量和短时过零率,适用于信噪比高的场景,不具备抗噪能力。
基于自相关极大值的检测方法:去除信号绝对能量大小带来的影响。
基于小波变换的检测方法:检测速度慢,实用性较差。
以上现有技术中还存在计算量大,在嵌入式设备上对功耗和处理器的性能及内存要求高的问题。
发明内容
本发明实施例提供一种语音端点检测方法及系统,用于至少解决上述技术问题之一。
第一方面,本发明实施例提供一种语音端点检测方法,包括:
获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率;
根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率;
判断所述当前音频帧的语音信号存在概率是否大于第一设定阈值,若是则确定所述当前音频帧的语音状态为1,若否则确定所述当前音频帧的语音状态为0;
获取所述当前音频帧的前面L1个音频帧各自的语音状态;
确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
如果是,则确定所述当前音频帧及后面L1个音频帧存在语音信号
第二方面,本发明实施例提供一种语音端点检测系统,包括:
第一信息获取模块,用于获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率;
概率确定模块,用于根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率;
帧语音状态确定模块,用于判断所述当前音频帧的语音信号存在概率是否大于第一设定阈值,若是则确定所述当前音频帧的语音状态为1,若否则确定所述当前音频帧的语音状态为0
第二信息获取模块,用于获取所述当前音频帧的前面L1个音频帧各自的语音状态;
判断模块,用于确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
确定模块,用于当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值大于第二设定阈值时,确定所述当前音频帧及后面L1个音频帧存在语音信号。
第三方面,本发明实施例提供一种存储介质,所述存储介质中存储有一个或多个包括执行指令的程序,所述执行指令能够被电子设备(包括但不限于计算机,服务器,或者网络设备等)读取并执行,以用于执行本发明上述任一项语音端点检测方法。
第四方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明上述任一项语音端点检测方法。
第五方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任一项语音端点检测方法。
本发明实施例的有益效果在于:本发明实施例通过采用对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率作为源数据,并基于此确定当前音频帧的语音状态,以进行语音端点检测,从而将语音端点检测和信号处理相结合过程进行了结合,仅依赖语音的存在概率去估计当前帧的状态(speech or silence),实现利用信号处理的结果,做简单的统计比较,省去了复杂的VAD模块计算(现有技术中均把语音的端点检测当成一个独立的功能模块),大大简化了计算,减小了内存的需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的语音端点检测方法的一实施例的流程图;
图2为本发明的语音端点检测方法的另一实施例的流程图;
图3为采用本发明的语音端点检测方法的人机对话方法的一实施例的流程图;
图4为本发明的语音端点检测系统的一实施例的原理框图;
图5为本发明的电子设备的一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中,“模块”、“装置”、“系统”等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中,并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一元件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示,本发明的实施例提供一种语音端点检测方法,包括:
S10、获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率。
示例性地,所述多个频点为人声频段内的多个频率点。例如,人声频段的开始频点和结束频点为48和150,对应的频率为1560Hz到4875Hz。
S20、根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率(即,当前音频帧存在语音信号的概率);示例性地,将所述多个语音存在概率的算数平均值确定为所述当前音频帧的语音信号存在概率。
S30、判断所述当前音频帧的语音信号存在概率是否大于第一设定阈值,若是则确定所述当前音频帧的语音状态为1,若否则确定所述当前音频帧的语音状态为0。
S40、获取所述当前音频帧的前面L1个音频帧各自的语音状态;示例性地,可以采用步骤S10-S30的方法获得所述前面L1个音频帧各自的语音状态。
S50、确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
S60、当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值大于第二设定阈值时,确定所述当前音频帧及后面L1个音频帧存在语音信号。
本发明实施例通过采用对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率作为源数据,并基于此确定当前音频帧的语音状态,以进行语音端点检测,从而将语音端点检测和信号处理相结合过程进行了结合,仅依赖语音的存在概率去估计当前帧的状态(speech or silence),实现利用信号处理的结果,做简单的统计比较,省去了复杂的VAD模块计算(现有技术中均把语音的端点检测当成一个独立的功能模块),大大简化了计算,减小了内存的需求。
在一些实施例中,当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值不大于第二设定阈值时,所述方法还包括:
获取所述当前音频帧的前面L2个音频帧各自的语音状态,其中L1>L2;
确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
如果是,则确定所述当前音频帧及后面L2个音频帧存在语音信号。
在一些实施例中,当确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值不大于第二设定阈值时,所述方法还包括:
获取所述当前音频帧的前面L3个音频帧各自的语音状态,其中L2>L3;
确定所述当前音频帧的语音状态和所述前面L3个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
如果是,则确定所述当前音频帧及后面L3个音频帧存在语音信号。
在一些实施例中,利用降噪算法中估计的各频点语音存在概率,对选择的人声频点段进行统计,计算均值作为该帧语音信号的存在概率。当前帧的语音存在概率结果,分别对当前帧前L1、L2、L3长度的窗内帧信号进行统计,取窗内的峰值点到当前帧的均值,与第二设定阈值(Thresh1、Thresh2、Thresh3)比较得出当前帧信号的状态信息,以及预测后续语音的状态信息。对外抛出语音状态为1的信号,即为已经切过的语音信号。
示例性地,L1取值20,L2取值10,L3取值5,单位是帧。第二设定阈值Thresh1、Thresh2、Thresh3均取值为0.9。以上L1-L3和第二设定阈值的取值仅仅作为示例给出,本领域技术人员可以根据具体需要进行自行设定,本发明对此不作限定。
以上的实现利用信号处理的结果,做简单的统计比较,省去了复杂的VAD模块计算,大大简化了计算,减小了内存的需求。即使是在低频段,噪声能量较大,但是语音的存在概率低,使得语音状态为0,不会当成语音信号抛出。
如图2所示,为本发明的语音端点检测方法的另一实施例的流程图,具体包括以下步骤:
(1).计算当前帧的状态,对应0表示非语音状态,1表示为语音状态。基于降噪过程得到的各频点语音存在概率,选择特定的人声频点段(st,end)计算平均概率Pk(例如,人声频段的开始频点和结束频点为48和150,即,st取值为48,end取值为150,对应的频率为1560Hz到4875Hz),得到当前帧语音信号的存在概率,同阈值thresh=0.75比较,大于0.75则表示当前帧语音状态为1,否则当前帧的语音状态为0。
(2).进行状态平滑
假设当前帧号为K,分别统计当前帧前min(1,K-20)、min(1,K-10)、min(1,K-5)帧的状态均值,得到St1、St2、St3。
(3)预测
St1、St2、St3分别和thresh1、thresh2、thresh3进行比较(thresh1、thresh2和thresh3可以取相同值0.9);
若St1>thresh1,则预测当前帧及之后L1帧状态为1;
否则,若St2>thresh2,则预测当前帧及之后L2帧状态为1;
否则,若St3>thresh3,则预测当前帧及之后L3帧状态为1;
否则根据步骤(1)确定当前帧的状态。
(4)对外抛出状态为1的语音信号,即将判定为语音信号的当前帧输出。
本发明实施例中通过当前音频帧的前面L个音频帧(L1或者L2或者L3)的语音状态来对当前音频帧的语音状态进行平滑处理,使得最终输出的语音数据是连续的块。这个过程理解就是进行平滑,因为例如,按照每帧音频得到的状态为1 1 1 1 0 0 1 0 1 1,这种中间有零的,但是对外我想要的是1 1 1 1 1 1 1 1 1 1这种连续的语音块,通过本发明实施例的方法就能够把1中间的0给平滑掉。
如果不处理,直接按照1 1 1 1 0 0 1 0 1 1往外输出音频数据的话,相当于分割成了3段,但其作为整体其实这是一段语音。而经过本发明实施例的方法之后得到的1 1 11 1 1 1 1 1 1就是对外输出了一段音频。目的就是要把1 1 1 1 0 0 1 0 1 1变成1 1 11 1 1 1 1 1 1的形式输出,这样输出的语音是连续的块。
例如,用户说了一句话"我要……吃饭"按照每帧概率比较得到每帧的状态为:1 11 0 0 1 1 0 1 0 1 1 1 1 0 0 0 0 0
如果这样选择1往外输出就不完整,平滑的作用就是把语音段全部为1非语音段全为0平滑成一整块:1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0,这样就把完整的语音段切出来了。
例如:"我要看电影"
状态:1 1 1 1 1 1 1 1 0 0 1 1 1
目的是要消除中间的0,如果不消除的话往输出的结果就是两段“我要”+“看电影”,但是这其实是一句完整的话,消除0之后输出结果就是"我要看电影"。
而如果不采用本发明实施例的基于前L帧音频进行预测平滑的处理,仅通过当前帧的概率和阈值比较,就会出现很多0、1相间的语音,从而就把整块的语音切碎了。
示例性地,如果当前帧前面L帧平滑下来的结果不过阈值,并且当前帧的语音存在概率也没有过阈值,比如这种情况:1 1 1 1 0 0 0 0 0 1 1 1,这种情况下0的状态比较长,对最后一个0进行前面的平滑可能不过阈值,并且当前帧状态为0,这样就不能够消除中间的0。
而添加了预测,中间的0就会被置为语音状态。因为第一个0前面全是1这样的话平滑肯定会过阈值,即使当前帧的状态为0。
在一些实施例中,本发明的语音端点检测方法中,在所述获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率之前还包括:
接收多路麦克风所采集的多路音频信号;
对所述多路音频信号进行回声消除,得到处理后的多个通道音频数据;
对所述多个通道音频数据分别进行波束形成处理;
对波束形成处理之后的多个通道音频数据分别进行降噪处理。
如图3所示,为采用本发明的语音端点检测方法的人机对话方法的一实施例的流程图,该人机对话方法包括以下步骤:
(1)、采集多路MIC信号,做回声消除(AEC模块),输出消除参考音之后进行波束形成,以得到的多路音频。
(2)、后处理步骤1,对回声消除后的多路信号做信号增强,示例性地,信号增强算法可以采用GSC信号增强算法。
(3)、后处理步骤2,对增强的多路信号做降噪处理。
(4)、基于降噪过程估计的语音存在概率,过VAD计算语音的状态。
(5)、将过VAD之后的音频送唤醒(WKP模块)。
(6)、如果唤醒,估计声源角度信息。
(7)、基于估计的声源角度做单通道的信号增强,同样做降噪处理,过VAD检测,最终输出语音块。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作合并,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
如图4所示,本发明的实施例还提供一种语音端点检测系统400,包括:
第一信息获取模块410,用于获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率;
概率确定模块420,用于根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率;
帧语音状态确定模块430,用于判断所述当前音频帧的语音信号存在概率是否大于第一设定阈值,若是则确定所述当前音频帧的语音状态为1,若否则确定所述当前音频帧的语音状态为0
第二信息获取模块440,用于获取所述当前音频帧的前面L1个音频帧各自的语音状态;
判断模块450,用于确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
确定模块460,用于当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值大于第二设定阈值时,确定所述当前音频帧及后面L1个音频帧存在语音信号。
在一些实施例中,所述第二信息获取模块还用于当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值不大于第二设定阈值时,获取所述当前音频帧的前面L2个音频帧各自的语音状态,其中L1>L2;
所述判断模块还用于确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值是否大于所述第二设定阈值;
所述确定模块还用于当确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值大于所述第二设定阈值时,确定所述当前音频帧及后面L2个音频帧存在语音信号。
在一些实施例中,所述第二信息获取模块还用于当确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值不大于第二设定阈值时,获取所述当前音频帧的前面L3个音频帧各自的语音状态,其中L2>L3;
所述判断模块还用于确定所述当前音频帧的语音状态和所述前面L3个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
所述确定模块还用于当确定所述当前音频帧的语音状态和所述前面L3个音频帧各自的语音状态之和的平均值大于第二设定阈值时,则确定所述当前音频帧及后面L3个音频帧存在语音信号。
在一些实施例中,本发明的语音端点检测系统还包括,预处理模块,用于在所述获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率之前执行以下步骤:
接收多路麦克风所采集的多路音频信号;
对所述多路音频信号进行回声消除,得到处理后的多个通道音频数据;
对所述多个通道音频数据分别进行波束形成处理;
对波束形成处理之后的多个通道音频数据分别进行降噪处理。
在一些实施例中,本发明实施例提供一种非易失性计算机可读存储介质,所述存储介质中存储有一个或多个包括执行指令的程序,所述执行指令能够被电子设备(包括但不限于计算机,服务器,或者网络设备等)读取并执行,以用于执行本发明上述任一项语音端点检测方法。
在一些实施例中,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任一项语音端点检测方法。
在一些实施例中,本发明实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行语音端点检测方法。
在一些实施例中,本发明实施例还提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现语音端点检测方法。
上述本发明实施例的语音端点检测系统可用于执行本发明实施例的语音端点检测方法,并相应的达到上述本发明实施例的实现语音端点检测方法所达到的技术效果,这里不再赘述。本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
图5是本发明另一实施例提供的执行语音端点检测方法的电子设备的硬件结构示意图,如图5所示,该设备包括:
一个或多个处理器510以及存储器520,图5中以一个处理器510为例。
执行语音端点检测方法的设备还可以包括:输入装置530和输出装置540。
处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器520作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的语音端点检测方法对应的程序指令/模块。处理器510通过运行存储在存储器520中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例语音端点检测方法。
存储器520可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据语音端点检测装置的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器520可选包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至语音端点检测装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可接收输入的数字或字符信息,以及产生与语音端点检测装置的用户设置以及功能控制有关的信号。输出装置540可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器520中,当被所述一个或者多个处理器510执行时,执行上述任意方法实施例中的语音端点检测方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:智能音箱,故事机,音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种语音端点检测方法,包括:
获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率;
根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率;
判断所述当前音频帧的语音信号存在概率是否大于第一设定阈值,若是则确定所述当前音频帧的语音状态为1,若否则确定所述当前音频帧的语音状态为0;
获取所述当前音频帧的前面L1个音频帧各自的语音状态;
确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
如果是,则确定所述当前音频帧及后面L1个音频帧存在语音信号;
当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值不大于第二设定阈值时,所述方法还包括:
获取所述当前音频帧的前面L2个音频帧各自的语音状态,其中L1>L2;
确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值是否大于所述第二设定阈值;
如果是,则确定所述当前音频帧及后面L2个音频帧存在语音信号。
2.根据权利要求1所述的方法,其中,所述根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率包括:
将所述多个语音存在概率的算数平均值确定为所述当前音频帧的语音信号存在概率。
3.根据权利要求1所述的方法,其中,所述多个频点为人声频段内的多个频率点。
4.根据权利要求1所述的方法,其中,所述第二设定阈值取值为0.9。
5.根据权利要求1所述的方法,其中,在所述获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率之前还包括:
接收多路麦克风所采集的多路音频信号;
对所述多路音频信号进行回声消除,得到处理后的多个通道音频数据;
对所述多个通道音频数据分别进行波束形成处理;
对波束形成处理之后的多个通道音频数据分别进行降噪处理。
6.一种语音端点检测系统,包括:
第一信息获取模块,用于获取在对音频信号进行降噪处理过程中所得到的当前音频帧的多个频点的多个语音存在概率;
概率确定模块,用于根据所述多个语音存在概率确定所述当前音频帧的语音信号存在概率;
帧语音状态确定模块,用于判断所述当前音频帧的语音信号存在概率是否大于第一设定阈值,若是则确定所述当前音频帧的语音状态为1,若否则确定所述当前音频帧的语音状态为0
第二信息获取模块,用于获取所述当前音频帧的前面L1个音频帧各自的语音状态;
判断模块,用于确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值是否大于第二设定阈值;
确定模块,用于当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值大于第二设定阈值时,确定所述当前音频帧及后面L1个音频帧存在语音信号;
所述第二信息获取模块还用于当确定所述当前音频帧的语音状态和所述前面L1个音频帧各自的语音状态之和的平均值不大于第二设定阈值时,获取所述当前音频帧的前面L2个音频帧各自的语音状态,其中L1>L2;
所述判断模块还用于确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值是否大于所述第二设定阈值;
所述确定模块还用于当确定所述当前音频帧的语音状态和所述前面L2个音频帧各自的语音状态之和的平均值大于所述第二设定阈值时,确定所述当前音频帧及后面L2个音频帧存在语音信号。
7.一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任意一项所述方法的步骤。
8.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176491.4A CN110827858B (zh) | 2019-11-26 | 2019-11-26 | 语音端点检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176491.4A CN110827858B (zh) | 2019-11-26 | 2019-11-26 | 语音端点检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827858A CN110827858A (zh) | 2020-02-21 |
CN110827858B true CN110827858B (zh) | 2022-06-10 |
Family
ID=69559557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911176491.4A Active CN110827858B (zh) | 2019-11-26 | 2019-11-26 | 语音端点检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827858B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435691B (zh) * | 2020-10-12 | 2024-03-12 | 珠海亿智电子科技有限公司 | 在线语音端点检测后处理方法、装置、设备及存储介质 |
CN112614506B (zh) * | 2020-12-23 | 2022-10-25 | 思必驰科技股份有限公司 | 语音激活检测方法和装置 |
CN112969130A (zh) * | 2020-12-31 | 2021-06-15 | 维沃移动通信有限公司 | 音频信号处理方法、装置和电子设备 |
CN112614513B (zh) * | 2021-03-08 | 2021-06-08 | 浙江华创视讯科技有限公司 | 一种语音检测方法、装置、电子设备及存储介质 |
CN113421595B (zh) * | 2021-08-25 | 2021-11-09 | 成都启英泰伦科技有限公司 | 一种利用神经网络的语音活性检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100631608B1 (ko) * | 2004-11-25 | 2006-10-09 | 엘지전자 주식회사 | 음성 판별 방법 |
CN103646648B (zh) * | 2013-11-19 | 2016-03-23 | 清华大学 | 一种噪声功率估计方法 |
CN106356070B (zh) * | 2016-08-29 | 2019-10-29 | 广州市百果园网络科技有限公司 | 一种音频信号处理方法,及装置 |
CN108428448A (zh) * | 2017-02-13 | 2018-08-21 | 芋头科技(杭州)有限公司 | 一种语音端点检测方法及语音识别方法 |
CN108538310B (zh) * | 2018-03-28 | 2021-06-25 | 天津大学 | 一种基于长时信号功率谱变化的语音端点检测方法 |
CN109545188B (zh) * | 2018-12-07 | 2021-07-09 | 深圳市友杰智新科技有限公司 | 一种实时语音端点检测方法及装置 |
CN109346062B (zh) * | 2018-12-25 | 2021-05-28 | 思必驰科技股份有限公司 | 语音端点检测方法及装置 |
CN109461449B (zh) * | 2018-12-29 | 2021-12-14 | 思必驰科技股份有限公司 | 用于智能设备的语音唤醒方法及系统 |
-
2019
- 2019-11-26 CN CN201911176491.4A patent/CN110827858B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110827858A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827858B (zh) | 语音端点检测方法及系统 | |
CN110473539B (zh) | 提升语音唤醒性能的方法和装置 | |
CN108922553B (zh) | 用于音箱设备的波达方向估计方法及系统 | |
CN108899044B (zh) | 语音信号处理方法及装置 | |
CN109473118B (zh) | 双通道语音增强方法及装置 | |
CN110648692B (zh) | 语音端点检测方法及系统 | |
CN109346062B (zh) | 语音端点检测方法及装置 | |
US20160019886A1 (en) | Method and apparatus for recognizing whisper | |
WO2016112113A1 (en) | Utilizing digital microphones for low power keyword detection and noise suppression | |
CN112562742B (zh) | 语音处理方法和装置 | |
CN110910885B (zh) | 基于解码网络的语音唤醒方法和装置 | |
US9779755B1 (en) | Techniques for decreasing echo and transmission periods for audio communication sessions | |
CN111145732B (zh) | 多任务语音识别后的处理方法及系统 | |
CN110890104B (zh) | 语音端点检测方法及系统 | |
CN111722696B (zh) | 用于低功耗设备的语音数据处理方法和装置 | |
CN110992967A (zh) | 一种语音信号处理方法、装置、助听器及存储介质 | |
CN112289336A (zh) | 音频信号处理方法和装置 | |
CN112634911A (zh) | 人机对话方法、电子设备及计算机可读存储介质 | |
CN111816216A (zh) | 语音活性检测方法和装置 | |
CN113160846B (zh) | 噪声抑制方法和电子设备 | |
CN112614506B (zh) | 语音激活检测方法和装置 | |
CN112466305B (zh) | 饮水机的语音控制方法及装置 | |
CN110189763B (zh) | 一种声波配置方法、装置及终端设备 | |
CN112509556B (zh) | 一种语音唤醒方法及装置 | |
CN111312244B (zh) | 用于沙盘的语音交互系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 215123 building 14, Tengfei Innovation Park, 388 Xinping street, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Sipic Technology Co.,Ltd. Address before: 215123 building 14, Tengfei Innovation Park, 388 Xinping street, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: AI SPEECH Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |