CN116805484A - 语音检测方法、装置、介质以及电子设备 - Google Patents
语音检测方法、装置、介质以及电子设备 Download PDFInfo
- Publication number
- CN116805484A CN116805484A CN202310701621.1A CN202310701621A CN116805484A CN 116805484 A CN116805484 A CN 116805484A CN 202310701621 A CN202310701621 A CN 202310701621A CN 116805484 A CN116805484 A CN 116805484A
- Authority
- CN
- China
- Prior art keywords
- voice
- loudness
- detected
- target
- determining
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 9
- 230000037433 frameshift Effects 0.000 claims description 6
- 238000011045 prefiltration Methods 0.000 claims description 6
- 210000005069 ears Anatomy 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
- G10L13/0335—Pitch control
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
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)
- Telephone Function (AREA)
Abstract
本公开涉及一种语音检测方法、装置、介质以及电子设备,涉及计算机技术领域,该方法通过确定待检测语音的基频曲线,根据基频曲线,确定与基频曲线相匹配的等响曲线,根据等响曲线,确定待检测语音对应的目标加权系数,根据待检测语音对应的原始响度参数以及目标加权系数,确定目标响度参数,根据目标响度参数以及预设响度阈值,确定待检测语音的响度检测结果,可以将待检测语音的原始响度参数转换为人耳听到的主观的目标响度参数,并根据目标响度参数以及预设响度阈值,确定响度检测结果,从而获得响度值适用于文本生成语音的应用场景的语音,使得基于文本生成的语音更加准确。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种语音检测方法、装置、介质以及电子设备。
背景技术
在文本生成语音的应用场景中,需要对目标发音人进行录音采集,通过采集到的大量音频数据,制作对应文本的语音。因此,保证采集到的语音数据的质量是否合格显然尤为重要。
发明内容
提供该部分内容以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种语音检测方法,包括:
确定待检测语音的基频曲线;
根据所述基频曲线,确定与所述基频曲线相匹配的等响曲线;
根据所述等响曲线,确定所述待检测语音对应的目标加权系数;
根据所述待检测语音对应的原始响度参数以及所述目标加权系数,确定目标响度参数;
根据所述目标响度参数以及预设响度阈值,确定所述待检测语音的响度检测结果。
第二方面,本公开提供一种语音检测装置,包括:
第一确定模块,被配置为确定待检测语音的基频曲线;
第二确定模块,被配置为根据所述基频曲线,确定与所述基频曲线相匹配的等响曲线;
第三确定模块,被配置为根据所述等响曲线,确定所述待检测语音对应的目标加权系数;
第四确定模块,被配置为根据所述待检测语音对应的原始响度参数以及所述目标加权系数,确定目标响度参数;
第五确定模块,被配置为根据所述目标响度参数以及预设响度阈值,确定所述待检测语音的响度检测结果。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有至少一个计算机程序;
至少一个处理装置,用于执行所述存储装置中的所述至少一个计算机程序,以实现第一方面所述方法的步骤。
基于上述技术方案,通过确定待检测语音的基频曲线,根据基频曲线,确定与基频曲线相匹配的等响曲线,根据等响曲线,确定待检测语音对应的目标加权系数,根据待检测语音对应的原始响度参数以及目标加权系数,确定目标响度参数,根据目标响度参数以及预设响度阈值,确定待检测语音的响度检测结果,可以将待检测语音的原始响度参数转换为人耳听到的主观的目标响度参数,并根据目标响度参数以及预设响度阈值,确定响度检测结果,从而获得响度值适用于文本生成语音的应用场景的语音,使得基于文本生成的语音更加准确。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种语音检测方法的流程图。
图2是根据一示例性实施例示出的基频曲线的示意图。
图3是根据一示例性实施例示出的等响曲线的示意图。
图4是根据一示例性实施例示出的计算原始响度参数的流程图。
图5是根据一示例性实施例示出的计算原始响度参数的示意图。
图6是根据一示例性实施例示出的语音检测装置的模块连接示意图。
图7是根据一示例性实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1是根据一示例性实施例示出的一种语音检测方法的流程图。如图1所示,本公开实施例提供一种语音检测方法,该方法可以通过电子设备执行,具体可以是通过一种语音检测装置来执行,该装置可以由软件和/或硬件的方式实现,配置于电子设备中。如图1所示,该方法可以包括以下步骤。
在步骤110中,确定待检测语音的基频曲线。
这里,待检测语音可以是目标发音人进行录音采集而采集到的语音数据。待检测语音的基频曲线可以通过基频提取算法来获得。该基频提取算法可以是基于时域的基频提取算法,也可以是基于频域的基频提取算法。
以基于时域的基频提取算法为例,先对待检测语音进行信号分帧(帧长通常为几十毫秒),利用信号自相关函数对分帧后的信号进行求和,得到该帧的基频大小,最后返回的是语音信号的时变基频曲线。图2是根据一示例性实施例示出的基频曲线的示意图。如图2所示,基频曲线的频率随时间变化。其中,横坐标为时间,纵坐标为频率。
在步骤120中,根据基频曲线,确定与基频曲线相匹配的等响曲线。
这里,在获得待检测语音对应的基频曲线之后,根据该基频曲线,确定与基频曲线相匹配的等响曲线。
其中,等响曲线是指通过主观测定所得出的声音响度主观感量(响度级)相等的一簇曲线。当某一声音的响度与标准音的响度相同时,标准音的这个声强级就是该声音的响度级。图3是根据一示例性实施例示出的等响曲线的示意图。如图3所示,为国际标准ISO226等响曲线的示意图。该等响曲线为典型听音者感觉响度相同的纯音声压级与频率关系的曲线,其中,横坐标为频率,纵坐标为声压级,曲线上的数值表示响度级。而且,随着响度级的相对增加,等响曲线在频域上的分布也相对平坦。
示例性地,可以根据基频曲线在图3所示的等响曲线中选取与该基频曲线最接近的等响曲线,并将该等响曲线作为与基频曲线相匹配的等响曲线。例如,等响度为60phons(方,响度级单位)的等响曲线为与该基频曲线最接近的等响曲线,则60phons对应的等响曲线为与基频曲线相匹配的等响曲线。
应当理解的是,可以根据基频曲线的走向形状在图3所示的等响曲线中选取走向形状与基频曲线的走向形状的等响曲线作为与基频曲线相匹配的等响曲线。当然,也可以根据基频曲线对应的声压级,在图3所示的等响曲线中选取一个响度级与基频曲线对应的声压级一致的等响曲线。例如,基频曲线对应的声压级为40,则与基频曲线对应的声压级一致的等响曲线为40phons的等响曲线。
在步骤130中,根据等响曲线,确定待检测语音对应的目标加权系数。
这里,在确定到等响曲线之后,可以根据确定到的等响曲线,计算得到待检测语音对应的目标加权系数。例如,确定到的等响曲线为70phons的等响曲线,则根据70phons的等响曲线计算得到目标加权系数。
应当理解的是,目标加权系数用于将待检测语音的响度值转换为人耳实际听到的响度。
在步骤140中,根据待检测语音对应的原始响度参数以及目标加权系数,确定目标响度参数。
这里,待检测语音对应的原始响度参数可以是通过响度算法计算得到的待检测语音的响度值。其中,该原始响度参数是指通过响度算法计算得到的待检测语音在物理度量上的响度值,目标响度参数则是通过目标加权系数将物理度量上的原始响度参数转换为人耳实际听到的主观的响度值。
示例性地,可以将原始响度参数与目标加权系数的乘积,作为目标响度参数。例如,原始响度参数为-70LUFS,目标加权系数为1.1,则目标响度参数为-70LUFS*1.1=-77LUFS。其中,LUFS作为响度单位,是一种响度测量标准,是用来衡量和处理声音的一种标准。
应当理解的是,目标加权系数1.1为根据70phons的等响曲线计算得到的,则-77LUFS的目标响度参数在人耳听到的响度级为70phons。
在步骤150中,根据目标响度参数以及预设响度阈值,确定待检测语音的响度检测结果。
这里,可以将目标响度参数与预设响度阈值进行比较,获得待检测语音的响度检测结果。其中,响度检测结果包括:在目标响度参数小于预设响度阈值的情况下,确定待检测语音为不合格语音,在目标响度参数大于或等于预设响度阈值的情况下,确定待检测语音为合格语音。
例如,预设响度阈值为-65LUFS,可以将目标响度参数与-65LUFS进行比较,并将目标响度参数小于-65LUFS的待检测语音确定为不合格语音,将目标响度参数大于或等于-65LUFS的待检测语音确定为合格语音。
由此,通过确定待检测语音的基频曲线,根据基频曲线,确定与基频曲线相匹配的等响曲线,根据等响曲线,确定待检测语音对应的目标加权系数,根据待检测语音对应的原始响度参数以及目标加权系数,确定目标响度参数,根据目标响度参数以及预设响度阈值,确定待检测语音的响度检测结果,可以将待检测语音的原始响度参数转换为人耳听到的主观的目标响度参数,并根据目标响度参数以及预设响度阈值,确定响度检测结果,从而获得响度值适用于文本生成语音的应用场景的语音,使得基于文本生成的语音更加准确。
在一些可以实现的实施方式中,可以根据基频曲线,确定待检测语音对应的目标频率,进而根据目标频率,结合等响曲线,确定目标加权系数。
这里,目标频率可以是指待检测语音的平均频率。其中,基频曲线中包括每一帧的语音对应的频率,根据各帧语音对应的频率的平均值,即可得到目标频率。
在确定到目标频率之后,可以确定到的等响曲线中查找该目标频率对应的声压级,然后根据在该等响曲线下的声压级与加权系数的映射关系,确定目标加权系数。应当理解的是,该映射关系包括不同的声压级以及该声压级对应的加权系数。
例如,假设与基频曲线相匹配的等响曲线为60phons,目标频率为500Hz,则在60phons的等响曲线下,确定到的500Hz对应的声压级为62.05。然后,根据62.05的声压级在60phons的等响曲线下的声压级与加权系数的映射关系中,确定得到62.05的声压级对应的目标加权系数。
值得说明的是,由于等响曲线上的频率点是离散的,因此若等响曲线上无法直接查找到目标频率,则可以对等响曲线进行插值,获得目标频率对应的声压级,从而计算得到目标频率对应的目标加权系数。
由此,通过根据基频曲线,确定待检测语音对应的目标频率,根据目标频率,结合等响曲线,确定目标加权系数,可以计算得到准确的目标加权系数,从而使得待检测语音的对应的目标响度参数能够更加准确。
图4是根据一示例性实施例示出的计算原始响度参数的流程图。如图4所示,在一些可以实现的实施方式中,原始响度参数可以通过以下步骤计算得到:
在步骤401中,将待检测语音输入前置滤波器,获得第一滤波信号。
这里,前置滤波器对输入的待检测语音进行预加重,以提高待检测语音在高频分量的能量大小。其中,针对不同的采样率,前置滤波器可以使用不同的系数值。
在步骤402中,将第一滤波信号输入加权滤波器,获得第二滤波信号。
这里,加权滤波器可以为RLB(revisionary low-frequencyB,修正的低频B曲线)加权滤波器。该加权滤波器用于提供信号频谱含量的感觉加权。其中,针对不同的采样率,加权滤波器可以使用不同的系数值。
在步骤403中,根据预设分帧帧长以及帧移步长,对第二滤波信号进行分帧处理,获得多个选通块。
这里,预设分帧帧长可以为400ms,帧移步长为100ms。相应地,每一选通块为持续400ms的连续音频采样,且当前选通块与上一选通块存在叠加区域,该叠加区域的大小为上一选通块的持续时间的75%。
应当理解的是,对第二滤波信号进行分帧处理,实际上是要将第二滤波信号分成多帧的短时音频信号(选通块)。而且,每一短时音频信号与上一短时音频信号存在重叠部分。该重叠部分取决于帧移步长。
在步骤404中,针对每一选通块,计算得到该选通块对应的幂和均方值,并根据该幂和均方值,得到该选通块对应的响度值。
这里,在获得多个选通块之后,针对每一选通块,可以通过第一计算式计算得到该选通块对应的幂和均方值。其中,第一计算式为:
其中,zj为第j个选通块对应的幂和均方值,yi为第二滤波信号,Tg为预设分帧帧长,overlap为重叠部分的百分比。
在获得每一选通块对应的幂和均方值之后,可以通过第二计算式计算得到每一选通块对应的响度值。其中,第二计算式为:
lj=-0.691+10g10zj
其中,lj为第j个选通块的响度值。
在步骤405中,根据各个选通块对应的响度值,获得原始响度参数。
这里,在获得各个选通块对应的响度值之后,可以根据各个选通块对应的响度值,获得原始响度参数。
在一些实施例中,可以根据各个选通块对应的响度值,确定第一目标选通块,根据第一目标选通块,确定待检测语音对应的相对门限值,进而根据相对门限值,确定第二目标选通块,然后根据第二目标选通块,获得原始响度参数。
这里,第一目标选通块为响度值大于绝对门限值的选通块,绝对门限值为-65LUFS。第二目标选通块为响度值大于相对门限值的选通块。
应当理解的是,为了使用语音质检过程中对底噪的定义,可以将绝对门限值设置为-70LUFS~-60LUFS。示例性地,绝对门限值可以取值为-65LUFS。第一目标选通块为响度值大于绝对门限值的选通块,相当于仅统计响度值大于-65LUFS的选通块,从而排除底噪对语音的响度的影响。第二目标选通块为响度值大于相对门限值的选通块,相当于仅统计响度大于相对门限值的选通块。
可以通过第三计算式计算得到相对门限值。该第三计算式为:
其中,Γr为相对门限值,Jg1为第一目标选通块,zj为第j个选通块对应的幂和均方值。
可以通过第四计算式计算得到原始响度参数。该第四计算式为:
其中,LLG为原始响度参数,Jg2为第二目标选通块。
由此,通过上述步骤401至步骤405,可以计算得到待检测语音的响度值,并且通过设置绝对门限值为-65LUFS,可以得到更加准确的语音响度值,符合文本转语音对于音频数据的特殊要求。
图5是根据一示例性实施例示出的计算原始响度参数的示意图。如图5所示,可以将待检测语音输入前置滤波器501,获得第一滤波信号,然后再将第一滤波信号输入RLB加权滤波器502,获得第二滤波信号。将第二滤波信号输入均方模块503,获得各个选通块对应的幂和均方值。其中,均方模块503用于根据预设分帧帧长以及帧移步长,对RLB加权滤波器502输出的第二滤波信号进行分帧处理,获得多个选通块;针对每一选通块,计算得到该选通块对应的幂和均方值。进而将均方模块503输出的选通块对应的幂和均方值输入对数模块504,得到选通块对应的响度值。最后通过门限模块505获得原始响度参数。其中,门限模块505用于根据各个选通块对应的响度值,确定第一目标选通块,根据第一目标选通块,确定待检测语音对应的相对门限值,进而根据相对门限值,确定第二目标选通块,然后根据第二目标选通块,获得原始响度参数。
在一些可以实现的实施方式中,还可以根据基频曲线,确定待检测语音对应的发音对象的对象类型信息,根据对象类型信息,确定语音峰值阈值,进而根据待检测语音的原始峰值参数以及语音峰值阈值,确定待检测语音的峰值检测结果。
这里,发音对象是指发出待检测语音的人。对象类型信息可以是指该发音对象所属的用户群体。
应当理解的是,由于不同用户群体的人的发音对应的基频会有所不同。因此,可以通过基频曲线来确定待检测语音对应的发音对象的对象类型信息。
语音峰值阈值是指用于判断待检测语音的峰值是否满足标准的阈值。针对不同的对象类型信息,具有不同的语音峰值阈值。例如,针对音调较高的用户群体,该用户群体的待检测语音的信号动态会更大,因此语音峰值阈值相较于音调较低的用户群体的语音峰值阈值更小。
示例性地,可以将待检测语音的原始峰值参数与语音峰值阈值进行比较,获得检测语音的峰值检测结果。其中,峰值检测结果包括:在原始峰值参数小于或等于语音峰值阈值的情况下,确定待检测语音为合格语音,在原始峰值参数大于语音峰值阈值的情况下,确定待检测语音为不合格语音。
例如,假设待检测语音对应的发音对象的对象类型信息为音调小于预设音调阈值的用户群体,则语音峰值阈值可以设置为-3dB,若待检测语音的原始峰值参数为-4dB,则该待检测语音为合格语音。假设待检测语音对应的发音对象的对象类型信息为音调大于或等于预设音调阈值的用户群体,则语音峰值阈值可以设置为-4dB,若待检测语音的原始峰值参数为-3dB,则该待检测语音为不合格语音。
值得说明的是,待检测语音的原始峰值参数是指通过对待检测语音进行峰值检测得到的峰值。
示例性地,可以对待检测语音进行衰减处理,然后对衰减处理后的信号进行插值升采样,在进行插值升采样后,通过滤波器对升采样后的信号进行低通滤波处理,并将滤波器输出结果取绝对值,并将最大的绝对值对应的峰值作为原始峰值参数。其中,可以对待检测语音进行-12.04dB的衰减处理,低通滤波处理是要去除产生的镜像分量。
由此,通过为不同的对象类型信息的待检测语音,设置不同的语音峰值阈值,可以使得语音检测的标准能够针对不同的用户群体进行适配,使得语音检测更加智能化。
在一些可以实现的实施方式中,还可以根据对象类型信息,确定语音底噪阈值,并根据待检测语音的原始底噪参数以及语音底噪阈值,确定待检测语音的底噪检测结果。
这里,语音底噪阈值是指用于判断待检测语音的底噪是否满足标准的阈值。针对不同的对象类型信息,具有不同的语音底噪阈值。例如,针对音调大于或等于预设音调阈值的用户群体的待检测语音的响度较低,语音底噪阈值相较于音调小于预设音调阈值的用户群体就更低。同样,针对不同音调层次的发音对象,也具有不同的语音底噪阈值。
示例性地,可以将待检测语音的原始底噪参数与语音底噪阈值进行比较,获得检测语音的底噪检测结果。其中,底噪检测结果包括:在原始底噪参数小于或等于语音底噪阈值的情况下,确定待检测语音为合格语音,在原始底噪参数大于语音底噪阈值的情况下,确定待检测语音为不合格语音。
例如,假设待检测语音对应的发音对象的对象类型信息为音调大于或等于预设音调阈值的用户群体,则语音底噪阈值可以设置为-70dB,若待检测语音的原始底噪参数为-75dB,则该待检测语音为合格语音。假设待检测语音对应的发音对象的对象类型信息为音调小于预设音调阈值的用户群体,则语音底噪阈值可以设置为-65dB,若待检测语音的原始底噪参数为-60dB,则该待检测语音为不合格语音。
值得说明的是,待检测语音的原始底噪参数是指通过对待检测语音进行底噪检测得到的底噪值。
在一些实施例中,可以对从待检测语音中提取多段语音片段,并且通过噪声阈值从多段语音片段中筛选得到目标语音片段,目标语音片段为小于等于噪声阈值的语音片段。针对目标语音片段,通过均方根公式计算得到原始底噪常识。
由此,通过为不同的对象类型信息的待检测语音,设置不同的语音底噪阈值,可以使得语音检测的标准能够针对不同的用户群体进行适配,使得语音检测更加智能化。
在一些可以实现的实施方式中,还可以根据待检测语音中的静音段的长度,获得待检测语音对应的静音段检测结果,根据待检测语音的信噪比参数,获得待检测语音对应的信噪比检测结果,根据静音段检测结果、信噪比检测结果、响度检测结果、峰值检测结果以及底噪检测结果,确定待检测语音是否合格。
这里,待检测语音中的静音段的长度可以是对待检测语音的开头以及结尾各1秒的采样点进行分帧,获得多帧语音帧,并确定每一语音帧对应的峰值,并将峰值小于预设峰值阈值的语音帧确定为静音帧,进而通过静音帧的数量以及时长确定开头以及结尾分别包括的静音段的长度。在获得待检测语音中的静音段的长度之后,将静音段的长度与预设长度阈值进行比较,若开头以及结尾对应的静音段的长度均大于或等于预设长度阈值,则获得表征待检测语音的静音段合格的静音段检测结果,若开头或结尾对应的静音段的长度小于预设长度阈值,则获得表征待检测语音的静音段不合格的静音段检测结果。
可以通过信噪比计算公式计算得到待检测语音的信噪比参数。其中,信噪比计算公式为:
其中,SNR为信噪比参数,Psignal为待检测语音的有效功率,Pnoise为噪声的有效功率。
当然,在其他实施方式中,由于上述原始响度参数已经舍弃了响度小于-65LUFS的部分,则可以将原始响度参数与原始底噪参数之间的差值作为信噪比参数。
可以将信噪比参数与预设信噪比阈值进行比较,获得信噪比检测结果。例如,预设信噪比阈值可以为40dB,相应地,在信噪比参数大于或等于40dB时,获得表征待检测语音合格的信噪比检测结果,在信噪比参数小于40dB时,获得表征待检测语音不合格的信噪比检测结果。
值得说明的是,根据静音段检测结果、信噪比检测结果、响度检测结果、峰值检测结果以及底噪检测结果,确定待检测语音是否合格,可以是在静音段检测结果、信噪比检测结果、响度检测结果、峰值检测结果以及底噪检测结果均表征合格的情况下,确定待检测语音合格,可以作为文本生成语音使用的语音数据。
由此,通过根据静音段检测结果、信噪比检测结果、响度检测结果、峰值检测结果以及底噪检测结果,确定待检测语音是否合格,可以从多个维度判断待检测语音是否合格,从而为文本生成语音提供准确的语音数据。
图6是根据一示例性实施例示出的语音检测装置的模块连接示意图。如图6所示,本公开实施例提供一种语音检测装置600,该装置600可以包括:
第一确定模块601,被配置为确定待检测语音的基频曲线;
第二确定模块602,被配置为根据所述基频曲线,确定与所述基频曲线相匹配的等响曲线;
第三确定模块603,被配置为根据所述等响曲线,确定所述待检测语音对应的目标加权系数;
第四确定模块604,被配置为根据所述待检测语音对应的原始响度参数以及所述目标加权系数,确定目标响度参数;
第五确定模块605,被配置为根据所述目标响度参数以及预设响度阈值,确定所述待检测语音的响度检测结果。
可选地,所述第三确定模块603包括:
频率确定单元,被配置为根据所述基频曲线,确定所述待检测语音对应的目标频率;
系数确定单元,被配置为根据所述目标频率,结合所述等响曲线,确定所述目标加权系数。
可选地,所述第四确定模块604包括:
第一滤波单元,被配置为将所述待检测语音输入前置滤波器,获得第一滤波信号;
第二滤波单元,被配置为将所述第一滤波信号输入加权滤波器,获得第二滤波信号;
分帧单元,被配置为根据预设分帧帧长以及帧移步长,对所述第二滤波信号进行分帧处理,获得多个选通块;
第一响度计算单元,被配置为针对每一所述选通块,计算得到该选通块对应的幂和均方值,并根据该幂和均方值,得到该选通块对应的响度值;
第二响度计算单元,被配置为根据各个所述选通块对应的响度值,获得所述原始响度参数。
可选地,所述第二响度计算单元包括:
第一确定单元,被配置为根据各个所述选通块对应的响度值,确定第一目标选通块,其中所述第一目标选通块为响度值大于绝对门限值的选通块,所述绝对门限值为-70LUFS~-60LUFS;
第二确定单元,被配置为根根据所述第一目标选通块,确定所述待检测语音对应的相对门限值;
第三确定单元,被配置为根根据所述相对门限值,确定第二目标选通块,其中所述第二目标选通块为响度值大于所述相对门限值的选通块;
第四确定单元,被配置为根根据所述第二目标选通块,获得所述原始响度参数。
可选地,所述装置600还包括:
类型确定模块,被配置为根据所述基频曲线,确定所述待检测语音对应的发音对象的对象类型信息;
峰值确定模块,被配置为根据所述对象类型信息,确定语音峰值阈值;
第一比较模块,被配置为根据所述待检测语音的原始峰值参数以及所述语音峰值阈值,确定所述待检测语音的峰值检测结果。
可选地,所述装置600还包括:
底噪确定模块,被配置为根据所述对象类型信息,确定语音底噪阈值;
第二比较模块,被配置为根据所述待检测语音的原始底噪参数以及所述语音底噪阈值,确定所述待检测语音的底噪检测结果。
可选地,所述装置600还包括:
静音检测模块,被配置为根据所述待检测语音中的静音段的长度,获得所述待检测语音对应的静音段检测结果;
信噪比检测模块,被配置为根据所述待检测语音的信噪比参数,获得所述待检测语音对应的信噪比检测结果;
质量检测模块,被配置为根据所述静音段检测结果、所述信噪比检测结果、所述响度检测结果、所述峰值检测结果以及所述底噪检测结果,确定所述待检测语音是否合格。
关于上述装置600中的各个功能模块执行的方法的逻辑可以参照上述实施例关于方法的部分,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备(包括终端设备或服务器)700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:确定待检测语音的基频曲线;根据所述基频曲线,确定与所述基频曲线相匹配的等响曲线;根据所述等响曲线,确定所述待检测语音对应的目标加权系数;根据所述待检测语音对应的原始响度参数以及所述目标加权系数,确定目标响度参数;根据所述目标响度参数以及预设响度阈值,确定所述待检测语音的响度检测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种语音检测方法,其特征在于,包括:
确定待检测语音的基频曲线;
根据所述基频曲线,确定与所述基频曲线相匹配的等响曲线;
根据所述等响曲线,确定所述待检测语音对应的目标加权系数;
根据所述待检测语音对应的原始响度参数以及所述目标加权系数,确定目标响度参数;
根据所述目标响度参数以及预设响度阈值,确定所述待检测语音的响度检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述等响曲线,确定所述待检测语音对应的目标加权系数,包括:
根据所述基频曲线,确定所述待检测语音对应的目标频率;
根据所述目标频率,结合所述等响曲线,确定所述目标加权系数。
3.根据权利要求1所述的方法,其特征在于,所述原始响度参数通过以下步骤获得:
将所述待检测语音输入前置滤波器,获得第一滤波信号;
将所述第一滤波信号输入加权滤波器,获得第二滤波信号;
根据预设分帧帧长以及帧移步长,对所述第二滤波信号进行分帧处理,获得多个选通块;
针对每一所述选通块,计算得到该选通块对应的幂和均方值,并根据该幂和均方值,得到该选通块对应的响度值;
根据各个所述选通块对应的响度值,获得所述原始响度参数。
4.根据权利要求3所述的方法,其特征在于,所述根据各个所述选通块对应的响度值,获得所述原始响度参数,包括:
根据各个所述选通块对应的响度值,确定第一目标选通块,其中所述第一目标选通块为响度值大于绝对门限值的选通块,所述绝对门限值为-70LUFS~-60LUFS;
根据所述第一目标选通块,确定所述待检测语音对应的相对门限值;
根据所述相对门限值,确定第二目标选通块,其中所述第二目标选通块为响度值大于所述相对门限值的选通块;
根据所述第二目标选通块,获得所述原始响度参数。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
根据所述基频曲线,确定所述待检测语音对应的发音对象的对象类型信息;
根据所述对象类型信息,确定语音峰值阈值;
根据所述待检测语音的原始峰值参数以及所述语音峰值阈值,确定所述待检测语音的峰值检测结果。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述对象类型信息,确定语音底噪阈值;
根据所述待检测语音的原始底噪参数以及所述语音底噪阈值,确定所述待检测语音的底噪检测结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述待检测语音中的静音段的长度,获得所述待检测语音对应的静音段检测结果;
根据所述待检测语音的信噪比参数,获得所述待检测语音对应的信噪比检测结果;
根据所述静音段检测结果、所述信噪比检测结果、所述响度检测结果、所述峰值检测结果以及所述底噪检测结果,确定所述待检测语音是否合格。
8.一种语音检测装置,其特征在于,包括:
第一确定模块,被配置为确定待检测语音的基频曲线;
第二确定模块,被配置为根据所述基频曲线,确定与所述基频曲线相匹配的等响曲线;
第三确定模块,被配置为根据所述等响曲线,确定所述待检测语音对应的目标加权系数;
第四确定模块,被配置为根据所述待检测语音对应的原始响度参数以及所述目标加权系数,确定目标响度参数;
第五确定模块,被配置为根据所述目标响度参数以及预设响度阈值,确定所述待检测语音的响度检测结果。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有至少一个计算机程序;
至少一个处理装置,用于执行所述存储装置中的所述至少一个计算机程序,以实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701621.1A CN116805484A (zh) | 2023-06-13 | 2023-06-13 | 语音检测方法、装置、介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701621.1A CN116805484A (zh) | 2023-06-13 | 2023-06-13 | 语音检测方法、装置、介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116805484A true CN116805484A (zh) | 2023-09-26 |
Family
ID=88080276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310701621.1A Pending CN116805484A (zh) | 2023-06-13 | 2023-06-13 | 语音检测方法、装置、介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805484A (zh) |
-
2023
- 2023-06-13 CN CN202310701621.1A patent/CN116805484A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112309414B (zh) | 基于音频编解码的主动降噪方法、耳机及电子设备 | |
US11218796B2 (en) | Annoyance noise suppression | |
CN111462764B (zh) | 音频编码方法、装置、计算机可读存储介质及设备 | |
WO2022218252A1 (zh) | 音频信号中噪声响度的获取方法、装置和电子设备 | |
CN112750444A (zh) | 混音方法、装置及电子设备 | |
US20150310874A1 (en) | Adaptive audio signal filtering | |
JP6182895B2 (ja) | 処理装置、処理方法、プログラム及び処理システム | |
CN113963716A (zh) | 通话式门铃的音量均衡方法、装置、设备和可读存储介质 | |
CN107358964A (zh) | 用于检测在变化的环境中的警戒信号的方法 | |
CN112992190A (zh) | 音频信号的处理方法、装置、电子设备和存储介质 | |
CN112669878B (zh) | 声音增益值的计算方法、装置和电子设备 | |
CN105635453B (zh) | 一种通话音量自动调节方法、系统、车载设备及汽车 | |
CN112151055B (zh) | 音频处理方法及装置 | |
CN111782859A (zh) | 一种音频可视化方法、装置和存储介质 | |
CN113035223A (zh) | 音频处理方法、装置、设备及存储介质 | |
CN112863545A (zh) | 性能测试方法、装置、电子设备及计算机可读存储介质 | |
CN112309418A (zh) | 一种抑制风噪声的方法及装置 | |
WO2020073564A1 (zh) | 用于检测音频信号的响度的方法和装置 | |
CN116805484A (zh) | 语音检测方法、装置、介质以及电子设备 | |
CN114501281B (zh) | 声音调整方法、装置、电子设备和计算机可读介质 | |
CN113674752B (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
CN113763976B (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
CN110517708B (zh) | 一种音频处理方法、装置及计算机存储介质 | |
CN112435680A (zh) | 音频处理方法、装置、电子设备及计算机可读存储介质 | |
CN111048107B (zh) | 音频处理方法和装置 |
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 |