[发明专利]语音端点检测中短时能频值的提取方法

说明书

技术领域

本发明涉及自动字幕生成系统中的语音检测技术，具体涉及一种语音端 点检测中短时能频值的提取方法。

背景技术

语音端点检测技术是语音技术研究的一个新的领域，其应用于自动字幕 生成系统中。当前的字幕制作方法首先需要准备好字幕文稿，这种字幕文稿 是指在制作电视节目之前，事先写好的一个文本文件，记录着节目的标题、 主持人要说的话，以及被采访人所讲的话等内容。在制作电视节目时，编辑 人员把音、视频素材添加到非线性编辑软件的故事板上，然后按照节目的主 旨，对其进行编辑。编辑操作一般包括对素材位置的修改，添加一些特技， 添加字幕等等。添加字幕时，一般是先在字幕文稿中选择多段文字(每一段 就是一句话)，然后以这些文字生成一个新的字幕文件，将这个文件拖上非 线性编辑软件的轨道，此时字幕中的每一句话就会按顺序播出，但是往往会 出现“声画不同步”的现象，即字幕出现的时刻和音频文件中播出的声音对 不上。这时就需要编辑人员一边听声音，一边一句句地修改字幕的入点和出 点的值。这就非常耗费人力和时间，影响唱词文件生成的质量和效率。

从复杂背景噪声中找出语音的起始点和结束点，即语音端点检测技术， 一直是语音信号处理中的基本问题。由于语音端点检测的重要性，人们已经 提出了很多种语音端点检测方法。这些方法大致可以分为基于模型的方法和 基于门限的方法两类。

基于门限的语音端点检测方法是根据语音的特点，选择合适的特征参数， 然后将该特征参数与预先设定的门限值进行比较，或者是先对特征参数进行 一系列的后期处理然后再与门限进行比较。

现有的基于门限的端点检测参数主要有：

1)能量：以声音的强度作为判断参数。这种方法在高信噪比的情况下会有 很好的效果。但是，在信噪比低的情况下，如在汽车引擎声、关门声等噪声的 干扰下，这种方法的准确率很低。

2)频率：采用频率域的特征作为判断依据。这种方法可以准确的区分语音 和汽车引擎、关门声等噪声，但是，对于语音和乐音的区别效果较差。

无论采用哪种音频参数，传统的语音端点检测方法在特定的噪声环境下都 存在很大的不足。比如，基于能量的方法在低SNR的环境中表现不好；基于信 息熵的算法在音乐背景下则会失效。

因此，有必要引入一种音频参数，能够在多种噪声条件下保证语音端点 检测的准确性。

发明内容

本发明的目的在于针对自动字幕生成系统的特点以及传统语音端点检测 方法在语音特征参数选取上的缺陷，提供一种语音端点检测中短时能频值的 提取方法，该方法将时域和频域的音频特征参数结合在一起，能够发挥它们 各自的长处，同时又可以在一定程度上规避各自的缺点，从而能够有效的应 对各种不同类型的背景噪声。

本发明的技术方案如下：一种语音端点检测中短时能频值的提取方法， 包括如下步骤：

(1)将音频采样序列分成固定长度的帧，并形成一个帧序列；

(2)针对每一帧数据提取短时能量、短时过零率和短时信息熵三个音频 特征参数；

(3)根据上述音频特征参数按如下公式计算每一帧数据的短时能频值， 并形成一个短时能频值序列，

EZE-feature_i＝(E_i-E_b)·(Z_i-Z_b)·(H_i-H_b)

其中，EZE-feature_i表示第i帧的短时能频值；E_i、Z_i和H_i分别表示第i 帧的短时能量、短时过零率和短时信息熵；E_b、Z_b和H_b分别表示当前背景噪 声的短时能量、短时过零率和短时信息熵。

进一步，如上所述的语音端点检测中短时能频值的提取方法，在步骤(1) 中，将音频采样序列分成10ms长度的帧。

进一步，如上所述的语音端点检测中短时能频值的提取方法，在步骤(2) 中，所提取的第i帧的短时能量为：