[发明专利]一种语音端点检测方法及语音识别方法

说明书

本发明公开了一种语音端点检测方法及语音识别方法，属于语音识别技术领域；方法包括：提取语音数据的语音特征并输入至静音模型中；静音模型根据语音特征输出标签用于表示语音数据是否为静音帧；根据连续帧的语音数据的标签确认一段语音的语音端点：在非激活状态，若连续出现非静音帧的语音数据的长度大于一预设的第一阈值，则判断第一帧为非静音帧的语音数据为一段语音的起始端点；在激活状态，若连续出现静音帧的语音数据的长度大于一预设的第二阈值，则判断第一帧为静音帧的语音数据为一段语音的结束端点。上述技术方案的有益效果是：解决现有技术中语音端点检测不准确以及对于检测环境要求过高的问题。

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方法及语音识别方法。

背景技术

随着语音识别技术的发展，语音识别在人们生活中的应用越来越广泛。当使用者使用手持设备中的语音识别技术时，通常会配合语音识别按键来控制需要识别的语音段落的开始和结束的时间，但是当使用者处于智能家居环境中使用语音识别技术时，会因为距离拾音设备较远而无法采用按键配合的方式手动决定语音段落的开始端点和结束端点，这时就需要另外一种方式来对语音开始和结束的时间进行自动判断，也即语音端点检测技术(Voice Active Detection，VAD)。

传统的端点检测方法主要基于子带能量进行，即计算每帧语音数据在某一频段的能量，并与预先设定的能量阈值进行比较来判断语音的开始端点和结束端点。这种端点检测方法对检测环境的要求较高，其必须在安静的环境中进行语音识别才能保证检测到的语音端点的准确性。而在相对嘈杂的噪声环境中，不同种类的噪声会对不同的子带能量产生影响，从而对上述端点检测方法带来较大的干扰，尤其是低信噪比和非平稳的噪声环境中，对子带能量的计算会造成很大干扰，从而使得最终的检测结果不准确。而只有保证语音端点检测的准确性才能保证语音正确被采集，进而正确被识别。端点检测的结果不准确有可能会使语音被截断或者录入更多的噪声，会导致语音识别不能对整句话解码，从而带来漏报或者误报等问题，甚至会造成整句话的解码全部错误，降低语音识别结果的准确性。

发明内容

根据现有技术中存在的上述问题，现提供一种语音端点检测方法及语音识别方法的技术方案，旨在解决现有技术中语音端点检测不准确以及对于检测环境要求过高的问题。上述技术方案具体包括：

一种语音端点检测方法，其中，预先训练形成一用于判断语音数据是否为静音帧的静音模型，随后获取外部输入的包括连续帧的所述语音数据的一段语音，并执行下述步骤：

步骤S1，提取每一帧所述语音数据的语音特征，并将所述语音特征输入至所述静音模型中；

步骤S2，所述静音模型根据所述语音特征输出关联于每一帧所述语音数据的标签，所述标签用于表示所述语音数据是否为静音帧；

步骤S3，根据连续帧的所述语音数据的所述标签确认一段所述语音的语音端点：

当采集所述语音的拾音设备处于非激活状态时，若连续出现非静音帧的所述语音数据的长度大于一预设的第一阈值，则判断第一帧为所述非静音帧的所述语音数据为一段所述语音的起始端点；

当采集所述语音的拾音设备处于激活状态时，若连续出现所述静音帧的所述语音数据的长度大于一预设的第二阈值，则判断第一帧为所述静音帧的所述语音数据为一段所述语音的结束端点。

优选的，该语音端点检测方法，其中，通过下述方法预先训练形成所述静音模型：

步骤A1，输入预设的多个训练用语音数据，并提取每个所述训练用语音数据的语音特征；

步骤A2，根据对应的所述语音特征，针对每帧所述训练用语音数据进行自动标注操作，获得对应每帧所述语音数据的一标签；所述标签用于表示对应的一帧所述语音数据为静音帧或者非静音帧；

步骤A3，根据所述训练用语音数据以及对应的所述标签训练得到所述静音模型；