[发明专利]基于人工智能的语音特征提取方法和装置

权利要求书

1.一种基于人工智能的语音特征提取方法，其特征在于，所述语音特征用于进行语音识别，所述方法包括以下步骤：

以预设采样周期，对所述待识别语音进行采样，得到各音频帧；

针对各音频帧进行傅里叶变换，得到所述音频帧的频谱值；

根据各音频帧的频谱值，生成语谱图；

利用输出门卷积神经网络对所述语谱图进行特征提取，得到语音特征；

其中，所述输出门卷积神经网络包括多个卷积层，每一个卷积层后连接一个对应的池化层；每一个卷积层包括至少两层，前层的输出作为后层的输入，每一层包括第一通道和第二通道，所述第一通道和所述第二通道分别采用不同的非线性激活函数，所述池化层用于在时域和/或频域进行降采样；各池化层在时域上的总降采样率小于在频域上的总降采样率。

2.根据权利要求1所述的基于人工智能的语音特征提取方法，其特征在于，所述第一通道的非线性激活函数为双曲函数tanh，所述第二通道的非线性激活函数为S型函数sigmoid。

3.根据权利要求1所述的基于人工智能的语音特征提取方法，其特征在于，所述语谱图的横坐标为所述音频帧所对应的时间，所述语谱图的纵坐标为所述音频帧所含的频率分量，所述语谱图的坐标点值为所述频谱值。

4.根据权利要求1所述的基于人工智能的语音特征提取方法，其特征在于，在时域上的总降采样率是根据对所述待识别语音进行语音分类时的粒度确定的。

5.根据权利要求1所述的基于人工智能的语音特征提取方法，其特征在于，所述输出门卷积神经网络中，后一卷积层中过滤器的个数为前一卷积层中过滤器的整数倍；所述输出门卷积神经网络中各卷积层的卷积核具有相同大小。

6.根据权利要求1-5任一项所述的基于人工智能的语音特征提取方法，其特征在于，所述利用输出门卷积神经网络对所述语谱图进行特征提取之前，还包括：

对所述输出门卷积神经网络进行训练和测试。

7.根据权利要求1-5任一项所述的基于人工智能的语音特征提取方法，其特征在于，所述利用输出门卷积神经网络对所述语谱图进行特征提取之后，还包括：

将提取到的语音特征输入声学模型进行语音分类处理。

8.一种基于人工智能的语音特征提取装置，其特征在于，所述语音特征用于进行语音识别，所述装置包括：

分析模块，用于对待识别语音进行频谱分析，得到所述待识别语音的语谱图；

特征提取模块，用于利用输出门卷积神经网络对所述语谱图进行特征提取，得到语音特征；

其中，所述输出门卷积神经网络包括多个卷积层，每一个卷积层后连接一个对应的池化层；每一个卷积层包括至少两层，前层的输出作为后层的输入，每一层包括第一通道和第二通道，所述第一通道和所述第二通道分别采用不同的非线性激活函数，所述池化层用于在时域和/或频域进行降采样；各池化层在时域上的总降采样率小于在频域上的总降采样率；

所述分析模块，包括：

采样单元，用于以预设采样周期，对所述待识别语音进行采样，得到各音频帧；

变换单元，用于针对所述待识别语音中的各音频帧进行傅里叶变换，得到所述音频帧的频谱值；

生成单元，用于根据各音频帧的频谱值，生成所述语谱图。

9.根据权利要求8所述的基于人工智能的语音特征提取装置，其特征在于，所述第一通道的非线性激活函数为双曲函数tanh，所述第二通道的非线性激活函数为S型函数sigmoid。

10.根据权利要求8所述的基于人工智能的语音特征提取装置，其特征在于，所述分析模块，包括：

所述语谱图的横坐标为所述音频帧所对应的时间，所述语谱图的纵坐标为所述音频帧所含的频率分量，所述语谱图的坐标点值为所述频谱值。