[发明专利]语音活动检测及其模型建立方法、装置、设备及存储介质

说明书

本申请涉及一种语音活动检测及其模型建立方法、装置、设备及存储介质，该模型建立方法包括：获取训练音频文件及训练音频文件的目标结果；对训练音频文件进行分帧得到音频帧，并提取音频帧的音频特征，音频特征包括至少两种特征，至少两种特征包括能量；将音频特征作为深度神经网络模型的输入，并经过深度神经网络模型的隐藏层进行信息处理，由深度神经网络模型的输出层输出，得到训练结果；将训练结果与目标结果的偏差作为误差反向传播机制的输入，对隐藏层的权重分别进行更新，直至深度神经网络模型达到预设条件得到语音活动检测模型。因此，通过该语音活动检测模型进行语音活动检测时的准确性高。

本发明涉及语音信息处理技术领域，特别涉及一种语音活动检测及其模型建立方法、装置、设备及存储介质。

背景技术

随着信息技术的发展，语音信息的应用越来越广泛，而语音活动检测对于语音信息的处理具有十分重要的意义。语音活动检测(Voice Activity Detection，VAD)又称语音端点检测，语音边界检，是指在噪声环境中检测语音的存在与否，通常用于语音编码、语音增强等语音处理系统中，起到降低语音编码速率、节省通信带宽、减少计算机设备能耗、提高识别率等作用。

常用的语音活动检测方法是基于能量的语音活动检测方法，该方法认为噪声是平稳的，语音部分的能量要高于噪声部分的能量。根据这个规则进行语音/非语音的判定，其主要优点是对于平稳噪声的场合有很好的应用，应用的场合比较广泛，缺点是对于非平稳噪声以及噪声比较大的环境效果不佳，误判情况严重。因此，传统的语音活动检测方法存在检测准确性较差的问题。

发明内容

基于此，有必要针对检测准确性差的问题，提出一种能提高检测准确性的语音活动检测及其模型建立方法、装置、设备及存储介质。

一种语音活动检测模型建立方法，包括：

获取训练音频文件及所述训练音频文件的目标结果；

对所述训练音频文件进行分帧得到音频帧，并提取所述音频帧的音频特征，所述音频特征包括至少两种特征，所述至少两种特征包括能量；

将所述音频特征作为深度神经网络模型的输入，并经过所述深度神经网络模型的隐藏层进行信息处理，由所述深度神经网络模型的输出层输出，得到训练结果；

将所述训练结果与所述目标结果的偏差作为误差反向传播机制的输入，对所述隐藏层的权重分别进行更新，直至所述深度神经网络模型达到预设条件得到语音活动检测模型。

一种语音活动检测方法，包括：

获取待检测音频文件；

对所述待检测音频文件进行分帧得到音频帧，并提取所述音频帧的音频特征；

获取基于权利要求1-4任意一项所述的语音活动检测模型建立方法得到的语音活动检测模型；

将所述音频特征输入至所述语音活动检测模型，得到检测结果。

一种语音活动检测模型建立装置，包括：

文件结果获取模块，用于获取训练音频文件及所述训练音频文件的目标结果；

分帧特征提取模块，用于对所述训练音频文件进行分帧得到音频帧，并提取所述音频帧的音频特征，所述音频特征包括至少两种特征，所述至少两种特征包括能量；

模型输入输出模块，用于将所述音频特征作为深度神经网络模型的输入，并经过所述深度神经网络模型的隐藏层进行信息处理，由所述深度神经网络模型的输出层输出，得到训练结果；

模型更新优化模块，用于将所述训练结果与所述目标结果的偏差作为误差反向传播机制的输入，对所述隐藏层的权重分别进行更新，直至所述深度神经网络模型达到预设条件得到语音活动检测模型。

一种语音活动检测装置，包括：