[发明专利]一种音频句子边界检测方法

权利要求书

1.一种音频句子边界检测方法，其特征在于，按照如下步骤实现：

步骤S1：将输入的清唱歌声音频信号进行预处理，预处理方式包括：滤波、预加重和归一化；

步骤S2：对预处理后的歌声音频x(n)进行CQT变换得到频域信号X_CQT(k)；

步骤S3：取频域信号X_CQT(k)的50Hz-5kHz分量，将其按频率均等划分为八个子带，分别计算每个子带谱熵H(m)；

步骤S4：采用单参数的双门限法反向端点检测将歌声音频x(n)分别标注为语音段起点序列Sp(n)和终点序列Ep(n)；具体实现步骤如下：

步骤S41：将平滑滤波后子带谱熵H(m)的最小值记为H_min，以及前250ms的均值记为H_mean，设置高阈值门限TH＝0.99(H_mean-H_min)+H_min，低阈值门限TL＝0.96(H_mean-H_min)+H_min；

步骤S42：以子带谱熵H(m)为参数，通过单参数的双门限法反向端点检测对歌声音频x(n)进行端点标注，将语音段起点序列记为Sp(n)，终点序列记为Ep(n)；

步骤S5：根据肘部法则设置类簇的个数为K＝2，将歌声段长度序列S(n)和非歌声段长度序列M(n)依次对应组合成样本数据集T(n)＝{(S(n),M(n))|0＜n＜L}；所述歌声段长度序列S(n)为：

S(n)＝Ep(n)-Sp(n),0＜n＜L；

非歌声段长度序列M(n)为：

M(n)＝Sp(n+1)-Ep(n),0＜n＜L；

其中，L为起点序列Sp(n)和终点序列Ep(n)的长度；

步骤S6：采用K-means聚类分析将样本数据集T(n)分为K类，并输出K个类簇和质心w₁,w₂,…,w_k；

步骤S7：在K个类簇中，将质心最大的类簇作为音频句子边界的检测结果，以该类簇中的数据对歌声音频x(n)进行句子边界标注得到句子边界序列。

2.根据权利要求1所述的一种音频句子边界检测方法，其特征在于，在所述步骤S2中，所述频域信号X_CQT(k)为：

其中，是窗长为N_k的汉宁窗函数；N_k＝[Q*f_s/f_k]，[·]表示向上取整；Q＝(2^1/b-1)^-1，b表示相邻的倍频之间频率点个数，设置为12；f_s为采样频率；f_k为第k个半音的中心频率，f_k＝f₀*2^k/b，f₀为基础频率。

3.根据权利要求1所述的一种音频句子边界检测方法，其特征在于，在所述步骤S3中，所述子带谱熵H(m)为：

其中，式中P(l,m)表示第m帧的第l条谱线的子带频谱概率密度，eps为保证对数的运算对象不为零而引入的一个小数。

4.根据权利要求1所述的一种音频句子边界检测方法，其特征在于，所述步骤S6，具体实现步骤如下：

步骤S61：采用K-means聚类中的K-means++算法从T(n)中选出距离最远的K个点分别作为初始聚类中心c₁,c₂,…,c_k；

步骤S62：计算每个数据点到K个聚类中心的欧氏距离d(T(i),c_j)，根据距离质心最近的原则，如果d(T(i),c_j)是该样本数据到K个聚类中心距离中的最小值，那么T(i)∈c_j；

步骤S63：计算K个类簇的质心w₁,w₂,…,w_k，直到对任意的i∈{1,2,3,…,k}，都有w_i＝c_i成立，则聚类结束；否则令c_i＝w_i,i∈{1,2,3,…,k}，继续进行聚类；

步骤S64：输出K个类簇和质心w₁,w₂,…,w_k。