[发明专利]语音对齐方法及装置

说明书

本发明提供的语音对齐方法及装置，通过获取由不同录音设备采集的同一语音内容对应的多个语音数据，并从任一语音数据中选取一语音片段作为语音样本；确定所述语音样本的样本帧数，并根据所述样本帧数提取所述语音样本的语音特征参数；根据所述语音样本的语音特征参数在各其他语音数据中确定与所述语音样本相似度最高的目标语音片段；其中所述其他语音数据为所述多个语音数据中除所述任一语音数据以外的语音数据；根据所述语音样本和各目标语音片段，将所述多个语音数据的时间轴进行对齐处理，从而避免现有技术中由于采用人工比对各语音数据的音波，并将起始点拉齐的方式而导致的花费时间长和对齐准确率低的技术问题，进而有效提高了处理效率。

技术领域

本发明涉及数据处理领域，尤其涉及一种语音对齐方法及装置。

背景技术

语音收录是指将发音人的语音以数据的形式进行收集，这一技术具有广泛的应用场景。

一般来说，针对同一录音场景下的同一发音人的语音，需要利用多个路基设备进行语音数据的采集，而不同的录音设备所采集到的语音数据的采集起始点无法保证完全一致。因此，为了保证多个录音设备多采集到的各语音数据的采集起始点的一致性，也为了便于对这些语音数据进行合成等后续处理，如何对语音进行对齐成为技术问题。

在现有技术中，一般是通过人工的方式对语音数据进行对齐操作的。举例来说，在面对不同采集起始点的语音数据时，技术人员需要人工比对各语音数据的音波，并将起始点拉齐，以实现各语音数据的对齐。而采用人工对齐的处理方法需要花费大量的时间，处理效率和对齐准确率都很低，也不利于对大数据量的语音数据的处理。

发明内容

针对上述提及的如何提高语音对齐的处理效率以及对齐准确率的技术问题，本发明提供了一种语音对齐方法及装置。

一方面，本发明提供了一种语音对齐方法，包括：

获取由不同录音设备采集的同一语音内容对应的多个语音数据，并从任一语音数据中选取一语音片段作为语音样本；

确定所述语音样本的样本帧数，并根据所述样本帧数提取所述语音样本的语音特征参数；

根据所述语音样本的语音特征参数在各其他语音数据中确定与所述语音样本相似度最高的目标语音片段；其中所述其他语音数据为所述多个语音数据中除所述任一语音数据以外的语音数据；

根据所述语音样本和各目标语音片段，将所述多个语音数据的时间轴进行对齐处理。

在其中一种可选的实施方式中，所述确定所述语音样本的帧数，并根据所述样本帧数提取所述语音样本的语音特征参数，包括：

根据所述语音样本的时长确定所述语音样本的样本帧数；

根据所述样本帧数对所述语音样本进行倒谱分析，获得所述语音样本的梅尔频率倒谱系数。

在其中一种可选的实施方式中，所述根据所述语音样本的语音特征参数在各其他语音数据中确定与所述语音样本相似度最高的目标语音片段，包括：

针对所述其他语音数据中的每一待处理语音数据；

选取所述待处理数据的目标帧作为当前帧，并将所述当前帧和所述当前帧之后的连续若干帧作为当前语音片段，其中，所述连续若干帧的帧数与所述样本帧数相同；

提取所述候选语音片段的语音特征参数，并根据所述当前语音片段的语音特征参数和所述语音样本的语音特征参数计算所述当前语音片段的相似度；

选取将所述目标帧的下一帧作为当前帧，并重复所述将所述当前帧和所述当前帧之后的连续若干帧作为当前语音片段的步骤，直至获取所述当前语音片段的最后一帧为所述待处理语音数据的最后一帧；

根据获得的各相似度，将相似度最高的当前语音片段作为所述待处理语音数据的目标语音片段。