[发明专利]语音端点检测方法及装置

说明书

本发明公开一种语音端点检测方法及装置，其中方法包括：将接收到的音频信号分成多帧子信号；对多帧子信号中的每一帧子信号进行快速傅里叶变化得到多个频点信号；对多帧子信号中的每一帧子信号的多个频点信号进行多通道降噪处理，并基于多通道降噪处理结果判断语音信号是否包含端点，生成第一判定结果；取多帧子信号中的任意一帧子信号的多个频点信号进行单通道降噪处理，并基于单通道降噪处理结果判断所述任意一子帧信号是否包含端点，生成第二判定结果；当第一、第二判定结果均为肯定时，确定接收到的音频信号包含端点。本发明基于阵列的处理，对于波束非常敏感，即使是非常弱的语音信号都可以发现，从而能够更加准确的检测到语音端点。

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装置。

背景技术

市面上存在一些语音端点检测技术，利用过零率，短时能量和深度学习等判断语音端点。

语音端点检测，即检测语音的起始点和结束点。语音端点检测可以分为单通道的方法和基于麦克风阵列的方法；其中基于单通道的方法包括基于信号特征的方法，信号统计的方法和深度学习的方法。其中基于信号特征的方法包括利用过零率的变化，短时能量的变化和语音帧自相关的变化等；基于信号统计的方法主要通过假设信号的模型，然后通过贝叶斯或者其它方法得到语音信号存在概率，从而得到语音的状态；深度学习主要是将语音打上静音或者语音的标签，训练网络，工作的时候将语音提取特征后送入网络，从而得到语音的状态；基于麦克风阵列的方法，是利用语音到达麦克风的时延不同，利用相位信息结合假设的语音统计模型，得到语音存在概率；

单通道中，传统的语音检测方法，即基于信号特征的方法和信号统计的方法等，存在非稳态噪声或者干扰的情况下，容易判断错误；基于深度学习的检测方法，效果较好，但是计算量非常大。多通道中，语音检测方法尚未成熟，由于是利用语音相位信息，对于能量并不敏感，容易受到干扰；

单通道中，传统的语音检测方法，多是利用语音信号的某一个或者某两个特征，这些特征容易被各种噪声(包括稳态噪声，非稳态噪声，有色噪声，有向噪声)掩蔽，导致很难区分；基于深度学习的检测方法，需要事前录音，标注，训练模型，对于不同的场景还需要调整，并且要经过多层神经网络计算，整个过程繁琐且计算量大。

发明内容

行业中，麦克风阵列拾音技术基础逐渐热门，主要用于增强语音。在行业产品中，如语音音箱或者后视镜等产品，语音端点检测多在语音输入之后立即做，本技术会在阵列增强之后再去做，充分利用阵列增强之后所得到的语音信息。目前也没有发现商业化的利用麦克风阵列去做VAD(Voice Activity Detection，语音端点检测)的情况。

本发明实施例提供一种语音端点检测方法及装置，用于至少解决上述技术问题之一。

第一方面，本发明实施例提供一种语音端点检测方法，包括：

将接收到的音频信号分成多帧子信号；

对所述多帧子信号中的每一帧子信号执行：对每一帧子信号进行加窗，以进行快速傅里叶变化得到多个频点信号；

对所述多帧子信号中的每一帧子信号的多个频点信号进行多通道降噪处理，并基于多通道降噪处理结果判断所述接收到的音频信号是否包含端点，生成第一判定结果；

取所述多帧子信号中的任意一帧子信号的多个频点信号进行单通道降噪处理，并基于单通道降噪处理结果判断所述任意一子帧信号是否包含端点，生成第二判定结果；

当所述第一判定结果和所述第二判定结果均为肯定时，确定所述接收到的音频信号包含端点。

第二方面，本发明实施例提供一种语音端点检测装置，包括：

音频信号分帧模块，用于将接收到的音频信号分成多帧子信号；