[发明专利]一种人声起止时间检测方法及装置

权利要求书

1.一种人声起止时间检测方法，其特征在于，包括以下步骤：

利用带噪的预设语音生成所述预设语音的第一倒谱特征，基于所述第一倒谱特征获得预测掩蔽值；

根据所述预测掩蔽值对第一预设神经网络进行训练进而生成训练后的第一神经网络；

利用所述训练后的第一神经网络得到带噪的预设VAD语音的预测mask值；

根据所述预测mask值对第二预设神经网络进行训练进而生成训练后的第二神经网络；

获取带噪的当前VAD语音，基于所述训练后的第一神经网络和所述训练后的第二神经网络获得所述带噪的当前VAD语音中人声的起止时间。

2.根据权利要求1所述人声起止时间检测方法，其特征在于，所述利用带噪的预设语音生成所述预设语音的第一倒谱特征，基于所述第一倒谱特征获得预测掩蔽值，包括：

获取多个带噪的预设语音；

利用下列公式提取所述第一倒谱特征：

cepstral＝ISTFT(log(STFT(mixture)))；

其中，所述STFT()为短时傅里叶变换，所述ISTFT为短时逆傅里叶变换，所述mixture为带噪的预设语音；

将所述第一倒谱特征输入到所述第一预设神经网络中以计算所述预测掩蔽值。

3.根据权利要求2所述人声起止时间检测方法，其特征在于，所述根据所述预测掩蔽值对第一预设神经网络进行训练进而生成训练后的第一神经网络，包括：

获取多个纯净的预设语音；所述多个纯净的预设语音与所述多个带噪的预设语音相对应；

利用下列公式计算实际掩蔽值：

其中，所述pure为纯净的预设语音，所述θ为相位，| |为幅度；

计算所述实际掩蔽值和所述预测掩蔽值的差值；

通过前馈算法和所述差值对所述第一预设神经网络进行训练进而生成所述训练后的第一神经网络。

4.根据权利要求3所述人声起止时间检测方法，其特征在于，所述利用所述训练后的第一神经网络得到带噪的预设VAD语音的预测mask值，包括：

获取所述带噪的预设VAD语音；

提取所述带噪的预设VAD语音的第二倒谱特征；

将所述第二倒谱特征输入到所述训练后的第一神经网络中；

输出所述预测mask值；

所述根据所述预测mask值对第二预设神经网络进行训练进而生成训练后的第二神经网络，包括：

将所述预测mask值输入到所述第二预设神经网络中以计算预测VAD标签；

根据实际VAD标签和所述预设VAD标签的差值对所述预设第二神经网络进行训练以生成所述训练后的第二神经网络。

5.根据权利要求4所述人声起止时间检测方法，其特征在于，所述获取带噪的当前VAD语音，基于所述训练后的第一神经网络和所述训练后的第二神经网络获得所述带噪的当前VAD语音的起止时间，包括：

提取所述带噪的当前VAD语音的第三倒谱特征；

将所述第三倒谱特征输入到所述训练后的第一神经网络中以得到当前mask值；

将所述当前mask值输入到所述训练后的第二神经网络中以得到当前VAD标签；

根据所述当前VAD标签确定所述带噪的当前VAD语音中人声的起止时间。

6.一种人声起止时间检测装置，其特征在于，该装置包括：

第一获取模块，用于利用带噪的预设语音生成所述预设语音的第一倒谱特征，基于所述第一倒谱特征获得预测掩蔽值；

第一训练模块，用于根据所述预测掩蔽值对第一预设神经网络进行训练进而生成训练后的第一神经网络；

生成模块，用于利用所述训练后的第一神经网络得到带噪的预设VAD语音的预测mask值；

第二训练模块，用于根据所述预测mask值对第二预设神经网络进行训练进而生成训练后的第二神经网络；

第二获取模块，用于获取带噪的当前VAD语音，基于所述训练后的第一神经网络和所述训练后的第二神经网络获得所述带噪的当前VAD语音的起止时间。