[发明专利]基于智能终端的安全语音交互方法及系统

权利要求书

1.一种基于智能终端的安全语音交互方法，其特征在于，在需要采集音频信号时通过智能终端主动产生干扰噪声与待采集音频叠加，然后智能终端基于干扰噪声的先验知识，在接收信号上自适应消噪并提取出待采集音频；

所述的干扰噪声，根据历史记录混合生成语义混淆且频谱与待采集音频近似的信号；

所述的干扰噪声，具体通过以下方式得到：首先收集用户自身的失真的语音录音，并对采集设备造成的失真进行补偿，产生与用户真实声音频谱非常相似的语音记录；然后随机选择多个语音记录进行混合以混淆用户语音的语义。

2.根据权利要求1所述的基于智能终端的安全语音交互方法，其特征是，所述的补偿是指：先测量智能设备的频率响应，然后结合数字信号处理算法，将失真的语音录音还原为与用户真实声音有相同特征的声音信号。

3.根据权利要求1所述的基于智能终端的安全语音交互方法，其特征是，所述的混合是指：将多段语音信号在时域上叠加，合并为一个声音信号。

4.根据权利要求1所述的基于智能终端的安全语音交互方法，其特征是，所述的自适应消噪是指：先将干扰噪声与接收信号进行互相关运算，以获得待采集音频的起始位置；然后以起始位置开始的两秒接收信号为前导码，对交互设备的播放设备到采集设备的信道进行粗略估计，并借此推断采集的音频信号中用户实际交互的时间区间；获得音频信号的区间信息后，对只有干扰噪声的区间内的信号进行自适应信道估计，连续跟踪时变信道；对于接收信号的起始位置两秒后开始的用户语音区间，采用自适应信道估计得到的更新后的信道估计以消除干扰噪声。

5.根据权利要求4所述的基于智能终端的安全语音交互方法，其特征是，所述的待采集音频的起始位置是指：使用干扰噪声的前两秒信号与所采集的声音进行互相关运算，获得不同对齐位置下的相关值；当两个信号对齐时，互相关的值达到最大，即待采集音频的起始位置；

所述的粗略估计是指：暂不考虑信道的时变性，将最开始两秒信号计算出的频率响应看作整段信号的频率响应；

所述的时间区间是指：用粗略估计的信道响应估计采集到的干扰噪声，这个估计结果包含了采集到的干扰噪声的大部分能量，将其从录音信号中减去，得到主要包含用户语音和环境噪声的剩余信号，然后，利用滑动窗口计算剩余信号每个窗口内的能量，判断能量是否大于阈值划分用户语音区间和非用户语音区间；

所述的自适应信道估计具体过程为：利用频域自适应滤波器持续估计时变的信道响应：首先用滑动窗口对非用户语音区间的录音信号和对应的原始干扰噪声信号进行傅里叶变换得到其频域表示；随机假设一个频率响应估计值并据此计算当前窗口内录音信号的估计值，根据估计的录音信号和实际录音信号得到当前窗口的估计误差，将此估计误差看作代价函数；当频响估计值与实际的频响一致时估计误差达到最小，因此利用梯度下降法随滑动窗口迭代更新频率响应的估计值以最小化代价函数直到其收敛，即可得到随时间实时估计的频率响应。

6.根据权利要求1或4所述的基于智能终端的安全语音交互方法，其特征是，所述的自适应消噪，进一步进行残余噪声衰减以去除由于信道估计误差而产生的剩余噪声以及环境噪声，从而得到最终纯净的用户语音；

所述的残余噪声衰减是指：采用谱减法降低残余噪声，自适应消噪后的残余噪声在整段信号中具有相似的能谱分布，对非用户语音区间的残余信号的频谱进行采样，得到各频率上噪声的平均能量作为阈值；对于用户语音区间，将信号的频谱与阈值进行比较，如果某一频率的幅值低于相应的阈值，则视该频率分量为噪声，并按比例衰减。

7.一种实现上述任一权利要求所述方法的安全的语音交互系统，其特征在于，包括：噪声干扰模块和干扰噪声自消除模块，其中：噪声干扰模块分别与智能终端的播放设备和干扰噪声自消除模块相连并输出干扰噪声，干扰噪声自消除模块分别与智能终端的采集设备和噪声干扰模块相连并根据接收信号和干扰噪声提取得到待采集音频。