[发明专利]语音端点检测模型训练和使用方法及装置

权利要求书

1.一种语音端点检测模型训练方法，包括：

将训练音频输入至广义上的语音端点检测模型中；

经由所述广义上的语音端点检测模型检测所述训练音频中存在的多个音频事件，其中，所述多个音频事件包括人说话事件、静音事件以及至少一种噪音事件；

获取所述广义上的语音端点检测模型输出的所述多个音频事件的语音和非语音的区分结果；

基于所述训练音频的音频事件标注和所述广义上的语音端点检测模型的输出计算损失函数，其中，所述音频事件标注包括预先对所述训练音频进行音频事件的标注；

通过控制所述损失函数优化所述广义上的语音端点检测模型。

2.根据权利要求1所述的方法，其中，所述音频事件标注为段落级别的标注。

3.根据权利要求1所述的方法，其中，在所述将训练音频输入至广义上的语音端点检测模型中之前，所述方法还包括：

提取所述训练音频种的声学特征；

使用卷积循环神经网络模型对所述声学特征进行训练分类。

4.根据权利要求3所述的方法，其中，所述经由所述广义上的语音端点检测模型检测所述训练音频中存在的多个音频事件包括：

利用所述广义上的语音端点检测模型中的音频事件检测来识别所述训练音频中存在的多个音频事件。

5.一种语音端点检测模型使用方法，包括：

经由根据权利要求1-4所述的方法训练后的广义上的语音端点检测模型检测输入音频中存在的多个音频事件，其中，所述多个音频事件包括人说话事件、静音事件以及至少一种噪音事件；

获取所述广义上的语音端点检测模型输出的所述多个音频事件的语音和非语音的区分结果。

6.根据权利要求5所述的方法，其中，获取所述广义上的语音端点检测模型输出的所述多个音频事件的语音和非语音的区分结果包括：

基于所述多个音频事件加上双阈值的后处理方法得到语音和非语音的区分结果。

7.根据权利要求6所述的方法，其中，所述基于所述多个音频事件加上双阈值的后处理方法得到语音和非语音的区分结果包括：

基于所识别的多个音频事件将所述人说话事件作为语音部分，将所述静音事件和所述至少一种噪音事件作为非语音部分；

基于所述语音部分和所述非语音部分的区分结果确定所述待检测音频的语音端点。

8.一种语音端点检测模型训练装置，包括：

输入模块，配置为将训练音频输入至广义上的语音端点检测模型中；

检测模块，配置为经由所述广义上的语音端点检测模型检测所述训练音频中存在的多个音频事件，其中，所述多个音频事件包括人说话事件、静音事件以及至少一种噪音事件；

输出模块，配置为获取所述广义上的语音端点检测模型输出的所述多个音频事件的语音和非语音的区分结果；

损失计算模块，配置为基于所述训练音频的音频事件标注和所述广义上的语音端点检测模型的输出计算损失函数，其中，所述音频事件标注包括预先对所述训练音频进行音频事件的标注；

优化模块，配置为通过控制所述损失函数优化所述广义上的语音端点检测模型。

9.一种语音端点检测模型使用装置，包括：

模型处理模块，配置为经由根据权利要求1-4所述的方法训练后的广义上的语音端点检测模型检测输入音频中存在的多个音频事件，其中，所述多个音频事件包括人说话事件、静音事件以及至少一种噪音事件；

区分模块，配置为获取所述广义上的语音端点检测模型输出的所述多个音频事件的语音和非语音的区分结果。

10.一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7任一项所述方法的步骤。