[发明专利]一种音频识别方法、装置、计算设备及存储介质

权利要求书

1.一种音频识别方法，其特征在于，所述方法包括：

获取第一音频中的语音音频，所述语音音频包括多帧语音音频信号；

基于所述语音音频和目标耳蜗听觉模型，确定与所述多帧语音音频信号相关的伽玛通频率倒谱信息；其中，所述伽玛通频率倒谱信息包括所述多帧语音音频信号中相邻的至少两帧语音音频信号的关联伽玛通频率倒谱信息和所述多帧语音音频信号中每帧语音音频信号的伽玛通频率倒谱信息；

根据所述伽玛通频率倒谱信息和所述每帧语音音频信号的基音频率特征，识别所述语音音频中至少一个目标对象对应的音频。

2.根据权利要求1所述的方法，其特征在于，所述获取第一音频中的语音音频，包括：

对所述第一音频进行分帧处理，得到第二音频；

利用谱减法对所述第二音频进行降噪，得到降噪后的第三音频；

基于对数频谱距离的端点检测，提取所述第三音频中包含有话的音频片段；

将所述包含有话的音频片段确定为所述语音音频。

3.根据权利要求2所述的方法，其特征在于，所述对所述第一音频进行分帧处理，得到第二音频，包括：

按照预设帧移长度，划分所述第一音频中每帧音频信号对应的帧长，得到具有重叠区域的音频信号；

将所述具有重叠区域的音频信号对应的音频确定为所述第二音频。

4.根据权利要求3所述的方法，其特征在于，所述利用谱减法对所述第二音频进行降噪，得到降噪后的第三音频，包括：

根据所述第二音频中每个音频信号对应的相角值和谱减后幅值，对所述第二音频进行降噪，得到降噪后的第三音频；其中，

所述谱减后幅值由所述第二音频中每个音频信号的幅值和第一预设噪声帧的平均能量确定。

5.根据权利要求4所述的方法，其特征在于，所述基于对数频谱距离的端点检测，提取所述第三音频中包含有话的音频片段，包括：

根据所述第三音频中每帧音频信号与第二预设噪声帧的对数频谱距离，将所述对数频谱距离小于或者等于预设阈值的第一音频信号确定为目标噪声帧；

提取所述第三音频中除了所述目标噪声帧之外的第一音频帧，并确定与所述第一音频帧对应的音频片段；其中，

所述对数频谱距离由所述第三音频中每帧音频信号的对数频谱和所述第二预设噪声帧的对数频谱确定。

6.根据权利要求1所述的方法，其特征在于，所述基于所述语音音频和目标耳蜗听觉模型，确定与所述多帧语音音频信号相关的伽玛通频率倒谱信息，包括：

获取所述语音音频中每帧语音音频信号的谱线能量；

将所述谱线能量输入到所述目标耳蜗听觉模型中，得到所述每帧语音音频信号的伽玛通频率倒谱信息；

根据所述每帧语音音频信号的伽玛通频率倒谱信息，确定所述每帧语音音频信号与相邻的至少一帧语音音频信号的关联伽玛通频率倒谱信息；其中，

所述关联伽玛通频率倒谱信息包括所述每帧语音音频信号的伽玛通频率倒谱信息相关的一阶差分伽玛通频率倒谱信息和二阶差分伽玛通频率倒谱信息。

7.根据权利要求1或6所述的方法，其特征在于，在所述识别所述语音音频中至少一个目标对象对应的音频之前，所述方法还包括：

根据所述每帧语音音频信号的采样频率和基音周期，得到所述每帧语音音频信号的基音频率特征。

8.根据权利要求6所述的方法，其特征在于，所述根据所述伽玛通频率倒谱信息和所述每帧语音音频信号的基音频率特征，识别所述语音音频中至少一个目标对象对应的音频，包括：

根据所述每帧语音音频信号的伽玛通频率倒谱信息、关联伽玛通频率倒谱信息和所述每帧语音音频信号的基音频率特征，得到所述每帧语音音频信号的声学特征信息；

将所述声学特征信息输入到第一循环神经网络模型中，得到结果信息，所述结果信息包括识别所述语音音频中至少一个目标对象对应的音频；其中，

所述第一循环神经网络模型由第一样本集训练，所述第一样本集包括多个样本声学特征信息，所述样本声学特征信息包括多个样本帧语音音频信号中每个样本帧语音音频信号的伽玛通频率倒谱信息和基音频率特征。