[发明专利]一种音频识别方法、装置、计算设备及存储介质

说明书

本发明实施例公开了一种音频识别方法、装置、计算设备及存储介质，该方法可以包括：获取第一音频中的语音音频，语音音频包括多帧语音音频信号；基于语音音频和目标耳蜗听觉模型，确定与多帧语音音频信号相关的伽玛通频率倒谱信息；其中，伽玛通频率倒谱信息包括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；根据伽玛通频率倒谱信息和每帧语音音频信号的基音频率特征，识别语音音频中至少一个目标对象对应的音频。以解决现有技术中音频识别效率低的问题。

技术领域

本发明实施例涉及语音识别技术领域，尤其涉及一种音频识别方法、装置、计算设备及存储介质。

背景技术

语音识别(Voice Recognition)是深度学习算法应用最广泛的主要研究领域之一，一般包括语种识别、说话人识别、关键词检出三类。其中，说话人识别(SpeakerRecognition)又称声纹识别，包括说话人辨认和说话人确认。

目前，在语音识别过程中，通常使用隐马尔可夫模型(Hidden Markov Model，HMM)或高斯混合模型(Gaussian Mixture Model，GMM)对音频进行识别。但是，这两种识别模型属于浅层学习网络算法，在一些场景下并不适用，例如在海量的语音环境中，语音中包含大量的来源不同的噪声、信道干扰及不同口音等干扰因素，导致在低信噪比的情况下往往会呈现出识别率降低的趋势，因此，通过上述音频识别方式进行音频识别，效率过低，且较难满足实际应用需求。

发明内容

本发明实施例提供一种音频识别方法、装置、计算设备及存储介质，以解决现有技术中音频识别效率低的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种音频识别方法，该方法可以包括：

获取第一音频中的语音音频，语音音频包括多帧语音音频信号；

基于语音音频和目标耳蜗听觉模型，确定与多帧语音音频信号相关的伽玛通频率倒谱信息；其中，伽玛通频率倒谱信息包括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；

根据伽玛通频率倒谱信息和每帧语音音频信号的基音频率特征，识别语音音频中至少一个目标对象对应的音频。

由此，本发明实施例中，通过目标耳蜗听觉模型，生成伽玛通频率倒谱信息，这里，耳蜗听觉模型模拟了人耳将语音音频转换为基底膜运动的多通道表示音频，以及将基底膜运动的多通道表示音频转换为到达耳蜗核的神经活动模式的多通道表示音频的过程，还原了人耳在感知方面的相互作用。耳蜗听觉模型中使用的gammatone滤波器对于含噪声的语音，能够较好的提取出其中的语音特征。因此，使用耳蜗听觉模型生成的伽玛通频率倒谱信息具有较好的抗噪性能。

接着，本发明实施例为了引入语音音频间的动态信息，计算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，即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，保留语音帧与帧之间的关联信息。本申请同时选择语音基音频率特征一起组合，将原始语音中的辨义信息进行保留。

然后，本发明实施例选择的组合语音特征即伽玛通频率倒谱信息和每帧语音音频信号的基音频率特征，包含的语音信息丰富，可辨别的精度高，且具有良好的抗噪性能，能够解决实际的使用过程中，用于可以识别带有噪声和音频源复杂的语音，提高音频识别效率。

在一种可能的实施例中，上述涉及的获取第一音频中的语音音频的步骤具体可以包括：

对第一音频进行分帧处理，得到第二音频；

利用谱减法对第二音频进行降噪，得到降噪后的第三音频；