[发明专利]语音端点检测方法和装置、存储介质及电子设备

说明书

本发明公开了一种语音端点检测方法和装置、存储介质及电子设备。其中，该方法包括：获取待识别的目标音频数据；将目标音频数据输入第一语音识别模型，以得到识别结果，其中，第一语音识别模型为用于识别目标音频数据中包含的语音帧的深度神经网络模型；在从目标音频数据中识别出多个候选语音帧的情况下，获取多个候选语音帧中每个候选语音帧各自对应的能量信息；在能量信息满足判定条件的情况下，确定多个候选语音帧中包含有效语音帧的语音端点。本发明解决了语音端点检测结果准确率低的技术问题。

技术领域

本发明涉及语音识别领域，具体而言，涉及一种语音端点检测方法和装置、存储介质及电子设备。

背景技术

语音信号处理技术是人机交互领域的一项关键技术，语音端点检测就是从连续的语音流中检测出有效的语音段，其中包括，检测出有效语音的起始点即前端点，检测出有效语音的结束点即后端点。在语音识别和信号处理中，通过进行语音的端点检测识别出有效语音，从而在存储或传输语音的场景下，从连续的语音流中分离出有效语音，可以降低存储或传输的数据量，简化人机交互的工作量和繁琐度。因此，语音端点检测是语音通信、语音识别、语音编码技术中前端处理的必要环节，对后续的语音处理性能表现起着至关重要的作用。

在相关技术中，语音端点检测通常采用基于混合高斯模型的语音端点检测方法，对于每一帧输入的音频，分别计算语音的概率和噪声的概率。但是混合高斯模型的建模能力有限，无法实现对语音的精确的建模，特别是复杂的语音环境下，基于混合高斯模型的语音端点检测性能严重下降，由此导致语音端点检测准确率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种语音端点检测方法和装置、存储介质及电子设备，以至少解决语音端点检测结果准确率低的技术问题。

根据本发明实施例的一个方面，提供了一种语音端点检测方法，包括：获取待识别的目标音频数据；将上述目标音频数据输入第一语音识别模型，以得到识别结果，其中，上述第一语音识别模型为用于识别上述目标音频数据中包含的语音帧的深度神经网络模型；在从上述目标音频数据中识别出多个候选语音帧的情况下，获取上述多个候选语音帧中每个候选语音帧各自对应的能量信息；在上述能量信息满足判定条件的情况下，确定上述多个候选语音帧中包含有效语音帧的语音端点。

根据本发明实施例的另一方面，还提供了一种语音端点检测装置，包括：第一获取模块，用于获取待识别的目标音频数据；识别模块，用于将上述目标音频数据输入第一语音识别模型，以得到识别结果，其中，上述第一语音识别模型为用于识别上述目标音频数据中包含的语音帧的深度神经网络模型；第二获取模块，用于在从上述目标音频数据中识别出多个候选语音帧的情况下，获取上述多个候选语音帧中每个候选语音帧各自对应的能量信息；确定模块，用于在上述能量信息满足判定条件的情况下，确定上述多个候选语音帧中包含有效语音帧的语音端点。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述语音端点检测方法。

根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的语音端点检测方法。

在本发明实施例中，采用将音频数据输入第一语音识别模型得到音频数据中语音帧的识别结果，并在识别出语音帧的情况下，通过能量信息进行再次判断，满足判定条件才确定为有效语音帧端点的方式，通过对音频数据的识别结果显示为语音帧的语音进行能量信息的再次判断，达到了结合识别结果和能量信息对语音端点进行双重判断以增加语音端点检测准确性的目的，从而达到了提高语音端点检测结果准确率的技术效果，进而解决了语音端点检测结果准确率低的技术问题。

附图说明