[发明专利]一种应用于电力调度规范性评价的智能语音分析方法

说明书

本发明涉及语音识别、文本分析技术领域，具体为一种应用于电力调度规范性评价的智能语音分析方法，其不同之处在于，包括以下步骤：步骤一：收集电力行业的语言材料；步骤二：对GMM‑HMM模型进行训练；步骤三：语音输入；步骤四：预加重；步骤五：加窗处理；步骤六：提取频域信号；步骤七：得到梅尔频谱；步骤八：输出FBANK特征；步骤九：去除频谱中的毛刺；步骤十：形成基础声学特征；步骤十一：提取动态特征；步骤十二：特征对比；步骤十三：记录说错词汇；步骤十四：特征对比；步骤十五：记录消极词汇；步骤十六：生成评价报告。本发明可以有效地提高电力调度的质量和效率。

技术领域

本发明涉及语音识别、文本分析技术领域，具体为一种应用于电力调度规范性评价的智能语音分析方法。

背景技术

南方电网作为电力服务平台，拥有整体覆盖全网的智能语音引擎开放平台，满足在电力调度领域开展智能语音分析的智能化管理工作需要。在电力调度的沟通过程中，语音信号包含很多信息，比如调度员和现场操作人员的身份信息、性别、和语音内容等。但是，由于工作人员常常用简单的语句来表答一个复杂的问题，很多专业用语都用的不规范，导致双方的沟通不能有效的进行。比如说话人当时情感状态非常着急，普通话不够标准，电力专业词汇发音错误等。

鉴于此，为了克服现有技术缺点，提供一种应用于电力调度规范性评价的智能语音分析方法成为本领域亟待解决的问题。

发明内容

本发明目的在于克服现有技术的缺点，提供一种应用于电力调度规范性评价的智能语音分析方法，可以有效地提高电力调度的质量和效率。

为解决以上技术问题，本发明提供了一种应用于电力调度规范性评价的智能语音分析方法，其不同之处在于，包括以下步骤：

步骤一：收集电力行业的语言材料，明确语音语义匹配库需要的数据内容；

步骤二：通过收集的电力行业语料库、电力调度规范用语语料库和常用的情感语料库对GMM-HMM模型进行训练；

步骤三：语音输入，通过设备上的声卡读取麦克风中输入的语音信号，实现实时语音信号采集；

步骤四：对语音信号进行预加重，去除口唇辐射的影响，增加语音的高频分辨率；

步骤五：对步骤三得到的语音信号使用汉宁窗进行加窗处理；

步骤六：对加窗后的语音信号进行离散傅里叶变换，从每一段加窗后的音频中分别提取出频域信号；

步骤七：对步骤五输出的频谱通过三角梅尔滤波器组，得到梅尔频谱；

步骤八：对梅尔频谱取对数，增强特征的鲁棒性，输出FBANK特征；

步骤九：对FBANK特征进行离散余弦变换，把包络与谐波分开，去除频谱中的毛刺；

步骤十：在FBANK特征的基础上拼接Pitch特征，形成基础声学特征；

步骤十一：采用一阶导数提取动态特征；

步骤十二：基于GMM-HMM将基础声学特征和动态特征与电力行业语料库、电力调度规范用语语料库进行对比；

步骤十三：记录电力调度过程中说错的电力专业词汇，将进行记录；

步骤十四：基于GMM-HMM将基础声学特征和动态特征与情感语料库进行对比；

步骤十五：记录电力调度过程中的消极词汇进行记录；

步骤十六：对话结束后，生成电力调度规范性评价报告。

按以上技术方案，所述步骤二中，根据电力行业语料库、电力调度规范用语语料库和情感语料库的统计量和音素集通过聚类的方式生成决策树，基于决策树绑定状态，然后使用EM算法对模型做迭代训练，直到收敛。