[发明专利]语音音频的检测方法及装置、存储介质及电子装置

说明书

本发明提供了一种语音音频的检测方法及装置、存储介质及电子装置，其中，上述语音音频的检测方法包括：接收语音唤醒模块发送的第一语音音频，并获取第一语音音频的多个第一Fbank特征；通过差分自编码器神经网络模型对每个第一Fbank特征依次进行编码操作、解码操作，得到每个第一Fbank特征对应的第二Fbank特征；根据每个第一Fbank特征和每个第一Fbank特征对应的第二Fbank特征确定每个第一Fbank特征和每个第一Fbank特征对应的第二Fbank特征之间的偏差值，并根据偏差值再次确定第一语音音频是否为唤醒词音频。

技术领域

本发明涉及通信领域，具体而言，涉及一种语音音频的检测方法及装置、存储介质及电子装置。

背景技术

目前，智能语音交互功能在手机、音箱、家用电器、智能穿戴等各类设备上日渐普及，语音唤醒功能作为语音交互的触发机制在人们日常生活中被使用的频率越来越高。但是，语音唤醒技术在实际应用中却面临着必须在误唤醒率和唤醒率间折中的问题，为了保证用户可以唤醒设备，导致设备误唤醒率居高不下。随着各类智能交互设备在日常生活中使用频次的指数级增长，这一问题变得日益突出。目前现有技术中语音唤醒性能的优化有两种途径，一是优化语音唤醒算法本身，但是因为语音唤醒技术应用场景主要是远场，而远场情况中语音源能量衰减严重，且容易受到环境噪声和房间混响的影响，导致语音唤醒性能表现较差。二是在语音唤醒模块后增加二次检测机制。二次检测机制常规的方法是基于混合高斯模型的语音唤醒方法，采用混合高斯模型对唤醒词进行建模，根据输入的音频，分别计算唤醒词和非唤醒词的概率。然而，混合高斯模型的建模能力有限，无法实现对语音的精确建模，特别是在复杂的实际拾音环境下，基于混合高斯模型的语音唤醒性能严重下降。由此可见，现有技术不能很好解决上述技术问题。

针对相关技术中，为了保证智能设备的语音唤醒率，必然造成智能设备误唤醒率高的问题，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音频的检测方法及装置、存储介质及电子装置，以解决相关技术中为了保证智能设备的语音唤醒率，必然造成智能设备误唤醒率高的问题。

根据本发明的一个实施例，提供了一种语音音频的检测方法，包括：接收语音唤醒模块发送的第一语音音频，并获取所述第一语音音频的多个第一Fbank特征，其中，所述第一语音音频为所述语音唤醒模块检测到的，且所述第一语音音频的唤醒词概率大于预设阈值；通过差分自编码器神经网络模型对每个第一Fbank特征依次进行编码操作、解码操作，得到每个第一Fbank特征对应的第二Fbank特征，其中，所述差分自编码器神经网络模型在模型训练过程中，已获取到所有唤醒词音频的相似特征；根据每个第一Fbank特征和每个第一Fbank特征对应的第二Fbank特征确定每个第一Fbank特征和每个第一Fbank特征对应的第二Fbank特征之间的偏差值，并根据所述偏差值再次确定所述第一语音音频是否为唤醒词音频。

可选的，获取所述第一语音音频的多个第一Fbank特征，包括：对所述第一语音音频进行分帧操作，得到多帧音频；对所述多帧音频进行预增强操作，得到预增强音频；对所述预增强音频的高频语音部分进行加窗操作，得到加窗后的音频；从所述加窗后的音频中提取出所述第一语音音频的多个第一Fbank特征。

可选的，从所述目标音频中提取出所述第一语音音频的多个第一Fbank特征，包括：对所述加窗后的音频进行傅里叶变换操作，得到傅里叶变换结果；对所述傅里叶变换结果进行Mel滤波操作，得到滤波后的音频；对所述滤波后的音频进行对数运算处理，得到所述多个第一Fbank特征。

可选的，根据每个第一Fbank特征和每个第一Fbank特征对应的第二Fbank特征确定每个第一Fbank特征和每个第一Fbank特征对应的第二Fbank特征之间的偏差值，包括：根据以下公式确定所述偏差值A：A＝∑_k(Y_K-X_K)²，其中Y_K是第二Fbank特征，X_K是第一Fbank特征，K是正整数。