[发明专利]一种基于频谱包络图的可变时长语音的语种识别方法

说明书

本发明涉及一种基于频谱包络图的可变时长语音的语种识别方法，属于音频信号处理技术领域。首先将语音信号分割为时长为t秒的短时语音；再提取出每段短时语音的频谱包络图，并将这些频谱包络图按a:b的比例分配为训练集和测试集；然后将训练集拟合到残差网络中进行训练，通过调整模型参数和测试集的反复测试，选出识别率最高的语种识别模型；当待测语音的时长大于t秒时，将它们分割成为若干长度为t秒的短时语音，然后通过统计每一段长语音所分割得到的短语音的识别情况来判断整段长语音得语种。本发明不仅能加快语种识别的速度，同时在待测语音时长不等的情况下也可以进行语种识别，并且能够保证较高的准确率。

技术领域

本发明涉及一种基于频谱包络图的可变时长语音的语种识别方法，属于音频信号处理技术领域。

背景技术

根据调查表明，全世界有超过6900种不同的语种，完全靠人工来对这些语种分类是非常复杂的。目前已经有很多的语言翻译工具，而这些翻译工具的前端都引用到了语种识别技术。当待测语音的时长不等时，由于训练集不可能包含所有时长的语音信号，因此不同时长语音的语种识别效果会显著下降。目前为了解决不同时长语音的语种识别问题，使用最广泛的方法是改变语音的语速来调整时长，而这种方法虽然可以保持语音的频域特征基本不变，但时域特征却改变很大，语种的识别效果也不太理想。因此可变时长语音的语种识别还有巨大的研究空间。

发明内容

本发明要解决的技术问题是本发明提供一种基于频谱包络图的可变时长语音的语种识别方法，用来解决当待测语音时长不等时造成语种识别效果急剧下降的问题。

本发明的技术方案是：一种基于频谱包络图的可变时长语音的语种识别方法，主要分为两个部分，第一个部分为短语音的语种识别(时长为1秒)，第二部分为待测长语音的时长规整，即分割为若干时长为1秒的短语音信号。

在第一部分短语音的语种识别过程中，使用语音信号的频谱包络图作为语种识别系统的特征输入，其提取过程主要包括语音信号分帧、加窗函数和同态处理，求得短语音的每一帧频谱包络，再将这些频谱包络按行拼接起来，形成一段短语音(时长为1秒)的频谱包络图，然后把这些频谱包络图按4:1分配为训练集和测试集，训练集用来拟合到残差网络中形成语种识别模型，测试集用来对生成的语种识别模型进行测试，选出识别效果最好的语种识别模型。

第二部分主要内容就是将不同时长的长语音都分割为若干短语音(时长为1秒)，然后将这些短语音送入语种识别系统中进行测试，通过统计这些短语音的识别情况来判别长语音的语种。

具体步骤为：

Step1：将不同语种的长段语音信号分割为时长较短的短时语音，将短时语音信号的时长定义为t秒。

Step2：对于时长为t秒的短时语音进行分帧、加窗函数，然后通过同态处理求出时长为t秒的短时语音的每一帧的频谱包络。

Step3：将同一短时语音的每一帧信号的频谱包络按行排列组合起来，绘制出每段语音对应的频谱包络图，其横轴代表频谱、纵轴代表时域。

Step4：对生成的频谱包络图进行滤波，去除语音信号的高频和低频部分，保留语音信号的中频部分，使其频率在500HZ到3000HZ的范围内。

Step5：将每种语种的频谱包络图按N：m分配为训练集和测试集，并打上对应语种的标签。

Step6：将训练集拟合到残差网络，通过调整参数，训练得到不同的语种识别模型，再用测试集对这些语种识别模型进行测试，挑选出语种识别率最高的语种识别模型。

Step7：当待测语音的时长不等时，将这些语音信号分割为若干的短时语音信号，时长为t秒，再将每段长语音分割得到的若干短语音拟合到Step6中的语种识别模型中，通过统计这些短语音的识别情况来判别时长语音的语种。