[发明专利]一种利用神经网络的语音活性检测方法

说明书

一种利用神经网络的语音活性检测方法，包括模型训练过程和语音活性检测过程；所述模型训练过程包括以下步骤：S1.对用于训练的纯净语音确定端点检测标签；S2.对纯净语音进行随机加噪，构造训练集；S3.逐帧处理，提取训练集中的多阶多分辨率耳蜗图特征向量；S4.构建多层门控制循环单元网络，利用训练集对其进行训练，得到多层门控制循环单元成熟模型,利用成熟模型进行语音活性检测。本发明利用神经网络良好的分类性能，提取带噪语音的特定特征，并通过预先训练好的神经网络模型，对语音以及噪声进行初步分类并求得一个语音存在概率；通过状态机对获得的语音存在概率进行后处理，从而得到一个平滑且相对准确的语音活性检测标识。

技术领域

本发明属于语音识别技术领域，具体涉及一种利用神经网络的语音活性检测方法。

背景技术

在语音通话或者语音识别领域，语音活性检测技术可以有效的区分出语音片段和非语音片段，因此可以有效的降低需要处理的数据量。在识别中，只需要把语音活性段的数据进行识别；而通话领域中可以有效控制需要去传输的数据量。语音活性检测面临的最大问题就是，传统方法在非平稳噪声以及小噪声的环境下有较好的检测效果，而在大噪声以及非平稳噪声，比如音乐环境下，则无法很好的区分。

发明内容

为克服现有技术存在的技术缺陷，本发明公开了一种利用神经网络的语音活性检测方法。

本发明所述利用神经网络的语音活性检测方法，包括模型训练过程和语音活性检测过程；

所述模型训练过程包括以下步骤：

S1.对用于训练的纯净语音确定端点检测标签；

S2.对纯净语音进行随机加噪，构造训练集；

S3.逐帧处理，提取训练集中每一帧语音的多阶多分辨率耳蜗图特征向量；

S4.构建多层门控制循环单元网络，利用训练集对其进行训练，得到多层门控制循环单元成熟模型；

语音活性检测过程：

S5.提取测试语音每一帧的多阶多分辨率耳蜗图特征向量；

S6.经过神经网络的前向网络，对每一帧给出一个语音存在概率；

S7.利用状态机对语音存在概率值进行后处理，输出一个平滑且稳定的语音活性检测标识；

所述后处理为将离散的语音存在概率值归整为仅采用0和1表示；

步骤S7中，利用状态机对语音存在概率值进行后处理的具体方法为：

设置状态机状态0为初始态，1为确定态，2为退出态；

设置启动数组、结束数组，设置存在门限值；

在状态机状态为确定态下时，

当语音存在概率存在门限值时，启动数组对应元素的值置为1，同时对启动数组元素序号加1；直到元素序号超过启动数组长度后重置；

当语音存在概率存在门限值时, 结束数组对应元素的值置为1，同时对结束数组元素序号加1；直到元素序号超过结束数组长度后重置。

优选的，所述步骤 S1具体为：

设置一功率谱计数器, 定义该功率谱计数器当前值为fct，fct初始值为0，设置依次减小的第一经验值TH1、第二经验值TH2、第三经验值TH3；其中第一经验值为语音帧功率谱的上限经验值、第二经验值为语音帧功率谱的中间经验值、第三经验值为语音帧功率谱的下限经验值；

对纯净语音逐帧检测功率谱，当前帧的功率谱PSC＞第一经验值TH1时，fct为0，当TH2≤PSC≤TH1时，fct减5；当TH3≤PSCTH2时，fct加1；其余情况加2；