[发明专利]一种语音活动检测方法、存储介质及电子设备

说明书

本说明书公开了一种语音活动检测方法、存储介质及电子设备，本说明书实施例将待识别音频的音频特征输入语音活动检测模型，得到语音活动检测模型输出的识别结果，再根据待识别音频对应的识别场景类型，确定分类参数，最后根据语音活动检测模型输出的识别结果以及分类参数，对待识别音频进行最终的识别，从而只需部署一个通用的语音活动检测模型即可，而不需要针对不同的识别场景分别部署相应的语音活动检测模型，可有效降低模型部署和迭代升级的成本。

技术领域

本说明书涉及互联网技术领域，尤其涉及一种语音活动检测方法、存储介质及电子设备。

背景技术

目前，语音识别技术已经广泛应用于各种场景，如电话语音识别、语音会议记录等。

在现有技术中，通常采用预先训练的机器学习模型来进行语音识别。具体的，需要先对待识别音频进行语音活动检测(Voice Activity Detection，VAD)，即，将待识别音频输入语音活动检测模型，以识别该待识别音频中的语音段和非语音段，再将识别出的语音段输入语音识别模型进行语音识别。其中，语音活动检测模型相当于是一个二分类模型，对输入的音频进行语音段和非语音段的二分类。

然而，在实际应用中，不同应用场景的待识别音频的采样频率和输入模式不尽相同，如，电话语音识别场景中，待识别音频的采样频率通常为8KHz，输入模式为流式输入，而语音会议记录场景中，采样频率通常为16KHz，输入模式为非流式输入。因此，针对不同应用场景的待识别音频，往往需要训练不同的语音活动检测模型来进行语音段和非语音段的识别，这就会增大模型部署和迭代升级的成本。

有鉴于此，如何降低模型部署和迭代升级的成本成为一个亟待解决的问题。

发明内容

本说明书实施例提供一种语音活动检测方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种语音活动检测方法，包括：

获取待识别音频；

从所述待识别音频的各音频帧中提取音频特征；

将各音频帧的音频特征输入预先训练的语音活动检测模型，得到所述语音活动检测模型输出的各音频帧为语音段的概率；

根据所述待识别音频对应的识别场景类型，确定分类参数；

根据所述语音活动检测模型输出的各音频帧为语音段的概率以及所述分类参数，识别各音频帧是否为语音段。

可选地，获取待识别音频，具体包括：

获取流式输入的待识别音频；或者，获取非流式输入的待识别音频；

将各音频帧的音频特征输入预先训练的语音活动检测模型，具体包括：

当所述待识别音频为流式输入的音频时，将所述待识别音频中的各音频帧的音频特征以流式输入的方式输入预先训练的语音活动检测模型；

当所述待识别音频为非流式输入的音频时，将所述待识别音频中的各音频帧的音频特征以非流式输入的方式输入预先训练的语音活动检测模型。

可选地，从所述待识别音频的各音频帧中提取音频特征，具体包括：

根据所述待识别音频的采样频率，从所述待识别音频的各音频帧中提取归一化的音频特征；所述归一化的音频特征包括：MixBand FBank特征。

可选地，根据所述待识别音频对应的识别场景类型，确定分类参数，具体包括：

根据所述待识别音频对应的识别场景类型，确定所述识别场景类型对应的概率阈值；