一种构建语音检测模型的方法及语音端点检测系统与流程

技术特征：

1.一种构建语音检测模型的方法，其特征在于，先采集音频数据并合成混合语音，而后对混合语音进行特征提取得到62维特征，再将62维特征输入至RNN模型进行训练得到语音检测模型。

2.根据权利要求1所述的一种构建语音检测模型的方法，其特征在于，具体步骤如下：

步骤一、合成混合语音

先采集纯净语音和噪声，而后将采集的纯净语音和噪声进行语音合成得到混合语音；

步骤二、特征提取

先对混合语音进行加窗分帧处理并进行短时傅里叶变换，再计算每帧的频域对数谱，而后对对数谱进行特征提取得到62维特征；

步骤三、生成语音检测模型

将62维特征输入至RNN模型，再采用Adam训练策略和改进的loss函数进行训练得到语音检测模型；改进的loss函数的公式如下：

BCEmin(x)i＝0.1×MC(x)×[-yilogfi(x)+(1-yi)log(1-fi(x))]

其中，BCEmin(x)i为二值交叉熵，fi(x)表示预测结果，yi表示真实标签，MC(x)为最小期望成本，公式如下：

MC(x)＝P(preL0，tureL1，x)×C10+P(preL1，trueL0，x)×C0

式中，pre代表预测结果，ture代表真实标签，P(preL0，tureL1，x)表示真实标签为L1，L1为语音标签，预测为L0的个数占总个数的比，L0为非语音标签；P(preL1，trueL0，x)表示真实标签为L0，预测为L1的个数占总个数的比；C10为真实标签为L1但检测为L0时的成本，C0为真实标签为L0但检测为L1的成本。

3.根据权利要求2所述的一种构建语音检测模型的方法，其特征在于，步骤一中语音合成公式如下：

Smix＝α×Sclean+β×N

其中，Smix为合成的混合语音，Sclean为纯净语音，N为噪声，α为纯净语音的衰减系数，0.3≤α≤1；β为噪声的衰减系数，0.3≤β≤1。

4.根据权利要求2所述的一种构建语音检测模型的方法，其特征在于，步骤二中对对数谱进行特征提取的具体步骤为：将对数谱均匀分成22个子频带，再对每个子频带进行DCT变换得到22维特征，再根据22维特征将当前帧与当前帧的前两帧和当前帧的后两帧的数据特征分别进行差异比较并根据当前帧特征共得到36维特征；而后将基音周期、当前帧谱距离、当前帧与前两帧分别计算所得的谱距离差作为特征得到4维特征，最终共得到62维特征。

5.根据权利要求2所述的一种构建语音检测模型的方法，其特征在于，步骤三中Adam训练策略公式如下：

mt＝μ×mt-1+(1-μ)×gt

其中，gt表示梯度，mt表示梯度的一阶动量，mt-1表示在t-1时刻梯度的一阶动量，nt表示梯度的二阶动量，nt-1表示在t-1时刻梯度的二阶动量，表示对mt的校正，表示对nt的校正，θ表示学习率，μ和ρ表示衰减系数，0≤μ＜1，0≤ρ＜1；∈是常数，∈＝10^-8。

6.根据权利要求4所述的一种构建语音检测模型的方法，其特征在于，将前6个频带的系数作为6维特征进行差异比较，差异比较的计算公式如下：

F1＝(fcurrent(i)+fcurrent+1(i)+fcurrent+2(i))/3

F2＝fcurrent(i)-fcurrent+2(i)

F3＝fcurrent(i)-2×fcurrent+1(i)+fcurrent+2(i)

F4＝fcurrent(i)-fcurrent-1(i)

F5＝fcurrent(i)-fcurrent-2(i)

F6＝fcurrent(i)

其中，fcurrent代表当前帧，fcurrent+1代表当前帧的后一帧，fcurrent+2代表fcurrent+1的后一帧，fcurrent-1代表当前帧的前一帧，fcurrent-2代表fcurrent-1的前一帧，i表示22维特征对应的索引，1≤i≤6，F1～F5代表5种差异比较方式，F6代表当前帧特征。

7.根据权利要求1～6任一项所述的一种构建语音检测模型的方法，其特征在于，RNN模型包括一层16个神经元的Dense层和一层24个输出的GRU层。

8.一种语音端点检测系统，其特征在于，包括采集单元、计算单元、传输单元和终端，集单元与计算单元电连接，计算单元和终端分别与传输单元连接，其中，所述计算单元包括存储器和处理器，存储器内存储有程序，该程序用于实现权利要求1～7任一项所述的一种构建语音检测模型的方法，处理器用于执行程序得到语音检测模型并用于语音检测模型的计算。

9.根据权利要求8所述的一种生成混合语音数据的系统，其特征在于，采集单元包括声音采集器和信号转换器，声音采集器与信号转换器电连接，信号转换器与计算单元电连接。