语音端点检测中的背景噪声自适应调整方法

摘要

本发明涉及自动字幕生成系统中的语音检测技术，具体涉及一种语音端点检测中的背景噪声自适应调整方法。该方法根据背景噪声的实时变化，通过重新计算背景噪声的短时能量Eb，短时过零率Zb和短时信息熵Hb的值来重新确定每一帧的短时能频值，得到新的短时能频值序列，从而能够在复杂的背景噪声环境下，对连续语音进行端点检测，提高了在复杂噪声背景下的语音端点检测效率。

主权项

一种语音端点检测中的背景噪声自适应调整方法，包括如下步骤：(1)将音频采样序列分成固定长度的帧，并形成一个帧序列，针对每一帧数据提取短时能量、短时过零率和短时信息熵三个音频特征参数；(2)将音频文件最初的10ms作为环境音，将这10ms音频信号的短时能量平均值、短时过零率平均值和短时信息熵平均值作为最初的背景噪声的短时能量Eb、短时过零率Zb和短时信息熵Hb，计算得到短时能频值序列，所述的短时能频值定义为：EZE‑featurei＝(Ei‑Eb)·(Zi‑Zb)·(Hi‑Hb)其中，EZE‑featurei表示第i帧的短时能频值；Ei、Zi和Hi分别表示第i帧的短时能量、短时过零率和短时信息熵；Eb、Zb和Hb分别表示当前背景噪声的短时能量、短时过零率和短时信息熵；(3)根据对短时能频值序列的分析找到一个语音起点，记为第Fh帧，判断Fh帧与上一个语音终点所在的Ft帧相距的时间间隔，当该时间间隔大于规定长度时，进行环境噪声的提取；(4)从第Ft帧开始，取接下来的10帧当作背景噪声，重新计算背景噪声的短时能量Eb，短时过零率Zb和短时信息熵Hb的值，计算方法采用分别对10帧中的短时能量Eb，短时过零率Zb和短时信息熵Hb取算术平均值；(5)从第Ft+1帧开始，使用更新后的背景噪声的短时能量Eb，短时过零率Zb和短时信息熵Hb，重新计算每一帧的短时能频值，得到新的短时能频值序列。