基于OTA场景的语音端点检测方法、系统、设备及存储介质与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。图6是本发明的基于ota场景的语音端点检测设备的结构示意图。下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任一总线结构的局域总线。电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的基于ota场景的语音端点检测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。如上所示，该实施例本发明的基于ota场景的语音端点检测系统能够在ota语音搜索场景中可以实时处理移动设备传入的音频数据块，极大提升了对复杂噪声场景的鲁棒性，提高了人声起止点判定的精准度。图7是本发明的计算机可读存储介质的结构示意图。参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任一组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任一以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任一合适的组合。计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任一合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任一合适的组合。可以以一种或多种程序设计语言的任一组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任一种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。综上，本发明的目的在于提供基于ota场景的语音端点检测方法、系统、设备及存储介质，能够在ota语音搜索场景中可以实时处理移动设备传入的音频数据块，极大提升了对复杂噪声场景的鲁棒性，提高了人声起止点判定的精准度。以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

背景技术：

1、随着人工智能的不断发展，智能移动设备的发展重心逐步演变为如何使用户快速便捷的与智能移动设备进行交互，其中语音端点检测功能的实现极大的方便了用户与智能设备的交互。而在语音检测中，需要进行实时的语音端点检测，来确定用户发出的语音的起止点，从而对用户语音进行采集，变得尤为重要。以往的语音端点检测方法，不论是传统的概率模型，还是深度学习模型，再准确率上虽然已经处于成熟阶段，但是当所处环境处于短暂的人声噪音或是背景噪声时，仍然会导致现有技术语音端点检测方法错误判断产生异常，或者语音端点的起点与尾点由于吐字发音不清楚等问题造成模型错判漏判的情况。

2、因此，本发明提供了一种基于ota场景的语音端点检测方法、系统、设备及存储介质。

技术实现思路

1、针对现有技术中的问题，本发明的目的在于提供基于ota场景的语音端点检测方法、系统、设备及存储介质，克服了现有技术的困难，能够在ota语音搜索场景中可以实时处理移动设备传入的音频数据块，极大提升了对复杂噪声场景的鲁棒性，提高了人声起止点判定的精准度。

2、本发明的实施例提供一种基于ota场景的语音端点检测方法，包括以下步骤：

3、s110、采集待识别的音频数据块，输入流式语音端点检测模型，起始检测时语音状态初始化为前置非人声状态，对所述音频数据块依序分解为若干音频帧，获得音频帧序列；

4、s120、对所述音频帧序列中未被识别的音频帧依序进行逐帧识别，所述流式语音端点检测模型中的连接器根据解码器输出和编码器输出获得当前所述音频帧对应的各类标签的置信度；

5、s130、对当前所述音频帧的各所述置信度进行排序，判断最大置信度是否大于预设第一阈值，若是，则执行步骤s140，若否，则返回步骤s120；

6、s140、判断所述最大置信度对应的标签是否属于人声标签，若是，则执行步骤s150，若否，则执行步骤s160；

7、s150、当所述语音状态的当前状态为前置非人声状态，则将所述语音状态转化为人声状态，标记当前音频帧为人声起点帧，对非人声持续帧数进行清零后，返回步骤s120；以及

8、s160、对非人声持续帧数进行加一累计，当非人声持续帧数大于预设第二阈值时，将所述语音状态转化为后置非人声状态，标记当前帧为人声结束帧，结束。

9、优选地，所述步骤s110之前还包括：

10、s100、基于音频数据训练流式语音端点检测模型，所述流式语音端点检测模型输出若干场景噪声标签的置信度和若干人声标签的置信度。

11、优选地，所述流式语音端点检测模型为rnn-transducer网络框架，包括编码器、解码器以及连接器。所述编码器由transformer网络结构组成，输入是声学特征；所述解码器由循环神经网络lstm网络结构组成，输入当前时刻之前的全部预测标签；所述连接器由两层全连接层组成，输入是编码器的输出和解码器的输出。

12、优选地，所述人声标签包括基于旅游平台使用场景的预设的五千个汉字组合生成的标签。

13、优选地，所述步骤s110中，所述音频帧的长度为25ms，帧移为10ms。

14、优选地，所述步骤s150包括：

15、s151、判断当所述语音状态的当前状态是否为前置非人声状态，若是，则执行步骤s152，若否，则执行步骤s154；

16、s152、将所述语音状态转化为人声状态；

17、s153、标记当前音频帧为人声起点帧；

18、s154、对非人声持续帧数进行清零后；以及

19、s155、将当前人声标签加入到令牌列表，并更新解码器的输出。

20、优选地，所述步骤s160包括：

21、s161、对非人声持续帧数进行加一累计

22、s162、判断所述非人声持续帧数是否大于预设第二阈值，若是，则执行步骤s163，若否，则返回步骤s120；

23、s163、将所述语音状态转化为后置非人声状态；

24、s164、标记当前帧为人声结束帧，结束。

25、本发明的实施例还提供一种基于ota场景的语音端点检测系统，用于实现上述的基于ota场景的语音端点检测方法，所述基于ota场景的语音端点检测系统包括：

26、音频分解模块，采集待识别的音频数据块，输入所述流式语音端点检测模型，起始检测时语音状态初始化为前置非人声状态，对所述音频数据块依序分解为若干音频帧，获得音频帧序列；

27、标签预测模块，对所述音频帧序列中未被识别的音频帧依序进行逐帧识别，所述流式语音端点检测模型中的连接器根据解码器输出和编码器输出获得当前所述音频帧对应的各类标签的置信度；

28、第一判断模块，对当前所述音频帧的各所述置信度进行排序，判断最大置信度是否大于预设第一阈值，若是，则执行第二判断模块，若否，则返回标签预测模块；

29、第二判断模块，判断所述最大置信度对应的标签是否属于人声标签，若是，则执行人声起点模块，若否，则执行人声终点模块；

30、人声起点模块，当所述语音状态的当前状态为前置非人声状态，则将所述语音状态转化为人声状态，标记当前音频帧为人声起点帧，对非人声持续帧数进行清零后，返回标签预测模块；以及

31、人声终点模块，对非人声持续帧数进行加一累计，当非人声持续帧数大于预设第二阈值时，将所述语音状态转化为后置非人声状态，标记当前帧为人声结束帧，结束。

32、本发明的实施例还提供一种基于ota场景的语音端点检测设备，包括：

33、处理器；

34、存储器，其中存储有所述处理器的可执行指令；

35、其中，所述处理器配置为经由执行所述可执行指令来执行上述基于ota场景的语音端点检测方法的步骤。

36、本发明的实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述基于ota场景的语音端点检测方法的步骤。

37、本发明的目的在于提供基于ota场景的语音端点检测方法、系统、设备及存储介质，能够在ota语音搜索场景中可以实时处理移动设备传入的音频数据块，极大提升了对复杂噪声场景的鲁棒性，提高了人声起止点判定的精准度。