基于深度神經(jīng)網(wǎng)絡(luò)和多特征融合的語音端點檢測

陳愛華，張石清

（臺州學院 電子與信息工程學院，浙江 臺州 318000）

0 引言

語音端點檢測（Voice Activity Detection）是語音識別領(lǐng)域一個重要內(nèi)容，是語音信號處理的第一步，它主要是從音頻文件中確定語音片段的起止點，進而分辨出語音信號和非語音信號區(qū)域[1]。研究表明，即使是在理想條件下，語音識別技術(shù)的錯誤大部分都是由語音端點檢測不準確造成的[2]，因此語音端點檢測在語音信號處理中具有重要的意義。

當前，語音端點檢測的方法很多，早期算法主要是基于時域特征進行檢測[3]，如最早的語音端點檢測是以語音的短時能量和過零率特征來實現(xiàn)的[4]，后來人們又將語音信號從時域轉(zhuǎn)換到頻域，并將熵特征引入到語音端點檢測中[5]，提出了基于頻帶方差的檢測[6]、基于共振諧波的檢測[7]、基于倒譜域特征的檢測[8]等等。隨著人工智能的不斷發(fā)展，新的算法不斷涌現(xiàn)，小波分析、人工神經(jīng)網(wǎng)絡(luò)、支持向量機等技術(shù)也應(yīng)用到了語音端點檢測中[9-11]，取得了較好的效果。但在實際語言環(huán)境中，由于語音背景環(huán)境復(fù)雜，單一的語音端點檢測算法難以適應(yīng)各種環(huán)境，算法的魯棒性和準確性不高。近年來，新發(fā)展起來的深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）通過采用多層網(wǎng)絡(luò)結(jié)構(gòu)進行層次化特征學習，表現(xiàn)出強大的非線性學習能力和預(yù)測能力[12]，特別是在語音信號識別和增強方面表現(xiàn)出了優(yōu)越的性能[13-15][16]211。音頻文件的耳蝸特征具有較好的語音識別能力和噪聲魯棒性[17]168；短時特征可以有效地區(qū)分音頻信號的清音段和濁音段[18]755；……