[0001] 本发明涉及电子技术领域， 特别是涉及到一种语音处理方法、 装置和电子设备 背景技术

[0002] 语音唤醒技术是人工智能的一个分支， 语音唤醒技术的应用领域很广泛， 比如 可以应用于机器人、 手机、 可穿戴设备、 智能家居、 车载等领域。 许多带有语 音识别功能的设备都会利用语音唤醒技术作为 人与机器互动的开始。

[0003] 语音唤醒是指用户说出特定的语音指令时， 设备从休眠状态切换到工作状态， 并给出指定响应。 唤醒技术的用途在于， 用户对于设备的操作可以完全用语音 进行， 脱离双手的帮助； 同时， 利用唤醒这样的机制， 设备不需要时时处于工 作状态， 大大节省能耗。

[0004] 语音唤醒的关键是进行关键词匹配。 目前在进行关键词匹配时， 首先对声音信 号进行语音活动检测 (Voice Activity Detection, VAD)， 从声音信号中提取出语音 信号， 然后利用语音信号进行关键词匹配， 判断语音信号中是否包含唤醒关键 词。

[0005] 由于语音活动检测不完善， 导致有效语音 (即浊音) 的首尾和中间都可能存在 噪音和清音， 并且清音复杂多变， 从而使得系统的计算量较大， 增大了系统的 功耗。 同时， 清音和噪音等干扰项对匹配的特征参数的稳健 性产生了不利影响 ， 进而影响关键词匹配的准确度。

发明概述

技术问题

[0006] 本发明的主要目的为提供一种语音处理方法、 装置和电子设备， 旨在降低系统 功耗， 提高关键词匹配的准确度。

问题的解决方案

技术解决方案 [0007] 为达以上目的， 本发明实施例提出一种语音处理方法， 所述方法包括以下步骤

[0008] 对声音信号进行语音活动检测， 从所述声音信号中提取出语音信号；

[0009] 对所述语音信号进行浊音检测， 从所述语音信号中提取出浊音片段；

[0010] 计算出所述浊音片段的过零率特征参数；

[0011] 利用所述过零率特征参数进行关键词匹配。

[0012] 本发明实施例同时提出一种语音处理装置， 所述装置包括：

[0013] 第一检测模块， 用于对声音信号进行语音活动检测， 从所述声音信号中提取出 语音信号；

[0014] 第二检测模块， 用于对所述语音信号进行浊音检测， 从所述语音信号中提取出 浊音片段；

[0015] 计算模块， 用于计算出所述浊音片段的过零率特征参数；

[0016] 匹配模块， 用于利用所述过零率特征参数进行关键词匹配 。

[0017] 本发明实施例还提出一种电子设备， 其包括存储器、 处理器和至少一个被存储 在所述存储器中并被配置为由所述处理器执行 的应用程序， 所述应用程序被配 置为用于执行前述语音处理方法。

[0018] 本发明实施例所提供的一种语音处理方法， 通过从语音信号中提取出浊音片段 ， 并计算出浊音片段的过零率特征参数， 利用浊音片段的过零率特征参数进行 关键词匹配， 从而滤除了语音信号中的清音、 噪音等干扰项， 只对有效语音 （ 浊音片段） 进行关键词匹配， 一方面大大减小了特征参数的计算量， 有效降低 了系统功耗， 另一方面提高了特征参数的稳健性， 进而提高了关键词匹配的准 确度。

发明的有益效果

有益效果

[0019] 并且， 相对于现有技术中采用的 LPC、 PLP、 LPCC、 MFCC等特征参数， 本发 明实施例采用的过零率特征参数的计算量更小 ， 进一步降低了系统功耗， 同时 本发明实施例采用高斯混合模型进行关键词匹 配， 进一步提高了关键词匹配的 准确度。 对附图的简要说明

附图说明

[0020] 图 1是本发明的语音处理方法一实施例的流程图� �

[0021] 图 2是本发明实施例中对声音信号进行语音活动� �测的示意图；

[0022] 图 3是本发明实施例中对语音活动检测结果进行� �正后的示意图；

[0023] 图 4是本发明实施例中从语音信号中提取出的浊� �片段的示意图；

[0024] 图 5是本发明的语音处理装置一实施例的模块示� �图；

[0025] 图 6是图 5中的第二检测模块的模块示意图；

[0026] 图 7是图 5中的第二检测模块的又一模块示意图；

[0027] 图 8是图 5中的计算模块的模块示意图；

[0028] 图 9是图 5中的匹配模块的模块示意图；

[0029] 图 10是图 9中的判断单元的模块示意图。

[0030] 本发明目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。

实施该发明的最佳实施例

本发明的最佳实施方式

[0031] 应当理解， 此处所描述的具体实施例仅仅用以解释本发明 ， 并不用于限定本发 明。

[0032] 下面详细描述本发明的实施例， 所述实施例的示例在附图中示出， 其中自始至 终相同或类似的标号表示相同或类似的元件或 具有相同或类似功能的元件。 下 面通过参考附图描述的实施例是示例性的， 仅用于解释本发明， 而不能解释为 对本发明的限制。

[0033] 本技术领域技术人员可以理解， 除非特意声明， 这里使用的单数形式“一”、 “ 一个”、 “所述”和“该”也可包括复数形式。 应该进一步理解的是， 本发明的说明 书中使用的措辞“包括”是指存在所述特征、 整数、 步骤、 操作、 元件和 /或组件 ， 但是并不排除存在或添加一个或多个其他特征 、 整数、 步骤、 操作、 元件、 组件和 /或它们的组。 应该理解， 当我们称元件被“连接”或“耦接”到另一元 件时 ， 它可以直接连接或耦接到其他元件， 或者也可以存在中间元件。 此外， 这里 使用的“连接”或“稱接”可以包括无线连接 或无线耦接。 这里使用的措辞“和 /或”包 括一个或更多个相关联的列出项的全部或任一 单元和全部组合。

[0034] 本技术领域技术人员可以理解， 除非另外定义， 这里使用的所有术语 （包括技 术术语和科学术语） ， 具有与本发明所属领域中的普通技术人员的一 般理解相 同的意义。 还应该理解的是， 诸如通用字典中定义的那些术语， 应该被理解为 具有与现有技术的上下文中的意义一致的意义 ， 并且除非像这里一样被特定定 义， 否则不会用理想化或过于正式的含义来解释。

[0035] 本技术领域技术人员可以理解， 这里所使用的“终端”、 “终端设备”既包括无线 信号接收器的设备， 其仅具备无发射能力的无线信号接收器的设备 ， 又包括接 收和发射硬件的设备， 其具有能够在双向通信链路上， 执行双向通信的接收和 发射硬件的设备。 这种设备可以包括： 蜂窝或其他通信设备， 其具有单线路显 示器或多线路显示器或没有多线路显示器的蜂 窝或其他通信设备； PCS （Persona 1 Communications Service， 个人通信系统） ， 其可以组合语音、 数据处理、 传真 和 /或数据通信能力； PDA （Personal Digital Assistant, 个人数字助理） ， 其可以 包括射频接收器、 寻呼机、 互联网 /内联网访问、 网络浏览器、 记事本、 日历和 / 或 GPS （Global Positioning System, 全球定位系统） 接收器； 常规膝上型和 /或掌 上型计算机或其他设备， 其具有和 /或包括射频接收器的常规膝上型和 /或掌上型 计算机或其他设备。 这里所使用的“终端”、 “终端设备”可以是便携式、 可运输、 安装在交通工具 （航空、 海运和 /或陆地） 中的， 或者适合于和 /或配置为在本地 运行， 和 /或以分布形式， 运行在地球和 /或空间的任何其他位置运行。 这里所使 用的“终端”、 “终端设备”还可以是通信终端、 上网终端、 音乐 /视频播放终端， 例如可以是 PDA、 MID （Mobile Internet Device, 移动互联网设备） 和 /或具有音 乐 /视频播放功能的移动电话， 也可以是智能电视、 机顶盒等设备。

[0036] 参照图 1， 提出本发明的语音处理方法一实施例， 所述方法包括以下步骤：

[0037] S11、 对声音信号进行语音活动检测， 从声音信号中提取出语音信号。

[0038] 本发明实施例中， 电子设备通过麦克风采集声音信号或接收外部 设备发送的声 音信号， 并对声音信号进行语音活动检测， 从声音信号中提取出语音信号。 所 述电子设备可以是手机、 平板、 个人电脑、 笔记本电脑等终端设备， 也可以是 可穿戴设备、 智能家居设备、 车载设备、 机器人等电子设备。 [0039] 本发明实施例中， 电子设备可以基于过零率对声音信号进行语音 活动检测， 优 选过零率与短时能量相结合， 其中过零率的门限值为第一门限值。

[0040] 这里的过零率指短时过零率， 短时过零率可以看作信号频率的简单度量， 是语 音信号时域分析中的一种特征参数。 过零就是指信号通过零值， 过零率就是单 位时间内信号通过零值的次数， 对有时间横轴的连续语音信号， 可以观察到语 音的时域波形通过横轴的情况。 对于离散时间序列， 过零则是指序列取样值改 变符号， 过零率则是每个样本改变符号的次数。 对于语音信号， 则是指在一帧 语音中语音信号波形穿过横轴 （零电平） 的次数， 可以用相邻两个取样改变符 号的次数来计算。

[0041] 短时能量和过零率两个参数， 可以用于语音活动检测， 主要用于识别无声段和 语音段的起点和终点的位置。 在背景噪音比较小时用短时能量来识别比较有 效 ， 在背景噪音比较大的时用过零率来识别比较有 效， 但是通常情况是两个参数 联合进行识别效果更好。

[0042] 可选地， 在基于过零率对声音信号进行语音活动检测时 ， 针对声音信号的声音 帧中相邻的两个采样点 tmp 1和 tmp2， 当同时满足 tmp 1 *tmp2<0和 Itmp 1 -tmp2l>T 1 时， 电子设备则认定该声音帧过一次零， 据此统计出声音帧的过零率， 其中 T1 为第一门限值； 然后电子设备从声音信号中提取出过零率大于 预设值的声音帧 作为语音信号， 或者将声音信号中过零率小于或等于预设值的 声音帧滤除后得 到语音信号。 这里的预设值可以根据实际需要设定。

[0043] 可选地， 在基于过零率对声音信号进行语音活动检测时 ， 针对声音信号中相邻 的采样点对 tmpl和 tmp2， 当同时满足 tmpl*tmp2<0和 ltmpl-tmp2l>Tl时， 电子设 备则判决过零率为 1， 否则判决过零率为 0, 其中 T1为第一门限值； 然后电子设 备从声音信号中提取出所有过零率为 1的采样点对所对应的数据段作为语音信号 ， 或者将声音信号中过零率为 0的采样点对所对应的数据段滤除后得到语音� �号

[0044] 获得的语音信号中包含清音、 浊音， 还可能包含首尾部分的噪音， 这与语音活 动检测算法设置的语音时长参数和静音时长参 数有关。

[0045] 进一步地， 在步骤 S11之前， 电子设备还可以对声音信号进行滤波处理， 以滤 除语音频段范围以外的声音信号。 语音频段范围优选为为 200-3400HZ。

[0046] 进一步地， 在对声音信号进行滤波处理后， 步骤 S11之前， 电子设备还可以对 声音信号进行降噪处理， 以降低 200-3400HZ频段内的噪音。

[0047] 进一步地， 在对声音信号进行降噪处理后， 步骤 S11之前， 电子设备还可以对 声音信号进行预加重处理， 以使得后续能够更好的区分清音和浊音。

[0048] 如图 2所示， 为语音活动检测示意图， 图示中横轴为时间， 纵轴为声音信号的 幅度， 两条线段之间的部分为本步骤 S11中语音活动检测的结果， 该部分即为检 测到的语音信号。

[0049] S12、 对语音信号进行浊音检测， 从语音信号中提取出浊音片段。

[0050] 语音活动检测后获得的语音信号， 不但包括有效语音 （即浊音） ， 还包括部分 噪音和清音。 我们知道， 噪音过零率高， 且短时能量小， 而清音频谱中高频成 分较多， 因此其过零率相对较高， 而浊音的频谱则大多数集中在 3kHz以下， 过 零率较低。 经过大量实验数据分析， 我们发现对于特定的人， 对于特定的关键 词， 其浊音的过零率基本上是相对稳定的， 而清音则不然。

[0051] 有鉴于此， 本发明实施例中， 电子设备可以基于过零率对语音信号进行浊音 检 测， 从语音信号中提取出浊音片段， 其中过零率的门限值为第二门限值， 且第 二门限值大于第一门限值。

[0052] 可选地， 在基于过零率对语音信号进行浊音检测时， 针对语音信号的语音帧中 相邻的两个采样点 tmp 1和 tmp2， 当同时满足 tmp 1 *tmp2<0和 Itmp 1 -tmp2l>T2时， 则认定该语音帧过一次零， 据此统计出语音帧的过零率， 其中 T2为第二门限值 ; 然后电子设备从语音信号中提取出过零率大于 预设值的语音帧组成浊音片段 。 这里的预设值可以根据实际需要设定。 第二门限值 T2大于前述第一门限值 T1 ， 优选为语音信号的平均幅值的 8%-15% （如 10%） 。

[0053] 可选地， 在基于过零率对语音信号进行浊音检测时， 针对语音信号中相邻的采 样点对 tmpl和 tmp2， 当同时满足 tmpl*tmp2<0和 ltmpl-tmp2l>T2时， 则判决过零 率为 1， 否则判决过零率为 0, 其中 T2为第二门限值； 然后电子设备从语音信号 中提取出所有过零率为 1的采样点对所对应的数据段组成浊音片段。

[0054] 例如， 采用以下公式进行浊音检测： [0055] signs =（tmpl.*tmp2）<0;

[0056] diffs = Itmpl -tmp2l>T2;

[0057] zcr=（signs.*diffs）;

[0058] 其中， signs是发生过零的位置， tmpl和 tmp2是语音信号中相邻的采样点对， tmpl和 tmp2对应位置数据相乘（.*代表两个向量的点积 ）， 小于 0则 signs为 1， 否则 为 0; diffs是基于点的幅值差位置， tmpl与 tm _P 2之差的绝对值大于第二门限值 T2 时， 变量值 diffs为 1， 否则为 0; zcr是基于点的过零率， 当 signscO且 diffs>T2时， 贝 IJzcr为 1， 否则为 0, 从而就把清音和噪音的过零率全部置零， 而只保留了语音 （浊音） 的过零率。

[0059] 第二门限值 T2可以为检测到的语音信号的幅度的平均值 （即平均幅值） 的 8%- 20% , 例如， 假设平均幅值为 0.2， 第二门限值 T2=0.2xl0%=0.02。

[0060] 如图 3所示， 为对语音活动检测结果进行修正后的语音信号 的示意图， 从图 3中 可以看出， 图 2所示语音信号中首尾两端的清音部分已被滤� �。

[0061] 如图 4所示， 为从语音信号中提取出的浊音片段的示意图， 从图 4中可以看出， 图 3所示语音信号中浊音之间的清音部分已被滤� �。

[0062] S13、 计算出浊音片段的过零率特征参数。

[0063] 本发明实施例中， 电子设备先将浊音片段拆分为至少两个语音帧 ， 相邻两个语 音帧的帧间重叠长度优选为语音帧长度的一半 ， 再将每个语音帧拆分为至少两 个子帧， 然后计算出每个语音帧中各个子帧的平均过零 率， 最后将每个语音帧 中的所有子帧的平均过零率组成为语音帧的特 征向量， 并将浊音片段中所有语 音帧的特征向量作为浊音片段的过零率特征参 数。

[0064] 例如， 按照每帧长 480个采样点， 帧间重叠长度为 240个采样点来对浊音片段进 行分帧。 然后将每个语音帧拆分为 6个子帧， 计算出每个子帧的平均过零率， 因 此一个语音帧包括 6个平均过零率， 这 6个平均过零率组成该语音帧的特征向量 ， 用公式表达如下：

[0065] [0066] 上式中， j=l,2,...,6。 其中， fea①为第 j子帧的平均过零率， zero_cross (k) 为 第 k个采样点的过零率。 通过上式的计算， 可以得到本语音帧最终的特征向量 fea

_vector：

[0067]

[0068] 最后计算出浊音片段中所有语音帧的特征向量 feajector， 即得到浊音片段的过 零率特征参数。

[0069] S14、 利用浊音片段的过零率特征参数进行关键词匹 配。

[0070] 本发明实施例中， 电子设备将过零率特征参数输入高斯混合模型 (Gaussian Mixture Model， GMM)进行匹配度评判， 根据评判结果判断是否匹配成功。

[0071] 前述高斯混合模型为利用关键词声音样本训练 出的声学参数模型。 可以采集大 约 500人的关键词声音样本进行高斯混合模型训练 ， 即采用前述步骤 S11-S13对关 键词声音样本进行处理， 获得过零率特征参数， 并将其输入到电子设备的训练 模块进行高斯混合模型训练。

[0072] 本发明实施例中， 在根据评判结果判断是否匹配成功时， 电子设备先获取高斯 混合模型输出的针对浊音片段中每个语音帧的 特征向量的评判分数， 然后计算 所有特征向量的评判分数的平均值， 比较平均值与阈值的大小， 判断平均值是 否大于或等于阈值， 当平均值大于或等于阈值时， 判定匹配成功， 否则判定匹 配失败。

[0073] 在其它实施例中， 电子设备也可以从评判分数中选取最小数、 最大数或中位数 与阈值进行比较， 当比较结果为大于或等于阈值时则判定匹配成 功。

[0074] 由于本发明实施例只计算有效语音即浊音片段 的特征参数并利用该特征参数进 行关键词匹配， 从而一方面大大减小了特征参数的计算量， 有效降低了系统功 耗， 另一方面滤除了语音信号中的清音、 噪音等干扰项， 提高了特征参数的稳 健性， 进而提高了关键词匹配的准确度。

[0075] 并且， 相对于现有技术中采用的 LPC、 PLP、 LPCC、 MFCC等特征参数， 本发 明实施例采用的过零率特征参数的计算量更小 ， 进一步降低了系统功耗， 同时 本发明实施例采用高斯混合模型进行关键词匹 配， 进一步提高了关键词匹配的 准确度。 [0076] 本发明实施例的语音处理方法可以应用于设备 唤醒、 设备解锁等应用场景。 若 应用于设备唤醒， 当关键词匹配成功时， 电子设备的唤醒模块则唤醒设备。 若 应用于设备解锁， 当关键词匹配成功时， 电子设备的解锁模块则进行解锁。

[0077] 本发明实施例的语音处理方法， 通过从语音信号中提取出浊音片段， 并计算出 浊音片段的过零率特征参数， 利用浊音片段的过零率特征参数进行关键词匹 配 ， 从而滤除了语音信号中的清音、 噪音等干扰项， 只对有效语音 （浊音片段） 进行关键词匹配， 一方面大大减小了特征参数的计算量， 有效降低了系统功耗 ， 另一方面提高了特征参数的稳健性， 进而提高了关键词匹配的准确度。

[0078] 并且， 相对于现有技术中采用的 LPC、 PLP、 LPCC、 MFCC等特征参数， 本发 明实施例采用的过零率特征参数的计算量更小 ， 进一步降低了系统功耗， 同时 本发明实施例采用高斯混合模型进行关键词匹 配， 进一步提高了关键词匹配的 准确度。 而且， 本发明实施例的特征参数的计算全部在时域中 进行， 有效避免 了频域的复杂计算。

[0079] 参照图 5， 提出本发明的语音处理装置一实施例， 所述装置包括第一检测模块 1 0、 第二检测模块 20、 计算模块 30和匹配模块 40， 其中： 第一检测模块 10， 用于 对声音信号进行语音活动检测， 从声音信号中提取出语音信号； 第二检测模块 2 0, 用于对语音信号进行浊音检测， 从语音信号中提取出浊音片段； 计算模块 30 ， 用于计算出浊音片段的过零率特征参数； 匹配模块 40, 用于利用过零率特征 参数进行关键词匹配。

[0080] 本发明实施例中， 第一检测模块 10用于基于过零率对声音信号进行语音活动检 测， 优选过零率与短时能量相结合， 其中过零率的门限值为第一门限值。

[0081] 可选地， 在基于过零率对声音信号进行语音活动检测时 ， 针对声音信号的声音 帧中相邻的两个采样点 tmp 1和 tmp2， 当同时满足 tmp 1 *tmp2<0和 Itmp 1 -tmp2l>T 1 时， 第一检测模块 10则认定该声音帧过一次零， 据此统计出声音帧的过零率， 其中 T1为第一门限值； 然后第一检测模块 10从声音信号中提取出过零率大于预 设值的声音帧作为语音信号， 或者将声音信号中过零率小于或等于预设值的 声 音帧滤除后得到语音信号。 这里的预设值可以根据实际需要设定。

[0082] 可选地， 在基于过零率对声音信号进行语音活动检测时 ， 针对声音信号中相邻 的米样点对 tmpl和 tmp2， 当同时满足 tmpl*tmp2<0和 ltmpl-tmp2l>Tl时， 第一检 测模块 10则判决过零率为 1， 否则判决过零率为 0, 其中 T1为第一门限值； 然后 第一检测模块 10从声音信号中提取出所有过零率为 1的采样点对所对应的数据段 作为语音信号， 或者将声音信号中过零率为 0的采样点对所对应的数据段滤除后 得到语音信号。

[0083] 获得的语音信号中包含清音、 浊音， 还可能包含首尾部分的噪音， 这与语音活 动检测算法设置的语音时长参数和静音时长参 数有关。

[0084] 进一步地， 在进行语音活动检测之前， 语音处理装置还可以对声音信号进行滤 波处理， 以滤除语音频段范围以外的声音信号。 语音频段范围优选为为 200-3400 HZ。

[0085] 进一步地， 在对声音信号进行滤波处理后， 语音活动检测之前， 语音处理装置 还可以对声音信号进行降噪处理， 以降低 200-3400HZ频段内的噪音。

[0086] 进一步地， 在对声音信号进行降噪处理后， 语音活动检测之前， 语音处理装置 还可以对声音信号进行预加重处理， 以使得后续能够更好的区分清音和浊音。

[0087] 本发明实施例中， 第二检测模块 20用于基于过零率对语音信号进行浊音检测， 其中过零率的门限值为第二门限值， 且第二门限值大于所述第一门限值。

[0088] 可选地， 如图 6所示， 第二检测模块 20包括统计单元 21和第一提取单元 22， 其 中： 统计单元 21， 用于针对语音信号的语音帧中相邻的两个采样 点 tmpl和 tm _P 2 ， 当同时满足 tmpl*tmp2<0和 ltmpl-tmp2l>T2时， 则认定语音帧过一次零， 据此 统计出所音帧的过零率， 其中 T2为第二门限值； 第一提取单元 22, 用于从语音 信号中提取出过零率大于预设值的语音帧组成 浊音片段。

[0089] 这里的预设值可以根据实际需要设定。 第二门限值 T2大于前述第一门限值 T1， 优选为语音信号的平均幅值的 8%-15% （如 10%） 。

[0090] 可选地， 如图 7所示， 第二检测模块 20包括判决单元 23和第二提取单元 24， 其 中： 判决单元 23 , 用于针对语音信号中相邻的采样点对 tmpl和 tm _P 2, 当同时满 足 tmpl*tmp2<0和 ltmpl-tmp2l>T2时， 则判决过零率为 1， 否则判决过零率为 0， 其中 T2为第二门限值； 第二提取单元 24, 用于从语音信号中提取出所有过零率 为 1的采样点对所对应的数据段组成浊音片段。 [0091] 例如， 第二检测模块 20采用以下公式进行浊音检测：

[0092] signs = (tmpl.*tmp2)<0;

[0093] diffs = Itmpl -tmp2l>T2;

[0094] zcr=(signs.*diffs);

[0095] 其中， signs是发生过零的位置， tmpl和 tmp2是语音信号中相邻的采样点对， tmpl和 tmp2对应位置数据相乘 (.*代表两个向量的点积)， 小于 0则 signs为 1， 否则 为 0; diffs是基于点的幅值差位置， tmpl与 tm _P 2之差的绝对值大于第二门限值 T2 时， 变量值 diffs为 1， 否则为 0; zcr是基于点的过零率， 当 signscO且 diffs>T2时， 贝 IJzcr为 1， 否则为 0, 从而就把清音和噪音的过零率全部置零， 而只保留了语音 (浊音) 的过零率。

[0096] 第二门限值 T2可以为检测到的语音信号的幅度的平均值 (即平均幅值) 的 8%- 20% , 例如， 假设平均幅值为 0.2， 第二门限值 T2=0.2xl0%=0.02。

[0097] 当提取出浊音片段后， 计算模块 30则计算出浊音片段的过零率特征参数。 本发 明实施例中， 计算模块 30如图 8所示， 包括第一拆分单元 31、 第二拆分单元 32、 计算单元 33和组合单元 34, 其中： 第一拆分单元 31， 用于将浊音片段拆分为至 少两个语音帧； 第二拆分单元 32, 用于将每个语音帧拆分为至少两个子帧； 计 算单元 33 , 用于计算出每个语音帧中各个子帧的平均过零 率； 组合单元 34, 用 于将每个语音帧中的所有子帧的平均过零率组 成为语音帧的特征向量， 将浊音 片段中所有语音帧的特征向量作为浊音片段的 过零率特征参数。

[0098] 例如， 第一拆分单元 31按照每帧长 480个采样点， 帧间重叠长度为 240个采样点 来对浊音片段进行分帧。 然后第二拆分单元 32将每个语音帧拆分为 6个子帧， 计 算单元 33计算出每个子帧的平均过零率， 因此一个语音帧包括 6个平均过零率， 组合单元 34将这 6个平均过零率组成该语音帧的特征向量， 用公式表达如下：

[0099]

[0100] 上式中， j=l,2,...,6。 其中， fea(j)为第 j子帧的平均过零率， zero_cross (k) 为 第 k个采样点的过零率。 通过上式的计算， 可以得到本语音帧最终的特征向量 fea —vector:

[0101]

[0102] 最后计算模块 30计算出浊音片段中所有语音帧的特征向量 feajector， 即得到浊 音片段的过零率特征参数。

[0103] 当获得过零率特征参数之后， 匹配模块 40则利用过零率特征参数进行关键词匹 配。 本发明实施例中， 匹配模块 40如图 9所示， 包括输入单元 41和判断单元 42， 其中： 输入单元 41， 用于将过零率特征参数输入高斯混合模型进行 匹配度评判 ; 判断单元 42, 用于根据评判结果判断是否匹配成功。

[0104] 前述高斯混合模型为利用关键词声音样本训练 出的声学参数模型。 可以采集大 约 500人的关键词声音样本进行高斯混合模型训练 ， 即利用前述第一检测模块 10 、 第二检测模块 20和计算模块 30对关键词声音样本进行处理， 获得过零率特征 参数， 并将其输入到语音处理装置的训练模块进行高 斯混合模型训练。

[0105] 本发明实施例中， 判断单元 42如图 10所示， 包括获取子单元 421、 计算子单元 4 22、 判断子单元 423和判定子单元 424, 其中： 获取子单元 421， 用于获取高斯混 合模型输出的针对浊音片段中每个语音帧的特 征向量的评判分数； 计算子单元 4 22, 用于计算所有特征向量的评判分数的平均值； 判断子单元 423 , 用于判断平 均值是否大于或等于阈值； 判定子单元 424, 用于当平均值大于或等于阈值时， 判定匹配成功。

[0106] 在其它实施例中， 判断子单元 423也可以从评判分数中选取最小数、 最大数或 中位数与阈值进行比较， 当比较结果为大于或等于阈值时判定子单元 424则判定 匹配成功。

[0107] 本发明实施例的语音处理装置可以应用于设备 唤醒、 设备解锁等应用场景。 若 应用于设备唤醒， 该装置还包括唤醒模块， 该唤醒模块用于： 当关键词匹配成 功时， 唤醒设备。 若应用于设备解锁， 该装置还包括解锁模块， 该解锁模块用 于： 当关键词匹配成功时， 对设备解锁。

[0108] 本发明实施例的语音处理装置， 通过从语音信号中提取出浊音片段， 并计算出 浊音片段的过零率特征参数， 利用浊音片段的过零率特征参数进行关键词匹 配 ， 从而滤除了语音信号中的清音、 噪音等干扰项， 只对有效语音 （浊音片段） 进行关键词匹配， 一方面大大减小了特征参数的计算量， 有效降低了系统功耗 ， 另一方面提高了特征参数的稳健性， 进而提高了关键词匹配的准确度。

[0109] 并且， 相对于现有技术中采用的 LPC、 PLP、 LPCC、 MFCC等特征参数， 本发 明实施例采用的过零率特征参数的计算量更小 ， 进一步降低了系统功耗， 同时 本发明实施例采用高斯混合模型进行关键词匹 配， 进一步提高了关键词匹配的 准确度。

[0110] 本发明同时提出一种电子设备， 其包括存储器、 处理器和至少一个被存储在存 储器中并被配置为由处理器执行的应用程序， 所述应用程序被配置为用于执行 语音处理方法。 所述语音处理方法包括以下步骤： 对声音信号进行语音活动检 测， 从声音信号中提取出语音信号； 对语音信号进行浊音检测， 从语音信号中 提取出浊音片段； 计算出浊音片段的过零率特征参数； 利用过零率特征参数进 行关键词匹配。 本实施例中所描述的语音处理方法为本发明中 上述实施例所涉 及的语音处理方法， 在此不再赘述。

[0111] 本领域技术人员可以理解， 本发明包括涉及用于执行本申请中所述操作中 的一 项或多项的设备。 这些设备可以为所需的目的而专门设计和制造 ， 或者也可以 包括通用计算机中的已知设备。 这些设备具有存储在其内的计算机程序， 这些 计算机程序选择性地激活或重构。 这样的计算机程序可以被存储在设备 （例如 ， 计算机） 可读介质中或者存储在适于存储电子指令并分 别耦联到总线的任何 类型的介质中， 所述计算机可读介质包括但不限于任何类型的 盘 （包括软盘、 硬盘、 光盘、 CD-ROM、 和磁光盘） 、 ROM （Read-Only Memory， 只读存储器 ） 、 RAM （Random Access Memory, 随机存储器） 、 EPROM （Erasable Programmable Read-Only

Memory , 可擦写可编程只读存储器） 、 EEPROM （Electrically Erasable Programmable Read-Only Memory , 电可擦可编程只读存储器） 、 闪存、 磁性卡 片或光线卡片。 也就是， 可读介质包括由设备 （例如， 计算机） 以能够读的形 式存储或传输信息的任何介质。

[0112] 本技术领域技术人员可以理解， 可以用计算机程序指令来实现这些结构图和 / 或框图和 /或流图中的每个框以及这些结构图和 /或框图和 /或流图中的框的组合。 本技术领域技术人员可以理解， 可以将这些计算机程序指令提供给通用计算机 、 专业计算机或其他可编程数据处理方法的处理 器来实现， 从而通过计算机或 其他可编程数据处理方法的处理器来执行本发 明公开的结构图和 /或框图和 /或流 图的框或多个框中指定的方案。

[0113] 本技术领域技术人员可以理解， 本发明中已经讨论过的各种操作、 方法、 流程 中的步骤、 措施、 方案可以被交替、 更改、 组合或删除。 进一步地， 具有本发 明中已经讨论过的各种操作、 方法、 流程中的其他步骤、 措施、 方案也可以被 交替、 更改、 重排、 分解、 组合或删除。 进一步地， 现有技术中的具有与本发 明中公开的各种操作、 方法、 流程中的步骤、 措施、 方案也可以被交替、 更改 、 重排、 分解、 组合或删除。

[0114] 以上所述仅为本发明的优选实施例， 并非因此限制本发明的专利范围， 凡是利 用本发明说明书及附图内容所作的等效结构或 等效流程变换， 或直接或间接运 用在其他相关的技术领域， 均同理包括在本发明的专利保护范围内。