CN110085214B - 音频起始点检测方法和装置 - Google Patents

音频起始点检测方法和装置 Download PDF

Info

Publication number
CN110085214B
CN110085214B CN201910151671.0A CN201910151671A CN110085214B CN 110085214 B CN110085214 B CN 110085214B CN 201910151671 A CN201910151671 A CN 201910151671A CN 110085214 B CN110085214 B CN 110085214B
Authority
CN
China
Prior art keywords
audio
frequency
frequency band
starting point
voice
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910151671.0A
Other languages
English (en)
Other versions
CN110085214A (zh
Inventor
李为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Douyin Vision Beijing Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201910151671.0A priority Critical patent/CN110085214B/zh
Publication of CN110085214A publication Critical patent/CN110085214A/zh
Application granted granted Critical
Publication of CN110085214B publication Critical patent/CN110085214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G10L15/05—Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/87—Detection of discrete points within a voice signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Telephone Function (AREA)

Abstract

本公开公开了一种音频起始点检测方法、装置、电子设备和计算机可读存储介质。其中该音频起始点检测方法包括：针对各频段，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，其中剩余频段为按照时序位于当前频段之前的所有频段；根据各频段对应的语音频谱参数和均值确定音频中的音符和音节的一个或多个起始点位置。本公开实施例由于在确定起始点位置时参照了多个频段对应的语音频谱参数，使得确定的语音频谱参数的均值更为准确，改善了参照语音频谱参数和均值构成的曲线中的信号偏移现象，从而可以准确的检测出音频中的音符和音节的起始点，减少了误检和漏检情况的发生。

Description

音频起始点检测方法和装置
技术领域
本公开涉及图像处理技术领域，尤其涉及一种音频起始点检测方法、装置、电子设备及计算机可读存储介质。
背景技术
音频起始点检测是一种应用于音频信号的信息抽取算法，目标是准确检测音符和音节的起始点位置。其中音符(note)特指音乐信号；音节(phone)特指语音人声信号。音频起始点检测在信号处理领域有很多重要的用途和应用前景，举例如下：对于人声和音乐音频的自动切分和自动标注、信息抽取、分段压缩、及互动娱乐的玩法。图1a和图1b表示了起始点检测，其中图1a为音频信号，图1b是检测出的起始点位置。
在现有技术中，通常通过计算音频信号对应语音频谱参数曲线，根据语音频谱参数曲线确定曲线的局部最大点，将改点对应的语音频谱参数与设置的门限值进行比较，如果大于门限值，则确定该点对应的位置为起始点位置。
但是，上述算法主要适用于边界清晰、节奏相对单一的音频信号(例如音符边界清晰、节奏相对单一的快节奏音乐)，而对于一些较为复杂节奏感不强的音频(例如多乐器混合的音乐、节奏比较慢的音乐以及人声)，上述检测算法就不能准确的检测出边界，就会出现频繁的误检和漏检。
发明内容
第一方面，本公开实施例提供一种音频起始点检测方法，包括：
根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数；
针对各频段，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；
根据所述各频段对应的语音频谱参数和均值确定起始点位置。
进一步的，所述根据所述各频段对应的语音频谱参数和均值确定所述音频中的音符和音节的一个或多个起始点位置，包括：
计算各频率的语音频谱参数与均值的差值；
根据所述各频率的差值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述根据所述各频率的差值确定所述音频中的音符和音节的一个或多个起始点位置，包括：
根据所述各频率的差值绘制语音频谱参数曲线；
根据所述语音频谱参数曲线确定局部最高点，根据所述局部最高点对应的差值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数，包括：
将所述音频的音频信号切分为多个子音频信号，将各子音频信号转换为频域信号，每个子音频信号对应一个频段；
确定各频段对应的语音频谱参数。
第二方面，本公开实施例提供一种音频起始点检测装置，包括：
参数确定模块，用于根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数；
均值确定模块，用于针对各频段，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；
起始点确定模块，用于根据所述各频段对应的语音频谱参数和均值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述起始点确定模块包括：
差值计算单元，用于计算各频率的语音频谱参数与均值的差值；
起始点确定单元，用于根据所述各频率的差值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述起始点确定单元具体用于：根据所述各频率的差值绘制语音频谱参数曲线；根据所述语音频谱参数曲线确定局部最高点，根据所述局部最高点对应的差值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述参数确定模块具体用于：将所述音频的音频信号切分为多个子音频信号，将各子音频信号转换为频域信号，每个子音频信号对应一个频段；确定各频段对应的语音频谱参数。
第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面中的任一所述音频起始点检测方法。
第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述第一方面中的任一所述音频起始点检测方法。
本公开实施例通过根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数，针对各频段，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；根据所述各频段对应的语音频谱参数和均值确定音频中的音符和音节的一个或多个起始点位置，由于在确定起始点位置时参照了多个频段对应的语音频谱参数，使得确定的语音频谱参数的均值更为准确，改善了参照语音频谱参数和均值构成的曲线中的信号偏移现象，从而可以准确的检测出音频中的音符和音节的起始点，减少了误检和漏检情况的发生。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a为现有技术提供的音频信号示意图；
图1b为现有技术提供的音频起始点检测结果示意图；
图2a为本公开实施例一提供的音频起始点检测方法的流程图；
图2b为本公开实施例一提供的音频起始点检测方法中的音频信号示意图；
图2c为本公开实施例一提供的音频起始点检测方法中的音频信号的语音频谱图；
图3a为本公开实施例二提供的音频起始点检测方法的流程图；
图3b为现有技术提供的音频起始点检测方法中语音频谱参数组成的曲线图；
图3c为本公开实施例二提供的音频起始点检测方法中差值组成的曲线图；
图4为本公开实施例三提供的音频起始点检测装置的结构示意图；
图5为根据本公开实施例四提供的电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
实施例一
图2a为本公开实施例一提供的音频起始点检测方法的流程图，本实施例提供的该音频起始点检测方法可以由一音频起始点检测装置来执行，该音频起始点检测装置可以实现为软件，或者实现为软件和硬件的组合，该音频起始点检测装置可以集成设置在音频起始点检测***中的某设备中，比如音频起始点检测服务器或者音频起始点检测终端设备中。本实施例可适用于对于一些较为复杂节奏感不强的音频(例如多乐器混合的音乐、节奏比较慢的音乐以及人声)的场景。如图2a所示，该方法包括如下步骤：
步骤S21：根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数。
其中，音频信号可以为一段音乐或语音，将时域的音频信号转换为频域即得到对应的频域信号。
其中，语音频谱参数可以根据频谱幅度和相位确定。
在一个可选的实施例中，步骤S21具体包括：
步骤S211：将音频的音频信号切分为多个子音频信号，将各子音频信号转换为频域信号，每个子音频信号对应一个频段。
步骤S212：确定各频段对应的第一语音频谱参数。
具体的，音频信号是一串一维的离散时间序列，可以表示为：X＝{x1,x2…xN}，其中，N为离散样本点的总数。虽然音频信号是一种随时间非周期变化的信号，但是在短时范围内(通常短时定义为10-40ms之间)，音频信号可以近似的展现出平稳(近似周期性)的特性，因此这里可将音频信号切分成等长的短时语音段即子音频信号进行分析。例如，如图2b所示，针对16000Hz采样率的音频信号，可选择512个样本点为一个子音频信号，其对应了32ms的语音长度。
这里，可采用傅里叶变换将时域的音频信号转换为频域的音频信号，随时间变化的频率信息称为语谱图，如图2c所示，可以清晰地看到子音频信号在不同频段的能量变化，可见在起始点位置，频谱会有明显的阶跃变化。
其中，对应的频域信号可以表示为：
Figure BDA0001981677110000071
其中，n表示第n个子音频信号，L表示子音频信号的长度，k代表第k个频段。
相应的，当音频信号划分为多个子音频信号时，第一语音频谱参数具体可以为不同子音频信号的频谱幅度和相位的综合加权，例如可采用公式
Figure BDA0001981677110000072
Figure BDA0001981677110000073
计算得到，其中|Yn(k)|为第k个频段的幅度，其中
Figure BDA0001981677110000074
为第k个频段的二阶相位差分，其中
Figure BDA0001981677110000075
Figure BDA0001981677110000076
其中
Figure BDA0001981677110000077
为第k个频段的一阶相位差分，其中
Figure BDA0001981677110000078
Figure BDA0001981677110000079
其中
Figure BDA00019816771100000710
为第k个频段的相位。本实施例采用相位的二阶差分可以更好地表示起始点信息。
步骤S22：根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将均值作为当前频段的均值，其中剩余频段为按照时序位于当前频段之前的所有频段。
其中，预设个数可自定义设置。
其中，为了保证起始点检测的实时性，剩余频段为按照时序位于当前频段之前的所有频段。
具体的，在确定各频段的语音频谱参数中，首先选定任一频段作为当前频段，然后根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将该均值作为当前频段的均值，再从剩余频段中选取任一频段作为当前频段，重复执行上述操作，直到确定所有频段的语音频谱参数和均值。
步骤S23：根据各频段对应的语音频谱参数和均值确定音频中的音符和音节的一个或多个起始点位置。
本实施例通过根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将均值作为当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；根据各频段对应的语音频谱参数和均值确定音频中的音符和音节的一个或多个起始点位置，由于在确定起始点位置时参照了多个频段对应的语音频谱参数，使得确定的语音频谱参数的均值更为准确，改善了参照语音频谱参数和均值构成的曲线中的信号偏移现象，从而可以准确的检测出音频中的音符和音节的起始点，减少了误检和漏检情况的发生。
实施例二
图3a为本公开实施例二提供的音频起始点检测方法的流程图，本实施例在上述实施例的基础上，对步骤根据各频段对应的语音频谱参数和均值确定起始点位置进行进一步优化，本实施例可适用于对于一些较为复杂节奏感不强的音频(例如多乐器混合的音乐、节奏比较慢的音乐以及人声)的场景。如图3a所示，具体包括：
步骤S31：根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数。
步骤S32：根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将均值作为当前频段的均值，其中剩余频段为按照时序位于当前频段之前的所有频段。
步骤S33：计算各频率的语音频谱参数与均值的差值。
步骤S34：根据各频率的差值确定音频中的音符和音节的一个或多个起始点位置。
在一个可选的实施例中，步骤S34包括：
步骤S341：根据各频率的差值绘制语音频谱参数曲线。
步骤S342：根据语音频谱参数曲线确定局部最高点，根据局部最高点对应的差值确定音频中的音符和音节的一个或多个起始点位置。
具体的，根据各频率的差值绘制的语音频谱参数曲线，可以减掉现有技术中语音频谱参数组成的曲线中的信号偏移现象，如图3b所示，为现有技术中语音频谱参数组成的曲线，如图3c所示，为本方案中语音频谱参数组成的曲线。
本公开实施例由于在确定音频中的音符和音节的起始点位置时参照了多个频段对应的语音频谱参数，使得确定的语音频谱参数的均值更为准确，并且根据语音频谱参数和均值差值确定音频中的音符和音节的起始点位置，改善了构成的曲线中的信号偏移现象，从而可以准确的检测出音频的起始点，减少了误检和漏检情况的发生。
实施例三
图4为本公开实施例三提供的音频起始点检测装置的结构示意图，该音频起始点检测装置可以实现为软件，或者实现为软件和硬件的组合，该音频起始点检测装置可以集成设置在音频起始点检测***中的某设备中，比如音频起始点检测服务器或者音频起始点检测终端设备中。本实施例可适用于对于一些较为复杂节奏感不强的音频(例如多乐器混合的音乐、节奏比较慢的音乐以及人声)的场景。如图4所示，该装置包括：参数确定模块41、均值确定模块42和起始点确定模块43；其中，
参数确定模块41用于根据与音频的音频信号对应的频域信号确定各频段对应的语音频谱参数；
均值确定模块42用于根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；
起始点确定模块43用于根据所述各频段对应的语音频谱参数和均值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述起始点确定模块43包括：差值计算单元431和起始点确定单元432；其中，
差值计算单元431用于计算各频率的语音频谱参数与均值的差值；
起始点确定单元432用于根据所述各频率的差值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述起始点确定单元432具体用于：根据所述各频率的差值绘制语音频谱参数曲线；根据所述语音频谱参数曲线确定局部最高点，根据所述局部最高点对应的差值确定所述音频中的音符和音节的一个或多个起始点位置。
进一步的，所述参数确定模块41具体用于：将所述音频信号切分为多个子音频信号，将各子音频信号转换为频域信号，每个子音频信号对应一个频段；确定各频段对应的语音频谱参数。
有关音频起始点检测装置实施例的工作原理、实现的技术效果等详细说明可以参考前述音频起始点检测方法实施例中的相关说明，在此不再赘述。
实施例四
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号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，其中承载了计算机可读的程序代码。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、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据音频信号对应的频域信号确定各频段对应的语音频谱参数；根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值；根据所述各频段对应的语音频谱参数和均值确定起始点位置。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，拖拽点确定模块还可以被描述为“用于在模板图像上确定拖拽点的模块”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种音频起始点检测方法，其特征在于，包括：
将所述音频的音频信号切分为多个子音频信号，将各子音频信号转换为频域信号，每个子音频信号对应一个频段；
确定各频段对应的语音频谱参数；其中，所述语音频谱参数通过不同子音频信号的频谱幅度和相位加权计算得到；
针对各频段，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；
根据所述各频段对应的语音频谱参数和均值确定所述音频中的音符和音节的一个或多个起始点位置。
2.如权利要求1所述的音频起始点检测方法，其特征在于，所述根据所述各频段对应的语音频谱参数和均值确定所述音频中的音符和音节的一个或多个起始点位置，包括：
计算各频段的语音频谱参数与均值的差值；
根据所述各频段的差值确定所述音频中的音符和音节的一个或多个起始点位置。
3.如权利要求2所述的音频起始点检测方法，其特征在于，所述根据所述各频段的差值确定所述音频中的音符和音节的一个或多个起始点位置，包括：
根据所述各频段的差值绘制语音频谱参数曲线；
根据所述语音频谱参数曲线确定局部最高点，根据所述局部最高点对应的差值确定所述音频中的音符和音节的一个或多个起始点位置。
4.一种音频起始点检测装置，其特征在于，包括：
参数确定模块，用于将所述音频的音频信号切分为多个子音频信号，将各子音频信号转换为频域信号，每个子音频信号对应一个频段；确定各频段对应的语音频谱参数；其中，所述语音频谱参数通过不同子音频信号的频谱幅度和相位加权计算得到；
均值确定模块，用于针对各频段，根据当前频段的语音频谱参数和从剩余频段中选取的预设个数频段的语音频谱参数确定语音频谱参数的均值，将所述均值作为所述当前频段的均值，其中所述剩余频段为按照时序位于所述当前频段之前的所有频段；
起始点确定模块，用于根据所述各频段对应的语音频谱参数和均值确定所述音频中的音符和音节的一个或多个起始点位置。
5.如权利要求4所述的音频起始点检测装置，其特征在于，所述起始点确定模块包括：
差值计算单元，用于计算各频段的语音频谱参数与均值的差值；
起始点确定单元，用于根据所述各频段的差值确定所述音频中的音符和音节的一个或多个起始点位置。
6.如权利要求5所述的音频起始点检测装置，其特征在于，所述起始点确定单元具体用于：根据所述各频段的差值绘制语音频谱参数曲线；根据所述语音频谱参数曲线确定局部最高点，根据所述局部最高点对应的差值确定所述音频中的音符和音节的一个或多个起始点位置。
7.一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现根据权利要求1-3中任意一项所述的音频起始点检测方法。
8.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-3中任意一项所述的音频起始点检测方法。
CN201910151671.0A 2019-02-28 2019-02-28 音频起始点检测方法和装置 Active CN110085214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910151671.0A CN110085214B (zh) 2019-02-28 2019-02-28 音频起始点检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910151671.0A CN110085214B (zh) 2019-02-28 2019-02-28 音频起始点检测方法和装置

Publications (2)

Publication Number Publication Date
CN110085214A CN110085214A (zh) 2019-08-02
CN110085214B true CN110085214B (zh) 2021-07-20

Family

ID=67413135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910151671.0A Active CN110085214B (zh) 2019-02-28 2019-02-28 音频起始点检测方法和装置

Country Status (1)

Country Link
CN (1) CN110085214B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070884B (zh) * 2019-02-28 2022-03-15 北京字节跳动网络技术有限公司 音频起始点检测方法和装置
CN112309432A (zh) * 2020-10-27 2021-02-02 暨南大学 一种基于数据驱动的音符起始点检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6240381B1 (en) * 1998-02-17 2001-05-29 Fonix Corporation Apparatus and methods for detecting onset of a signal
CN100456356C (zh) * 2004-11-12 2009-01-28 中国科学院声学研究所 一种应用于语音识别***的语音端点检测方法
EP2214165A3 (en) * 2009-01-30 2010-09-15 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Apparatus, method and computer program for manipulating an audio signal comprising a transient event
US9177559B2 (en) * 2012-04-24 2015-11-03 Tom Stephenson Method and apparatus for analyzing animal vocalizations, extracting identification characteristics, and using databases of these characteristics for identifying the species of vocalizing animals
CN103632682B (zh) * 2013-11-20 2019-11-15 科大讯飞股份有限公司 一种音频特征检测的方法
CN103886871B (zh) * 2014-01-28 2017-01-25 华为技术有限公司 语音端点的检测方法和装置
CN106340292B (zh) * 2016-09-08 2019-08-20 河海大学 一种基于连续噪声估计的语音增强方法
CN108766418B (zh) * 2018-05-24 2020-01-14 百度在线网络技术（北京）有限公司 语音端点识别方法、装置及设备
CN109256146B (zh) * 2018-10-30 2021-07-06 腾讯音乐娱乐科技（深圳）有限公司 音频检测方法、装置及存储介质

Also Published As

Publication number Publication date
CN110085214A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110070884B (zh) 音频起始点检测方法和装置
CN107731223B (zh) 语音活性检测方法、相关装置和设备
CN109670074B (zh) 一种节奏点识别方法、装置、电子设备及存储介质
CN111583903B (zh) 语音合成方法、声码器训练方法、装置、介质及电子设备
CN111369971B (zh) 语音合成方法、装置、存储介质和电子设备
CN110070885B (zh) 音频起始点检测方法和装置
US20230306954A1 (en) Speech synthesis method, apparatus, readable medium and electronic device
CN111309962B (zh) 提取音频片段的方法、装置以及电子设备
CN111739544B (zh) 语音处理方法、装置、电子设备及存储介质
CN112153460A (zh) 一种视频的配乐方法、装置、电子设备和存储介质
CN110085214B (zh) 音频起始点检测方法和装置
CN110688518A (zh) 节奏点的确定方法、装置、设备及存储介质
CN111798821A (zh) 声音转换方法、装置、可读存储介质及电子设备
CN108597527B (zh) 多声道音频处理方法、装置、计算机可读存储介质和终端
CN112992190A (zh) 音频信号的处理方法、装置、电子设备和存储介质
CN112562633A (zh) 一种歌唱合成方法、装置、电子设备及存储介质
CN113496706B (zh) 音频处理方法、装置、电子设备及存储介质
CN107622775B (zh) 含噪声歌曲拼接的方法及相关产品
CN111540344B (zh) 声学网络模型训练方法、装置及电子设备
CN116913258B (zh) 语音信号识别方法、装置、电子设备和计算机可读介质
CN113497970B (zh) 视频处理方法、装置、电子设备及存储介质
CN115273822A (zh) 音频处理方法、装置、电子设备及介质
CN109378012B (zh) 用于单通道语音设备录制音频的降噪方法及***
CN115985333A (zh) 一种音频信号对齐方法、装置、存储介质及电子设备
CN112825245A (zh) 实时修音方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: Tiktok vision (Beijing) Co.,Ltd.