CN114420097B 语音定位方法、装置、计算机可读介质及电子设备 （腾讯科技（深圳）有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114420097B(45)授权公告日2025.07.01

(21)申请号202210080156.X

(22)申请日2022.01.24

(65)同一申请的已公布的文献号申请公布号CN114420097A

(43)申请公布日2022.04.29

(73)专利权人腾讯科技(深圳)有限公司

地址518000广东省深圳市南山区高新区

科技中一路腾讯大厦35层

(72)发明人彭博

(74)专利代理机构深圳市联鼎知识产权代理有限公司44232

专利代理师徐明霞

(51)Int.CI.

G1OL15/02(2006.01)

G1OL15/06(2013.01)

G10L15/16(2006.01)G10L25/30(2013.01)

G10L25/78(2013.01)GO6N3/0464(2023.01)

GO6N3/048(2023.01)

GO6N3/082(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CNCN

CNCN

110782908

111243619

A,2020.06.05

审查员陈丽锋

权利要求书4页说明书17页附图7页

(54)发明名称

语音定位方法、装置、计算机可读介质及电子设备

(57)摘要

CN114420097B本申请属于人工智能技术领域，具体涉及一种语音定位方法、装置、计算机可读介质及电子设备。该方法包括：获取语音信息，对所述语音信息进行处理以获取与所述语音信息对应的频谱信息，其中所述语音信息包括背景音和主语音；将所述频谱信息输入至语音识别模型中，通过所述语音识别模型对所述频谱信息中的主语音进行识别，以获取主语音信息，所述主语音信息包括主语音概率曲线；根据所述主语音概率曲线中的局部极值点，确定所述主语音在所述语音信息中所对应的起止时间点。本申请能够精准定位语

CN114420097B

S210

获取语音信息，对所述语音信息进行处理以获取与

所述语音信息对应的频谱信息，其中所述语音信息

包括背景音和主语音

S220

将所述频谱信息输入至语音识别模型中，通过所述

语音识别模型对所述频谱信息中的主语音进行识别

,以获取主语音信息，所述主语音信息包括主语音

概率曲线

S230

根据所述主语音概率曲线中的局部极值点，确定所述主语音在所述语音信息中所对应的起止时间点

CN114420097B权利要求书1/4页

2

1.一种语音定位方法，其特征在于，包括：

获取语音信息，对所述语音信息进行处理以获取与所述语音信息对应的频谱信息，其中所述语音信息包括背景音和主语音；

将所述频谱信息输入至语音识别模型中，通过所述语音识别模型对所述频谱信息中的主语音进行识别，以获取主语音信息，所述主语音信息包括主语音概率曲线；所述主语音概率曲线上各点为所述语音信息中对应时间点存在所述主语音的概率；

根据所述主语音概率曲线中的局部极值点，确定所述主语音在所述语音信息中所对应的起止时间点；

其中，所述根据所述主语音概率曲线中的局部极值点，确定所述主语音在所述语音信息中所对应的起止时间点，包括：

根据所述主语音概率曲线中任意两个相邻波谷，将所述主语音概率曲线划分为多个主

语音区间；

获取各所述主语音区间中的局部极值点，将极大值点对应的时间点标记为所述主语音的起始时间点，并将极小值点对应的时间点标记为所述主语音的终止时间点。

2.根据权利要求1所述的方法，其特征在于，所述频谱信息为梅尔频谱图；

所述对所述语音信息进行处理以获取与所述语音信息对应的频谱信息，包括：

对所述语音信息进行分帧和加窗，并对加窗后的所述语音信息进行傅里叶变换，以获取与所述语音信息对应的声谱图；

通过梅尔尺度滤波器对所述声谱图进行滤波处理，以获取所述梅尔频谱图。

3.根据权利要求1所述的方法，其特征在于，所述语音识别模型包括卷积网络模块、特征增强网络模块、长短期记忆网络模块和分类预测模块；

所述通过所述语音识别模型对所述频谱信息中的主语音进行识别，以获取主语音信息，包括：

通过所述卷积网络模块对所述频谱信息进行分段特征提取，以获取多个频谱特征图；

通过所述特征增强网络模块对各所述频谱特征图进行下采样后上采样并反向回传，以获取与各所述频谱特征图对应的频谱增强特征图；

通过所述长短期记忆