基于改进STAM的语音端点检测算法

摘要

在低信噪比的背景下，由于背景噪声干扰信号特征，存在语言端点检测误判和漏判的风险.现有的解决方法存在易受干扰、精度有限、鲁棒性差等问题.针对上述问题，对STAM进行优化，提出了一种改进的语音端点检测算法Inception-ResNet STAM(IR-STAM).该算法通过改用音频指纹（AFP）特征来取代传统的Log-Mel特征，实现了对音频信号更深层次的特征提取；对频率注意力模块的卷积方式进行改进，采用深度可分离卷积，有效降低了模型的参数量；加入Inception-ResNet模块，进一步增强了模型对不同尺度特征的捕捉和分析能力.实验结果表明：在TIMIT测试集上，IR-STAM相较于STAM，模型的参数量降低150 k，并且在不同信噪比环境下F1分数均提高了0.5以上.

关键词

低信噪比 / Inception-ResNet模块 / 音频指纹特征 / 语音端点检测