CN106601252A - 一种语音标识装置和方法 - Google Patents

Abstract

本发明提供了一种语音标识装置和方法，接收目标语音数据，识别目标语音数据中不同声源的语音，确定各声源的发声时段信息和声源的显示标识，根据声源的显示标识和发声时段信息确定声源的时域显示信息，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。通过本发明的实施，实现了将目标语音数据按照声源进行区分显示，可以让收听者知道目标语音数据对应的声源的数量和发声的时段，节约了时间，提升了用户体验。

Description

一种语音标识装置和方法

技术领域

本发明涉及移动通信技术领域，更具体地说，涉及一种语音标识装置和方法。

背景技术

在日常语音聊天中，往往会出现这样的场景：发送语音信息的一方，声源不止一个，这些声源的声音全部杂糅在一条语音信息中，收听方在收听时需要自行去将这些声音分辨出来，其一导致了时间的浪费，其二是人耳的分辨率较低，不易将相似度高的声音区分开来。

发明内容

本发明要解决的技术问题在于如何提高多个声源的语音所形成的目标语音数据的标识度，避免时间的浪费的问题；针对该技术问题，提供一种语音标识装置，包括：

接收模块，用于接收目标语音数据；

识别模块，用于识别所述目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，所述发声时段信息包括各所述声源的语音在所述目标语音数据中的位置信息；

确定模块，用于根据所述声源的显示标识和发声时段信息确定声源的时域显示信息，所述时域显示信息为所述声源的显示标识和发声时段信息的叠加；

显示模块，用于按照所述目标语音数据的时间轴顺序区分显示所述声源的时域显示信息。

可选的，还包括：

保存模块，用于区分并提取目标语音数据中的各声源的目标语音数据，并保存；建立声源的时域显示信息与各声源的目标语音数据的映射关系；

第一播放模块，用于检测对所述声源的时域显示信息的选择指令，播放所述声源对应的目标语音数据。

可选的，所述显示模块还用于：在所述目标语音数据的整体显示信息的上方或下方的至少一方，区分显示所述声源的时域显示信息。

可选的，还包括第二播放模块，用于检测对所述整体显示信息的选择指令，播放所述目标语音数据。

可选的，所述显示模块还用于：

将所述声源的时域显示信息按照所述目标语音数据的时间轴顺序在同一轴线位置上进行显示；

或，将所述声源的时域显示信息按照目标语音数据的时间轴顺序，在不同的平行轴线位置上进行显示，每条轴线对应一个声源。

此外，还提供一种语音标识方法，包括：

接收目标语音数据；

识别所述目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，所述发声时段信息包括各所述声源的语音在所述目标语音数据中的位置信息；

根据所述声源的显示标识和发声时段信息确定声源的时域显示信息，所述时域显示信息为所述声源的显示标识和发声时段信息的叠加；

按照所述目标语音数据的时间轴顺序区分显示所述声源的时域显示信息。

可选的，还包括：

区分并提取所述目标语音数据中的歌声源的目标语音数据，并保存；建立所述声源的时域显示信息与各声源的目标语音数据的映射关系；

检测对所述声源的时域显示信息的选择指令，播放所述声源对应的目标语音数据。

可选的，所述按照所述目标语音数据的时间轴顺序区分显示所述声源的时域显示信息包括：

在所述目标语音数据的整体显示信息的上方或下方的至少一方，区分显示所述声源的时域显示信息。

可选的，还包括：检测对所述整体显示信息的选择指令，播放所述目标语音数据。

可选的，所述按照目标语音数据的时间轴顺序区分显示声源的时域显示信息包括：

将所述声源的时域显示信息按照所述目标语音数据的时间轴顺序在同一轴线上进行显示；

或，将所述声源的时域显示信息按照所述目标语音数据的时间轴顺序，在不同的平行轴线位置上进行显示，每条轴线对应一个声源。

此外，还提供一种移动终端，包括前述的语音标识装置。

有益效果

本发明提供了一种语音标识装置和方法，接收目标语音数据，识别目标语音数据中不同声源的语音，确定各声源的发声时段信息和声源的显示标识，根据声源的显示标识和发声时段信息确定声源的时域显示信息，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。通过本发明的实施，实现了将目标语音数据按照声源进行区分显示，可以让收听者知道目标语音数据对应的声源的数量和发声的时段，节约了时间，提升了用户体验。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为实现本发明各个实施例一个可选的移动终端的硬件结构示意图；

图2为本发明第一实施例提供的语音标识装置模块示意图；

图3为本发明第一实施例提供的时域显示信息显示方式示意图；

图4为本发明第一实施例提供的时域显示信息显示方式示意图；

图5为本发明第一实施例提供的时域显示信息显示方式示意图；

图6为本发明第一实施例提供的时域显示信息显示方式示意图；

图7为本发明第二实施例提供的语音标识装置组成示意图；

图8为本发明第三实施例提供的语音标识方法流程图。

具体实施方式

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。

现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中，使用用于表示元件的“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。

移动终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、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)、导航装置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。下面，假设终端是移动终端，然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。本实施例中的移动终端可以实现本发明各实施例中的语音标识装置。

图1为实现本发明各个实施例一个可选的移动终端的硬件结构示意图。

移动终端100可以包括无线通信单元110、A/V(音频/视频)输入单元120、用户输入单元130、感测单元140、输出单元150、存储器160、接口单元170、控制器180和电源单元190等等。图1示出了具有各种组件的移动终端，但是应理解的是，并不要求实施所有示出的组件，可以替代地实施更多或更少的组件，将在下面详细描述移动终端的元件。

无线通信单元110通常包括一个或多个组件，其允许移动终端100与无线通信系统或网络之间的无线电通信。例如，无线通信单元可以包括移动通信单元112、无线互联网单元113、短程通信单元114和位置信息单元115中的至少一个。

移动通信单元112将无线电信号发送到基站(例如，接入点等等)、外部终端以及服务器中的至少一个和/或从其接收无线电信号。这样的无线电信号可以包括语音通话信号、视频通话信号、或者根据文本和/或多媒体消息发送和/或接收的各种类型的数据。

无线互联网单元113支持移动终端的无线互联网接入。该单元可以内部或外部地耦接到终端。该单元所涉及的无线互联网接入技术可以包括WLAN(无线LAN)(Wi-Fi)、Wibro(无线宽带)、Wimax(全球微波互联接入)、HSDPA(高速下行链路分组接入)等等。

短程通信单元114是用于支持短程通信的单元。短程通信技术的一些示例包括蓝牙TM、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)、紫蜂TM等等。

位置信息单元115是用于检查或获取移动终端的位置信息的单元。位置信息单元的典型示例是GPS(全球定位系统)。根据当前的技术，GPS单元115计算来自三个或更多卫星的距离信息和准确的时间信息并且对于计算的信息应用三角测量法，从而根据经度、纬度和高度准确地计算三维当前位置信息。当前，用于计算位置和时间信息的方法使用三颗卫星并且通过使用另外的一颗卫星校正计算出的位置和时间信息的误差。此外，GPS单元115能够通过实时地连续计算当前位置信息来计算速度信息。

A/V输入单元120用于接收音频或视频信号。A/V输入单元120可以包括相机121和麦克风1220，相机121对在视频捕获模式或图像捕获模式中由图像捕获装置获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元151上。经相机121处理后的图像帧可以存储在存储器160(或其它存储介质)中或者经由无线通信单元110进行发送，可以根据移动终端的构造提供两个或更多相机121。麦克风s122可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由移动通信单元112发送到移动通信基站的格式输出。麦克风122可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。

用户输入单元130可以根据用户输入的命令生成键输入数据以控制移动终端的各种操作。用户输入单元130允许用户输入各种类型的信息，并且可以包括键盘、锅仔片、触摸板(例如，检测由于被接触而导致的电阻、压力、电容等等的变化的触敏组件)、滚轮、摇杆等等。特别地，当触摸板以层的形式叠加在显示单元151上时，可以形成触摸屏。

感测单元140检测移动终端100的当前状态，(例如，移动终端100的打开或关闭状态)、移动终端100的位置、用户对于移动终端100的接触(即，触摸输入)的有无、移动终端100的取向、移动终端100的加速或减速移动和方向等等，并且生成用于控制移动终端100的操作的命令或信号。例如，当移动终端100实施为滑动型移动电话时，感测单元140可以感测该滑动型电话是打开还是关闭。另外，感测单元140能够检测电源单元190是否提供电力或者接口单元170是否与外部装置耦接。感测单元140可以包括光线传感器141。

接口单元170用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别单元的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。识别单元可以是存储用于验证用户使用移动终端100的各种信息并且可以包括用户识别单元(UIM)、客户识别单元(SIM)、通用客户识别单元(USIM)等等。另外，具有识别单元的装置(下面称为"识别装置")可以采取智能卡的形式，因此，识别装置可以经由端口或其它连接装置与移动终端100连接。接口单元170可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端和外部装置之间传输数据。

另外，当移动终端100与外部底座连接时，接口单元170可以用作允许通过其将电力从底座提供到移动终端100的路径或者可以用作允许从底座输入的各种命令信号通过其传输到移动终端的路径。从底座输入的各种命令信号或电力可以用作用于识别移动终端是否准确地安装在底座上的信号。输出单元150被构造为以视觉、音频和/或触觉方式提供输出信号(例如，音频信号、视频信号、警报信号、振动信号等等)。

输出单元150可以包括显示单元151、音频输出单元152等等。

显示单元151可以显示在移动终端100中处理的信息。例如，当移动终端100处于电话通话模式时，显示单元151可以显示与通话或其它通信(例如，文本消息收发、多媒体文件下载等等)相关的用户界面(UI)或图形用户界面(GUI)。当移动终端100处于视频通话模式或者图像捕获模式时，显示单元151可以显示捕获的图像和/或接收的图像、示出视频或图像以及相关功能的UI或GUI等等。

同时，当显示单元151和触摸板以层的形式彼此叠加以形成触摸屏时，显示单元151可以用作输入装置和输出装置。显示单元151可以包括液晶显示器(LCD)、薄膜晶体管LCD(TFT-LCD)、有机发光二极管(OLED)显示器、柔性显示器、三维(3D)显示器等等中的至少一种。这些显示器中的一些可以被构造为透明状以允许用户从外部观看，这可以称为透明显示器，典型的透明显示器可以例如为TOLED(透明有机发光二极管)显示器等等。根据特定想要的实施方式，移动终端100可以包括两个或更多显示单元(或其它显示装置)，例如，移动终端可以包括外部显示单元(未示出)和内部显示单元(未示出)。触摸屏可用于检测触摸输入压力以及触摸输入位置和触摸输入面积。

音频输出单元152可以在移动终端处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将无线通信单元110接收的或者在存储器160中存储的音频数据转换音频信号并且输出为声音。而且，音频输出单元152可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元152可以包括扬声器、蜂鸣器等等。

存储器160可以存储由控制器180执行的处理和控制操作的软件程序等等，或者可以暂时地存储己经输出或将要输出的数据(例如，电话簿、消息、静态图像、视频等等)。而且，存储器160可以存储关于当触摸施加到触摸屏时输出的各种方式的振动和音频信号的数据。

存储器160可以包括至少一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等等。而且，移动终端100可以与通过网络连接执行存储器160的存储功能的网络存储装置协作。

控制器180通常控制移动终端的总体操作。例如，控制器180执行与语音通话、数据通信、视频通话等等相关的控制和处理。另外，控制器180可以包括用于再现(或回放)多媒体数据的多媒体单元181，多媒体单元181可以构造在控制器180内，或者可以构造为与控制器180分离。控制器180可以执行模式识别处理，以将在触摸屏上执行的手写输入或者图片绘制输入识别为字符或图像。

电源单元190在控制器180的控制下接收外部电力或内部电力并且提供操作各元件和组件所需的适当的电力。

这里描述的各种实施方式可以以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施，在一些情况下，这样的实施方式可以在控制器180中实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件单元来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器160中并且由控制器180执行。

至此，己经按照其功能描述了移动终端。下面，为了简要起见，将描述诸如折叠型、直板型、摆动型、滑动型移动终端等等的各种类型的移动终端中的滑动型移动终端作为示例。因此，本发明能够应用于任何类型的移动终端，并且不限于滑动型移动终端。

如图1中所示的移动终端100可以被构造为利用经由帧或分组发送数据的诸如有线和无线通信系统以及基于卫星的通信系统来操作。

以下通过具体实施例进行详细说明。

第一实施例

参照图2，图2为本发明第一实施例提供的语音标识装置模块示意图。

本实施例中的语音标识装置包括：

接收模块201，用于接收目标语音数据；

识别模块202，用于识别目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，发声时段信息包括各声源的语音在目标语音数据中的位置信息；

确定模块203，用于根据声源的显示标识和发声时段信息确定声源的时域显示信息，时域显示信息为声源的显示标识和发声时段信息的叠加；

显示模块204，用于按照目标语音数据的时间轴顺序，区分显示声源的时域显示信息。

在本实施例中，目标语音数据就是用户所发送的语音信息，只是该语音信息并不是直接的语音信息，是未经过本实施例中各个模块处理的语音信息，也可以称之为原始语音信息，目标语音数据中，杂糅了多个声源的语音，多个声源的语音之间可能有间隔，可能有重叠，同一个声源可能在该目标语音数据中包括了多段的语音，本实施例中的目标语音数据可以由上述各个情况下的多声源的语音组成。

接收模块201，用于接收目标语音数据；目标语音数据最初是通过发送端的A/V输入单元中的麦克风接收的，多个声源通过麦克风输入自己的语音，经过控制器的简单处理后，再经由服务器，发送给接收端。本实施例中语音标识装置及其包括的各个模块，均可以设置在发送端、服务器、接收端中的任意一端或多端，或者部分设置在发送端，部分设置在接收端，部分设置在服务器。

识别模块202用于识别目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识。各个声源的语音都有各自的特点，即各个语音段的声音参数不同，声音参数可以包括音高、响度、音色等等，根据声音参数的相似度可以确定不同的语音段所对应的声源，包括不同的语音段对应的不同的声源，以及不同的语音段所对应的同一声源。目标语音数据中的各语音段是按照时间顺序组合而成的，即目标语音数据是时域的数据。

声源的显示标识，是用于区分显示各个不同的声源所使用的手段，不同的声源具有不同的显示标识。在本实施例中，显示标识的具体形式是各种各样的，比如可以用不同的颜色来区分不同的声源的语音，或者用不同的声音曲线来表征不同的声源的语音，而对于同一个声源的语音则可以通过统一颜色或者声音曲线来进行表示，还可以以不同的图形，不同的文字进行区分显示。

声源的发声时段信息，则是指的各不同的声源的语音在目标语音数据中所占据的位置和时长。位置，就是该段语音在目标语音数据中位于哪里，通常用起始点在何处来表征，如用户A的语音在1’22”处，表示用户A的语音在目标语音数据的1’22”处开始。时长，则是该段语音持续的时间，如用户A的语音在1’22”处开始，持续了30”，那么用户A的该段语音在目标语音数据的时段就是从1’22”开始，到1’52”结束。发声时段信息，在现实中往往体现为长度，比如当显示标识是颜色时，其表征的是色块的长度，当显示标识是曲线时，其表征的是曲线的长度。

确定模块203用于根据声源的显示标识和发声时段信息确定声源的时域显示信息。将声源的显示标识和发声时段信息组合在一起，就成了声源的时域显示信息，以颜色区分不同的声源为例，声源的时域显示信息就表示为在特定位置的特定长度的特定色块；以曲线区分不同的声源为例，声源的时域显示信息就表示为在特定位置的特定长度的特定曲线。对于不同的声源而言，其时域显示信息中的显示标识不同，发声时段信息的位置不同；对于同一声源的不同位置的语音而言，其时域显示信息的显示标识相同，发声时段信息的位置不同。请参考图3，图3示出了一种当时域显示信息的显示方式，用户A的语音有两段，用户B的语音有一段，用户A和B的显示标识不同，而用户A的两段语音的显示标识是一致的。

显示模块204用于按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。按照目标语音的时间轴顺序，即目标语音数据在时域上自然播放的顺序，即从目标语音数据的开始位置到目标语音数据的结束位置。各个声源的语音对应的时域显示信息之间至少具有位置的不同，不同的声源的时域显示信息中的显示标识也不同，因此，按照目标语音数据的时间轴顺序区分显示声源的时间显示信息，可以自然的将不同的声源对应的语音区分开来，非常直观。

在本实施例中，还可以包括保存模块205，用于区分并提取目标语音数据中的各个声源的目标语音数据，并保存。目标语音数据最初是一个整体，通过保存模块205，可以以声源为参照，对目标语音数据进行拆分，拆分的结果就是目标语音数据可以被分别收听，而不是需要收听整个目标语音数据，收听者可以针对性的收听想要收听的对象的语音。

此外，保存模块205还可以用于建立声源的时域显示信息与各声源的目标语音数据的映射关系。各声源的时域显示信息是区分显示各个不同时段的不同声源的标识，将时域显示信息与个声源的目标语音数据建立映射关系之后，各个声源与目标语音数据之间的关系就唯一确定了。

此外，还可以包括：第一播放模块206，用于检测对声源的时域显示信息的选择指令，播放声源对应的目标语音数据。在本实施例中，对声源的时域显示信息的选择指令，可以包括点击、滑动、长按等等指令，而这些指令是针对相应的时域显示信息的，即通过对相应位置的时域显示信息的点击操作，就可以播放该时域显示信息对应的目标语音数据，满足用户定向的收听的要求。

在本实施例中，显示模块204还可以用于：在目标语音数据的整体显示信息的上方或下方的至少一方，区分显示声源的时域显示信息。目标语音数据的整体显示信息，就是整个目标语音数据对应的用于显示的标识，而在确定模块203确定了相应的声源的时域显示信息之后，各个声源的时域显示信息的具体位置可以设置在目标语音数据的整体显示信息的上方和/或下方，同样的，按照目标语音数据的时间轴顺序进行区分显示。请参考图4，图4示出了一种时域显示信息的显示方式示意。

此外，还可以包括第二播放模块207，用于检测对整体显示信息的选择指令，播放目标语音数据。由于此时并未对各个声源对应的目标语音数据进行拆分，因此，目标语音数据仍然是一个整体，接收对整体显示信息的选择指令也可以包括点击、滑动、长按等等指令，这些指令是针对整体显示信息的。为了直观的表明目标语音数据的播放进度等信息，可以在目标语音数据的整体显示信息上设置播放进度标识，可以通过进度条、进度标志点等等方式来实现，用户可以较为直观的看到目标语音数据的播放情况。当然，也可以采用倒计时的方式设置在整体显示信息中，本实施例并不对具体的播放进度标识进行限定。

在本实施例中，显示模块204还可以用于：将声源的时域显示信息按照目标语音数据的时间轴顺序在同一轴线上进行显示。在同一轴线上进行显示，也就是将各个时域显示信息按照时间顺序进行直线排列显示，当显示标识是颜色时，显示的方式可以是各个色块直线组合后的色块，各色块重叠的部分则以相应的色块的叠加后的颜色来显示，各个色块之间间隔的部分，即被认为没有声音的部分，则可以用预设的颜色进行填充。当显示标识是曲线时，与之类似，显示的方式可以是多个曲线在时域上的叠加，各个曲线之间的重叠的部分就是相应的曲线的叠加后的结果显示，各个色块之间间隔的部分，即被认为没有声音的部分，则可以用空来进行填充，或者说用曲线y＝0来填充。值得一提的是，本实施例中所提及的曲线仅仅是用于区分显示不同的声源的语音而设定，并不意味着这些曲线是符合各个声源的声音特性曲线而得，当然，这也不失为一个可行的方案。

此外，显示模块204还可以用于：将声源的时域显示信息按照目标语音数据的时间轴顺序，在不同的平行轴线上进行显示，每条轴线对应一个声源。上面提到的显示模块204显示时域显示信息的方式是将时域显示信息在同一轴线上显示，而此处的显示方式则是不同的声源对应的时域显示信息在不同的平行轴线位置上进行显示，这样不同的声源对应的时域显示信息区分度更加明显。请参考图5和图6，图5和图6分别示出了在同一轴线上显示时域显示信息和在不同轴线上显示时域显示信息的显示方式示意。

本实施例中的语音标识装置适用于各种具有语音聊天功能的即时通讯软件，比如微信、QQ等等；本实施例中的语音标识装置中的各个模块，其中接收模块201可以通过图1中的无线通信单元110来实现，识别模块202、确定模块203可以通过控制器180来实现，显示模块204则可以通过输出单元150中的显示单元151来实现，保存模块205则可以通过控制器180来实现，可以将其保存在存储器160中；第一播放模块206、第二播放模块207则可以通过音频输出单元152来实现。

本实施例提供了一种语音标识装置，包括接收模块、识别模块、确定模块、显示模块，接收目标语音数据，识别目标语音数据中不同声源的语音，确定各声源的发声时段信息和声源的显示标识，根据声源的显示标识和发声时段信息确定声源的时域显示信息，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。通过本发明的实施，实现了将目标语音数据按照声源进行区分显示，可以让收听者知道目标语音数据对应的声源的数量和发声的时段，节约了时间，提升了用户体验。

第二实施例

参照图7，图7为本发明第二实施例提供的语音标识装置组成示意图。

本实施例中的语音标识装置包括：

无线通信单元110，用于接收目标语音数据；

控制器180，用于识别目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，并根据声源的显示标识和发声时段信息确定声源的时域显示信息；其中，各声源的发声时段信息包括各声源的语音在目标语音数据中的位置信息，时域显示信息为声源的显示标识和发声时段信息的叠加；

显示单元151，用于按照目标语音数据的时间轴顺序，区分显示声源的时域显示信息。

在本实施例中，目标语音数据就是用户所发送的语音信息，只是该语音信息并不是直接的语音信息，是未经过本实施例中各个单元处理的语音信息，也可以称之为原始语音信息，目标语音数据中，杂糅了多个声源的语音，多个声源的语音之间可能有间隔，可能有重叠，同一个声源可能在该目标语音数据中包括了多段的语音，本实施例中的目标语音数据可以由上述各个情况下的多声源的语音组成。

无线通信单元110用于接收目标语音数据；目标语音数据最初是通过发送端的A/V输入单元中的麦克风接收的，多个声源通过麦克风输入自己的语音，经过控制器180的简单处理后，再经由服务器，发送给接收端。

控制器180用于识别目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识。各个声源的语音都有各自的特点，即各个语音段的声音参数不同，声音参数可以包括音高、响度、音色等等，根据声音参数的相似度可以确定不同的语音段所对应的声源，包括不同的语音段对应的不同的声源，以及不同的语音段所对应的同一声源。目标语音数据中的各语音段是按照时间顺序组合而成的，即目标语音数据是时域的数据。

声源的显示标识，是用于区分显示各个不同的声源所使用的手段，不同的声源具有不同的显示标识。在本实施例中，显示标识的具体形式是各种各样的，比如可以用不同的颜色来区分不同的声源的语音，或者用不同的声音曲线来表征不同的声源的语音，而对于同一个声源的语音则可以通过统一颜色或者声音曲线来进行表示，还可以以不同的图形，不同的文字进行区分显示。

声源的发声时段信息，则是指的各不同的声源的语音在目标语音数据中所占据的位置和时长。位置，就是该段语音在目标语音数据中位于哪里，通常用起始点在何处来表征，如用户A的语音在1’22”处，表示用户A的语音在目标语音数据的1’22”处开始。时长，则是该段语音持续的时间，如用户A的语音在1’22”处开始，持续了30”，那么用户A的该段语音在目标语音数据的时段就是从1’22”开始，到1’52”结束。发声时段信息，在现实中往往体现为长度，比如当显示标识是颜色时，其表征的是色块的长度，当显示标识是曲线时，其表征的是曲线的长度。

控制器180用于根据声源的显示标识和发声时段信息确定声源的时域显示信息。将声源的显示标识和发声时段信息组合在一起，就成了声源的时域显示信息，以颜色区分不同的声源为例，声源的时域显示信息就表示为在特定位置的特定长度的特定色块；以曲线区分不同的声源为例，声源的时域显示信息就表示为在特定位置的特定长度的特定曲线。对于不同的声源而言，其时域显示信息中的显示标识不同，发声时段信息的位置不同；对于同一声源的不同位置的语音而言，其时域显示信息的显示标识相同，发声时段信息的位置不同。

显示单元151用于按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。按照目标语音的时间轴顺序，即目标语音数据在时域上自然播放的顺序，即从目标语音数据的开始位置到目标语音数据的结束位置。各个声源的语音对应的时域显示信息之间至少具有位置的不同，不同的声源的时域显示信息中的显示标识也不同，因此，按照目标语音数据的时间轴顺序区分显示声源的时间显示信息，可以自然的将不同的声源对应的语音区分开来，非常直观。

在本实施例中，控制器180还可以用于区分并提取目标语音数据中的各个声源的目标语音数据，并保存在存储器160中。目标语音数据最初是一个整体，可以以声源为参照，对目标语音数据进行拆分，拆分的结果就是目标语音数据可以被分别收听，而不是需要收听整个目标语音数据，收听者可以针对性的收听想要收听的对象的语音。

此外，控制器180还可以用于建立声源的时域显示信息与各声源的目标语音数据的映射关系。各声源的时域显示信息是区分显示各个不同时段的不同声源的标识，将时域显示信息与个声源的目标语音数据建立映射关系之后，各个声源与目标语音数据之间的关系就唯一确定了。

此外，还可以包括音频输出单元152，用于检测对声源的时域显示信息的选择指令，播放声源对应的目标语音数据。在本实施例中，对声源的时域显示信息的选择指令，可以包括点击、滑动、长按等等指令，而这些指令是针对相应的时域显示信息的，即通过对相应位置的时域显示信息的点击操作，就可以播放该时域显示信息对应的目标语音数据，满足用户定向的收听的要求。

在本实施例中，显示单元151还可以用于：在目标语音数据的整体显示信息的上方或下方的至少一方，区分显示声源的时域显示信息。目标语音数据的整体显示信息，就是整个目标语音数据对应的用于显示的标识，而在控制器180确定了相应的声源的时域显示信息之后，各个声源的时域显示信息的具体位置可以设置在目标语音数据的整体显示信息的上方和/或下方，同样的，按照目标语音数据的时间轴顺序进行区分显示。

此外，音频输出单元152还可以用于检测对整体显示信息的选择指令，播放目标语音数据。由于此时并未对各个声源对应的目标语音数据进行拆分，因此，目标语音数据仍然是一个整体，接收对整体显示信息的选择指令也可以包括点击、滑动、长按等等指令，这些指令是针对整体显示信息的。为了直观的表明目标语音数据的播放进度等信息，可以在目标语音数据的整体显示信息上设置播放进度标识，可以通过进度条、进度标志点等等方式来实现，用户可以较为直观的看到目标语音数据的播放情况。当然，也可以采用倒计时的方式设置在整体显示信息中，本实施例并不对具体的播放进度标识进行限定。

在本实施例中显示单元151还可以用于：将声源的时域显示信息按照目标语音数据的时间轴顺序在同一轴线上进行显示。在同一轴线上进行显示，也就是将各个时域显示信息按照时间顺序进行直线排列显示，当显示标识是颜色时，显示的方式可以是各个色块直线组合后的色块，各色块重叠的部分则以相应的色块的叠加后的颜色来显示，各个色块之间间隔的部分，即被认为没有声音的部分，则可以用预设的颜色进行填充。当显示标识是曲线时，与之类似，显示的方式可以是多个曲线在时域上的叠加，各个曲线之间的重叠的部分就是相应的曲线的叠加后的结果显示，各个色块之间间隔的部分，即被认为没有声音的部分，则可以用空来进行填充，或者说用曲线y＝0来填充。值得一提的是，本实施例中所提及的曲线仅仅是用于区分显示不同的声源的语音而设定，并不意味着这些曲线是符合各个声源的声音特性曲线而得，当然，这也不失为一个可行的方案。

此外，显示单元151还可以用于：将声源的时域显示信息按照目标语音数据的时间轴顺序，在不同的平行轴线上进行显示，每条轴线对应一个声源。上面提到的显示单元151显示时域显示信息的方式是将时域显示信息在同一轴线上显示，而此处的显示方式则是不同的声源对应的时域显示信息在不同的平行轴线位置上进行显示，这样不同的声源对应的时域显示信息区分度更加明显。

本实施例提供了一种语音标识装置，包括无线通信单元、控制器、显示单元，接收目标语音数据，识别目标语音数据中不同声源的语音，确定各声源的发声时段信息和声源的显示标识，根据声源的显示标识和发声时段信息确定声源的时域显示信息，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。通过本发明的实施，实现了将目标语音数据按照声源进行区分显示，可以让收听者知道目标语音数据对应的声源的数量和发声的时段，节约了时间，提升了用户体验。

第三实施例

请参考图8，图8为本发明第三实施例提供的一种语音标识方法流程图，包括：

S801、接收目标语音数据；

S802、识别目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，发声时段信息包括各声源的语音在目标语音数据中的位置信息；

S803、根据声源的显示标识和发声时段信息确定声源的时域显示信息，时域显示信息为声源的显示标识和发声时段信息的叠加；

S804、按照目标语音数据的时间轴顺序，区分显示声源的时域显示信息。

在本实施例中，目标语音数据就是用户所发送的语音信息，只是该语音信息并不是直接的语音信息，是未经过本实施例中的方法处理的语音信息，也可以称之为原始语音信息，目标语音数据中，杂糅了多个声源的语音，多个声源的语音之间可能有间隔，可能有重叠，同一个声源可能在该目标语音数据中包括了多段的语音，本实施例中的目标语音数据可以由上述各个情况下的多声源的语音组成。

S801中，接收目标语音数据；目标语音数据最初是通过发送端的A/V输入单元中的麦克风接收的，多个声源通过麦克风输入自己的语音，经过控制器的简单处理后，再经由服务器，发送给接收端。

S802中，识别目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识。各个声源的语音都有各自的特点，即各个语音段的声音参数不同，声音参数可以包括音高、响度、音色等等，根据声音参数的相似度可以确定不同的语音段所对应的声源，包括不同的语音段对应的不同的声源，以及不同的语音段所对应的同一声源。目标语音数据中的各语音段是按照时间顺序组合而成的，即目标语音数据是时域的数据。

声源的显示标识，是用于区分显示各个不同的声源所使用的手段，不同的声源具有不同的显示标识。在本实施例中，显示标识的具体形式是各种各样的，比如可以用不同的颜色来区分不同的声源的语音，或者用不同的声音曲线来表征不同的声源的语音，而对于同一个声源的语音则可以通过统一颜色或者声音曲线来进行表示，还可以以不同的图形，不同的文字进行区分显示。

声源的发声时段信息，则是指的各不同的声源的语音在目标语音数据中所占据的位置和时长。位置，就是该段语音在目标语音数据中位于哪里，通常用起始点在何处来表征，如用户A的语音在1’22”处，表示用户A的语音在目标语音数据的1’22”处开始。时长，则是该段语音持续的时间，如用户A的语音在1’22”处开始，持续了30”，那么用户A的该段语音在目标语音数据的时段就是从1’22”开始，到1’52”结束。发声时段信息，在现实中往往体现为长度，比如当显示标识是颜色时，其表征的是色块的长度，当显示标识是曲线时，其表征的是曲线的长度。

S803中，根据声源的显示标识和发声时段信息确定声源的时域显示信息。将声源的显示标识和发声时段信息组合在一起，就成了声源的时域显示信息，以颜色区分不同的声源为例，声源的时域显示信息就表示为在特定位置的特定长度的特定色块；以曲线区分不同的声源为例，声源的时域显示信息就表示为在特定位置的特定长度的特定曲线。对于不同的声源而言，其时域显示信息中的显示标识不同，发声时段信息的位置不同；对于同一声源的不同位置的语音而言，其时域显示信息的显示标识相同，发声时段信息的位置不同。

S804中，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。按照目标语音的时间轴顺序，即目标语音数据在时域上自然播放的顺序，即从目标语音数据的开始位置到目标语音数据的结束位置。各个声源的语音对应的时域显示信息之间至少具有位置的不同，不同的声源的时域显示信息中的显示标识也不同，因此，按照目标语音数据的时间轴顺序区分显示声源的时间显示信息，可以自然的将不同的声源对应的语音区分开来，非常直观。

在本实施例中，还可以包括：区分并提取目标语音数据中的各个声源的目标语音数据，并保存。目标语音数据最初是一个整体，可以以声源为参照，对目标语音数据进行拆分，拆分的结果就是目标语音数据可以被分别收听，而不是需要收听整个目标语音数据，收听者可以针对性的收听想要收听的对象的语音。

此外，还可以包括：建立声源的时域显示信息与各声源的目标语音数据的映射关系。各声源的时域显示信息是区分显示各个不同时段的不同声源的标识，将时域显示信息与个声源的目标语音数据建立映射关系之后，各个声源与目标语音数据之间的关系就唯一确定了。

此外，还可以包括：检测对声源的时域显示信息的选择指令，播放声源对应的目标语音数据。在本实施例中，对声源的时域显示信息的选择指令，可以包括点击、滑动、长按等等指令，而这些指令是针对相应的时域显示信息的，即通过对相应位置的时域显示信息的点击操作，就可以播放该时域显示信息对应的目标语音数据，满足用户定向的收听的要求。

在本实施例中，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息包括：在目标语音数据的整体显示信息的上方或下方的至少一方，区分显示声源的时域显示信息。目标语音数据的整体显示信息，就是整个目标语音数据对应的用于显示的标识，而在确定了相应的声源的时域显示信息之后，各个声源的时域显示信息的具体位置可以设置在目标语音数据的整体显示信息的上方和/或下方，同样的，按照目标语音数据的时间轴顺序进行区分显示。

此外，还可以包括：检测对整体显示信息的选择指令，播放目标语音数据。由于此时并未对各个声源对应的目标语音数据进行拆分，因此，目标语音数据仍然是一个整体，接收对整体显示信息的选择指令也可以包括点击、滑动、长按等等指令，这些指令是针对整体显示信息的。为了直观的表明目标语音数据的播放进度等信息，可以在目标语音数据的整体显示信息上设置播放进度标识，可以通过进度条、进度标志点等等方式来实现，用户可以较为直观的看到目标语音数据的播放情况。当然，也可以采用倒计时的方式设置在整体显示信息中，本实施例并不对具体的播放进度标识进行限定。

在本实施例中，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息可以包括：将声源的时域显示信息按照目标语音数据的时间轴顺序在同一轴线上进行显示。在同一轴线上进行显示，也就是将各个时域显示信息按照时间顺序进行直线排列显示，当显示标识是颜色时，显示的方式可以是各个色块直线组合后的色块，各色块重叠的部分则以相应的色块的叠加后的颜色来显示，各个色块之间间隔的部分，即被认为没有声音的部分，则可以用预设的颜色进行填充。当显示标识是曲线时，与之类似，显示的方式可以是多个曲线在时域上的叠加，各个曲线之间的重叠的部分就是相应的曲线的叠加后的结果显示，各个色块之间间隔的部分，即被认为没有声音的部分，则可以用空来进行填充，或者说用曲线y＝0来填充。值得一提的是，本实施例中所提及的曲线仅仅是用于区分显示不同的声源的语音而设定，并不意味着这些曲线是符合各个声源的声音特性曲线而得，当然，这也不失为一个可行的方案。

此外，还可以包括：将声源的时域显示信息按照目标语音数据的时间轴顺序，在不同的平行轴线上进行显示，每条轴线对应一个声源。上面提到的显示时域显示信息的方式是将时域显示信息在同一轴线上显示，而此处的显示方式则是不同的声源对应的时域显示信息在不同的平行轴线位置上进行显示，这样不同的声源对应的时域显示信息区分度更加明显。

本实施例中的语音标识方法适用于各种具有语音聊天功能的即时通讯软件，比如微信、QQ等等。

本实施例提供了一种语音标识方法，包括：接收目标语音数据，识别目标语音数据中不同声源的语音，确定各声源的发声时段信息和声源的显示标识，根据声源的显示标识和发声时段信息确定声源的时域显示信息，按照目标语音数据的时间轴顺序区分显示声源的时域显示信息。通过本发明的实施，实现了将目标语音数据按照声源进行区分显示，可以让收听者知道目标语音数据对应的声源的数量和发声的时段，节约了时间，提升了用户体验。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种语音标识装置，其特征在于，包括：

接收模块，用于接收目标语音数据；

识别模块，用于识别所述目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，所述发声时段信息包括各所述声源的语音在所述目标语音数据中的位置信息；

确定模块，用于根据所述声源的显示标识和发声时段信息确定声源的时域显示信息，所述时域显示信息为所述声源的显示标识和发声时段信息的叠加；

显示模块，用于按照所述目标语音数据的时间轴顺序区分显示所述声源的时域显示信息。

2.如权利要求1所述的语音标识装置，其特征在于，还包括：

保存模块，用于区分并提取目标语音数据中的各声源的目标语音数据，并保存；建立声源的时域显示信息与各声源的目标语音数据的映射关系；

第一播放模块，用于检测对所述声源的时域显示信息的选择指令，播放所述声源对应的目标语音数据。

3.如权利要求1或2所述的语音标识装置，其特征在于，所述显示模块还用于：在所述目标语音数据的整体显示信息的上方或下方的至少一方，区分显示所述声源的时域显示信息。

4.如权利要求3所述的语音标识装置，其特征在于，还包括第二播放模块，用于检测对所述整体显示信息的选择指令，播放所述目标语音数据。

5.如权利要求1或2所述的语音标识装置，其特征在于，所述显示模块还用于：

将所述声源的时域显示信息按照所述目标语音数据的时间轴顺序在同一轴线位置上进行显示；

或，将所述声源的时域显示信息按照目标语音数据的时间轴顺序，在不同的平行轴线位置上进行显示，每条轴线对应一个声源。

6.一种语音标识方法，其特征在于，包括：

接收目标语音数据；

识别所述目标语音数据中的不同声源的语音，确定各声源的发声时段信息和声源的显示标识，所述发声时段信息包括各所述声源的语音在所述目标语音数据中的位置信息；

根据所述声源的显示标识和发声时段信息确定声源的时域显示信息，所述时域显示信息为所述声源的显示标识和发声时段信息的叠加；

按照所述目标语音数据的时间轴顺序区分显示所述声源的时域显示信息。

7.如权利要求6所述的语音标识方法，其特征在于，还包括：

区分并提取所述目标语音数据中的歌声源的目标语音数据，并保存；建立所述声源的时域显示信息与各声源的目标语音数据的映射关系；

检测对所述声源的时域显示信息的选择指令，播放所述声源对应的目标语音数据。

8.如权利要求6或7所述的语音标识方法，其特征在于，所述按照所述目标语音数据的时间轴顺序区分显示所述声源的时域显示信息包括：

在所述目标语音数据的整体显示信息的上方或下方的至少一方，区分显示所述声源的时域显示信息。

9.如权利要求8所述的语音标识方法，其特征在于，还包括：检测对所述整体显示信息的选择指令，播放所述目标语音数据。

10.如权利要求6或7所述的语音标识方法，其特征在于，所述按照目标语音数据的时间轴顺序区分显示声源的时域显示信息包括：

将所述声源的时域显示信息按照所述目标语音数据的时间轴顺序在同一轴线上进行显示；

或，将所述声源的时域显示信息按照所述目标语音数据的时间轴顺序，在不同的平行轴线位置上进行显示，每条轴线对应一个声源。