CN108538303A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN108538303A CN108538303A CN201810366503.9A CN201810366503A CN108538303A CN 108538303 A CN108538303 A CN 108538303A CN 201810366503 A CN201810366503 A CN 201810366503A CN 108538303 A CN108538303 A CN 108538303A
- Authority
- CN
- China
- Prior art keywords
- voice data
- uproar
- making
- far field
- plus
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 134
- 238000013507 mapping Methods 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 description 40
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
- G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取信噪比映射矩阵,其中,信噪比映射矩阵是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据是通过对近场语音数据进行加噪处理得到的;将加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:确定与待处理语音数据对应的、用于表征待处理语音数据的幅值分布信息的第一向量;确定信噪比映射矩阵与第一向量的乘积,基于乘积生成远场仿真语音数据。该实施方式实现了具有较高有效性的远场仿真语音数据的生成。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
远场声学模型一般是基于远场语音训练数据对初始的声学模型进行训练得到的。
目前,可用的真实远场语音数据较少,在模型训练过程中使用的大多数远场语音训练数据通常是通过在近场语音数据中叠加噪声数据而生成的远场仿真语音数据。但采用现有的方法生成的远场仿真语音数据的幅值分布往往不能与真实远场语音数据的幅值分布相统一,因而现有的远场仿真语音数据的有效性一般比较低。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取信噪比映射矩阵,其中,上述信噪比映射矩阵是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据是通过对近场语音数据进行加噪处理得到的;将上述加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:确定与上述待处理语音数据对应的、用于表征上述待处理语音数据的幅值分布信息的第一向量;确定上述信噪比映射矩阵与上述第一向量的乘积,基于上述乘积生成远场仿真语音数据。
在一些实施例中,上述获取信噪比映射矩阵,包括:对上述至少一条远场语音数据进行幅值分布统计,生成用于表征上述至少一条远场语音数据的幅值分布信息的远场幅值分布向量;从上述加噪语音数据集合中提取出至少一条加噪语音数据;对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量;对上述远场幅值分布向量和上述近场幅值分布向量分别进行积分,确定积分后所得的值之间的差值,将上述差值确定为上述信噪比映射矩阵。
在一些实施例中,上述对上述至少一条远场语音数据进行幅值分布统计,生成用于表征上述至少一条远场语音数据的幅值分布信息的远场幅值分布向量,包括:对于上述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量;确定与上述至少一条远场语音数据分别对应的第二向量的总和,将上述总和作为上述远场幅值分布向量。
在一些实施例中,上述对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量,包括:对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量;确定与提取出的至少一条加噪语音数据分别对应的第一向量的总和,将该总和作为上述近场幅值分布向量。
在一些实施例中,上述对于上述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量,包括:对于上述至少一条远场语音数据中的远场语音数据,将该远场语音数据的幅值映射为预设的整数区间中的数值,确定该远场语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该远场语音数据对应的第二向量。
在一些实施例中,上述对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量,包括:对于提取出的至少一条加噪语音数据中的加噪语音数据,将该加噪语音数据的幅值映射为预设的整数区间中的数值,确定该加噪语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该加噪语音数据对应的第一向量。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:获取单元,被配置成获取信噪比映射矩阵,其中,上述信噪比映射矩阵是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据是通过对近场语音数据进行加噪处理得到的;生成单元,被配置成将上述加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:确定与上述待处理语音数据对应的、用于表征上述待处理语音数据的幅值分布信息的第一向量;确定上述信噪比映射矩阵与上述第一向量的乘积,基于上述乘积生成远场仿真语音数据。
在一些实施例中,上述获取单元包括:第一生成子单元,被配置成对上述至少一条远场语音数据进行幅值分布统计,生成用于表征上述至少一条远场语音数据的幅值分布信息的远场幅值分布向量;提取子单元,被配置成从上述加噪语音数据集合中提取出至少一条加噪语音数据;第二生成子单元,被配置成对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量;确定子单元,配置用于对上述远场幅值分布向量和上述近场幅值分布向量分别进行积分,确定积分后所得的值之间的差值,将上述差值确定为上述信噪比映射矩阵。
在一些实施例中,上述第一生成子单元包括:第一生成模块,被配置成对于上述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量;第一确定模块,被配置成确定与上述至少一条远场语音数据分别对应的第二向量的总和,将上述总和作为上述远场幅值分布向量。
在一些实施例中,上述第二生成子单元包括:第二生成模块,被配置成对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量;第二确定模块,被配置成确定与提取出的至少一条加噪语音数据分别对应的第一向量的总和,将该总和作为上述近场幅值分布向量。
在一些实施例中,上述第一生成模块进一步被配置成:对于上述至少一条远场语音数据中的远场语音数据,将该远场语音数据的幅值映射为预设的整数区间中的数值,确定该远场语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该远场语音数据对应的第二向量。
在一些实施例中,上述第二生成模块进一步被配置成:对于提取出的至少一条加噪语音数据中的加噪语音数据,将该加噪语音数据的幅值映射为预设的整数区间中的数值,确定该加噪语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该加噪语音数据对应的第一向量。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取信噪比映射矩阵,以便将加噪语音数据集合中的加噪语音数据作为待处理语音数据来执行以下生成步骤:确定与待处理语音数据对应的、用于表征待处理语音数据的幅值分布信息的第一向量;确定信噪比映射矩阵与第一向量的乘积,基于该乘积生成远场仿真语音数据。实现了具有较高有效性的远场仿真语音数据的生成。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括服务器101、103和网络102。网络102用以在服务器101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器101可以是提供各种服务的服务器,例如对信噪比映射矩阵、远场语音数据集合、近场语音数据集合和/或加噪语音数据集合(加噪语音数据可以是通过对近场语音数据进行加噪处理得到的)进行存储的服务器。
服务器103可以是提供各种服务的服务器,例如,服务器103可以从服务器101获取信噪比映射矩阵和加噪语音数据集合,并基于信噪比映射矩阵对加噪语音数据集合中的加噪语音数据进行分析等处理。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由服务器103执行,相应地,用于生成信息的装置一般设置于服务器103中。
应该理解,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是,若服务器103本地预先存储有加噪语音数据集合和以下任意一项:信噪比映射矩阵、远场语音数据集合,系统架构100可以不包括服务器101。
应该理解,图1中的服务器和网络的数目仅仅是示意性的。根据实现需要,可以具有任意数目的服务器和网络。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法的流程200,包括以下步骤:
步骤201,获取信噪比映射矩阵。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示服务器103)可以获取信噪比映射矩阵。其中,信噪比映射矩阵可以是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵。加噪语音数据可以是通过对近场语音数据进行加噪处理得到的。另外,幅值分布信息可以是用于反映语音的幅值分布情况的信息。上述信噪比映射矩阵可以用于对加噪语音数据的幅值分布信息进行映射。
需要说明的是,根据声源和麦克风阵列距离的远近,一般可将语音数据分为远场语音数据和近场语音数据。远场语音数据例如可以是通过远场声音采集设备(例如远场音响等)进行远场音频录制而得到的。近场语音数据可以是通过近场声音采集设备(例如近场音响等)进行近场音频录制而得到的。
需要指出的是,若上述信噪比映射矩阵是预先生成的,上述执行主体可以从本地或所连接的服务器(例如图1所示的服务器101)获取上述信噪比映射矩阵。另外,上述加噪语音数据集合可以是预先生成的。生成上述加噪语音数据集合的信息生成端可以是上述执行主体,也可以是其它的服务器或终端设备,本实施例不对此方面做任何限定。
作为示例,上述加噪语音数据集合可以是上述信息生成端通过执行以下加噪操作生成的:
首先,获取近场语音数据集合。这里,上述信息生成端可以从本地或所连接的服务器获取近场语音数据集合。
而后,对于近场语音数据集合中的每条近场语音数据,在该近场语音数据中叠加预设的噪声数据,生成加噪语音数据。这里,语音数据叠加方法是目前广泛研究和应用的公知技术,在此不再赘述。需要指出的是,噪声数据可以是根据实际需预先采集的。噪声例如可以是电视、风扇、电冰箱、抽油烟机、空调、洗衣机等设备的噪声,也可以是车辆的鸣笛声,还可以是流水声等等。
最后,将所生成的各条加噪语音数据合并成加噪语音数据集合。
步骤202,将加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行生成步骤。
在本实施例中,上述执行主体可以将上述加噪语音数据集合中的加噪语音数据(例如每条加噪语音数据)作为待处理语音数据,以及执行以下生成步骤:
首先,上述执行主体可以确定与上述待处理语音数据对应的、用于表征上述待处理语音数据的幅值分布信息的第一向量。这里,上述加噪语音数据集合中可以存在已对应第一向量的加噪语音数据。而且上述执行主体本地可以预先存储用于表征加噪语音数据与第一向量之间的对应关系的对应关系表。上述执行主体可以在该对应关系表中查找与上述待处理语音数据相关的对应关系信息;若查找到,则上述执行主体可以根据该对应关系信息得到与上述待处理语音数据对应的第一向量。
而后,上述执行主体可以确定上述信噪比映射矩阵与上述待处理语音数据所对应的第一向量的乘积,基于该乘积生成远场仿真语音数据。这里,上述执行主体可以根据远场仿真语音数据的实际应用场景,基于该乘积生成远场仿真数据。
作为示例,假设远场仿真语音数据的实际应用场景是远场声学模型训练,而模型训练所需的语音特征是幅值分布特征,那么上述执行主体可以直接将上述乘积作为远场仿真语音数据。若模型训练所需的语音特征不只是幅值分布特征,那么上述执行主体可以将上述乘积作为上述待处理语音数据的幅值分布信息,并将幅值分布信息更新后的上述待处理语音数据作为远场仿真语音数据。
需要说明的是,将上述执行主体所生成的远场仿真语音数据用于远场声学模型训练,可以提高远场声学模型的性能(例如抗噪性能等),还可以提高远场声学模型的准确度。
在本实施例的一些可选的实现方式中,若上述待处理语音数据没有预先对应第一向量,则上述执行主体可以执行以下第一向量生成操作:
首先,上述执行主体可以先将上述待处理语音数据的幅值映射为预设的整数区间中的数值。其中,该整数区间可以是闭区间,该整数区间中的最小值可以是0,最大值可以是预设的初始幅值区间(例如[-32767,32767])中的最大值的2倍。需要说明的是,语音数据的原始幅值存在包括负数的可能性,而负数一般不便于计算,因此需要将上述待处理语音数据的幅值映射为不小于0的整数,以便于后续的运算。另外,对于上述待处理语音数据的任意一个幅值,上述执行主体可以将该幅值与上述初始幅值区间中的最大值的总和作为对该幅值进行映射后所得的幅值。例如,上述待处理语音数据的一个幅值为-32767,上述初始幅值区间中的最大值为32767,那么该幅值与该最大值的总和为0,上述执行主体可以将0作为对该幅值进行映射后所得的幅值。
然后,上述执行主体可以统计出上述待处理语音数据的经映射后的幅值中的不同的幅值出现的次数。
最后,上述执行主体可以基于该次数生成与上述待处理语音数据对应的第一向量。其中,该第一向量的维度可以等于上述整数区间所包括的数值的个数。该第一向量中的每个分量可以对应上述整数区间中的数值。该分量的值可以是该分量所对应的数值在上述待处理语音数据的经映射后的幅值中出现的次数。
在本实施例的一些可选的实现方式中,上述执行主体可以将所生成的远场仿真语音数据存储至预设的存储位置,还可以将该远场仿真语音数据发送给所连接的服务器,例如被配置成存储语音数据的服务器(例如图1所示的服务器101)和/或被配置成进行远场声学模型训练的服务器等等。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,信噪比映射矩阵和加噪语音数据集合已存储在服务器中。其中,加噪语音数据集合包括加噪语音数据A和加噪语音数据B。在准备用于远场声学模型训练的远场语音训练数据的过程中,如标号301所示,上述服务器可以本地获取信噪比映射矩阵。对于加噪语音数据A,如标号302所示,上述服务器可以先确定与加噪语音数据A对应的、用于表征加噪语音数据A的幅值分布信息的第一向量;而后如标号303所示,上述服务器可以计算出信噪比映射矩阵与加噪语音数据A所对应的第一向量之间的乘积,基于该乘积生成远场仿真语音数据A1。对于加噪语音数据B,如标号304所示,上述服务器可以先确定与加噪语音数据B对应的、用于表征加噪语音数据B的幅值分布信息的第一向量;而后如标号305所示,上述服务器可以计算出信噪比映射矩阵与加噪语音数据B所对应的第一向量之间的乘积,基于该乘积生成远场仿真语音数据B1。上述服务器可以将远场仿真语音数据A1和远场仿真语音数据B1分别作为远场语音训练数据。
本申请的上述实施例提供的方法,通过获取信噪比映射矩阵,以便将加噪语音数据集合中的加噪语音数据作为待处理语音数据来执行以下生成步骤:确定与待处理语音数据对应的、用于表征待处理语音数据的幅值分布信息的第一向量;确定信噪比映射矩阵与第一向量的乘积,基于该乘积生成远场仿真语音数据。实现了具有较高有效性的远场仿真语音数据的生成。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,对在真实场景下采集到的至少一条远场语音数据进行幅值分布统计,生成用于表征至少一条远场语音数据的幅值分布信息的远场幅值分布向量。
在本实施例中,用于生成信息的执行主体(例如图1所示的服务器103)可以对在真实场景下采集到的至少一条远场语音数据进行幅值分布统计,生成用于表征该至少一条远场语音数据的幅值分布信息的远场幅值分布向量。
这里,对于上述至少一条远场语音数据中的远场语音数据,例如每条远场语音数据,上述执行主体可以对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量。而后,上述执行主体可以计算出与上述至少一条远场语音数据分别对应的第二向量的总和,将该总和作为上述远场幅值分布向量。
需要说明的是,对于上述至少一条远场语音数据中的远场语音数据,例如每条远场语音数据,上述执行主体可以执行以下第二向量生成操作:首先,上述执行主体可以将该远场语音数据的幅值映射为预设的整数区间(图2所示的实施例中提到的整数区间)中的数值。然后,上述执行主体可以统计出该远场语音数据的经映射后的幅值中的不同的幅值出现的次数。最后,上述执行主体可以基于所确定的次数生成与该远场语音数据对应的第二向量。
需要指出的是,上述第二向量生成操作类似于图2所示实施例中的第一向量生成操作,针对上述第二向量生成操作的解释说明可参看该第一向量生成操作的相关说明,在此不再赘述。另外,第二向量的维度可以等于上述整数区间所包括的数值的个数。第二向量中的每个分量可以对应上述整数区间中的数值。而且第二向量中的每个分量的值可以是该分量所对应的数值在该第二向量所对应的远场语音数据的经映射后的幅值中出现的次数。
步骤402,从加噪语音数据集合中提取出至少一条加噪语音数据。
在本实施例中,上述执行主体可以从加噪语音数据集合中提取出至少一条加噪语音数据。其中,加噪语音数据集合可以是上述执行主体预先获取的。加噪语音数据可以是通过对近场语音数据进行加噪处理得到的。针对加噪语音数据集合的解释说明可参看图2所示实施例中的步骤201的相关说明,在此不再赘述。
需要说明的是,上述执行主体可以按照预设数目或预设比例(即需要提取出的加噪语音数据在上述加噪语音数据集合中所占的比例)从上述加噪语音数据集合中提取加噪语音数据。
作为示例,假设预设数目为1000,上述执行主体可以按照加噪语音数据的生成时间的先后顺序,从上述加噪语音数据集合中提取出生成时间最早的前1000条加噪语音数据。或者,上述执行主体可以在上述加噪语音数据集合中随机选取加噪语音数据进行提取直至提取出1000条加噪语音数据。
步骤403,对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量。
在本实施例中,对于在步骤402中提取出的至少一条加噪语音数据,上述执行主体可以对该至少一条加噪语音数据进行幅值分布统计,生成用于表征该至少一条加噪语音数据的幅值分布信息的近场幅值分布向量。
这里,对于提取出的至少一条加噪语音数据中的加噪语音数据,例如每条加噪语音数据,上述执行主体可以对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量。而后上述执行主体可以计算出与提取出的至少一条加噪语音数据分别对应的第一向量的总和,将该总和作为上述近场幅值分布向量。需要说明的是,上述执行主体可以采用图2所示的实施例中的第一向量生成操作来生成与该加噪语音数据对应的第一向量,在此不再赘述。
需要指出的是,上述执行主体所生成的第一向量和第二向量中的对应位置上的分量可以对应相同的数值(即上述整数区间中的数值)。
步骤404,对远场幅值分布向量和近场幅值分布向量分别进行积分,确定积分后所得的值之间的差值,将差值确定为信噪比映射矩阵。
在本实施例中,上述执行主体可以对上述远场幅值分布向量和上述近场幅值分布向量分别进行积分,然后确定积分后所得的值之间的差值,并将该差值确定为信噪比映射矩阵。
例如,上述执行主体对上述远场幅值分布向量进行积分后得到A,对上述近场幅值分布向量进行积分后得到B。上述执行主体可以将A减去B得到差值C,并将差值C确定为信噪比映射矩阵。
步骤405,将加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行生成步骤。
在本实施例中,对于上述加噪语音数据集合中的加噪语音数据(例如每条加噪语音数据),上述执行主体可以执行以下生成步骤:确定与该待处理语音数据对应的、用于表征该待处理语音数据的幅值分布信息的第一向量;确定上述信噪比映射矩阵与该第一向量的乘积,基于该乘积生成远场仿真语音数据。这里,针对生成步骤的解释说明,可参看图2所示实施例中的步骤202的相关说明,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了生成远场幅值分布向量的步骤、生成近场幅值分布向量的步骤以及基于该远场幅值分布向量和该近场幅值分布向量生成信噪比映射矩阵的步骤。由此,本实施例描述的方案可以实现信息生成的多样性,以及可以实现具有较高有效性的远场仿真语音数据的生成。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:获取单元501和生成单元502。其中,获取单元501可以被配置成获取信噪比映射矩阵,其中,信噪比映射矩阵可以是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据可以是通过对近场语音数据进行加噪处理得到的;生成单元502可以被配置成将加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:确定与待处理语音数据对应的、用于表征待处理语音数据的幅值分布信息的第一向量;确定信噪比映射矩阵与第一向量的乘积,基于乘积生成远场仿真语音数据。
在本实施例中,用于生成信息的装置500中:获取单元501和生成单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述获取单元501可以包括:第一生成子单元(图中未示出),被配置成对上述至少一条远场语音数据进行幅值分布统计,生成用于表征上述至少一条远场语音数据的幅值分布信息的远场幅值分布向量;提取子单元(图中未示出),被配置成从上述加噪语音数据集合中提取出至少一条加噪语音数据;第二生成子单元(图中未示出),被配置成对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量;确定子单元(图中未示出),配置用于对上述远场幅值分布向量和上述近场幅值分布向量分别进行积分,确定积分后所得的值之间的差值,将上述差值确定为上述信噪比映射矩阵。
在本实施例的一些可选的实现方式中,上述第一生成子单元可以包括:第一生成模块(图中未示出),被配置成对于上述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量;第一确定模块(图中未示出),被配置成确定与上述至少一条远场语音数据分别对应的第二向量的总和,将上述总和作为上述远场幅值分布向量。
在本实施例的一些可选的实现方式中,上述第二生成子单元可以包括:第二生成模块(图中未示出),被配置成对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量;第二确定模块(图中未示出),被配置成确定与提取出的至少一条加噪语音数据分别对应的第一向量的总和,将该总和作为上述近场幅值分布向量。
在本实施例的一些可选的实现方式中,上述第一生成模块可以进一步被配置成:对于上述至少一条远场语音数据中的远场语音数据,将该远场语音数据的幅值映射为预设的整数区间中的数值,确定该远场语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该远场语音数据对应的第二向量。
在本实施例的一些可选的实现方式中,上述第二生成模块可以进一步被配置成:对于提取出的至少一条加噪语音数据中的加噪语音数据,将该加噪语音数据的幅值映射为预设的整数区间中的数值,确定该加噪语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该加噪语音数据对应的第一向量。
本申请的上述实施例提供的装置,通过获取信噪比映射矩阵,以便将加噪语音数据集合中的加噪语音数据作为待处理语音数据来执行以下生成步骤:确定与待处理语音数据对应的、用于表征待处理语音数据的幅值分布信息的第一向量;确定信噪比映射矩阵与第一向量的乘积,基于该乘积生成远场仿真语音数据。实现了具有较高有效性的远场仿真语音数据的生成。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示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、或半导体的系统、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。在本申请中,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系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请的操作的计算机程序代码,该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,图示了按照本申请各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元和生成单元。其中,这些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,获取单元还可以被描述为“获取信噪比映射矩阵的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的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一个该电子设备执行时,使得该电子设备包括:获取信噪比映射矩阵,其中,信噪比映射矩阵可以是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据可以是通过对近场语音数据进行加噪处理得到的;将加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:确定与待处理语音数据对应的、用于表征待处理语音数据的幅值分布信息的第一向量;确定信噪比映射矩阵与第一向量的乘积,基于乘积生成远场仿真语音数据。
以上描述仅为本申请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,本申请中所涉及的发明范围,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发明构思的情况下,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。例如上述特征与本申请中公开的(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 (14)
1.一种用于生成信息的方法,包括:
获取信噪比映射矩阵,其中,所述信噪比映射矩阵是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据是通过对近场语音数据进行加噪处理得到的;
将所述加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:
确定与所述待处理语音数据对应的、用于表征所述待处理语音数据的幅值分布信息的第一向量;
确定所述信噪比映射矩阵与所述第一向量的乘积,基于所述乘积生成远场仿真语音数据。
2.根据权利要求1所述的方法,其中,所述获取信噪比映射矩阵,包括:
对所述至少一条远场语音数据进行幅值分布统计,生成用于表征所述至少一条远场语音数据的幅值分布信息的远场幅值分布向量;
从所述加噪语音数据集合中提取出至少一条加噪语音数据;
对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量;
对所述远场幅值分布向量和所述近场幅值分布向量分别进行积分,确定积分后所得的值之间的差值,将所述差值确定为所述信噪比映射矩阵。
3.根据权利要求2所述的方法,其中,所述对所述至少一条远场语音数据进行幅值分布统计,生成用于表征所述至少一条远场语音数据的幅值分布信息的远场幅值分布向量,包括:
对于所述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量;
确定与所述至少一条远场语音数据分别对应的第二向量的总和,将所述总和作为所述远场幅值分布向量。
4.根据权利要求2所述的方法,其中,所述对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量,包括:
对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量;
确定与提取出的至少一条加噪语音数据分别对应的第一向量的总和,将该总和作为所述近场幅值分布向量。
5.根据权利要求3所述的方法,其中,所述对于所述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量,包括:
对于所述至少一条远场语音数据中的远场语音数据,将该远场语音数据的幅值映射为预设的整数区间中的数值,确定该远场语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该远场语音数据对应的第二向量。
6.根据权利要求4所述的方法,其中,所述对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量,包括:
对于提取出的至少一条加噪语音数据中的加噪语音数据,将该加噪语音数据的幅值映射为预设的整数区间中的数值,确定该加噪语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该加噪语音数据对应的第一向量。
7.一种用于生成信息的装置,包括:
获取单元,被配置成获取信噪比映射矩阵,其中,所述信噪比映射矩阵是基于加噪语音数据集合中的至少一条加噪语音数据的幅值分布信息和在真实场景下采集到的至少一条远场语音数据的幅值分布信息生成的矩阵,加噪语音数据是通过对近场语音数据进行加噪处理得到的;
生成单元,被配置成将所述加噪语音数据集合中的加噪语音数据作为待处理语音数据,执行以下生成步骤:
确定与所述待处理语音数据对应的、用于表征所述待处理语音数据的幅值分布信息的第一向量;
确定所述信噪比映射矩阵与所述第一向量的乘积,基于所述乘积生成远场仿真语音数据。
8.根据权利要求7所述的装置,其中,所述获取单元包括:
第一生成子单元,被配置成对所述至少一条远场语音数据进行幅值分布统计,生成用于表征所述至少一条远场语音数据的幅值分布信息的远场幅值分布向量;
提取子单元,被配置成从所述加噪语音数据集合中提取出至少一条加噪语音数据;
第二生成子单元,被配置成对提取出的至少一条加噪语音数据进行幅值分布统计,生成用于表征提取出的至少一条加噪语音数据的幅值分布信息的近场幅值分布向量;
确定子单元,配置用于对所述远场幅值分布向量和所述近场幅值分布向量分别进行积分,确定积分后所得的值之间的差值,将所述差值确定为所述信噪比映射矩阵。
9.根据权利要求8所述的装置,其中,所述第一生成子单元包括:
第一生成模块,被配置成对于所述至少一条远场语音数据中的远场语音数据,对该远场语音数据进行幅值分布统计,生成与该远场语音数据对应的、用于表征该远场语音数据的幅值分布信息的第二向量;
第一确定模块,被配置成确定与所述至少一条远场语音数据分别对应的第二向量的总和,将所述总和作为所述远场幅值分布向量。
10.根据权利要求8所述的装置,其中,所述第二生成子单元包括:
第二生成模块,被配置成对于提取出的至少一条加噪语音数据中的加噪语音数据,对该加噪语音数据进行幅值分布统计,生成与该加噪语音数据对应的、用于表征该加噪语音数据的幅值分布信息的第一向量;
第二确定模块,被配置成确定与提取出的至少一条加噪语音数据分别对应的第一向量的总和,将该总和作为所述近场幅值分布向量。
11.根据权利要求9所述的装置,其中,所述第一生成模块进一步被配置成:
对于所述至少一条远场语音数据中的远场语音数据,将该远场语音数据的幅值映射为预设的整数区间中的数值,确定该远场语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该远场语音数据对应的第二向量。
12.根据权利要求10所述的装置,其中,所述第二生成模块进一步被配置成:
对于提取出的至少一条加噪语音数据中的加噪语音数据,将该加噪语音数据的幅值映射为预设的整数区间中的数值,确定该加噪语音数据的经映射后的幅值中的不同的幅值出现的次数,基于所确定的次数生成与该加噪语音数据对应的第一向量。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366503.9A CN108538303B (zh) | 2018-04-23 | 2018-04-23 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366503.9A CN108538303B (zh) | 2018-04-23 | 2018-04-23 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108538303A true CN108538303A (zh) | 2018-09-14 |
CN108538303B CN108538303B (zh) | 2019-10-22 |
Family
ID=63479211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366503.9A Active CN108538303B (zh) | 2018-04-23 | 2018-04-23 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108538303B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658935A (zh) * | 2018-12-29 | 2019-04-19 | 苏州思必驰信息科技有限公司 | 多通道带噪语音的生成方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2406785B1 (en) * | 2009-03-13 | 2014-05-28 | Harris Corporation | Noise error amplitude reduction |
CN106328126A (zh) * | 2016-10-20 | 2017-01-11 | 北京云知声信息技术有限公司 | 远场语音识别处理方法及装置 |
CN107452372A (zh) * | 2017-09-22 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 远场语音识别模型的训练方法和装置 |
CN107481731A (zh) * | 2017-08-01 | 2017-12-15 | 百度在线网络技术(北京)有限公司 | 一种语音数据增强方法及系统 |
CN107680586A (zh) * | 2017-08-01 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 远场语音声学模型训练方法及系统 |
-
2018
- 2018-04-23 CN CN201810366503.9A patent/CN108538303B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2406785B1 (en) * | 2009-03-13 | 2014-05-28 | Harris Corporation | Noise error amplitude reduction |
CN106328126A (zh) * | 2016-10-20 | 2017-01-11 | 北京云知声信息技术有限公司 | 远场语音识别处理方法及装置 |
CN107481731A (zh) * | 2017-08-01 | 2017-12-15 | 百度在线网络技术(北京)有限公司 | 一种语音数据增强方法及系统 |
CN107680586A (zh) * | 2017-08-01 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 远场语音声学模型训练方法及系统 |
CN107452372A (zh) * | 2017-09-22 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 远场语音识别模型的训练方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658935A (zh) * | 2018-12-29 | 2019-04-19 | 苏州思必驰信息科技有限公司 | 多通道带噪语音的生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108538303B (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481731B (zh) | 一种语音数据增强方法及系统 | |
US10861480B2 (en) | Method and device for generating far-field speech data, computer device and computer readable storage medium | |
CN108769745A (zh) | 视频播放方法和装置 | |
CN109545192A (zh) | 用于生成模型的方法和装置 | |
CN109032870A (zh) | 用于测试设备的方法和装置 | |
CN109637525B (zh) | 用于生成车载声学模型的方法和装置 | |
CN109446990A (zh) | 用于生成信息的方法和装置 | |
CN108196820A (zh) | 用于调节播放参数的方法和装置 | |
CN108831505A (zh) | 用于识别应用的使用场景的方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN109545193A (zh) | 用于生成模型的方法和装置 | |
MX2007014562A (es) | Mejora de dialogo multisensorial utilizando un dialogo limpio previo. | |
CN108933730A (zh) | 信息推送方法和装置 | |
CN109166570B (zh) | 一种语音切分的方法、装置、设备和计算机存储介质 | |
CN108959087A (zh) | 测试方法和装置 | |
CN108877779A (zh) | 用于检测语音尾点的方法和装置 | |
CN109767773A (zh) | 基于语音交互终端的信息输出方法和装置 | |
CN109582825A (zh) | 用于生成信息的方法和装置 | |
CN108538303B (zh) | 用于生成信息的方法和装置 | |
CN108694172A (zh) | 信息输出方法和装置 | |
CN110351435A (zh) | 通话黑名单设置方法及装置 | |
CN108683531B (zh) | 用于处理日志信息的方法和装置 | |
CN110062116A (zh) | 用于处理信息的方法和设备 | |
CN109376776A (zh) | 用于播放音乐的方法和装置 | |
CN110335237A (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
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 |