CN109448710B - 语音处理方法及装置、家电设备、存储介质电子装置 - Google Patents

Abstract

本发明提供了一种语音处理方法及装置、家电设备、存储介质、电子装置，该方法，包括：在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息；在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；利用目标语音信息控制家电设备。因此，可以解决相关技术中不能有效去除语音信息中的噪音，影响用户体验的问题，达到通过语音准确控制家电设备，提高用户体验的效果。

Description

语音处理方法及装置、家电设备、存储介质电子装置

技术领域

本发明涉及通信领域，具体而言，涉及一种语音处理方法及装置、家电设备、存储介质、电子装置。

背景技术

语音识别交互产品慢慢走入人们的家庭，人们通过语音控制智能家居，查询资讯等功能等的需求日益增多。同时通过语音产品供应商提供的服务也越来越多。如今语音智能产品在使用过程中，经常存在语音误识别或者识别不出的问题。这是因为在下达语音指令的时候，很难保证房间中的其他声音不产生影响。如果能够过滤掉房间的噪声，能够在很大程度上提高语音产品的用户体验。但现有技术中并不能有效的去除语音信息中的噪声。

针对上述技术问题，相关技术中尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种语音处理方法及装置、家电设备、存储介质、电子装置，以至少解决相关技术中不能有效去除语音信息中的噪声，影响用户体验的问题。

根据本发明的一个实施例，提供了一种语音处理方法，包括：在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；利用目标语音信息控制家电设备。

根据本发明的另一个实施例，还提供一种家电设备，包括：语音采集设备，用于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；深度学习神经网络设备，用于训练对象活动时间段预测模型；处理器，用于在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；利用目标语音信息控制家电设备。

根据本发明的另一个实施例，还提供一种语音处理装置，包括：第一获取模块，用于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；第二获取模块，用于在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；去除模块，用于基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；控制模块，用于利用目标语音信息控制家电设备。

根据本发明的又一个实施例，还提供了一种存储介质，存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，由于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；利用目标语音信息控制家电设备。因此，可以解决相关技术中不能有效去除语音信息中的噪音，影响用户体验的问题，达到通过语音准确控制家电设备，提高用户体验的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种语音处理方法的移动终端的硬件结构框图；

图2是根据本发明实施例的语音处理方法的流程图；

图3是本实施例中的语音降噪的流程图；

图4是本实施例中的家电设备的示意图；

图5是根据本发明实施例的语音处理装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种语音处理方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的语音处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种语音处理方法，图2是根据本发明实施例的语音处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；

步骤S204，在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；

步骤S206，基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；

步骤S208，利用目标语音信息控制家电设备。

通过上述步骤，由于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；利用目标语音信息控制家电设备。因此，可以解决相关技术中不能有效去除语音信息中的噪音，影响用户体验的问题，达到通过语音准确控制家电设备，提高用户体验的效果。

可选地，上述步骤的执行主体可以为家电设备，例如空调，但不限于此。

需要说明的是，预测的第一对象活动段可以是8点到9点之间，此时间段内用户开始做家务的活动，启动麦克风获取音频信息，音频信息中包括第一噪声信息是用户做家务发出的噪音信息，用户在麦克风打开之后的一段时间内并未发出语音信息。

在一个可选的实施例中，在获取所述当前环境下的第一噪声信息之前，还需要对初始对象活动时间段预测模型进行训练，具体包括以下方式：在预设周期内获取样本对象活动信息，其中，所述样本对象活动信息中包括样本对象活动时间和在所述样本对象活动时间上产生的样本噪声信息；利用所述样本对象活动时间和所述样本噪声信息对初始对象活动时间段预测模型进行训练，得到所述对象活动时间段预测模型，其中，所述对象活动时间段预测模型的输出包括一个或多个对象活动时间段。在本实施例中，预设周期可以是发出噪音的时间段，例如，晚上7点至8点之间，用户看电视的声音。样本对应活动信息可以是用户看电视的声音，然后将晚上7点至8点之间用户看电视的活动输入到对象活动时间段预测模型中，经过多次的训练，可以预测出用户的活动时间段。例如，到晚上7点至8点之间时，可以预测出用户可能发出看电视的噪声信息，即在此时间段内打开麦克风获取样本噪声信息，然后基于样本噪声信息去掉用户在此时间段内发出的控制家电设备的语音信息中的噪声信息，即此噪声信息可能是看电视的噪声信息。

在一个可选的实施例中，通过以下方式利用样本对象活动时间和样本噪声信息对初始对象活动时间段预测模型进行训练：将样本对象活动时间和样本噪声信息输入深度学习神经网络设备中，以深度学习的方式对初始对象活动时间段预测模型进行训练。深度学习的方式使得训练的模型更加的准确。

在一个可选的实施例中，通过以下方式基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息：确定第一噪声信息的噪声频率；在语音信息中查找与第一噪声信息的噪声频率相同的噪声频率，以确定第二噪声信息；去除第二噪声信息，得到目标语音信息。在本实施例中，基于初始对象活动时间段预测模型可以预测出用户在样本对象活动时间中所发出的噪声信息是一样的，即可以认为第一噪声信息与第二噪声信息的频率是近似的，或者是相同的。

在一个可选的实施例中，通过以下方式在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息：将预测的第一对象活动时间段中采集到语音信息之前的时间段，确定为样本采集时间段；例如，如果第一对象活动时间段是晚上7点至8点之间，则样本采集时间段可以是晚上7点至7点15分之间的时间段，即此时间段内用户可能还没有发出语音信息，采集的就是此时间段内用户看电视的噪声信息。将在样本采集时间段内获取的音频信息确定为第一噪声信息。

在一个可选的实施例中，在基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息之后，还可以利用第一对象活动时间段和第二噪声信息对初始对象活动时间段预测模型进行训练，以更新对象活动时间段预测模型。在每次得到目标语音信息之后，都可以对初始对象活动时间段预测模型进行一次更新，使得初始对象活动时间段预测模型的预测更加的准确。

在一个可选的实施例中，通过获取目标语音信息中的控制指令，利用控制指令控制家电设备的运行状态。例如，语音信息中包括“打开空调”的控制指令，空调在接收到此控制指令之后，即执行打开空调。

下面根据具体实施例对本发明进行详细说明：

本实施例提出一种预测用户行为活动实现语音降噪的系统，系统通过多次提取用户语音中的用户活动噪音，预测用户行为活动，再得到用户行为习惯，在语音解析前针对性的除去该活动噪音，达到提高语音解析准确性的目的。

主要是通过用户语音中的活动噪音预测用户行为习惯，采集用户行为活动噪声样本，根据噪声样本去除用户语音指令中的活动噪声，达到语音降噪的目的。

图3是本实施例中的语音降噪的流程图，具体包括以下步骤：

S301：开始；

S302：采集用户语音指令，提取出语音指令中掺杂的用户活动噪声，通过深度神经网络分析，判断噪声对应的用户行为活动。该过程为用户行为习惯学习过程，持续一个月。一个月后，统计一个月中用户每天各时刻对用的行为活动，得出用户行为活动习惯模型(对应于上述中的对象活动时间段预测模型)。例如，用户每天8点使用吸尘器打扫卫生，每天19点厨房有洗碗声，每天20点在客厅看电视等。

S303：语音系统根据已有的用户行为活动习惯，预测用户活动与活动时刻。在到达预测活动时间时，主动唤醒语音系统麦克风，用于采集用户行为活动噪声。

用户下达语音指令结束，准备解析语音前，根据麦克风采集到的语音音频中的声波陡升和陡降处，得到语音指令的开始时间与结束时间。截取麦克风自动唤醒时间到语音指令开始时间之间的语音音频，以此段音频作为用户行为活动噪音样本(对应于上述中的第一噪声信息)。

S304：在解析用户语音时，截取语音指令段的语音音频，根据已有的用户行为活动噪声样本去掉语音指令中掺杂的用户活动行为噪声，达到降噪的目的。

S305：解析执行语音指令。

S306：利用获取的噪声样本优化用户行为活动习惯模型。

S307：结束。

在此过程中，记录采集到的用户活动噪声样本是否对应所预测的用户行为活动习惯，通过比对调整，不断优化用户行为习惯学习过程，使得预测结果尽量接近用户实际生活习惯。

图4是本实施例中的家电设备的示意图，如图4所示，家电设备中主要包括：语音采集设备，用于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，所述预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，所述对象活动时间段预测模型用于预测目标对象进行活动的时间段；可以是麦克风。

深度学习神经网络设备，用于训练所述对象活动时间段预测模型；

处理器(相当于图4中的解析控制装置)，用于在所述第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，所述语音信息中包括第二噪声信息；基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到目标语音信息；利用所述目标语音信息控制所述家电设备。

扬声器：用于语音播报与用户反馈；

系统在实现降噪功能前，需要一个月的用户行为活动习惯学习时间。

图5是根据本发明实施例的语音处理装置的结构框图，如图5所示，该装置包括：

第一获取模块52，用于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，所述预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，所述对象活动时间段预测模型用于预测目标对象进行活动的时间段；

第二获取模块54，用于在所述第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，所述语音信息中包括第二噪声信息；

去除模块56，用于基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到目标语音信息；

控制模块58，用于利用所述目标语音信息控制所述家电设备。

通过上述步骤，由于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，对象活动时间段预测模型用于预测目标对象进行活动的时间段；在第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，语音信息中包括第二噪声信息；基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息；利用目标语音信息控制家电设备。因此，可以解决相关技术中不能有效去除语音信息中的噪音，影响用户体验的问题，达到通过语音准确控制家电设备，提高用户体验的效果。

可选地，上述步骤的执行主体可以为家电设备，例如空调，但不限于此。

需要说明的是，预测的第一对象活动段可以是8点到9点之间，此时间段内用户开始做家务的活动，启动麦克风获取音频信息，音频信息中包括第一噪声信息是用户做家务发出的噪音信息，用户在麦克风打开之后的一段时间内并未发出语音信息。

在一个可选的实施例中，在获取所述当前环境下的第一噪声信息之前，还需要对初始对象活动时间段预测模型进行训练，具体包括以下方式：在预设周期内获取样本对象活动信息，其中，所述样本对象活动信息中包括样本对象活动时间和在所述样本对象活动时间上产生的样本噪声信息；利用所述样本对象活动时间和所述样本噪声信息对初始对象活动时间段预测模型进行训练，得到所述对象活动时间段预测模型，其中，所述对象活动时间段预测模型的输出包括一个或多个对象活动时间段。在本实施例中，预设周期可以是发出噪音的时间段，例如，晚上7点至8点之间，用户看电视的声音。样本对应活动信息可以是用户看电视的声音，然后将晚上7点至8点之间用户看电视的活动输入到对象活动时间段预测模型中，经过多次的训练，可以预测出用户的活动时间段。例如，到晚上7点至8点之间时，可以预测出用户可能发出看电视的噪声信息，即在此时间段内打开麦克风获取样本噪声信息，然后基于样本噪声信息去掉用户在此时间段内发出的控制家电设备的语音信息中的噪声信息，即此噪声信息可能是看电视的噪声信息。

在一个可选的实施例中，通过以下方式利用样本对象活动时间和样本噪声信息对初始对象活动时间段预测模型进行训练：将样本对象活动时间和样本噪声信息输入深度学习神经网络设备中，以深度学习的方式对初始对象活动时间段预测模型进行训练。深度学习的方式使得训练的模型更加的准确。

在一个可选的实施例中，通过以下方式基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息：确定第一噪声信息的噪声频率；在语音信息中查找与第一噪声信息的噪声频率相同的噪声频率，以确定第二噪声信息；去除第二噪声信息，得到目标语音信息。在本实施例中，基于初始对象活动时间段预测模型可以预测出用户在样本对象活动时间中所发出的噪声信息是一样的，即可以认为第一噪声信息与第二噪声信息的频率是近似的，或者是相同的。

在一个可选的实施例中，通过以下方式在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息：将预测的第一对象活动时间段中采集到语音信息之前的时间段，确定为样本采集时间段；例如，如果第一对象活动时间段是晚上7点至8点之间，则样本采集时间段可以是晚上7点至7点15分之间的时间段，即此时间段内用户可能还没有发出语音信息，采集的就是此时间段内用户看电视的噪声信息。将在样本采集时间段内获取的音频信息确定为第一噪声信息。

在一个可选的实施例中，在基于第一噪声信息在语音信息中去除第二噪声信息，得到目标语音信息之后，还可以利用第一对象活动时间段和第二噪声信息对初始对象活动时间段预测模型进行训练，以更新对象活动时间段预测模型。在每次得到目标语音信息之后，都可以对初始对象活动时间段预测模型进行一次更新，使得初始对象活动时间段预测模型的预测更加的准确。

在一个可选的实施例中，通过获取目标语音信息中的控制指令，利用控制指令控制家电设备的运行状态。例如，语音信息中包括“打开空调”的控制指令，空调在接收到此控制指令之后，即执行打开空调。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以上各步骤的计算机程序。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种语音处理方法，其特征在于，包括：

在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，所述预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，所述对象活动时间段预测模型用于预测目标对象进行活动的时间段；

在所述第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，所述语音信息中包括第二噪声信息；

基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到目标语音信息；

利用所述目标语音信息控制所述家电设备；

其中，在获取所述当前环境下的第一噪声信息之前，所述方法还包括：在预设周期内获取样本对象活动信息，其中，所述样本对象活动信息中包括样本对象活动时间和在所述样本对象活动时间上产生的样本噪声信息；利用所述样本对象活动时间和所述样本噪声信息对初始对象活动时间段预测模型进行训练，得到所述对象活动时间段预测模型，其中，所述对象活动时间段预测模型的输出包括一个或多个对象活动时间段。

2.根据权利要求1所述的方法，其特征在于，利用所述样本对象活动时间和所述样本噪声信息对所述初始对象活动时间段预测模型进行训练包括：

将所述样本对象活动时间和所述样本噪声信息输入深度学习神经网络设备中，以深度学习的方式对所述初始对象活动时间段预测模型进行训练。

3.根据权利要求1所述的方法，其特征在于，基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到所述目标语音信息包括：

确定所述第一噪声信息的噪声频率；

在所述语音信息中查找与所述第一噪声信息的噪声频率相同的噪声频率，以确定所述第二噪声信息；

去除所述第二噪声信息，得到所述目标语音信息。

4.根据权利要求1所述的方法，其特征在于，在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息包括：

将预测的第一对象活动时间段中采集到所述语音信息之前的时间段，确定为样本采集时间段；

将在所述样本采集时间段内获取的音频信息确定为所述第一噪声信息。

5.根据权利要求1所述的方法，其特征在于，在基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到所述目标语音信息之后，所述方法还包括：

利用所述第一对象活动时间段和所述第二噪声信息对初始对象活动时间段预测模型进行训练，以更新所述对象活动时间段预测模型。

6.根据权利要求1所述的方法，其特征在于，利用所述目标语音信息控制所述家电设备包括：

获取所述目标语音信息中的控制指令；

利用所述控制指令控制所述家电设备的运行状态。

7.一种家电设备，其特征在于，包括：

语音采集设备，用于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，所述预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，所述对象活动时间段预测模型用于预测目标对象进行活动的时间段；

深度学习神经网络设备，用于训练所述对象活动时间段预测模型；

处理器，用于在所述第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，所述语音信息中包括第二噪声信息；基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到目标语音信息；利用所述目标语音信息控制所述家电设备；

其中，所述家电设备还用于在获取所述当前环境下的第一噪声信息之前，在预设周期内获取样本对象活动信息，其中，所述样本对象活动信息中包括样本对象活动时间和在所述样本对象活动时间上产生的样本噪声信息；利用所述样本对象活动时间和所述样本噪声信息对初始对象活动时间段预测模型进行训练，得到所述对象活动时间段预测模型，其中，所述对象活动时间段预测模型的输出包括一个或多个对象活动时间段。

8.一种语音处理装置，其特征在于，包括：

第一获取模块，用于在到达预测的第一对象活动时间段时，获取当前环境下的第一噪声信息，其中，所述预测的第一对象活动时间段是通过对象活动时间段预测模型输出得到的对象活动时间段，所述对象活动时间段预测模型用于预测目标对象进行活动的时间段；

第二获取模块，用于在所述第一对象活动时间段上获取到用于请求控制家电设备的语音信息，其中，所述语音信息中包括第二噪声信息；

去除模块，用于基于所述第一噪声信息在所述语音信息中去除所述第二噪声信息，得到目标语音信息；

控制模块，用于利用所述目标语音信息控制所述家电设备；

其中，所述装置还用于在获取所述当前环境下的第一噪声信息之前，在预设周期内获取样本对象活动信息，其中，所述样本对象活动信息中包括样本对象活动时间和在所述样本对象活动时间上产生的样本噪声信息；利用所述样本对象活动时间和所述样本噪声信息对初始对象活动时间段预测模型进行训练，得到所述对象活动时间段预测模型，其中，所述对象活动时间段预测模型的输出包括一个或多个对象活动时间段。

9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至6任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6任一项中所述的方法。

Images