CN109994129A - 语音处理系统、方法和设备 - Google Patents

Abstract

一种语音处理系统、方法和设备，包括：所述语音处理系统包括：声学传感器和语音处理设备，所述声学传感器与所述语音处理设备耦合；所述声学传感器，用于采集语音信号；所述语音处理设备，用于接收所述语音信号；将所述语音信号分为多个语音帧；检测所述语音帧得到所述语音帧的质量参数；依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；输出基于所述时间周期的语音质量的提示信息。采用本发明实施例后，由于能够实时接收语音信号，从而可以输出基于时间周期的语音质量的提示信息。

Description

语音处理系统、方法和设备

技术领域

本发明涉及音频技术领域，尤其涉及一种语音处理语音处理系统、方法和设备。

背景技术

语音是语言的声学表现，是人类交流信息最自然、最有效、最方便的手段，也是人类思维的一种依托。在移动互联网时代，语音识别是非常重要的人机交互技术之一，在当今的信息化社会和快节奏生活中，利用信号处理和模式识别技术，可以用机器进行语音的自动识别，这对于提高生产效率和生活质量具有十分重要的意义。自动语音识别的应用领域十分广泛，它可以把手写文稿变成自动听写操作，可以用声音遥控家电，可以用语音在互联网上搜索感兴趣的事件，可以将语音进一步自动翻译成另一种语言等。

由于硬件设备的参数，信号通路的稳定性，现场环境的噪音等因素，无法实时反馈语音信号的质量。

发明内容

本发明实施例提供了一种语音处理系统、方法和设备，可以实时输出基于语音信号的质量的提示信息。

一种语音处理系统，所述语音处理系统包括：声学传感器和语音处理设备，所述声学传感器与所述语音处理设备耦合；

所述声学传感器，用于采集语音信号；

所述语音处理设备，用于接收所述语音信号；

将所述语音信号分为多个语音帧；

检测所述语音帧得到所述语音帧的质量参数；

依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

输出基于所述时间周期的语音质量的提示信息。

所述声学传感器，用于同时采集多个发言者的语音信号；

所述语音处理设备，还用于依据所述多个发言者的语音信号的不同频率识别所述发言者的语音信号，并在所述发言者的语音信号中增加发言者的标识；

基于所述发言者的标识输出所述提示信息。

所述语音处理设备，还用于上传所述语音质量符合要求的语音帧。

还用于上传基于所述发言者的标识语音质量符合要求的语音帧。

所述语音处理设备接收所述语音信号的度量参考值，并基于所述语音信号的度量参考值检测所述语音帧得到所述语音帧的质量参数。

所述语音信号的度量参考值包括：短时平滑因子；

所述语音处理设备，具体用于基于所述短时平滑因子、上一个语音帧的短时能量和所述语音帧的平均能量，得到所述语音帧的短时能量。

所述语音信号的度量参考值包括：长时平滑因子；

所述语音处理设备，具体用于基于所述长时平滑因子、上一个语音帧的长时能量和所述语音帧的平均能量，得到所述语音帧的长时能量。

所述语音信号的度量参考值包括：时间窗口和预设阈值；

所述语音处理设备，具体用于在所述时间窗口内统计所述语音帧的幅度值，依据所述预设阈值削顶所述语音帧的幅度值，得到削顶后的所述语音帧。

所述语音处理设备，具体用于在所述时间周期内，计算所述语音信号的信噪比SNR；

依据所述语音信号的SNR和时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量。

所述语音处理设备，具体用于依据时间周期内所述语音帧的质量参数，统计所述语音帧的质量参数，确定所述时间周期的语音质量。

一种语音处理系统，所述语音处理系统包括：声学传感器、语音处理设备和服务器，所述声学传感器与所述语音处理设备耦合，所述语音处理设备与所述服务器耦合；

所述声学传感器，用于采集语音信号；

所述语音处理设备，用于接收所述语音信号和针对所述语音信号的度量参考值；

将所述语音信号分为多个语音帧；

基于所述语音信号的度量参考值，检测所述语音帧得到所述语音帧的质量参数；

依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

输出所述语音质量不符合要求的语音帧的提示信息；

上传所述语音质量符合要求的语音帧。

所述服务器，用于接收所述语音质量符合要求的语音帧。

所述声学传感器，用于同时采集多个发言者的语音信号；

所述语音处理设备，还用于依据所述多个发言者的语音信号的不同频率识别所述发言者的语音信号，并在所述发言者的语音信号中增加发言者的标识；

基于所述发言者的标识输出所述提示信息；

上传基于所述发言者标识的符合要求的语音帧；

所述服务器，还用于接收基于所述发言者的标识的符合要求的语音帧。

所述语音处理设备，还用于上传所述语音质量符合要求的语音帧。

所述语音处理设备，还用于上传基于所述发言者的标识语音质量符合要求的语音帧。

所述语音处理设备接收所述语音信号的度量参考值，并基于所述语音信号的度量参考值检测所述语音帧得到所述语音帧的质量参数。

所述语音信号的度量参考值包括：短时平滑因子；

所述语音处理设备，具体用于基于所述短时平滑因子、上一个语音帧的短时能量和所述语音帧的平均能量，得到所述语音帧的短时能量。

所述语音信号的度量参考值包括：长时平滑因子；

所述语音处理设备，具体用于基于所述长时平滑因子、上一个语音帧的长时能量和所述语音帧的平均能量，得到所述语音帧的长时能量。

所述语音信号的度量参考值包括：时间窗口和预设阈值；

所述语音处理设备，具体用于在所述时间窗口内统计所述语音帧的幅度值，依据所述预设阈值削顶所述语音帧的幅度值，得到削顶后的所述语音帧。

所述语音处理设备，具体用于在所述时间周期内，计算所述语音信号的信噪比SNR；

依据所述语音信号的SNR和时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量。

所述语音处理设备，具体用于依据时间周期内所述语音帧的质量参数，统计所述语音帧的质量参数，确定所述时间周期的语音质量。

一种语音处理方法，包括：

语音处理设备接收语音信号；

所述语音处理设备将所述语音信号分为多个语音帧；

所述语音处理设备检测所述语音帧得到所述语音帧的质量参数；

所述语音处理设备依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

所述语音处理设备输出基于所述时间周期的语音质量的提示信息。

所述语音信号的频率不相同；

所述语音处理设备将所述语音信号分为多个语音帧之前，还包括：

所述语音处理设备依据所述语音信号的频率，在多个语音信号中识别发言者的语音信号，并在所述发言者的语音信号中增加发言者的标识；

所述提示信息包括所述发言者的标识。

一种语音处理设备，所述语音处理设备包括接收模块、切分模块、检测模块、确定模块和输出模块，所述接收模块、所述切分模块、所述检测模块、所述确定模块和所述输出模块相互耦合；

所述接收模块，用于接收语音信号；

所述切分模块，用于将所述语音信号分为多个语音帧；

所述检测模块，用于检测所述语音帧得到所述语音帧的质量参数；

所述确定模块，用于依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

输出模块，用于输出基于所述时间周期的语音质量的提示信息。

所述语音处理设备位于与发送所述语音信号的装置连接的设备中。

所述语音处理设备位于云端。

一种语音处理系统，包括：

声学传感器，用于采集用户的语音信号；

语音处理设备，与所述声学传感器耦合，用于接收所述语音信号，确定所述语音信号的语音质量；

提示设备，与所述语音处理设备耦合，用于在所述语音质量低于质量标准时，向用户显示提示信息。

所述提示信息包括所述质量标准。

从上述技术方案中可以看出，声学传感器采集语音信号，语音处理设备接收语音信号，将语音信号分为多个语音帧。检测语音帧，输出语音帧的质量参数，进而确定时间周期的语音质量，输出基于时间周期的语音质量的提示信息。可以实时反馈语音信号的质量。

附图说明

从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明其中，相同或相似的附图标记表示相同或相似的特征。

图1是本发明实施例中语音处理方法的流程示意图；

图2是本发明实施例中语音处理设备的结构示意图；

图3是本发明实施例中语音处理系统的结构示意图；

图4是本发明另一个实施例中语音处理系统的结构示意图；

图5是本发明再一个实施例中语音处理系统的结构示意图；

图6是本发明实施例中语音处理应用场景示意图；

图7本发明实施例的语音处理方法和控制组件的计算设备的示例性硬件架构的结构图。

具体实施方式

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施例对本发明再作进一步详细的说明。

语音识别是将采集的语音信号转换为文字信息，可以在多种场景下应用。传统庭审，书记员需要全称记录。庭审记录方式经历了诸多升级换代，最早是手工书写，后来是通过键盘录入电子文档。为方便书记员记录，诉讼参与人庭审发言时往往要刻意放慢速度；庭审后，当事人、律师还要花大量时间核对笔录；庭审笔录经过书记员的理解、归纳或多或少存在偏差，有时还可能因书面庭审笔录记录不全面或不准确，引起当事人对司法公正的质疑。

因此，越来越多的法院启用智能语音识别系统将语音信号自动转换为文字信息。

通常利用声学传感器采集语音信号。声学传感器是可以感受声学量并转化成可输出信号的传感器。声学传感器包括声压传感器、噪声传感器、超声波传感器和麦克风。在本发明实施例中以声学传感器是麦克风为例，进行举例说明。

麦克风采集语音信号，不同型号麦克风的各项参数是不同，即使是同一型号的麦克风在不同的环境中所采集的语音信号质量也是不同的。

将语音信号自动转换为文字信息的前提是保证所采集语音信号质量。若语音信号质量较差，则将该语音信号自动转为文字信息的错误率较高。因此，在采集到语音信号后，需要及时反馈该语音信号的质量，以便提高将语音信号自动转为文字信息的正确率。

在法院庭审中，发言者至少包括审判员、审判长、书记员和双方当事人。在每个发言者的面前均设有麦克风。作为一个示例，麦克风的各项参数，可以相同也可以不同。麦克风采集的语音信息一方面通过扩音系统进行播放，另一方面输入语音处理设备。

一般来说，庭审中只有一个发言者发言。作为一个示例，在审判长发言时，其他人员不得发言。在一方当事人发言时，其他人员不得发言。

具体来说，麦克风接收到语音信号，为了存储回放和语音识别，可以将模拟信号转换为数字信号。然后，对转换为数字信号的语音信号进行检测。其中，麦克风可以是单路麦克风，也可以是多路麦克风。

检测语音质量的目的就是在于确为后续的声学识别(ASR)提供合格的语音数据。所检测的语音信号质量是否符合要求，可以通过提示信息告知。例如，若检测的语音信号质量不符合要求，则可以通过“报警”方式通知发言者。检测的语音信号质量不符合要求，那么可以亮红灯。发言者看到红灯后，则可以重复刚才的发言。

语音处理设备还可以接收针对语音信号的度量参考值，通过上述度量参考值进行检测。上述度量参考值是在实际的应用中研究、改进得到的。作为一个示例，度量参考值可以包括以下参数中的至少一个，短时平滑因子、长时平滑因子、时间窗口与预设阈值、以及信噪比(Signal to Noise Ratio，SNR)。

下面就语音信号结合度量参考值进行说明。语音一般分为无声段、清音段和浊音段。一般把浊音认为是一个以基音周期为周期的斜三角脉冲串，把清音模拟成随机白噪声。由于语音信号是一个非平稳态过程，不能用处理平稳信号的信号处理技术对其进行分析处理。但由于语音信号本身的特点，在短时间(例如10～30ms甚至更短的时间)范围内，其特性可以看作是一个准稳态过程，即语音信号具有短时平稳性。因此，利用语音的短时平稳特性，例如可以采用加窗分帧的方法将输入的语音信号分为多个语音帧。

作为一个示例，分帧是用有限长度的窗函数来截取输入的语音信号形成语音帧，窗函数将需要处理区域之外的采样点置零来获得当前的语音帧。分帧虽然可以采用将输入的语音信号连续分段的方法，但一般常采用交叠分段的方法，即前一帧与后一帧具有共同的交叠部分，该交叠部分称为帧移，这样可以使帧与帧之间平滑过渡，保持其连续性。

语音信号处理中，清音/浊音是其中的一个十分重要环节，其判决的准确程度对后续的语音处理影响很大。语音信号的能量在时间上的变化是比较显著的，清音部分的能量要比浊音部分的能量小的多。语音信号的短时能量是表征时域特征的重要参数。基于语音信号的短时能量可以区分清音和浊音。其次，由于无声段的能量要比有声段的能量小的多，可以利用这一特点检测语音信号的有声段/无声段。此外，语音信号的短时能量还可以用来进行声母和韵母的分界以及连字的分界等。连字是指字与字之间无间隙。

长时能量是用来代表能量的长期趋势值。作为一个示例，存在多路音频采集设备，语音输入时，可能会因为声音反射、外放扩音器位置摆放等因素将声音传到其他音频采集设备中，将其误识别，影响最终语音识别的结果。通过基于长时能量的对比，可以区分出真正的语音输入者，从而消除误识别。

在本发明实施例中，考虑到需要将语音信号的所有值均考虑在内，在不同时刻赋予不同的权重，使得能量的预测值更接近实际观察值。

p(t)＝α.p(t-1)+(1-a)·px(t) (1)

p(t)是时刻t的语音帧的能量，px(t)是时刻t的语音帧的平均能量，α是平滑因子。α的取值范围是大于0且小于1。其中，p(0)＝0，p(t)和px(t)均可以依据实际情况设置。

为了使公式(1)敏感地反映能量的变化，即p(t)是时刻t的语音帧的短时能量。α应取较大值，即α接近与1，此时α称为短时平滑因子。

如果所求能量是用来代表长期趋势值，即p(t)是时刻t的语音帧的长时能量。α应取较小值，即α接近与0，此时α称为长时平滑因子。

在语音处理的过程中，为保证一定的语音质量，对语音信号的质量参数有一定的范围要求。当语音信号的质量参数好于或者更坏于该目标范围时，其对语音处理的影响将不再非常显著。因此，通过削顶，将降低对语音处理影响较小的语音信号的质量参数在有效质量参数计算中的比重，同时，使得最终得到的有效语音信号的质量参数反映实际的语音信号质量。

为了使本发明实施例的语音处理准确性更高，作为一个示例：预先设置时间窗口和预设阈值。其中，预设阈值包括最大预设阈值和最小预设阈值。作为一个示例：最大预设阈值的绝对值与最小预设阈值的绝对值可以相等。

可以在预先设置时间窗口内，基于预设最大阈值和预设最小阈值对语音帧的幅度值进行削顶，以使得削顶后的语音帧的质量参数处于有效工作的范围内。

更具体而言，基于预设最大阈值和预设最小阈值对语音帧的幅度值进行削顶，使得处于预设最大阈值和预设最小阈值之前的语音帧的幅度值不变，大于预设最大阈值的语音帧的幅度值更改为预设最大阈值，并且小于预设最小阈值的语音帧的幅度值更改为预设最小阈值。

在检测得到语音帧的质量参数后，考虑到需要输出基于语音质量的提示信息。语音帧的长度一般都是毫秒(MS)级，发言者的语音信号长度是秒(S)甚至长达几十分钟，以语音帧为单位输出语音质量的提示信息，会造成发言者的困扰。例如，发言者刚说几个字就显示提示信息，提示信息过于频繁，导致频繁打断发言者的讲话。

因此，可以依据时间周期内语音帧的质量参数，确定该时间周期的语音质量。时间周期可以依据实际情况设置，这样按照实际发言者的语音信号的持续时间，及时反馈语音质量的提示信息。

在本发明的一个实施例中，可以依据时间周期内语音帧的质量参数，统计语音帧的质量参数，确定在该时间周期的语音质量。作为一个示例，设置时间周期等于60秒，质量阈值和语音帧合格比例。在设置时间周期内共计有6000个语音帧，每个语音帧的质量参数与质量阈值比较，语音帧的质量参数大于质量阈值的语音帧为合格语音帧。在6000个语音帧中，合格语音帧的占比大于等于语音帧合格比例，则确定该时间周期的语音质量为合格；若合格语音帧的占比小于语音帧合格比例，则确定该时间周期的语音质量为不合格。语音处理设备可以输出基于该时间周期的语音质量的提示信息。

SNR是输出信号的电压与同时输出的噪声电压的比值，通常用分贝数表示。基于SNR可以确定是否对语音信号做相应的处理。如：可以依据SNR确定语音信号中是否含有噪声分量，若存在噪声分量则需要对该语音信号进行降噪处理。

在本发明的一个实施例中，可以在时间周期内计算语音信号的SNR。根据语音信号的SNR和时间周期内语音帧的质量参数，确定时间周期的语音质量。作为一个示例，语音信号的SNR大于噪声阈值，且时间周期内语音帧的质量参数不符合要求，则确定该时间周期的语音质量为不合格。发言者重复发言时，可以从SNR和质量参数两个方面提高语音质量。

另外，在输出语音质量的提示信息后，若检测的语音信号质量符合要求，即语音信号是合格的，可以上传语音质量符合要求的语音帧。作为一个示例，可以向服务器上传语音质量符合要求的语音帧。这样，进而可以利用语音质量符合要求的语音帧，进行高效的语音通信、语音合成和语音识别等处理。

检测语音质量不仅应用于法院庭审中，还可以应用于其他会议场合。在会议场合中，一般在每个发言者的面前均设有麦克风。上述麦克风可以是相同的，也可以是不相同。

在会议期间，同一时间可能有多个发言者发言，也就是说麦克风同时采集多个发言者的发言，麦克风采集到的语音信号包括多个发言者的语音信号。

在实际应用中，需要针对不同的发言者采集语音信号。那么，可以依据语音信号的频率区分不同的发言者。

在本发明的一个实施例中，可以依据语音信号的频率，在麦克风采集的多个语音信号中识别发言者的语音信号，并在发言者的语音信号中增加发言者的标识。

作为一个示例，在某小型会议中，三个发言者就同一个问题进行讨论。麦克风采集到三个语音信号，可以以频率区分三个语音信号。

第一语音信号的频率是第一频率，第二语音信号的频率是第二频率，第三语音信号的频率是第三频率。

同时，为了区分不同的发言者，可以在第一语音信号中添加第一发言者的标识，在第二语音信号中添加第二发言者的标识，在第三语音信号中添加第三发言者的标识。

对于每个语音信号可以按照本发明实施例中的技术方案确定语音质量，在发送提示信息时需要携带发言者的标识。作为一个示例，可以在第一语音质量的提示消息中填写第一发言者的标识，相应的在其他提示消息中填写与语音信号对应发言者的标识。发言者看到反馈的提示消息，则可以重复不符合要求的发言。

在发送包括发言者提示信息后，语音信号质量符合要求，则可以上传符合要求的语音帧，由于有多个语音信号，因此在上传符合要求的语音帧的同时，还需要上传发言者的标识。这样以区分不同的发言者。

基于上述的过程，本发明实施例提供的语音处理方法可以归纳为图1所示的步骤。图1是本发明实施例中语音处理方法的流程示意图，可以包括：

S101、语音处理设备接收语音信号。

语音处理设备用于处理语音信号，一般来说，语音处理设备可以是单独存在的硬件设备，也可以位于其他的硬件设备中，如位于与麦克风连接的声卡中或位于服务器中。

语音处理设备接收到语音采集设备如麦克风采集到的语音信号，还可以接收该语音信号的度量参考值。

语音信号对应多种度量参考值，不同的度量参考值从不同的角度对语音信号进行检测。

S102、语音处理设备将语音信号分为多个语音帧。

语音处理设备缓存接收的语音信号，以便对语音信息进一步的处理。可以将语音信号分为多个语音帧。作为一个示例，16000赫兹(Hz)采用率，将160个采样点作为一个语音帧，即语音帧的长度可以是10ms。

S103、检测语音帧得到语音帧的质量参数。

语音处理设备可以基于语音信号的度量参考值对语音帧进行检测，从而输出语音帧的质量参数。

S104、语音处理设备依据时间周期内语音帧的质量参数，确定时间周期的语音质量。

由于语音帧的长度相比于语音信号的长度较短，输出语音帧的质量参数过于频繁，会打断发言者的发言，对发言者造成不适。因此，可以依据时间周期内语音帧的质量参数，确定时间周期内的语音质量。

S105、语音处理设备输出基于时间周期的语音质量的提示信息。

语音处理设备可以输出提示信息，提示信息包括时间周期的语音质量。输出提示信息的目的在于告知发言者，其刚才通过麦克风输入的语音信号是否符合要求。作为一个示例，若发言者通过麦克风输入的语音信号不符合要求，则亮红灯，以提示发言者重复输入刚才的语音信号。若发言者通过麦克风输入的语音信号符合要求，则可以将该语音信号上传至云端。在云端，可以对符合要求的语音信号进行语音识别等后续处理。

本发明实施例中，语音处理设备将语音信号分为多个语音帧后，基于度量参考值针对语音帧进行检测，进而确定时间周期的语音质量。然后输出基于时间周期的语音质量的提示消息。从而可以实时反馈语音信号的质量。

与上述的方法实施例相对应，本发明实施例还提供一种语音处理设备，如图2所示。图2示出了本发明实施例中语音处理设备的结构示意图。可以包括：接收模块201、切分模块202、检测模块203、确定模块204和输出模块205。

接收模块201，用于接收语音信号。

切分模块202，用于将语音信号分为多个语音帧。

检测模块203，用于检测语音帧得到语音帧的质量参数。

确定模块204，用于依据时间周期内语音帧的质量参数，确定时间周期的语音质量。

输出模块205，用于输出基于时间周期的语音质量的提示信息。

语音处理设备的具体位置可以根据具体的需求设定。

目前语音智能识别系统多采用麦克风、语音采集主机、语音分频器和显示设备。作为一个示例，语音处理设备可以位于语音采集主机中。这样语音处理设备可以直接从麦克风接收语音信号和相应的度量参考值。若语音质量符合要求，可以直接向语音采集主机输入质量合格的语音信号。若语音质量不符合要求，可以提示发言者重复该语音信号。也就是说，语音处理设备可以位于麦克风之后的硬件装置中。

此外，在实际应用中，所有的语音信号最终由服务器处理。该服务器可以位于本地，也可以位于云端。语音处理设备可以位于该服务器中。作为一个示例，麦克风在采集到语音信号后，直接将采集到的语音信号上传至服务器。位于服务器中的语音处理设备可以直接从麦克风接收语音信号和相应的度量参考值。若语音质量符合要求，可以直接向服务器输入质量合格的语音信号，服务器进行进一步的处理。若语音质量不符合要求，可以提示发言者重复该语音信号。

在本发明实施例中，输出模块205可以上传语音质量符合要求的语音帧。

在本发明实施例中，有多个语音信号的情况下，输出模块205可以上传基于发言者的标识语音质量符合要求的语音帧。

在本发明的一个实施例中，语音数据流的度量参考值包括：短时平滑因子。

检测模块203，具体用于基于短时平滑因子、上一个语音帧的短时能量和语音帧的平均能量，检测语音帧得到语音帧的短时能量。

在本发明的一个实施例中，语音数据流的度量参考值包括：长时平滑因子。

检测模块203，具体用于基于长时平滑因子、上一个语音帧的长时能量和语音帧的平均能量，检测语音帧得到语音帧的长时能量。

在本发明的一个实施例中，语音数据流的度量参考值包括：时间窗口和预设阈值；

检测模块203，具体用于在时间窗口内统计语音帧的幅度值，依据预设阈值削顶语音帧的幅度值，输出削顶后的语音帧。

在本发明的一个实施例中，在时间周期内，确定模块204，用于计算语音信号的SNR。依据语音信号的SNR和时间周期内语音帧的质量参数，确定时间周期的语音质量。

在本发明的一个实施例中，确定模块204，依据时间周期内语音帧的质量参数，统计语音帧的质量参数，确定时间周期的语音质量。

参见图3，图3是本发明实施例中语音处理系统的结构示意图。基于图2所示语音处理设备的基础上增加麦克风，可以增加一个麦克风也可以增加多个麦克风。

在每个发言者的面前均设有麦克风。麦克风可以采集发言者的语音信号，然后将采集到的语音信号发送至语音处理设备

另外，当多个发言者同时发言，麦克风可以同时采集多个发言者的语音信号。那么，语音处理设备需要依据多个发言者的语音信号的不同频率，识别发言者的语音信号，并在发言者的语音信号中增加发言者的标识。相应的，在提示信息中也增加发言者的标识。

语音处理设备基于麦克风采集的语音信号，确定时间周期内语音信号的语音质量，输出提示消息，该提示消息是基于时间周期内语音信号的语音质量。换言之，提示消息可以及时向发言者反馈时间周期内的语音信号质量。发言者获知语音信号质量后，可以及时调整发言的语音、语速和语调等，以便提高语音信号质量。

正是这种反馈机制能够实时向发言者反馈语音信号的质量，发言者调整发言，以提高发言者的语音信号的质量，进而能够提高输出合格的语音帧，保证后续的语音处理效果。

参见图4，图4是本发明另一个实施例中语音处理系统的结构示意图。基于图2所示语音处理设备的基础上增加麦克风和服务器。可以增加一个麦克风也可以增加多个麦克风。

麦克风设置在每个发言者的面前。通过麦克风可以采集发言者的语音信号，然后将采集到的语音信号发送至语音处理设备。多个发言者可以通过频率进行识别。

语音处理设备确定时间周期的语音质量后，可以输出语音质量不符合要求的语音帧的提示信息，以提示发言者重复刚才的发言。若不止一个发言者，可以在提示消息增加发言者的标识，以提示标识对应的发言者重复刚才的发言。

对于语音质量符合要求的语音帧可以上传至服务器。服务器接收语音质量符合要求的语音帧后，对质量符合要求的语音帧进行后续的ASR。

图4中用户、麦克风、语音处理设备和服务器位于本地。也就是说，用户、语音处理设备和服务器是在一个局域网中，服务器主要是对语音质量符合要求的语音帧做语音处理。

作为一个示例，在法院庭审现场需要检测语音质量，并将语音质量不符合要求语音帧反馈至用户，以及将语音质量符合要求的语音帧上传至服务器，由服务器对语音质量符合要求的语音帧进行语音识别，即将语音信号转换为文字。考虑到在同一时间段，法院可能有多个庭审现场，那么服务器需要同时处理多个庭审现场的语音帧。该服务器可以位于法院的计算机系统中。

参见图5，图5是本发明再一个实施例中语音处理系统的结构示意图。基于图2所示语音处理设备的基础上增加麦克风和服务器。可以增加一个麦克风也可以增加多个麦克风。

图5中用户、麦克风和语音处理设备位于本地，服务器位于云端。麦克风采集用户的语音信号后，发送至语音处理设备。语音处理设备检测语音质量，并将语音质量不符合要求的语音帧反馈至用户，以及将语音质量符合要求的语音帧通过网络上传至服务器。服务器的主要作用对语音质量符合要求的语音帧进行语音处理。

作为一个示例，庭审现场需要采集语音信号，并将语音质量符合要求的语音帧转换为文字。为了提高语音识别率，可以在服务器端利用深度学习技术识别语音帧。由于深度学习需要进行大量的计算，在云端的服务器能够提供深度学习所需要的计算能力。因此，利用在云端的服务器，在确保上传语音帧质量的前提下，可以有效进行语音识别。

由于不同的麦克风所采集的语音信号质量不同，无法保证语音信号质量就难以对语音信号进行后续的ASR。在本发明实施例中，针对多种类型的麦克风采集的语音信号进行检测，对于质量不符合要求的语音帧，输出提示信息，以提示发言者重复发言；对于质量符合要求的语音帧，可以上传至服务器，由服务器进行后期处理。本发明实施例可以适用于多类型不同参数的麦克风或语音处理设备。

参见图6，图6是本发明实施例中语音处理应用场景示意图。其中，本发明实施例的语音处理设备可以应用于图6中的应用场景。

声学传感器采集一个或多个发言者的语音信号，并将采集到的语音信号输入语音处理设备。

语音处理设备接收语音信号和针对语音信号的度量参考值，并向服务端输出语音质量的提示信息。

服务端接收语音质量的提示信息，并根据语音质量的提示信息进行数据处理，输出处理后的语音信息。

其中，服务器可以位于本地，还可以位于云端，即可以利用多台计算机同时进行数据处理，这样可以远远提高服务端的工作效率。其中，多台计算机的组织形式可以是集中式处理系统，也可以是分布式处理系统。

在本发明的一个实施例中，语音处理系统可以包括：

声学传感器，用于采集用户的语音信号；

语音处理设备，与所述声学传感器耦合，用于接收所述语音信号，确定所述语音信号的语音质量；

提示设备，与所述语音处理设备耦合，用于在所述语音质量低于质量标准时，向用户显示提示信息。

其中，提示信息可以包括质量标准。作为一个示例，在向用户显示当前语音质量差的同时，显示质量标准。如，语音质量差，质量标准是40分贝。

图7是示出能够实现根据本发明实施例的语音处理方法和控制组件的计算设备的示例性硬件架构的结构图。

如图7所示，计算设备700包括输入设备701、输入接口702、中央处理器703、存储器704、输出接口705、以及输出设备706。其中，输入接口702、中央处理器703、存储器704、以及输出接口705通过总线710相互连接，输入设备701和输出设备706分别通过输入接口702和输出接口705与总线710连接，进而与计算设备700的其他组件连接。

具体地，输入设备701接收来自外部的输入信息，并通过输入接口702将输入信息传送到中央处理器703；中央处理器703基于存储器704中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器704中，然后通过输出接口705将输出信息传送到输出设备706；输出设备706将输出信息输出到计算设备700的外部供用户使用。

也就是说，图7所示的计算设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图6描述的语音处理系统、方法和设备。

在一个实施例中，图7所示的计算设备700可以被实现为一种语音处理设备，该设备可以包括：存储器，用于存储程序；处理器，用于运行所述存储器中存储的所述程序，以执行语音处理方法中的各步骤。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (27)

1.一种语音处理系统，其特征在于，所述语音处理系统包括：声学传感器和语音处理设备，所述声学传感器与所述语音处理设备耦合；

所述声学传感器，用于采集语音信号；

所述语音处理设备，用于接收所述语音信号；

将所述语音信号分为多个语音帧；

检测所述语音帧得到所述语音帧的质量参数；

依据某一时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

输出基于所述时间周期的语音质量的提示信息。

2.根据权利要求1所述语音处理系统，其特征在于，

所述声学传感器，用于同时采集多个发言者的语音信号；

所述语音处理设备，还用于依据所述多个发言者的语音信号的不同频率识别所述发言者的语音信号，并在所述发言者的语音信号中增加发言者的标识；

基于所述发言者的标识输出所述提示信息。

3.根据权利要求1所述语音处理系统，其特征在于，所述语音处理设备，还用于上传所述语音质量符合要求的语音帧。

4.根据权利要求2所述语音处理系统，其特征在于，所述语音处理设备，还用于上传基于所述发言者的标识语音质量符合要求的语音帧。

5.根据权利要求1或2所述语音处理系统，其特征在于，所述语音处理设备接收所述语音信号的度量参考值，并基于所述语音信号的度量参考值检测所述语音帧得到所述语音帧的质量参数。

6.根据权利要求5所述语音处理系统，其特征在于，所述语音信号的度量参考值包括：短时平滑因子；

所述语音处理设备，具体用于基于所述短时平滑因子、上一个语音帧的短时能量和所述语音帧的平均能量，得到所述语音帧的短时能量。

7.根据权利要求5所述语音处理系统，其特征在于，所述语音信号的度量参考值包括：长时平滑因子；

所述语音处理设备，具体用于基于所述长时平滑因子、上一个语音帧的长时能量和所述语音帧的平均能量，得到所述语音帧的长时能量。

8.根据权利要求5所述语音处理系统，其特征在于，所述语音信号的度量参考值包括：时间窗口和预设阈值；

所述语音处理设备，具体用于在所述时间窗口内统计所述语音帧的幅度值，依据所述预设阈值削顶所述语音帧的幅度值，得到削顶后的所述语音帧。

9.根据权利要求1或2所述语音处理系统，其特征在于，所述语音处理设备，具体用于在所述时间周期内，计算所述语音信号的信噪比SNR；

依据所述语音信号的SNR和时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量。

10.根据权利要求1或2所述语音处理系统，其特征在于，所述语音处理设备，具体用于依据时间周期内所述语音帧的质量参数，统计所述语音帧的质量参数，确定所述时间周期的语音质量。

11.一种语音处理系统，其特征在于，所述语音处理系统包括：声学传感器、语音处理设备和服务器，所述声学传感器与所述语音处理设备耦合，所述语音处理设备与所述服务器耦合；

所述声学传感器，用于采集语音信号；

所述语音处理设备，用于接收所述语音信号；

将所述语音信号分为多个语音帧；

检测所述语音帧得到所述语音帧的质量参数；

依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

输出所述语音质量不符合要求的语音帧的提示信息；

上传所述语音质量符合要求的语音帧。

所述服务器，用于接收所述语音质量符合要求的语音帧。

12.根据权利要求11所述语音处理系统，其特征在于，

所述声学传感器，用于同时采集多个发言者的语音信号；

所述语音处理设备，还用于依据所述多个发言者的语音信号的不同频率识别所述发言者的语音信号，并在所述发言者的语音信号中增加发言者的标识；

基于所述发言者的标识输出所述提示信息；

上传基于所述发言者标识的符合要求的语音帧；

所述服务器，还用于接收基于所述发言者的标识的符合要求的语音帧。

13.根据权利要求11所述语音处理系统，其特征在于，所述语音处理设备，还用于上传所述语音质量符合要求的语音帧。

14.根据权利要求12所述语音处理系统，其特征在于，所述语音处理设备，还用于上传基于所述发言者的标识语音质量符合要求的语音帧。

15.根据权利要求11或12所述语音处理系统，其特征在于，所述语音处理设备接收所述语音信号的度量参考值，并基于所述语音信号的度量参考值检测所述语音帧得到所述语音帧的质量参数。

16.根据权利要求15所述语音处理系统，其特征在于，所述语音信号的度量参考值包括：短时平滑因子；

所述语音处理设备，具体用于基于所述短时平滑因子、上一个语音帧的短时能量和所述语音帧的平均能量，得到所述语音帧的短时能量。

17.根据权利要求15所述语音处理系统，其特征在于，所述语音信号的度量参考值包括：长时平滑因子；

所述语音处理设备，具体用于基于所述长时平滑因子、上一个语音帧的长时能量和所述语音帧的平均能量，得到所述语音帧的长时能量。

18.根据权利要求15所述语音处理系统，其特征在于，所述语音信号的度量参考值包括：时间窗口和预设阈值；

所述语音处理设备，具体用于在所述时间窗口内统计所述语音帧的幅度值，依据所述预设阈值削顶所述语音帧的幅度值，得到削顶后的所述语音帧。

19.根据权利要求11或12所述语音处理系统，其特征在于，所述语音处理设备，具体用于在所述时间周期内，计算所述语音信号的信噪比SNR；

依据所述语音信号的SNR和时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量。

20.根据权利要求12或12所述语音处理系统，其特征在于，所述语音处理设备，具体用于依据时间周期内所述语音帧的质量参数，统计所述语音帧的质量参数，确定所述时间周期的语音质量。

21.一种语音处理方法，其特征在于，包括：

语音处理设备接收语音信号；

所述语音处理设备将所述语音信号分为多个语音帧；

所述语音处理设备检测所述语音帧得到所述语音帧的质量参数；

所述语音处理设备依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

所述语音处理设备输出基于所述时间周期的语音质量的提示信息。

22.根据权利要求21所述语音处理方法，其特征在于，所述语音信号的频率不相同；

所述语音处理设备将所述语音信号分为多个语音帧之前，还包括：

所述语音处理设备依据所述语音信号的频率，在多个语音信号中识别发言者的语音信号，并在所述发言者的语音信号中增加发言者的标识；

所述提示信息包括所述发言者的标识。

23.一种语音处理设备，其特征在于，所述语音处理设备包括接收模块、切分模块、检测模块、确定模块和输出模块，所述接收模块、所述切分模块、所述检测模块、所述确定模块和所述输出模块相互耦合；

所述接收模块，用于接收语音信号；

所述切分模块，用于将所述语音信号分为多个语音帧；

所述检测模块，用于检测所述语音帧得到所述语音帧的质量参数；

所述确定模块，用于依据时间周期内所述语音帧的质量参数，确定所述时间周期的语音质量；

输出模块，用于输出基于所述时间周期的语音质量的提示信息。

24.根据权利要求23所述语音处理设备，其特征在于，所述语音处理设备位于与发送所述语音信号的装置连接的设备中。

25.根据权利要求23所述语音处理设备，其特征在于，所述语音处理设备位于云端。

26.一种语音处理系统，其特征在于，包括：

声学传感器，用于采集用户的语音信号；

语音处理设备，与所述声学传感器耦合，用于接收所述语音信号，确定所述语音信号的语音质量；

提示设备，与所述语音处理设备耦合，用于在所述语音质量低于质量标准时，向用户显示提示信息。

27.根据权利要求26所述语音处理系统，其特征在于，所述提示信息包括所述质量标准。