CN111540382B - 基于线性预测残差负熵的语音音质度量评价方法及装置 - Google Patents

基于线性预测残差负熵的语音音质度量评价方法及装置 Download PDF

Info

Publication number
CN111540382B
CN111540382B CN202010659644.7A CN202010659644A CN111540382B CN 111540382 B CN111540382 B CN 111540382B CN 202010659644 A CN202010659644 A CN 202010659644A CN 111540382 B CN111540382 B CN 111540382B
Authority
CN
China
Prior art keywords
voice
negative entropy
linear prediction
speech
calculating
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.)
Active
Application number
CN202010659644.7A
Other languages
English (en)
Other versions
CN111540382A (zh
Inventor
李科
张卫强
黄宇凯
郝玉峰
宋琼
廖晓玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Speechocean Technology Co ltd
Tsinghua University
Original Assignee
Beijing Speechocean Technology Co ltd
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Speechocean Technology Co ltd, Tsinghua University filed Critical Beijing Speechocean Technology Co ltd
Priority to CN202010659644.7A priority Critical patent/CN111540382B/zh
Publication of CN111540382A publication Critical patent/CN111540382A/zh
Application granted granted Critical
Publication of CN111540382B publication Critical patent/CN111540382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/12—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being prediction coefficients
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information

Landscapes

  • Engineering & Computer Science (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)
  • Quality & Reliability (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开是关于一种基于线性预测残差负熵的语音音质度量评价方法及装置、电子设备和计算机可读存储介质。其中方法包括：获取待评价的语音数据；将语音数据划分为多个语音帧；对语音帧进行线性预测分析，得到线性预测残差；计算每个语音帧的线性预测残差负熵；根据负熵评价语音数据的音质。通过利用语音信号的线性预测残差的负熵，可以实现定量的对语音音质的高层特征进行评价，而评价结果也更加接近于主观判断，从而对语音数据库的生产提供质量控制依据。

Description

基于线性预测残差负熵的语音音质度量评价方法及装置
技术领域
本公开涉及语音信号处理领域，尤其涉及一种基于线性预测残差负熵的语音音质度量评价方法及装置、电子设备和计算机可读存储介质。
背景技术
语音作为信息传递的重要载体，与其相关构成的通信、编码、存储和处理等语音系统已成为现代社会信息交流的必要手段，且已广泛应用于社会各个领域。语音音质是语音的重要附属性质，在构建语音识别、语音合成等数据库时是一项重要的考量指标。
语音音质评价从评价主体上讲可分为两类：主观评价和客观评价。主观评价是依靠评听者意见对音质做出判断。目前国内外采用较多的主观评价方法有：平均意见分MOS(Mean Opinion Score)、失真平均意见分DMOS(Degradation Mean Opinion Score)、诊断韵字测试DRT(Diagnostic Rhyme Test)、诊断满意度测量DAM(Diagnostic AcceptabilityMeasure)等。它们的缺点是费时费力，重复性差，难以组织实施不够灵活，而且条件不具备时无法组织实施，容易受人的主观因素影响，不利于在生产过程和现场实验中应用等。
针对主观评价方法的不足，许多学者陆续提出了基于客观测度的客观音质评价方法，依靠计算设备实现自动化的评价方法，在语音数据库、语音设备的开发、研制、生产中都有广泛的应用前景。为了达到评价语音音质的目的，开发有效的语音音质评价方法是不可或缺的。
发明内容
为克服相关技术中存在的问题，本公开提供一种基于线性预测残差负熵的语音音质度量评价方法及装置、电子设备和计算机可读存储介质。
根据本公开实施例的第一方面，提供一种基于线性预测残差负熵的语音音质度量评价方法，方法包括：获取待评价的语音数据；将所述语音数据划分为多个语音帧；对所述语音帧进行线性预测分析，得到线性预测残差；计算每个所述语音帧的线性预测残差负熵；根据所述负熵评价所述语音数据的音质。
在一实施例中，所述将所述语音数据划分为多个语音帧包括：检测所述语音数据，得到有效语音；根据时长划分所述有效语音为多个语音帧；计算所述语音帧的能量值，保留高能量语音帧。
在一实施例中，所述检测所述语音数据，得到有效语音包括：对所述语音数据进行活动检测，标记静音区间；将所述静音区间删除，保留所述有效语音。
在一实施例中，所述计算所述语音帧的能量值，保留高能量语音帧包括：计算所述语音帧的能量值；基于所述能量值对全部所述语音帧排序；根据排序结果，保留能量值最大的N个语音帧。
在一实施例中，所述N个语音帧占全部语音帧的80%。
在一实施例中，所述对所述语音帧进行线性预测分析，得到线性预测残差包括：构建线性预测分析模型，对所述语音帧进行预测；根据所述线性预测分析模型，计算线性预测系数，得到所述语音帧的线性预测残差。
在一实施例中，所述构建线性预测分析模型，对所述语音帧进行预测包括：所述语音帧的语音信号为
Figure 66438DEST_PATH_IMAGE001
，所述线性预测分析模型当前采样值由前p个采样值预测，即：
Figure 18213DEST_PATH_IMAGE002
其中
Figure 21941DEST_PATH_IMAGE003
为线性预测系数，
Figure 666549DEST_PATH_IMAGE004
为线性预测残差。
在一实施例中，所述计算每个所述语音帧的线性预测残差负熵包括：对所述残差进行均值化处理，获取所述残差均值的中心统计量；根据所述中心统计量，计算所述语音帧的负熵。
在一实施例中，所述对所述残差进行均值化处理，包括：对所述残差进行零均值化，即
Figure 122938DEST_PATH_IMAGE005
,其中，
Figure 878405DEST_PATH_IMAGE006
为残差信号的均值；所述获取所述残差均值的中心统计量包括：计算所述零均值化后的残差的二三四阶中心统计量：
Figure 471060DEST_PATH_IMAGE007
Figure 286569DEST_PATH_IMAGE008
Figure 230254DEST_PATH_IMAGE009
根据所述中心统计量，计算所述语音帧的负熵：
Figure 789412DEST_PATH_IMAGE010
在一实施例中，所述根据所述负熵评价所述语音数据的音质包括：根据每个所述语音帧的负熵，计算所述语音数据的负熵；对所述语音数据的负熵进行归一化；根据所述归一化的语音数据的负熵，评价所述语音数据的音质。
在一实施例中，所述根据每个所述语音帧的负熵，计算所述语音数据的负熵包括：根据每个所述语音帧的负熵，计算所有所述语音帧的负熵中值，得到所述语音数据的负熵。
在一实施例中，所述对所述语音数据的负熵进行归一化包括：获取语音训练集，所述训练集包括多种音质的训练语音数据；计算所述训练集中每条训练语音数据的线性预测残差负熵，获得负熵最大值max(J)及最小值min(J)；对所述待评价的语音数据的负熵
Figure 502153DEST_PATH_IMAGE011
进行归一化：
Figure 222984DEST_PATH_IMAGE012
其中，
Figure 653966DEST_PATH_IMAGE013
为归一化的线性预测残差负熵。
在一实施例中，所述根据所述归一化的语音数据的负熵，评价所述语音数据的音质包括：所述归一化的语音数据的负熵值越大，所述语音数据的音质越高。
根据本公开实施例的第二方面，提供一种基于线性预测残差负熵的语音音质度量评价装置，装置包括：获取单元，用于获取待评价的语音数据；划分单元，用于将所述语音数据划分为多个语音帧；预测单元，用于对所述语音帧进行线性预测分析，得到线性预测残差；负熵计算单元，用于计算每个所述语音帧的线性预测残差负熵；评价单元，用于根据所述负熵评价所述语音数据的音质。
在一实施例中，所述划分单元包括：检测单元，用于检测所述语音数据，得到有效语音；帧划分单元，用于根据时长划分所述有效语音为多个语音帧；能量计算单元，用于计算所述语音帧的能量值，保留高能量语音帧。
在一实施例中，所述检测单元包括：对所述语音数据进行活动检测，标记静音区间；将所述静音区间删除，保留所述有效语音。
在一实施例中，所述能量计算单元包括：计算所述语音帧的能量值；基于所述能量值对全部所述语音帧排序；根据排序结果，保留能量值最大的N个语音帧。
在一实施例中，所述N个语音帧占全部语音帧的80%。
在一实施例中，所述预测单元包括：构建线性预测分析模型，对所述语音帧进行预测；根据所述线性预测分析模型，计算线性预测系数，得到所述语音帧的线性预测残差。
在一实施例中，所述构建线性预测分析模型，对所述语音帧进行预测包括：所述语音帧的语音信号为
Figure 751235DEST_PATH_IMAGE001
，所述线性预测分析模型当前采样值由前p个采样值预测，即：
Figure 584061DEST_PATH_IMAGE002
其中
Figure 679056DEST_PATH_IMAGE003
为线性预测系数，
Figure 597334DEST_PATH_IMAGE004
为线性预测残差。
在一实施例中，所述负熵计算单元包括：对所述残差进行均值化处理，获取所述残差均值的中心统计量；根据所述中心统计量，计算所述语音帧的负熵。
在一实施例中，所述对所述残差进行均值化处理，包括：对所述残差进行零均值化，即
Figure 492434DEST_PATH_IMAGE005
,其中，
Figure 914188DEST_PATH_IMAGE006
为残差信号的均值；所述获取所述残差均值的中心统计量包括：计算所述零均值化后的残差的二三四阶中心统计量：
Figure 242401DEST_PATH_IMAGE007
Figure 647975DEST_PATH_IMAGE008
Figure 352626DEST_PATH_IMAGE009
根据所述中心统计量，计算所述语音帧的负熵：
Figure 97728DEST_PATH_IMAGE010
在一实施例中，所述评价单元包括：语音负熵计算单元，用于根据每个所述语音帧的负熵，计算所述语音数据的负熵；归一化单元，用于对所述语音数据的负熵进行归一化；音质评价单元，用于根据所述归一化的语音数据的负熵，评价所述语音数据的音质。
在一实施例中，所述语音负熵计算单元包括：根据每个所述语音帧的负熵，计算所有所述语音帧的负熵中值，得到所述语音数据的负熵。
在一实施例中，所述归一化单元包括：获取语音训练集，所述训练集包括多种音质的训练语音数据；计算所述训练集中每条训练语音数据的线性预测残差负熵，获得负熵最大值max(J)及最小值min(J)；对所述待评价的语音数据的负熵
Figure 596842DEST_PATH_IMAGE011
进行归一化：
Figure 224133DEST_PATH_IMAGE012
其中，
Figure 732475DEST_PATH_IMAGE013
为归一化的线性预测残差负熵。
在一实施例中，所述音质评价单元包括：所述归一化的语音数据的负熵值越大，所述语音数据的音质越高。
根据本公开实施例的第三方面，提供一种电子设备，包括：存储器，用于存储指令；以及处理器，用于调用存储器存储的指令执行第一方面的基于线性预测残差负熵的语音音质度量评价方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，存储有指令，指令被处理器执行时，执行第一方面的基于线性预测残差负熵的语音音质度量评价方法。
本公开的实施例提供的技术方案可以包括以下有益效果：利用语音信号的线性预测残差的负熵，可以实现定量的对语音音质的高层特征进行评价，而评价结果也更加接近于主观判断，从而对语音数据库的生产提供质量控制依据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于线性预测残差负熵的语音音质度量评价方法的流程示意图；
图2是根据一示例性实施例示出的另一种基于线性预测残差负熵的语音音质度量评价方法的流程示意图；
图3是根据一示例性实施例示出的经过活动检测处理后的语音示例；
图4是根据一示例性实施例示出的经过切分处理后的语音示例；
图5是根据一示例性实施例示出的另一种基于线性预测残差负熵的语音音质度量评价方法的流程示意图；
图6是根据一示例性实施例示出的一种归一化线性预测残差负熵计算流程示意图；
图7是根据一示例性实施例示出的另一种基于线性预测残差负熵的语音音质度量评价方法的总体流程示意图；
图8是根据一示例性实施例示出的一种基于线性预测残差负熵的语音音质度量评价装置的示意框图；
图9是根据一示例性实施例示出的一种装置的示意框图。
图10是根据一示例性实施例示出的一种电子装置的示意框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
目前一些技术中，目前国内外使用较广对语音的客观评价方法有信噪比、PESQ等方法，其中信噪比(Signal-to-Noise Ratio，SNR)一直是衡量针对宽带噪声失真的语音增强算的常规方法。但在计算信噪比时需要获取纯净语音信号，在实际应用中很难实现。因此，SNR主要用于纯净语音信号和噪声信号都是己知的算法的仿真中。 而PESQ等方法在实践过程有较大的局限性，效果与特定的编码方式有关系，并且与主观评价法的结果相差较大。在对语音的评价过程中，对于更高层面的评价（比如音色）等，缺少客观的指标或度量，往往通过专家听音来主观评价。
而本公开为解决上述问题，提供一种基于线性预测残差负熵的语音音质度量评价方法10，参见图1，基于线性预测残差负熵的语音音质度量评价方法10，包括步骤S11-步骤S15，以下详细说明：
步骤S11，获取待评价的语音数据。
可以通过声音采集设备，如麦克风等直接采集语义数据，也可以直接读取语音数据文件。该步骤中可以处理多种格式的语音数据文件，方便用户对不同类型的语音文件进行评价。
步骤S12，将语音数据划分为多个语音帧。
对语音数据分帧一般采用交叠分段的方法，是为了使帧与帧之间平滑过渡，保持其连续性。分帧是用可移动的有限长度窗口进行加权的方法来实现的，将语音数据分割成一帧一帧的加过窗函数的短时信号，然后再把每一个短时语音帧看成平稳的随机信号，在进行处理时，按帧从数据区中取出数据，处理完成后再取下一帧，最后得到由每一帧参数组成的语音特征参数的时间序列。
在一实施例中，如图2所述，步骤S12可以包括：步骤S121，检测语音数据，得到有效语音；步骤S122，根据时长划分有效语音为多个语音帧；步骤S123，计算语音帧的能量值，保留高能量语音帧。语音能量值是通过计算较短时间内的语音能量而得出的。通常，一帧时间内的语音能量就是短时能量，一段语音的短时能量就是将语音中每一帧的短时能量都计算出来。能量值一般用于区分清音和浊音、判定有声段和无声段、对声母和韵母分界、可以作为辅助的特征参数用于语音识别中，能量值高的帧更能反映所属语音数据的音质特征，因此保留高能量帧可以有效提升音质评价精度，提升评价方法执行效率。
在一实施例中，步骤S121，检测语音数据，得到有效语音如图3所示，包括：对语音数据进行活动检测，标记静音区间；将静音区间删除，保留有效语音。静音区间对语音数据的音质评价没有影响，在初步处理时剔除静音区间，可以有效压缩需处理的数据量，降低音质分析中的噪声，减小算法在执行过程中的处理的数据量，提升对语音数据处理的速度。
在一实施例中，计算语音帧的能量值，保留高能量语音帧包括：计算语音帧的能量值；基于能量值对全部语音帧排序；根据排序结果，保留能量值最大的N个语音帧。如图4所示，语音帧的帧长可以为25ms，每个片段不够一帧的直接丢弃；分帧可以有效将语音数据流信息切分，便于后续处理，同时避免了采样过程中突发噪声对整体语音数据的评价影响。而语音帧的能量值越大，其能反映的音质特征更加明显，对语音帧按照能量排序后，排除能量值最小的部分数据可以更有针对性地分析音质情况。
在一实施例中，N个语音帧占全部语音帧的80%。在实践过程中，经过对能量帧取样数据的测试和分析，确定上述取样比例，该比例数据对于全部数据具有充分的代表性，能够保证对语音数据评价的准确性。
步骤S13，对语音帧进行线性预测分析，得到线性预测残差。线性预测模型是一个得到广泛应用的语音模型, 几乎可以应用于语音处理的各个方面, 线性预测分析的基本思想是语音信号的每个采样值都可以用过去若干个采样值的线性组合预测值来逼近。
在一实施例中，对语音帧进行线性预测分析，得到线性预测残差包括：构建线性预测分析模型，对语音帧进行预测；根据线性预测分析模型，计算线性预测系数，得到语音帧的线性预测残差。在线性预测模型中，信号值与预测值之间的差叫做线性预测残差。如果一个 P 阶时变线性预测器作为一个模型而言与产生实际语音信号的系统越接近，则残差也就越接近信号源。采用线性预测分析进行语音处理，不仅可以预测语音信号，同时提供了一个有效准确的声道模型，能够进一步将语音数据模型化，便于后续分析处理。
在一实施例中，对语音帧进行线性预测分析，得到线性预测残差包括：构建线性预测分析模型，对语音帧进行预测；假设语音帧的语音信号为
Figure 128821DEST_PATH_IMAGE001
，线性预测分析模型假设当前采样值可以由前p个采样值预测，即：
Figure 2099DEST_PATH_IMAGE002
其中
Figure 116685DEST_PATH_IMAGE003
为线性预测系数，
Figure 897560DEST_PATH_IMAGE004
为线性预测残差；根据自相关法或协方差法计算线性预测系数，得到语音帧的线性预测残差。通过处理残差信号，可以推断原始语音信号的信噪比强弱，由此计算出的音质评价更接近主观判断。
步骤S14，计算每个语音帧的线性预测残差负熵。
在一实施例中，计算每个语音帧线性预测残差的负熵包括：对残差进行零均值化，即
Figure 413992DEST_PATH_IMAGE005
，其中，
Figure 520488DEST_PATH_IMAGE006
为残差信号的均值；计算零均值化后的残差的二三四阶中心统计量：
Figure 122371DEST_PATH_IMAGE007
Figure 910198DEST_PATH_IMAGE008
Figure 281136DEST_PATH_IMAGE009
根据中心统计量，计算语音帧线性预测残差的负熵：
Figure 558534DEST_PATH_IMAGE010
熵是一种从信息论的角度衡量非高斯性的重要度量,能够有效地区分高斯信号和非高斯信号。负熵是另一种非高斯量度, 与熵特性不同在于：负熵对于高斯变量, 其值为零; 对于非高斯变量, 其值总是非负的；负熵不随信号的幅度变化而变化，不随信噪比的大小变化而变化，因此，利用负熵评价语音信号时可以有效降低噪声干扰，而通过实际验证线性预测残差的负熵数据能够间接反映语音音质的高低，更接近主观评价。
步骤S15，根据负熵评价语音数据的音质。
在一实施例中，如图5所示，步骤S15还包括：步骤S151，根据每个语音帧的负熵，计算语音数据的负熵；步骤S152，对语音数据的负熵进行归一化；步骤S153，根据归一化的语音数据的负熵，评价语音数据的音质。归一化处理是数据挖掘的一项基础工作，评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，归一化处理可以消除指标之间的量纲影响，以解决数据指标之间的可比性。
在一实施例中，根据每个语音帧的负熵，计算语音数据的负熵包括：根据每个语音帧的负熵，计算所有语音帧的负熵中值，得到语音数据的负熵。计算所有语音帧的负熵中值更加能反映出语音数据整体音质情况。
在一实施例中，对语音数据的负熵进行归一化包括：获取语音训练集，训练集包括多种音质的训练语音数据；计算训练集中每条训练语音数据的线性预测残差负熵，获得负熵最大值max(J)及最小值min(J)；对待评价的语音数据的负熵
Figure 382134DEST_PATH_IMAGE011
进行归一化：
Figure 973652DEST_PATH_IMAGE012
其中，
Figure 199097DEST_PATH_IMAGE013
为归一化的线性预测残差负熵。而语音训练集应尽量包括多种不同音质的数据，降低归一化结果的偏差。对语音数据经过归一化处理后，评价音质的指标处于同一数量级，更适合进行综合对比评价。
在一实施例中，根据归一化的语音数据的负熵，评价语音数据的音质包括：归一化的语音数据的负熵值越大，语音数据的音质越高。
基于同一个发明构思，图6示出了一种归一化线性预测残差负熵计算流程。首先得到一条语音数据，然后去除语音数据中的静音数据，再对语音数据进行分帧，计算能量值后去除低能量帧，对获取的能量帧计算线性预测残差，获取残差信号后计算残差对应的负熵，最后计算归一化负熵。获取语音信号线性预测残差的负熵是一种有效、快捷的对语音信号实现定量分析的过程，能有效降低语音信号中容易影响音质评价的噪声，其评价效果更接近主观评价结果。
基于同一个发明构思，图7示出了一种基于线性预测残差负熵的语音音质度量评价方法的总体流程。其中包括，获取语音数据，去除语音数据中的静音数据，在对语音数据进行分帧，计算能量值后去除低能量帧，对获取的能量帧计算线性预测残差，获取残差信号后计算残差对应的负熵，最后计算归一化负熵，在归一化前，需处理大量语音数据作为训练集，计算语音数据训练集中每条语音数据的线性预测残差负熵，统计负熵中的最大值与最小值，便于归一化处理。该总体流程覆盖了去除静音、去除低能量帧的降噪采样步骤，也包含了利用线性预测分析模型获取残差信号并求取负熵的定量分析步骤，实现定量的对语音音质的高层特征进行评价，从而对语音数据库的生产提供质量控制依据。
基于同一个发明构思，图8示出了一种基于线性预测残差负熵的语音音质度量评价装置100，装置100包括：获取单元110，用于获取待评价的语音数据；划分单元120，用于将语音数据划分为多个语音帧；预测单元130，用于对语音帧进行线性预测分析，得到线性预测残差；负熵计算单元140，用于计算每个语音帧的线性预测残差负熵；评价单元150，用于根据负熵评价语音数据的音质。
在一实施例中，装置100还包括：检测单元，用于检测语音数据，得到有效语音；帧划分单元，用于根据时长划分有效语音为多个语音帧；能量计算单元，用于计算语音帧的能量值，保留高能量语音帧。
在一实施例中，检测单元包括：对语音数据进行活动检测，标记静音区间；将静音区间删除，保留有效语音。
在一实施例中，能量计算单元包括：计算语音帧的能量值；基于能量值对全部语音帧排序；根据排序结果，保留能量值最大的N个语音帧。
在一实施例中，N个语音帧占全部语音帧的80%。
在一实施例中，预测单元130包括：构建线性预测分析模型，对语音帧进行预测；根据线性预测分析模型，计算线性预测系数，得到语音帧的线性预测残差。
在一实施例中，构建线性预测分析模型，对语音帧进行预测包括：语音帧的语音信号为
Figure 381817DEST_PATH_IMAGE001
，线性预测分析模型当前采样值由前p个采样值预测，即：
Figure 223871DEST_PATH_IMAGE002
其中
Figure 150238DEST_PATH_IMAGE003
为线性预测系数，
Figure 433452DEST_PATH_IMAGE004
为线性预测残差。
在一实施例中，负熵计算单元140包括：对残差进行均值化处理，获取残差均值的中心统计量；根据中心统计量，计算语音帧的负熵。
在一实施例中，对残差进行均值化处理，包括：对残差进行零均值化，即
Figure 52652DEST_PATH_IMAGE014
其中，
Figure 850844DEST_PATH_IMAGE006
为残差信号的均值；
获取残差均值的中心统计量包括：计算零均值化后的残差的二三四阶中心统计量：
Figure 580903DEST_PATH_IMAGE015
Figure 780940DEST_PATH_IMAGE016
Figure 571041DEST_PATH_IMAGE017
根据中心统计量，计算语音帧的负熵：
Figure 856529DEST_PATH_IMAGE010
在一实施例中，评价单元150包括：语音负熵计算单元，用于根据每个语音帧的负熵，计算语音数据的负熵；归一化单元，用于对语音数据的负熵进行归一化；音质评价单元，用于根据归一化的语音数据的负熵，评价语音数据的音质。
在一实施例中，语音负熵计算单元包括：根据每个语音帧的负熵，计算所有语音帧的负熵中值，得到语音数据的负熵。
在一实施例中，归一化单元包括：获取语音训练集，训练集包括多种音质的训练语音数据；计算训练集中每条训练语音数据的线性预测残差负熵，获得负熵最大值max(J)及最小值min(J)；对待评价的语音数据的负熵进行归一化：
Figure 327962DEST_PATH_IMAGE012
其中，
Figure 382505DEST_PATH_IMAGE013
为归一化的线性预测残差负熵。
在一实施例中，音质评价单元包括：归一化的语音数据的负熵值越大，语音数据的音质越高。
关于上述实施例中的基于线性预测残差负熵的语音音质度量评价装置100，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图9是根据一示例性实施例示出的前述任一实施例装置的示意框图。例如，装置200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图9，装置200可以包括以下一个或多个组件：处理组件202，存储器204，电源组件206，多媒体组件208，音频组件210，输入/输出接口212，传感器组件214，以及通信组件216。
处理组件202通常控制装置200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件202可以包括一个或多个处理器220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件202可以包括一个或多个模块，便于处理组件202和其他组件之间的交互。例如，处理组件202可以包括多媒体模块，以方便多媒体组件208和处理组件202之间的交互。
存储器204被配置为存储各种类型的数据以支持在装置200的操作。这些数据的示例包括用于在装置200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电源组件206为装置200的各种组件提供电力。电源组件206可以包括电源管理系统，一个或多个电源，及其他与为装置200生成、管理和分配电力相关联的组件。
多媒体组件208包括在所述装置200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件208包括一个前置摄像头和/或后置摄像头。当装置200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件210被配置为输出和/或输入音频信号。例如，音频组件210包括一个麦克风（MIC），当装置200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器204或经由通信组件216发送。在一些实施例中，音频组件210还包括一个扬声器，用于输出音频信号。
输入/输出接口212为处理组件202和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件214包括一个或多个传感器，用于为装置200提供各个方面的状态评估。例如，传感器组件214可以检测到装置200的打开/关闭状态，组件的相对定位，例如所述组件为装置200的显示器和小键盘，传感器组件214还可以检测装置200或装置200一个组件的位置改变，用户与装置200接触的存在或不存在，装置200方位或加速/减速和装置200的温度变化。传感器组件214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件214还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件216被配置为便于装置200和其他设备之间有线或无线方式的通信。装置200可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件216还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，装置200可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器204，上述指令可由装置200的处理器220执行以完成上述方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
图10是根据一示例性实施例示出的一种电子装置300的框图。例如，装置300可以被提供为一服务器。参照图10，装置300包括处理组件322，其进一步包括一个或多个处理器，以及由存储器342所代表的存储器资源，用于存储可由处理组件322的执行的指令，例如应用程序。存储器342中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件322被配置为执行指令，以执行上述方法。
装置300还可以包括一个电源组件326被配置为执行装置300的电源管理，一个有线或无线网络接口350被配置为将装置300连接到网络，和一个输入输出接口358。装置300可以操作基于存储在存储器342的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (26)

1.一种基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述方法包括：
获取待评价的语音数据；
将所述语音数据划分为多个语音帧；
对所述语音帧进行线性预测分析，得到线性预测残差；
计算每个所述语音帧的线性预测残差负熵；
根据所述负熵评价所述语音数据的音质；
其中，所述根据所述负熵评价所述语音数据的音质包括：
根据每个所述语音帧的负熵，计算所述语音数据的负熵；
对所述语音数据的负熵进行归一化；
根据所述归一化的语音数据的负熵，评价所述语音数据的音质。
2.根据权利要求1所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述将所述语音数据划分为多个语音帧包括：
检测所述语音数据，得到有效语音；
根据时长划分所述有效语音为多个语音帧；
计算所述语音帧的能量值，保留高能量语音帧。
3.根据权利要求2所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述检测所述语音数据，得到有效语音包括：
对所述语音数据进行活动检测，标记静音区间；
将所述静音区间删除，保留所述有效语音。
4.根据权利要求2所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述计算所述语音帧的能量值，保留高能量语音帧包括：
计算所述语音帧的能量值；
基于所述能量值对全部所述语音帧排序；
根据排序结果，保留能量值最大的N个语音帧。
5.根据权利要求4所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述N个语音帧占全部语音帧的80%。
6.根据权利要求1所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述对所述语音帧进行线性预测分析，得到线性预测残差包括：
构建线性预测分析模型，对所述语音帧进行预测；
根据所述线性预测分析模型，计算线性预测系数，得到所述语音帧的线性预测残差。
7.根据权利要求6所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述构建线性预测分析模型，对所述语音帧进行预测包括：
所述语音帧的语音信号为
Figure DEST_PATH_IMAGE001
，所述线性预测分析模型当前采样值由前p个采样值预测，即：
Figure DEST_PATH_IMAGE003
其中
Figure 566263DEST_PATH_IMAGE004
为线性预测系数，
Figure DEST_PATH_IMAGE005
为线性预测残差。
8.根据权利要求1所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述计算每个所述语音帧的线性预测残差负熵包括：
对所述残差进行均值化处理，获取所述残差均值的中心统计量；
根据所述中心统计量，计算所述语音帧的负熵。
9.根据权利要求8所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述对所述残差进行均值化处理，包括：
对所述残差进行零均值化，即
Figure DEST_PATH_IMAGE007
其中，
Figure 572265DEST_PATH_IMAGE008
为残差信号的均值；
所述获取所述残差均值的中心统计量包括：
计算所述零均值化后的残差的二三四阶中心统计量：
Figure 380690DEST_PATH_IMAGE010
Figure 93431DEST_PATH_IMAGE012
Figure 814262DEST_PATH_IMAGE014
根据所述中心统计量，计算所述语音帧的负熵：
Figure 448506DEST_PATH_IMAGE016
。
10.根据权利要求1所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述根据每个所述语音帧的负熵，计算所述语音数据的负熵包括：
根据每个所述语音帧的负熵，计算所有所述语音帧的负熵中值，得到所述语音数据的负熵。
11.根据权利要求1所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述对所述语音数据的负熵进行归一化包括：
获取语音训练集，所述训练集包括多种音质的训练语音数据；
计算所述训练集中每条训练语音数据的线性预测残差负熵，获得负熵最大值max(J)及最小值min(J)；
对所述待评价的语音数据的负熵
Figure DEST_PATH_IMAGE017
进行归一化：
Figure DEST_PATH_IMAGE019
其中，
Figure 358824DEST_PATH_IMAGE020
为归一化的线性预测残差负熵。
12.根据权利要求1所述的基于线性预测残差负熵的语音音质度量评价方法，其特征在于，所述根据所述归一化的语音数据的负熵，评价所述语音数据的音质包括：
所述归一化的语音数据的负熵值越大，所述语音数据的音质越高。
13.一种基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述装置包括：
获取单元，用于获取待评价的语音数据；
划分单元，用于将所述语音数据划分为多个语音帧；
预测单元，用于对所述语音帧进行线性预测分析，得到线性预测残差；
负熵计算单元，用于计算每个所述语音帧的线性预测残差负熵；
评价单元，用于根据所述负熵评价所述语音数据的音质；
其中，所述评价单元包括：
语音负熵计算单元，用于根据每个所述语音帧的负熵，计算所述语音数据的负熵；
归一化单元，用于对所述语音数据的负熵进行归一化；
音质评价单元，用于根据所述归一化的语音数据的负熵，评价所述语音数据的音质。
14.根据权利要求13所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述划分单元包括：
检测单元，用于检测所述语音数据，得到有效语音；
帧划分单元，用于根据时长划分所述有效语音为多个语音帧；
能量计算单元，用于计算所述语音帧的能量值，保留高能量语音帧。
15.根据权利要求14所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述检测单元包括：
对所述语音数据进行活动检测，标记静音区间；
将所述静音区间删除，保留所述有效语音。
16.根据权利要求14所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述能量计算单元包括：
计算所述语音帧的能量值；
基于所述能量值对全部所述语音帧排序；
根据排序结果，保留能量值最大的N个语音帧。
17.根据权利要求16所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述N个语音帧占全部语音帧的80%。
18.根据权利要求13所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述预测单元包括：
构建线性预测分析模型，对所述语音帧进行预测；
根据所述线性预测分析模型，计算线性预测系数，得到所述语音帧的线性预测残差。
19.根据权利要求18所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述构建线性预测分析模型，对所述语音帧进行预测包括：
所述语音帧的语音信号为
Figure 191651DEST_PATH_IMAGE001
，所述线性预测分析模型当前采样值由前p个采样值预测，即：
Figure DEST_PATH_IMAGE021
其中
Figure 863810DEST_PATH_IMAGE004
为线性预测系数，
Figure 782087DEST_PATH_IMAGE005
为线性预测残差。
20.根据权利要求13所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述负熵计算单元包括：
对所述残差进行均值化处理，获取所述残差均值的中心统计量；
根据所述中心统计量，计算所述语音帧的负熵。
21.根据权利要求20所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述对所述残差进行均值化处理，包括：
对所述残差进行零均值化，即
Figure 683047DEST_PATH_IMAGE007
其中，
Figure 104801DEST_PATH_IMAGE008
为残差信号的均值；
所述获取所述残差均值的中心统计量包括：
计算所述零均值化后的残差的二三四阶中心统计量：
Figure 183747DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE023
Figure 651637DEST_PATH_IMAGE024
根据所述中心统计量，计算所述语音帧的负熵：
Figure DEST_PATH_IMAGE025
。
22.根据权利要求13所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述语音负熵计算单元包括：
根据每个所述语音帧的负熵，计算所有所述语音帧的负熵中值，得到所述语音数据的负熵。
23.根据权利要求13所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述归一化单元包括：
获取语音训练集，所述训练集包括多种音质的训练语音数据；
计算所述训练集中每条训练语音数据的线性预测残差负熵，获得负熵最大值max(J)及最小值min(J)；
对所述待评价的语音数据的负熵
Figure 142573DEST_PATH_IMAGE017
进行归一化：
Figure 684413DEST_PATH_IMAGE019
其中，
Figure 183528DEST_PATH_IMAGE020
为归一化的线性预测残差负熵。
24.根据权利要求13所述的基于线性预测残差负熵的语音音质度量评价装置，其特征在于，所述音质评价单元包括：
所述归一化的语音数据的负熵值越大，所述语音数据的音质越高。
25.一种电子设备，其特征在于，包括：
存储器，用于存储指令；以及
处理器，用于调用所述存储器存储的指令执行如权利要求1至12中任一项所述的基于线性预测残差负熵的语音音质度量评价方法。
26.一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行如权利要求1至12中任一项所述的基于线性预测残差负熵的语音音质度量评价方法。
CN202010659644.7A 2020-07-10 2020-07-10 基于线性预测残差负熵的语音音质度量评价方法及装置 Active CN111540382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010659644.7A CN111540382B (zh) 2020-07-10 2020-07-10 基于线性预测残差负熵的语音音质度量评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010659644.7A CN111540382B (zh) 2020-07-10 2020-07-10 基于线性预测残差负熵的语音音质度量评价方法及装置

Publications (2)

Publication Number Publication Date
CN111540382A CN111540382A (zh) 2020-08-14
CN111540382B true CN111540382B (zh) 2020-10-16

Family

ID=71980957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010659644.7A Active CN111540382B (zh) 2020-07-10 2020-07-10 基于线性预测残差负熵的语音音质度量评价方法及装置

Country Status (1)

Country Link
CN (1) CN111540382B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI811762B (zh) * 2021-08-12 2023-08-11 華碩電腦股份有限公司 音質評價方法及使用其之音質評價系統

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288465A (zh) * 2018-01-29 2018-07-17 中译语通科技股份有限公司 智能语音切轴的方法、信息数据处理终端、计算机程序
CN108877839A (zh) * 2018-08-02 2018-11-23 南京华苏科技有限公司 基于语音语义识别技术的语音质量感知评估的方法及系统
CN108962223A (zh) * 2018-06-25 2018-12-07 厦门快商通信息技术有限公司 一种基于深度学习的语音性别识别方法、设备及介质
CN109102798A (zh) * 2018-06-29 2018-12-28 厦门快商通信息技术有限公司 一种装修事件检测方法、装置、计算机设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9870784B2 (en) * 2013-09-06 2018-01-16 Nuance Communications, Inc. Method for voicemail quality detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288465A (zh) * 2018-01-29 2018-07-17 中译语通科技股份有限公司 智能语音切轴的方法、信息数据处理终端、计算机程序
CN108962223A (zh) * 2018-06-25 2018-12-07 厦门快商通信息技术有限公司 一种基于深度学习的语音性别识别方法、设备及介质
CN109102798A (zh) * 2018-06-29 2018-12-28 厦门快商通信息技术有限公司 一种装修事件检测方法、装置、计算机设备及介质
CN108877839A (zh) * 2018-08-02 2018-11-23 南京华苏科技有限公司 基于语音语义识别技术的语音质量感知评估的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
偏度最大化多通道逆滤波语声去混响研究;郭颖等;《应用声学》;20190131;1.2-1.3节 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI811762B (zh) * 2021-08-12 2023-08-11 華碩電腦股份有限公司 音質評價方法及使用其之音質評價系統

Also Published As

Publication number Publication date
CN111540382A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN110853664B (zh) 评估语音增强算法性能的方法及装置、电子设备
US9524733B2 (en) Objective speech quality metric
Rix et al. Objective assessment of speech and audio quality—technology and applications
CN110033784B (zh) 一种音频质量的检测方法、装置、电子设备及存储介质
CN111428032B (zh) 内容质量评价方法及装置、电子设备、存储介质
CN111128253B (zh) 音频剪辑方法及装置
CN110648656A (zh) 语音端点检测方法、装置、电子设备及存储介质
CN108665889A (zh) 语音信号端点检测方法、装置、设备及存储介质
CN108831508A (zh) 语音活动检测方法、装置和设备
CN111862995A (zh) 一种码率确定模型训练方法、码率确定方法及装置
CN106775403A (zh) 获取卡顿信息的方法及装置
CN111540382B (zh) 基于线性预测残差负熵的语音音质度量评价方法及装置
CN113077019B (zh) 污染类型识别方法及装置和存储介质
CN107657608A (zh) 图像质量确定方法、装置及电子设备
CN107678934A (zh) 卡顿指标获取方法及装置
CN111209429B (zh) 用于度量语音数据库覆盖性的无监督模型训练方法及装置
CN109102813B (zh) 声纹识别方法、装置、电子设备和存储介质
CN106598858B (zh) 资源调用分析方法及装置
CN112201267A (zh) 一种音频处理方法、装置、电子设备及存储介质
CN115661619A (zh) 网络模型训练、超声图像质量评估方法及装置、电子设备
Zhang et al. Use of relevant data, quantitative measurements, and statistical models to calculate a likelihood ratio for a Chinese forensic voice comparison case involving two sisters
CN107564534A (zh) 音频品质鉴定方法和装置
CN109065145B (zh) 心电数据处理方法、装置及存储介质
CN107733535B (zh) 终端调试方法、装置及系统
CN111489260A (zh) 项目分类方法及装置、电子设备和存储介质

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