CN111968657B - 语音处理方法、装置、电子设备和计算机可读介质 - Google Patents
语音处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111968657B CN111968657B CN202010824772.2A CN202010824772A CN111968657B CN 111968657 B CN111968657 B CN 111968657B CN 202010824772 A CN202010824772 A CN 202010824772A CN 111968657 B CN111968657 B CN 111968657B
- Authority
- CN
- China
- Prior art keywords
- voice
- segment
- voiceprint feature
- feature vector
- speech
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000000926 separation method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 239000012634 fragment Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
- G10L21/0308—Voice signal separating characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
- G10L25/24—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 the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
Abstract
本公开的实施例公开了语音处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；基于上述至少一个语音片段的聚类结果，生成至少一个第一语音；以上过程可以对目标语音进行一定精度的语音分割，为以下生成第二语音奠定了基础。对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；基于上述声纹特征矢量生成第二语音，其中，第二语音是同一声源的未混合语音。通过对上述第一语音进行特征提取，以及对第一语音进一个语音分离，得到更准确的第二语音，从而提升整体语音分割效果。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及语音处理方法、装置、设备和计算机可读介质。
背景技术
目前，在语音分离过程中，往往需要在一段给定的语音中分离出目标语音。目前，相关的做法可以是采用分割聚类方法来从一段给定语音中，得到目标语音。然而，采用分割聚类方法所得到的目标语音准确率不高。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了语音处理方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种语音处理方法，该方法包括：将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；基于上述声纹特征矢量生成第二语音，其中，第二语音是同一声源的未混合语音。
第二方面，本公开的一些实施例提供了一种语音处理装置，装置包括：分割单元，被配置成将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；第一生成单元，被配置成基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；特征提取单元，被配置成对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；第二生成单元，被配置成基于上述声纹特征矢量生成第二语音，其中，上述第二语音是同一声源的未混合语音。
第三方面，本公开的一些实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的一些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，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；然后，基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；通过以上过程，可以对目标语音进行一定精度的语音分割，为以下生成第二语音奠定了基础。进一步，对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；基于上述声纹特征矢量生成第二语音，其中，第二语音是同一声源的未混合语音。通过对上述第一语音进行特征提取，以及对第一语音进一个语音分离，得到更准确的第二语音，从而提升整体语音分割效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的语音处理方法的一个应用场景的示意图；
图2是根据本公开的语音处理方法的一些实施例的流程图；
图3是根据本公开的语音处理方法的另一些实施例的流程图；
图4是根据本公开的一些实施例的语音处理方法的另一个应用场景的示意图；
图5是根据本公开的语音处理装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的语音处理方法的一个应用场景的示意图。
如图1中标记100所示，电子设备101将包含多个说话人的待处理语音102按照每个说话人语音的语音起始点和语音结束点分割成9 个语音片段。如图中片段1、片段2、片段3、片段4、片段5、片段6 片段7、片段8和片段9。基于9个语音片段的聚类结果103，可以生成4个第一语音，如图中的第一语音A，第一语音B、第一语音C和第一语音D。对于这4个第一语音中的每个第一语音，提取每个第一语音的声纹特征，进而得到4个声纹特征矢量。如图中的声纹特征矢量A、声纹特征矢量B、声纹特征矢量C和声纹特征矢量D。对于4 个声纹特征矢量中的每个声纹特征矢量，可以生成声纹特征矢量对应的第二语音。如图中的第二语音A，第二语音B、第二语音C和第二语音D。
可以理解的是，语音处理方法可以是由上述电子设备101来执行。其中，电子设备101可以是硬件，也可以是软件。当电子设备101为硬件时，可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机、服务器等等。当电子设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的电子设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
继续参考图2，示出了根据本公开的语音处理方法的一些实施例的流程200。该语音处理方法，包括以下步骤：
步骤201，将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段。
在一些实施例中，语音处理方法的执行主体(例如图1所示的电子设备)可以使用多种方式将目标语音分割成至少一个语音片段。其中，所述待处理语音可以是任意一段语音。实践中，待处理语音可以是某次会议上包括多个说话人声音的语音。
作为示例，上述执行主体可以采用语音分割软件，来将待处理语音分割成至少一个语音片段。
步骤202，基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段。
在一些实施例中，基于至少一个语音片段的聚类结果，上述执行主体可以生成至少一个第一语音。这里，聚类结果是由上述至少一个语音片段基于聚类算法得到的。其中，聚类结果可以包括多个类别的语音片段。对于多个类别的语音片段中每个类别的语音片段，可以通过各种方法来得到第一语音。实践中，可以对该类别的语音片段进行拼接，从而得到一个第一语音。这里，上述聚类算法可以是以下之一： K-Means聚类方法，高斯混合聚类方法，均值漂移聚类方法，基于密度的聚类方法。
在一些实施例的一些可选的实现方式中，上述至少一个第一语音中的每一个第一语音包括以下至少一项：未混合语音，混合语音。其中，未混合语音可以是只有一个人说话的语音或者同一声源发出的语音，混合语音可以是多个人同事说话的语音或者不同声源同时发出的语音。
步骤203，对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量。
在一些实施例中，对于上述至少一个第一语音中的每个第一语音，上述执行主体可以使用特征提取算法(例如，预先训练的深度神经网络)来提取第一语音的声纹特征矢量。进而可以得到至少一个第一语音对应的声纹特征矢量。实践中，声纹特征矢量可以是以下之一：声纹矢量X-vector，声纹矢量I-vector。
在一些实施例的一些可选的实现方式中，上述声纹特征矢量包括以下至少一项：未混合语音对应的声纹特征矢量，混合语音对应的声纹特征矢量。
步骤204，基于上述声纹特征矢量生成第二语音，其中，上述第二语音是同一声源的未混合语音。
在一些实施例中，对于上述声纹特征矢量，上述执行主体可以通过各种方式来生成声纹特征矢量对应的第二语音。
作为示例，对于上述声纹特征矢量，上述执行主体可以将上述声纹特征矢量输入预先训练的时域音频分离网络，生成上述声纹特征矢量对应的第二语音。实践中，往往将声纹特征矢量输入预先训练的时域音频分离网络，进而得到声纹特征矢量对应的第二语音，上述第二语音只包含一个人说话的声音，也就是未混合语音。
本公开的上述各个实施例中的一个实施例具有如下有益效果：
首先，将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；然后，基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；通过以上过程，可以对目标语音进行一定精度的语音分割，为以下生成第二语音奠定了基础。进一步，对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；基于上述声纹特征矢量生成第二语音，其中，第二语音是同一声源的未混合语音。通过对上述第一语音进行特征提取，以及对第一语音进一个语音分离，得到更准确的第二语音，从而提升整体语音分割效果。
进一步参考图3，其示出了语音处理方法的另一些实施例的流程 300。该语音处理方法的流程300，包括以下步骤：
步骤301，将目标语音分割成至少一个语音片段。
一些实施例中，步骤301的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤302，将上述至少一个语音片段的聚类结果中的每个语音片段簇中的语音片段拼接成初始第一语音，生成对应上述至少一个语音片段的至少一个初始第一语音。
在一些实施例中，上述执行主体可以将上述至少一个语音片段的聚类结果中的每个语音片段簇中的语音片段拼接，生成多个初始第一语音。这里，聚类结果中可以包括多个簇。其中，对于多个语音片段簇中每个语音片段簇，是由聚类算法对上述至少一个语音片段生成的。其中，每个语音片段簇中可以包括至少一个语音片段。这里，上述聚类算法可以是以下之一：K-Means聚类方法，高斯混合聚类方法，均值漂移聚类方法，基于密度的聚类方法。
步骤303，对于至少一个初始第一语音中的每一个初始第一语音，对上述初始第一语音进行分帧，得到语音帧集合，将上述语音帧集合中语音帧的聚类结果中的每个语音帧簇中的语音帧拼接，生成上述至少一个第一语音。
在一些实施例中，上述执行主体可以将多个初始第一语音进行分帧处理，进而得到语音帧集合。其中，语音帧的长度可以是同一声源的一段语音起始到语音结束。上述执行主体可以将语音帧集合中语音帧的聚类结果中的每个簇中的语音帧拼接，生成至少一个第一语音。实践中，上述执行主体可以对语音帧集合中语音帧采用聚类算法。例如，HMM(Hidden Markov Model，隐马尔可夫模型)。得到聚类结果。其中，聚类结果中可以包括多个语音帧簇。每个语音帧簇中包括多个语音帧。对多个语音帧簇中的每个语音帧簇而言，对该语音帧簇内的语音帧进行拼接。多个语音帧簇可以生成至少一个第一语音。
步骤304，对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量。
在一些实施例中，对于上述至少一个第一语音中的每个第一语音，上述执行主体可以使用特征提取算法(例如，预先训练的深度神经网络)来提取第一语音的声纹特征矢量。进而可以得到至少一个第一语音对应的声纹特征矢量。实践中，声纹特征矢量可以是以下之一：声纹矢量X-vector，声纹矢量I-vector。
步骤305，基于上述声纹特征矢量生成第二语音，其中，上述第二语音是同一声源的未混合语音。
在一些实施例中，对于上述声纹特征矢量，上述执行主体可以通过各种方式来生成声纹特征矢量对应的第二语音。
作为示例，对于上述声纹特征矢量，上述执行主体可以将上述声纹特征矢量输入预先训练的时域音频分离网络，生成上述声纹特征矢量对应的第二语音。实践中，往往将声纹特征矢量输入预先训练的时域音频分离网络，进而得到声纹特征矢量对应的第二语音，上述第二语音只包含一个人说话的声音，也就是未混合语音。
在一些实施例中，步骤305的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤204，在此不再赘述。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3 对应的一些实施例中的语音处理方法的流程300体现了对给定的目标语音进行两次分割聚类，第一次是按照预设时长分割聚类，第二次是按照音频帧分割聚类。经过两次分割聚类得到的第一语音准确度更高。使用两次分割聚类得到的第一语音去进行语音分离，可以使得语音分离出的第二语音准确度得到较大提升。
图4是根据本公开一些实施例的语音处理方法的另一个应用场景的示意图。
如图4中标记400所示，电子设备401将包含多个说话人的待处理语音402分割成9个语音片段，如图中片段1、片段2、片段3、片段4、片段5、片段6片段7、片段8和片段9。基于9个语音片段的聚类结果403，可以生成4个初始第一语音，如图中的初始第一语音A，初始第一语音B、初始第一语音C和初始第一语音D。然后，可以将这四个初始第一语音按照语音帧继续进行切割，可以得到语音帧集合。如图中语音帧1、语音帧2、语音帧3、语音帧4、语音帧5、语音帧6、语音帧7和语音帧8。将上述语音帧集合中语音帧的聚类结果中的每个簇中的语音帧拼接，可以生成至少一个第一语音。如图中，第一语音A、第一语音B、第一语音C和第一语音D。对于4个第一语音中的每个第一语音，可以提取第一语音的声纹特征矢量，进而得到4个声纹特征矢量。如图中的声纹特征矢量A、声纹特征矢量B、声纹特征矢量C和声纹特征矢量D。对于4个声纹特征矢量中的每个声纹特征矢量，可以生成声纹特征矢量对应的第二语音。如图中的第二语音 A，第二语音B、第二语音C和第二语音D。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种语音处理装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的语音处理装置500包括：分割单元501、第一生成单元502、特征提取单元503和第二生成单元504。其中，分割单元501被配置成将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；第一生成单502被配置成基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；特征提取单元503被配置成对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；第二生成单元504被配置成基于上述声纹特征矢量生成第二语音，其中，上述第二语音是同一声源的未混合语音。
在一些实施例的一些可选的实现方式，第一生成单元502可以被进一步配置成：将上述至少一个语音片段的聚类结果中的每个语音片段簇中的语音片段拼接成初始第一语音，生成对应上述至少一个语音片段的至少一个初始第一语音。
在一些实施例的一些可选的实现方式，第一生成单元502可以被进一步配置成：对于至少一个初始第一语音中的每一个初始第一语音，对上述初始第一语音进行分帧，得到语音帧集合，将上述语音帧集合中语音帧的聚类结果中的每个语音帧簇中的语音帧拼接，生成上述至少一个第一语音。
在一些实施例的一些可选的实现方式，上述至少一个第一语音中的每一个第一语音包括以下至少一项：未混合语音，混合语音。
在一些实施例的一些可选的实现方式，上述第一语音对应的声纹特征矢量包括以下至少一项：未混合语音对应的声纹特征矢量，混合语音对应的声纹特征矢量。
在一些实施例的一些可选的实现方式，第二生成单元504可以被进一步配置成：将上述声纹特征矢量输入至预先训练的时域音频分离网络，生成上述第二语音，其中，上述时域音频分离网络用于根据声纹特征矢量生成目标声源的未混合语音。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置605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，还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置 607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP (HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；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该电子设备执行时，使得该电子设备：将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；基于上述声纹特征矢量生成第二语音，其中，第二语音是同一声源的未混合语音。
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公开的一些实施例的操作的计算机程序代码，上述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，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中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：一种处理器包括分割单元、第一生成单元、特征提取单元和第二生成单元。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，确定单元还可以被描述为“将待处理语音分割成至少一个语音片段的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD) 等等。
根据本公开的一个或多个实施例，提供了一种语音处理方法，包括：将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；基于上述声纹特征矢量生成第二语音，其中，第二语音是同一声源的未混合语音。
根据本公开的一个或多个实施例，将上述至少一个语音片段的聚类结果中的每个语音片段簇中的语音片段拼接成初始第一语音，生成对应上述至少一个语音片段的至少一个初始第一语音。
根据本公开的一个或多个实施例，对于至少一个初始第一语音中的每一个初始第一语音，对上述初始第一语音进行分帧，得到语音帧集合，将上述语音帧集合中语音帧的聚类结果中的每个语音帧簇中的语音帧拼接，生成上述至少一个第一语音。
根据本公开的一个或多个实施例，上述至少一个第一语音中的每一个第一语音包括以下至少一项：未混合语音，混合语音。
根据本公开的一个或多个实施例，上述第一语音对应的声纹特征矢量包括以下至少一项：未混合语音对应的声纹特征矢量，混合语音对应的声纹特征矢量。
根据本公开的一个或多个实施例，将上述声纹特征矢量输入至预先训练的时域音频分离网络，生成上述第二语音，其中，上述时域音频分离网络用于根据声纹特征矢量生成目标声源的未混合语音。
根据本公开的一个或多个实施例，提供了一种语音处理转置，包括：分割单元、第一生成单元、特征提取单元和第二生成单元。其中，分割单元，被配置成将待处理语音分割成至少一个语音片段，其中，上述语音片段是同一声源的一段语音起始到语音结束的片段；第一生成单元，被配置成基于上述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，上述第一语音包含同一声源的至少一个语音片段；特征提取单元，被配置成对上述至少一个第一语音中的每个第一语音进行提特征提取，得到每个上述第一语音对应的声纹特征矢量；第二生成单元，被配置成基于上述声纹特征矢量生成第二语音，其中，上述第二语音是同一声源的未混合语音。
根据本公开的一个或多个实施例，第一生成单元可以被进一步配置成：将上述至少一个语音片段的聚类结果中的每个语音片段簇中的语音片段拼接成初始第一语音，生成对应上述至少一个语音片段的至少一个初始第一语音。
根据本公开的一个或多个实施例，第一生成单元可以被进一步配置成：对于至少一个初始第一语音中的每一个初始第一语音，对上述初始第一语音进行分帧，得到语音帧集合，将上述语音帧集合中语音帧的聚类结果中的每个语音帧簇中的语音帧拼接，生成上述至少一个第一语音。
根据本公开的一个或多个实施例，上述至少一个第一语音中的每一个第一语音包括以下至少一项：未混合语音，混合语音。
根据本公开的一个或多个实施例，上述第一语音对应的声纹特征矢量包括以下至少一项：未混合语音对应的声纹特征矢量，混合语音对应的声纹特征矢量。
根据本公开的一个或多个实施例，第二生成单元可以被进一步配置成：将上述声纹特征矢量输入至预先训练的时域音频分离网络，生成上述第二语音，其中，上述时域音频分离网络用于根据声纹特征矢量生成目标声源的未混合语音。
根据本公开的一个或多个实施例，提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (8)
1.一种语音处理方法，包括：
将待处理语音分割成至少一个语音片段，其中，所述语音片段是同一声源的一段语音起始到语音结束的片段；
基于所述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，所述第一语音包含同一声源的至少一个语音片段，所述至少一个第一语音中的每一个第一语音包括未混合语音和混合语音，未混合语音是只有一个人说话的语音或者同一声源发出的语音，混合语音是多个人同时说话的语音或者不同声源同时发出的语音；
对所述至少一个第一语音中的每个第一语音进行提特征提取，得到每个所述第一语音对应的声纹特征矢量；
基于所述声纹特征矢量生成第二语音，其中，所述第二语音是同一声源的未混合语音。
2.根据权利要求1所述的方法，其中，所述基于所述至少一个语音片段的聚类结果，生成至少一个第一语音，包括：
将所述至少一个语音片段的聚类结果中的每个语音片段簇中的语音片段拼接成初始第一语音，生成对应所述至少一个语音片段的至少一个初始第一语音。
3.根据权利要求2所述的方法，其中，所述基于所述至少一个语音片段的聚类结果，生成至少一个第一语音，包括：
对于至少一个初始第一语音中的每一个初始第一语音，对所述初始第一语音进行分帧，得到语音帧集合，将所述语音帧集合中语音帧的聚类结果中的每个语音帧簇中的语音帧拼接，生成所述至少一个第一语音。
4.根据权利要求1所述的方法，其中，所述第一语音对应的声纹特征矢量包括以下至少一项：未混合语音对应的声纹特征矢量，混合语音对应的声纹特征矢量。
5.根据权利要求4所述的方法，其中，所述基于所述声纹特征矢量生成第二语音，包括：
将所述声纹特征矢量输入至预先训练的时域音频分离网络，生成所述第二语音，其中，所述时域音频分离网络用于根据声纹特征矢量生成目标声源的未混合语音。
6.一种语音处理装置，包括：
分割单元，被配置成将待处理语音分割成至少一个语音片段，其中，所述语音片段是同一声源的一段语音起始到语音结束的片段；
第一生成单元，被配置成基于所述至少一个语音片段的聚类结果，生成至少一个第一语音，其中，所述第一语音包含同一声源的至少一个语音片段，所述至少一个第一语音中的每一个第一语音包括未混合语音和混合语音，未混合语音是只有一个人说话的语音或者同一声源发出的语音，混合语音是多个人同时说话的语音或者不同声源同时发出的语音；
特征提取单元，被配置成对所述至少一个第一语音中的每个第一语音进行提特征提取，得到每个所述第一语音对应的声纹特征矢量；
第二生成单元，被配置成基于所述声纹特征矢量生成第二语音，其中，所述第二语音是同一声源的未混合语音。
7.一种电子设备，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1-5中任一所述的方法。
8.一种计算机可读介质，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1-5中任一所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010824772.2A CN111968657B (zh) | 2020-08-17 | 2020-08-17 | 语音处理方法、装置、电子设备和计算机可读介质 |
| PCT/CN2021/109283 WO2022037383A1 (zh) | 2020-08-17 | 2021-07-29 | 语音处理方法、装置、电子设备和计算机可读介质 |
| US18/041,710 US20230306979A1 (en) | 2020-08-17 | 2021-07-29 | Voice processing method and apparatus, electronic device, and computer readable medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010824772.2A CN111968657B (zh) | 2020-08-17 | 2020-08-17 | 语音处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111968657A CN111968657A (zh) | 2020-11-20 |
| CN111968657B true CN111968657B (zh) | 2022-08-16 |
Family
ID=73388065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010824772.2A Active CN111968657B (zh) | 2020-08-17 | 2020-08-17 | 语音处理方法、装置、电子设备和计算机可读介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230306979A1 (zh) |
| CN (1) | CN111968657B (zh) |
| WO (1) | WO2022037383A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968657B (zh) * | 2020-08-17 | 2022-08-16 | 北京字节跳动网络技术有限公司 | 语音处理方法、装置、电子设备和计算机可读介质 |
| CN113674755B (zh) * | 2021-08-19 | 2024-04-02 | 北京百度网讯科技有限公司 | 语音处理方法、装置、电子设备和介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109256137A (zh) * | 2018-10-09 | 2019-01-22 | 深圳市声扬科技有限公司 | 语音采集方法、装置、计算机设备和存储介质 |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060248019A1 (en) * | 2005-04-21 | 2006-11-02 | Anthony Rajakumar | Method and system to detect fraud using voice data |
| CN101000767A (zh) * | 2006-01-09 | 2007-07-18 | 杭州世导科技有限公司 | 语音识别设备及其方法 |
| CN103514884A (zh) * | 2012-06-26 | 2014-01-15 | 华为终端有限公司 | 通话音降噪方法及终端 |
| US10134401B2 (en) * | 2012-11-21 | 2018-11-20 | Verint Systems Ltd. | Diarization using linguistic labeling |
| CN103530432A (zh) * | 2013-09-24 | 2014-01-22 | 华南理工大学 | 一种具有语音提取功能的会议记录器及语音提取方法 |
| US9984674B2 (en) * | 2015-09-14 | 2018-05-29 | International Business Machines Corporation | Cognitive computing enabled smarter conferencing |
| CN105975569A (zh) * | 2016-05-03 | 2016-09-28 | 深圳市金立通信设备有限公司 | 一种语音处理的方法及终端 |
| CN106056996B (zh) * | 2016-08-23 | 2017-08-29 | 深圳市鹰硕技术有限公司 | 一种多媒体交互教学系统及方法 |
| CN106782545B (zh) * | 2016-12-16 | 2019-07-16 | 广州视源电子科技股份有限公司 | 一种将音视频数据转化成文字记录的系统和方法 |
| CN107749296A (zh) * | 2017-10-12 | 2018-03-02 | 深圳市沃特沃德股份有限公司 | 语音翻译方法和装置 |
| CN108198560A (zh) * | 2018-01-18 | 2018-06-22 | 安徽三弟电子科技有限责任公司 | 基于声纹识别的录音优化方法及其录音优化系统 |
| CN110381389B (zh) * | 2018-11-14 | 2022-02-25 | 腾讯科技（深圳）有限公司 | 一种基于人工智能的字幕生成方法和装置 |
| CN109741754A (zh) * | 2018-12-10 | 2019-05-10 | 上海思创华信信息技术有限公司 | 一种会议语音识别方法及系统、存储介质及终端 |
| CN110197665B (zh) * | 2019-06-25 | 2021-07-09 | 广东工业大学 | 一种用于公安刑侦监听的语音分离与跟踪方法 |
| CN110335612A (zh) * | 2019-07-11 | 2019-10-15 | 招商局金融科技有限公司 | 基于语音识别的会议记录生成方法、装置及存储介质 |
| CN110473566A (zh) * | 2019-07-25 | 2019-11-19 | 深圳壹账通智能科技有限公司 | 音频分离方法、装置、电子设备及计算机可读存储介质 |
| CN110675891B (zh) * | 2019-09-25 | 2020-09-18 | 电子科技大学 | 一种基于多层注意力机制的语音分离方法、模块 |
| CN110853615B (zh) * | 2019-11-13 | 2022-05-27 | 北京欧珀通信有限公司 | 一种数据处理方法、装置及存储介质 |
| CN111105801B (zh) * | 2019-12-03 | 2022-04-01 | 云知声智能科技股份有限公司 | 一种角色语音分离方法及装置 |
| CN110930984A (zh) * | 2019-12-04 | 2020-03-27 | 北京搜狗科技发展有限公司 | 一种语音处理方法、装置和电子设备 |
| CN111161710A (zh) * | 2019-12-11 | 2020-05-15 | Oppo广东移动通信有限公司 | 同声传译方法、装置、电子设备及存储介质 |
| CN110853666B (zh) * | 2019-12-17 | 2022-10-04 | 科大讯飞股份有限公司 | 一种说话人分离方法、装置、设备及存储介质 |
| CN111128223B (zh) * | 2019-12-30 | 2022-08-05 | 科大讯飞股份有限公司 | 一种基于文本信息的辅助说话人分离方法及相关装置 |
| CN111063342B (zh) * | 2020-01-02 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
| CN111524527B (zh) * | 2020-04-30 | 2023-08-22 | 合肥讯飞数码科技有限公司 | 话者分离方法、装置、电子设备和存储介质 |
| CN111968657B (zh) * | 2020-08-17 | 2022-08-16 | 北京字节跳动网络技术有限公司 | 语音处理方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-08-17 CN CN202010824772.2A patent/CN111968657B/zh active Active
-
2021
- 2021-07-29 WO PCT/CN2021/109283 patent/WO2022037383A1/zh active Application Filing
- 2021-07-29 US US18/041,710 patent/US20230306979A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109256137A (zh) * | 2018-10-09 | 2019-01-22 | 深圳市声扬科技有限公司 | 语音采集方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230306979A1 (en) | 2023-09-28 |
| WO2022037383A1 (zh) | 2022-02-24 |
| CN111968657A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108630190B (zh) | 用于生成语音合成模型的方法和装置 | |
| CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN112489620B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN111916053B (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
| CN112786008B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN111986655B (zh) | 音频内容识别方法、装置、设备和计算机可读介质 | |
| CN110827805A (zh) | 语音识别模型训练方法、语音识别方法和装置 | |
| CN111785247A (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
| CN111968657B (zh) | 语音处理方法、装置、电子设备和计算机可读介质 | |
| CN112509562A (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
| CN111462727A (zh) | 用于生成语音的方法、装置、电子设备和计算机可读介质 | |
| CN111508478A (zh) | 语音识别方法和装置 | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
| CN112242143B (zh) | 一种语音交互方法、装置、终端设备及存储介质 | |
| CN112017685B (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
| CN110675865A (zh) | 用于训练混合语言识别模型的方法和装置 | |
| CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
| CN111933119B (zh) | 用于生成语音识别网络的方法、装置、电子设备和介质 | |
| CN111652002B (zh) | 文本划分方法、装置、设备和计算机可读介质 | |
| CN112489662A (zh) | 用于训练语音处理模型的方法和装置 | |
| CN113241061B (zh) | 语音识别结果的处理方法、装置、电子设备和存储介质 | |
| CN111768771B (zh) | 用于唤醒电子设备的方法和装置 | |
| CN111583945B (zh) | 用于处理音频的方法、装置、电子设备和计算机可读介质 | |
| CN111681660B (zh) | 语音识别方法、装置、电子设备和计算机可读介质 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |