CN112669855A - 语音处理方法和装置 - Google Patents

Abstract

本申请公开了语音处理方法和装置，涉及人工智能技术领域，进一步涉及语音处理技术领域。具体实施方式包括：将目标语音分成多个第一片段；将多个第一片段分别输入训练后的神经网络，生成多个第一片段分别对应的特征向量，得到多个特征向量；由多个特征向量，确定出至少两个特征向量作为说话人向量；对于多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据相关度对多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；根据分割点，将目标语音或多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。本申请通过迭代聚类的方式使得不同说话人的特征向量逐渐收敛，实现准确性更高的说话人分离。

Description

语音处理方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及语音处理方法和装置。

背景技术

随着经济的发展，企业在业务中越来越多使用“呼叫中心热线”、“智能客服平台”等IT服务系统，同时，企业对客服的服务质量要求越来越高，但实际上人工客服或机器人客服均会存在质量问题，如客服的情绪波动等会影响服务质量。

对于智能客服，受限于自然语言处理技术，其在复杂沟通场景的服务效果较差。传统模式下企业通常会组建人工质检团队，对客服通话记录进行人工抽查质检，但传统人工质检只能在事后抽查少量语音通话，并且采用人工录听方式进行客服问题的质检，对于当前快节奏的客服服务，事后人工抽检已经完全不能满足企业需求。

发明内容

提供了一种语音处理方法、装置、电子设备以及存储介质。

根据第一方面，提供了一种语音处理方法，包括：将目标语音分成多个第一片段；将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量；由所述多个特征向量，确定出至少两个特征向量作为说话人向量；对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

根据第二方面，提供了一种语音处理装置，包括：第一切分单元，被配置成将目标语音分成多个第一片段；处理单元，被配置成将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量；确定单元，被配置成由所述多个特征向量，确定出至少两个特征向量作为说话人向量；聚类单元，被配置成对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；第二切分单元，被配置成根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

根据第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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语音处理方法中任一实施例的方法。

根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如语音处理方法中任一实施例的方法。

根据本申请的方案，通过神经网络提取的第一片段的特征向量，并对特征向量进行聚类迭代分析，使得不同说话人的特征向量逐渐收敛，得到能够实现说话人分离的分割点，从而通过分割点确定第二片段实现准确性更高的说话人分离。

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是本申请一些实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的语音处理方法的一个实施例的流程图；

图3是根据本申请的语音处理方法的一个应用场景的示意图；

图4是根据本申请的语音处理方法的又一个实施例的流程图；

图5是根据本申请的语音处理装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的语音处理方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

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语音处理方法或语音处理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可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(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。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的目标语音等数据进行分析等处理，并将处理结果(例如更新后的特征图)反馈给终端设备。

需要说明的是，本申请实施例所提供的语音处理方法可以由服务器105或者终端设备101、102、103执行，相应地，语音处理装置可以设置于服务器105或者终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。

继续参考图2，示出了根据本申请的语音处理方法的一个实施例的流程200。该语音处理方法，包括以下步骤：

步骤201，将目标语音分成多个第一片段。

在本实施例中，语音处理方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以对目标语音进行切分，得到多个第一片段。该目标语音可以是语音质检或者语音审核过程中获得的连续长音频。

上述执行主体将目标语音切分成多个第一片段可以包括多种实现方式，例如，可以是通过静音检测技术(vad，voice activity detector)，还可以是通过预先训练的神经网络实现，本申请实施例对此不作特别的限制。

在本实施例的一些可选的实现方式中，将目标语音分成多个第一片段，包括：采用说话人变更检测器确定所述目标语音中的说话人跳转点，根据所述说话人跳转点，将所述目标语音分成所述多个第一片段。

在这些可选的实现方式中，说话人变更检测器(SCD，Speaker Change Detect)是通过深度神经网络实现，也可以是通过其它类型的神经网络实现，本申请对此不作特别的限制。

上述说话人变更检测器是由经过标注跳转点的音频数据训练而成，该跳转点是指多方对话中，不同的说话人之间出现抢话、不同说话人之间说话无缝衔接或者不同说话人之间同时说话的情况。因此，训练后的神经网络可以识别出上述多种跳转点，以更好的切分第一片段。

在本实施例的另一些可选的实现方式中，采用说话人变更检测器确定所述目标语音中的说话人跳转点，根据所述说话人跳转点，将所述目标语音分成所述多个第一片段，包括：通过静音检测技术将所述目标语音分成多个基础片段；采用所述说话人变更检测器确定所述多个基础片段分别对应的说话人跳转点；根据所述说话人跳转点，将所述多个基础片段分成所述多个第一片段。

在这些可选的实现方式中，上述执行主体线通过静音检测技术将目标片段切分成多个基础片段，再通过说话人变更检测器将多个基础片段切分成第一片段，进一步提高了第一片段的数量，实现利用更多数量的第一片段在进行迭代聚类时能够提高确定分割点的准确性。

如将长音频切分成长度小于60秒的短音频发送到文本识别器以接收到文本识别结果，然后再把文本识别结果中每个词根据识别的前后时间点拼接起来得到不同说话人对应的文本。由于识别器给出的词的前后时间点信息存在误差，如果通过文本识别结果分离说话人，会存在较大的误差，因此，本申请进一步提供通过迭代聚类解决上述问题。

步骤202、将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量。

本实施例中，该训练后的神经网络可以基于声纹识别技术(X-vector)得到，具体的神经网络可以是深度学习网络、卷积神经网络、长短期记忆网络等。

上述执行主体可以分别将多个第一片段输入训练后的神经网络中进行特征提取，然后分别输出每个第一片段对应的特征向量。

步骤203、由所述多个特征向量，确定出至少两个特征向量作为说话人向量。

在本实施例中，上述执行主体确认每个第一片段对应的多个特征向量之后，可以从多个特征向量中选取至少两个特征向量作为说话人向量，该说话人向量可以是随机确定的，经过后续的迭代聚类会逐渐收敛，进而确定分割点。

本实施例的一些其它的实施方式中，也可以直接将特征向量作为说话人向量。

步骤204、对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点。

本实施例中，上述执行主体采用各种迭代聚类的方式实现，本申请对此不作特别的限制。

具体地，在迭代聚类的过程中，每个第一片段对应的特征向量会逐渐聚类，形成多个类别。此时，则可以按照第一片段以时间为顺序的排序中，不同类别之间的第一片段之间的点作为分割点。

上述实施例中，相关度的具体表现形式可以是各种，比如余弦距离、线性鉴别分析(Linear Discriminant Analysis，LDA)数值和概率线性判别分析(Probabilistic LinearDiscriminant Analysis，PLDA)数值等。

本实施例的一些其它的实施方式中，若将每一个特征向分别作为说话人向量，则可以通过由多到少的方式进行迭代聚类。

具体地，比如当前有5个第一片段，上述执行主体可以将每一个第一片段认定为是一类，也就是目标语音切分出了5类第一片段。每类第一片段具有各自的特征向量a、b、c、d、e，上述执行主体根据特征向量确定了说话人向量A、B、C、D、E。通过每个说话人向量与特征向量的相关度最小的两类聚成一类。可以得到(a，b)、c、d、e，其中，(a，b)为一类。也就是说，上述执行主体通过此次聚类可以将5类第一片段聚类成4类第一片段，通过多次迭代，直至第一片段的分类不再变化后，迭代聚类完成。

步骤205、根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

本实施例中，上述执行主体确认分割点之后，可以将分割点应用在第一片段中，也可以将分割点应用在目标语音中。应理解，一个分割点分割的两个第二片段分别对应不同的说话者。具体地，两个相邻的第二片段对应的说话人可以是不同的。

本申请的上述实施例提供的方法，通过神经网络提取的第一片段的特征向量，并对特征向量进行聚类迭代分析，使得不同说话人的特征向量逐渐收敛，得到能够实现说话人分离的分割点，从而通过分割点确定第二片段实现准确性更高的说话人分离。

继续参见图3，图3是根据本实施例的语音处理方法的应用场景的一个示意图。在图3的应用场景中，执行主体301利用静音检测技术303将目标语音切分成基础片段，再通过说话人变更检测其304将基础片段切分成第一片段，然后通过训练后的神经网络306对每个第一片段进行特征提取，得到每个第一片段分别对应的特征向量307，再通过特征向量307确定说话人向量，通过说话人向量与特征向量间的相关度进行迭代聚类，获得不同类别的第一片段305之间的分割点。最后通过该分割点对上述的目标语音302或者第一片段305进行切分，得到能够分离说话人的第二片段，即两个相邻的第二片段对应的说话人可以不同。

进一步参考图4，其示出了语音处理方法的又一个实施例的流程400。该流程400，包括以下步骤：

步骤401、将目标语音分成多个第一片段。

本实施例中，目标语音存在说话人数量。

步骤402、将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量。

本实施例的具体实现方式与步骤202相同，再次不作赘述。

步骤403、对多个所述特征向量进行分类，得到所述数量个类别，确定所述数量个类别分别对应的说话人向量。

步骤404、获取所述数量个类别的说话人向量分别与所述各个特征向量的相关度，根据所述相关度，对所述多个第一片段进行聚类，以对所述数量个类别进行数量减少，生成不同类别的第一片段之间的分割点。

在步骤403和步骤404中，具体的迭代聚类方式可以通过类似k均值(k-means)聚类的方法实现。具体地，假设有目标语音中存在3个说话人，而经过处理得到的第一片段的数量是9，其特征向量分别是a、b、c、d、e、f、g、h、i。则根据说话人的数量，将特征向量随机分成3组，例如是(a，b，c)、(d，e，f)、(g，h，i)，然后将(a，b，c)作为一类，计算得到说话人向量A；将(d，e，f)作为一类，计算得到说话人向量B；将(g，h，i)作为一类，计算得到说话人向量C。分别计算说话人向量A、B、C与特征向量a、b、c、d、e、f、g、h、i的余弦距离，余弦距离最小的归为一类，则将对应的特征向量归于一类。重复对随机向量进行多次分组，循环执行上述步骤，直至对应的特征向量的分类不再变化。

步骤405、根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

在本实施例的一些其它的实现方式中，可以将得到的第二片段输入文本识别器中，将每个第二片段转换成文本信息。由于本实施例中的第二片段实现了说话人分离，因此，可以将文本信息组织成对话的形式，或者某种规律的方式，以便于本实施例可以应用于以下的场景中。

本实施例可以实现实时智能质检，解决了传统模式下的事后质检问题。例如在金融类企业的客服服务场景中，企业对客服服务的标准性、规范性有较为严格的要求。并且针对客户、坐席等不同角色的异常消息需要尽量实时的检测，以及时处理客服事故。

本实施例可以实现针对不同呼叫中心平台的客服通话进行全量语音识别即说话人的分离质检，确保企业的每一通客服通话都能够被公平公正的被质检。

本实施例可以实现对通话录音的语音的语音识别，将完整的语音客服过程识别为文本，针对文本的质检分析笔通话语音人工录听质检更加高效。

本实施例可以识别客服录音中客户、坐席不同角色的文本消息，在质检过程中针对不同角色的文本消息进行质检分析，满足质检分析的业务需求。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种语音处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的语音的处理装置500包括：第一切分单元501、处理单元502、确定单元503、聚类单元504、第二切分单元505，其中，第一切分单元501，被配置成将目标语音分成多个第一片段；处理单元502，被配置成将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量；确定单元503，被配置成由所述多个特征向量，确定出至少两个特征向量作为说话人向量；聚类单元504，被配置成对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；第二切分单元505，被配置成根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

在本实施例中，语音处理装置500的第一切分单元501、处理单元502、确定单元503、聚类单元504、第二切分单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205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，所述目标语音存在对应的说话人的数量；所述确定单元，进一步被配置成对多个所述特征向量进行分类，得到所述数量个类别，确定所述数量个类别分别对应的说话人向量。

在本实施例的一些可选的实现方式中，所述聚类单元，进一步被配置成获取所述数量个类别的说话人向量分别与所述各个特征向量的相关度，根据所述相关度，对所述多个第一片段进行聚类，以对所述数量个类别进行数量减少，生成不同类别的第一片段之间的分割点。

在本实施例的一些可选的实现方式中，所述第一切分单元，进一步被配置成采用说话人变更检测器确定所述目标语音中的说话人跳转点，根据所述说话人跳转点，将所述目标语音分成所述多个第一片段。

在本实施例的一些可选的实现方式中，所述第一切分单元，进一步被配置成通过静音检测技术将所述目标语音分成多个基础片段；采用所述说话人变更检测器确定所述多个基础片段分别对应的说话人跳转点；根据所述说话人跳转点，将所述多个基础片段分成所述多个第一片段。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的语音处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的语音处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语音处理方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语音处理方法对应的程序指令/模块(例如，附图5所示的第一切分单元501、处理单元502、确定单元503、聚类单元504、第二切分单元505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语音处理方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据语音处理电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至语音处理电子设备。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。

语音处理方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与语音处理电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

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，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：一种处理器包括第一切分单元、确定单元、聚类单元、第二切分单元。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，第一切分单元还可以被描述为“将目标语音分成多个第一片段的单元”。

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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：将目标语音分成多个第一片段；将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量；由所述多个特征向量，确定出至少两个特征向量作为说话人向量；对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

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 (12)

1.一种语音处理方法，所述方法包括：

将目标语音分成多个第一片段；

将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量；

由所述多个特征向量，确定出至少两个特征向量作为说话人向量；

对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；

根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

2.根据权利要求1所述的方法，其中，所述目标语音存在对应的说话人的数量；

所述由所述多个特征向量，确定至少两个特征向量作为说话人向量，包括：

对多个所述特征向量进行分类，得到所述数量个类别，确定所述数量个类别分别对应的说话人向量。

3.根据权利要求2所述的方法，其中，所述根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点，包括：

获取所述数量个类别的说话人向量分别与所述各个特征向量的相关度，根据所述相关度，对所述多个第一片段进行聚类，以对所述数量个类别进行数量减少，生成不同类别的第一片段之间的分割点。

4.根据权利要求1所述的方法，其中，所述将目标语音分成多个第一片段，包括：

采用说话人变更检测器确定所述目标语音中的说话人跳转点，根据所述说话人跳转点，将所述目标语音分成所述多个第一片段。

5.根据权利要求4所述的方法，其中，所述采用说话人变更检测器确定所述目标语音中的说话人跳转点，根据所述说话人跳转点，将所述目标语音分成所述多个第一片段，包括：

通过静音检测技术将所述目标语音分成多个基础片段；

采用所述说话人变更检测器确定所述多个基础片段分别对应的说话人跳转点；

根据所述说话人跳转点，将所述多个基础片段分成所述多个第一片段。

6.一种语音处理装置，所述装置包括：

第一切分单元，被配置成将目标语音分成多个第一片段；

处理单元，被配置成将所述多个第一片段分别输入训练后的神经网络，生成所述多个第一片段分别对应的特征向量，得到多个特征向量；

确定单元，被配置成由所述多个特征向量，确定出至少两个特征向量作为说话人向量；

聚类单元，被配置成对于所述多个说话人向量中的说话人向量，获取该说话人向量与各个特征向量的相关度，并根据所述相关度对所述多个第一片段进行迭代聚类，生成不同类别的第一片段之间的分割点；

第二切分单元，被配置成根据所述分割点，将所述目标语音或所述多个第一片段分成至少两个第二片段，其中，每个第二片段对应一个说话人。

7.根据权利要求6所述的装置，其中，所述目标语音存在对应的说话人的数量；

所述确定单元，进一步被配置成对多个所述特征向量进行分类，得到所述数量个类别，确定所述数量个类别分别对应的说话人向量。

8.根据权利要求7所述的装置，其中，所述聚类单元，进一步被配置成获取所述数量个类别的说话人向量分别与所述各个特征向量的相关度，根据所述相关度，对所述多个第一片段进行聚类，以对所述数量个类别进行数量减少，生成不同类别的第一片段之间的分割点。

9.根据权利要求6所述的装置，其中，所述第一切分单元，进一步被配置成采用说话人变更检测器确定所述目标语音中的说话人跳转点，根据所述说话人跳转点，将所述目标语音分成所述多个第一片段。

10.根据权利要求9所述的方法，其中，所述第一切分单元，进一步被配置成通过静音检测技术将所述目标语音分成多个基础片段；采用所述说话人变更检测器确定所述多个基础片段分别对应的说话人跳转点；根据所述说话人跳转点，将所述多个基础片段分成所述多个第一片段。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，该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。

Images