CN112786069A - 语音提取方法、装置和电子设备 - Google Patents

语音提取方法、装置和电子设备 Download PDF

Info

Publication number
CN112786069A
CN112786069A CN202011555987.5A CN202011555987A CN112786069A CN 112786069 A CN112786069 A CN 112786069A CN 202011555987 A CN202011555987 A CN 202011555987A CN 112786069 A CN112786069 A CN 112786069A
Authority
CN
China
Prior art keywords
voice
speech
microphone array
data
features
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.)
Granted
Application number
CN202011555987.5A
Other languages
English (en)
Other versions
CN112786069B (zh
Inventor
徐杨飞
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 Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
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 Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202011555987.5A priority Critical patent/CN112786069B/zh
Publication of CN112786069A publication Critical patent/CN112786069A/zh
Priority to US18/258,824 priority patent/US20240046955A1/en
Priority to EP21909127.9A priority patent/EP4266308A4/en
Priority to PCT/CN2021/135832 priority patent/WO2022135130A1/zh
Application granted granted Critical
Publication of CN112786069B publication Critical patent/CN112786069B/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
    • G10L21/00—Speech or voice signal processing techniques 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
    • G10L21/0208—Noise filtering
    • 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
    • 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
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • 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
    • G10L21/00—Speech or voice signal processing techniques 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
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • 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
    • G10L21/00—Speech or voice signal processing techniques 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
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
    • G10L2021/02166—Microphone arrays; Beamforming
    • 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
    • G10L25/78—Detection of presence or absence of voice signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Circuit For Audible Band Transducer (AREA)
  • Obtaining Desirable Characteristics In Audible-Bandwidth Transducers (AREA)

Abstract

本公开实施例公开了语音提取方法、装置和电子设备。该方法的一具体实施方式包括：获取麦克风阵列数据；对麦克风阵列数据进行信号处理，得到归一化特征，其中，归一化特征用于表征在预定方向上存在语音的概率；基于麦克风阵列数据，确定目标方向上语音的语音特征；将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。该实施方式降低了环境噪声，提高了提取出的语音数据的准确性。

Description

语音提取方法、装置和电子设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种语音提取方法、装置和电子设备。
背景技术
随着智能硬件的普及，语音作为一种自然的交互方式越来越多的应用于智能硬件(如，音箱、电视和车载等设备)中。麦克风阵列作为一种基础的硬件设施广泛用于智能硬件的声音采集模块中。麦克风阵列是由一定数目的声学传感器(一般是麦克风)组成，用来对声场的空间特性进行采样并处理的系统。麦克风按照指定要求排列后，加上相应的算法就可以解决很多房间声学问题，比如声源定位、去混响、语音增强、盲源分离等。
发明内容
提供该公开内容部分以便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。该公开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。
本公开实施例提供了一种语音提取方法、装置和电子设备，通过结合辅助特征(归一化特征)和从原始麦克风阵列数据中提取出的目标方向上语音的语音特征，提取出目标方向上的语音数据，可以降低环境噪声，提高了提取出的语音数据的准确性。
第一方面，本公开实施例提供了一种语音提取方法，该方法包括：获取麦克风阵列数据；对麦克风阵列数据进行信号处理，得到归一化特征，其中，归一化特征用于表征在预定方向上存在语音的概率；基于麦克风阵列数据，确定目标方向上语音的语音特征；将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。
第二方面，本公开实施例提供了一种语音提取装置，包括：获取单元，用于获取麦克风阵列数据；处理单元，用于对麦克风阵列数据进行信号处理，得到归一化特征，其中，归一化特征用于表征在预定方向上存在语音的概率；确定单元，用于基于麦克风阵列数据，确定目标方向上语音的语音特征；提取单元，用于将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。
第三方面，本公开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，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第一方面的语音提取方法。
第四方面，本公开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，该程序被处理器执行时实现如第一方面的语音提取方法的步骤。
本公开实施例提供的语音提取方法、装置和电子设备，通过首先获取麦克风阵列数据；之后，对上述麦克风阵列数据进行信号处理，得到用于表征在预定方向上存在语音的概率的归一化特征；而后，基于上述麦克风阵列数据，确定目标方向上语音的语音特征；最后，将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据。通过结合辅助特征(归一化特征)和从原始麦克风阵列数据中提取出的目标方向上语音的语音特征，提取出目标方向上的语音数据，可以降低环境噪声，提高了提取出的语音数据的准确性。
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，原件和元素不一定按照比例绘制。
图1是本公开的各个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的语音提取方法的一个实施例的流程图；
图3是根据本公开的语音提取方法的一个应用场景的示意图；
图4是根据本公开的语音提取方法的又一个实施例的流程图；
图5是根据本公开的语音提取装置的一个实施例的结构示意图；
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
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。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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。
图1示出了可以应用本公开的语音提取方法的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括麦克风阵列设备101，网络1021、1022、1023，终端设备103和服务器104。网络1021用以在麦克风阵列设备101和终端设备103之间提供通信链路的介质。网络1022用以在麦克风阵列设备101和服务器104之间提供通信链路的介质。网络1023用以在终端设备103和服务器104之间提供通信链路的介质。网络1021、1022、1023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。
麦克风阵列设备101是由一定数目的声学传感器(一般是麦克风)组成，用来对声场的空间特性进行采样并处理的系统。麦克风阵列设备101可以包括但不限于智能音箱、网络家电等需要进行语音交互的智能家居设备。
终端设备103可以通过网络1021与麦克风阵列设备101交互，以发送或接收消息等，例如，终端设备103可以从麦克风阵列设备101中获取麦克风阵列数据。终端设备103可以通过网络1023与服务器104交互，以发送或接收消息等，例如，终端设备103可以从服务器104中获取训练用近场语音数据，服务器104也可以从终端设备103中获取训练用近场语音数据。终端设备103上可以安装有各种通讯客户端应用，例如语音处理类应用、即时通信软件和智能家居控制软件等。
终端设备103可以从麦克风阵列设备101中获取麦克风阵列数据；之后，可以对上述麦克风阵列数据进行信号处理，得到归一化特征；而后，可以基于上述麦克风阵列数据，确定目标方向上语音的语音特征；最后，可以将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据。
终端设备103可以是硬件，也可以是软件。当终端设备103为硬件时，可以是支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备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104可以是提供各种服务的服务器。例如，可以从麦克风阵列设备101直接获取麦克风阵列数据，或者从终端设备103中获取训练用近场语音数据以生成麦克风阵列数据；之后，可以对上述麦克风阵列数据进行信号处理，得到归一化特征；而后，可以基于上述麦克风阵列数据，确定目标方向上语音的语音特征；最后，可以将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据。
需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，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)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的语音提取方法可以由服务器104执行，则语音提取装置可以设置于服务器104中。本公开实施例所提供的语音提取方法也可以由终端设备103执行，则语音提取装置可以设置于终端设备103中。
还需要说明的是，在本公开实施例所提供的语音提取方法由服务器104执行的情况下，若服务器104可以从麦克风阵列设备101中获取麦克风阵列数据，此时示例性系统架构100可以不存在网络1021、1023和终端设备103。若服务器104可以从终端设备103中获取训练用近场语音数据，此时示例性系统架构100可以不存在网络1021、1022和麦克风阵列设备101。若服务器104的本地可以存储有训练用近场语音数据，此时示例性系统架构100可以不存在网络1021、1022、1023，麦克风阵列设备101和终端设备103。
还需要说明的是，在本公开实施例所提供的语音提取方法由终端设备103执行的情况下，若终端设备103可以从麦克风阵列设备101中获取麦克风阵列数据，此时示例性系统架构100可以不存在网络1022、1023和服务器104。若终端设备103可以从服务器104中获取训练用近场语音数据，此时示例性系统架构100可以不存在网络1021、1022和麦克风阵列设备101。若终端设备103的本地可以存储有训练用近场语音数据，此时示例性系统架构100可以不存在网络1021、1022、1023，麦克风阵列设备101和服务器104。
应该理解，图1中的麦克风阵列设备、网络、终端设备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麦克风阵列设备、网络、终端设备和服务器。
请参考图2，其示出了根据本公开的语音提取方法的一个实施例的流程。如图2所示该语音提取方法，包括以下步骤：
步骤201，获取麦克风阵列数据。
在本实施例中，语音提取方法的执行主体(例如，图1中的终端设备103或服务器104)可以获取麦克风阵列数据。在这里，上述执行主体可以从麦克风阵列设备中获取麦克风阵列数据。作为示例，上述执行可以从智能音箱中获取麦克风阵列数据。
步骤202，对麦克风阵列数据进行信号处理，得到归一化特征。
在本实施例中，上述执行主体可以对步骤201中获取到的麦克风阵列数据进行信号处理，得到归一化特征。在这里，上述归一化特征可以用于表征在预定方向上存在语音的概率。上述归一化特征也可以称为辅助信息。通常来说，上述归一化特征可以表征为0-1之间的数值，例如，若A方向对应的归一化特征为0，则说明A方向上不存在语音信号；若B方向对应的归一化特征为1，则说明B方向上一定存在语音信号。上述预定方向可以包括可能存在语音的方向，即声源所在的方向，也可以包括预先设定的方向。上述预定方向的数量可以为预设第一数量，例如，10。
在这里，上述执行主体对上述麦克风阵列数据进行信号处理的处理方式可以包括但不限于：固定波束形成技术和语音盲分离技术。固定波束形成通常指的是指在波束形成过程中，滤波器权值固定不变。语音盲分离技术也可以称为盲信号分离算法。语音盲分离技术可以包括以下两类方法，一类方法可以利用信号的高阶统计特性进行信号分离，即独立成分分析法(Independent Component Analysis，ICA)，以及以此为基础发展而来的多种改进算法，如快速独立成分分析法(Fast ICA)、独立向量分析算法(Independent VectorAnalysis，IVA)等等。另一类方法可以利用信号的稀疏性进行信号分离，以稀疏成分分析(Sparse Component Analysis，SCA)、非负矩阵分解(Nonnegative MatrixFactorization，NMF)和字典学习(Dictionary Learning)为代表。独立成分分析算法要求各个信号之间相互独立，且观测数要多于或等于信源数。而以稀疏性为基础的算法没有此限制，可用于解决观测数少于信源数情况下的分离问题。
步骤203，基于麦克风阵列数据，确定目标方向上语音的语音特征。
在本实施例中，上述执行主体可以基于上述麦克风阵列数据，确定目标方向上语音的语音特征。上述目标方向的数量通常为预设第二数量，例如，4。在这里，上述目标方向可以为上述预定方向，也可以为基于上述预定方向重新确定的声源所在的方向。
步骤204，将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。
在本实施例中，上述执行主体可以将在步骤202中得到的归一化特征和在步骤203中确定出的目标方向上语音的语音特征进行融合。根据融合后的语音特征，提取上述目标方向上的语音数据，从而实现语音数据的提取。
作为一种示例，上述执行主体可以将上述归一化特征分别与各个目标方向上语音的语音特征相乘，将相乘得到的结果作为融合后的语音特征。
作为另一种示例，上述执行主体也可以将上述归一化特征分别与各个目标方向上语音的语音特征相加，将相加得到的结果作为融合后的语音特征。
本申请的上述实施例提供的方法通过结合辅助特征(归一化特征)和从原始麦克风阵列数据中提取出的目标方向上语音的语音特征，提取出目标方向上的语音数据，可以降低环境噪声，提高了提取出的语音数据的准确性。
在一些可选的实现方式中，上述执行主体可以通过如下方式基于上述麦克风阵列数据，确定目标方向上语音的语音特征：上述执行主体可以基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征。作为示例，上述执行主体可以将上述麦克风阵列数据输入预先训练的语音特征提取模型中，得到目标方向上语音的语音特征。上述语音特征提取模型可以用于表征麦克风阵列与目标方向上语音的语音特征之间的对应关系。
在一些可选的实现方式中，上述语音特征提取模型可以包括基于空间变异的复数卷积神经网络。上述基于空间变异的复数卷积神经网络可以通过如下公式(1)将麦克风阵列数据映射到高维空间中：
Figure BDA0002858064880000081
其中，p表征方向的编号，t表征时间，f表征频率，c表征麦克风的编号，c的取值范围为0～C-1，k表征频谱索引，k的取值范围为-K～K，Yp[t,f]表征在第p个方向上在时间t、频率f处的语音的语音特征，Xc[t,f+k]表征第c个麦克风在时间t、频率f+k处的频谱(即上述麦克风阵列数据)，
Figure BDA0002858064880000082
表征在频率f处，将麦克风阵列数据在第c个麦克风映射到第p个方向的滤波器系数，此滤波器系数覆盖f-K～f+K这一频率区间。
利用基于空间变异的复数卷积神经网络提取语音特征的这种方式，在将原始麦克风数据映射到不同的方向p(高维空间)时，考虑了频率之间的相关性，增加频率尺度的卷积，可以改善将麦克风数据映射到p个方向不同频率的一致性问题，大大的降低了后续网络学习的难度。同时，在原始语音特征提取的过程中，只考虑单一频率点的空间特性，而本方式考虑了f-K～f+K这一频率区间的频谱分布，提高了语音特征提取的准确性。
在一些可选的实现方式中，上述执行主体可以通过如下方式根据融合后的语音特征，提取上述目标方向上的语音数据：上述执行主体可以将融合后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。上述语音提取模型可以用于表征语音特征与目标方向上的语音数据之间的对应关系。
在一些可选的实现方式中，上述执行主体可以通过如下方式对上述麦克风阵列数据进行信号处理，得到归一化特征：上述执行主体可以利用目标技术对上述麦克风阵列数据进行处理，之后，可以对处理得到的数据进行后处理，得到归一化特征。上述目标技术可以包括以下至少一项：固定波束形成技术和语音盲分离技术。后处理是与预处理相对应的，是指在进行在预处理后的下一步工作，是最后加工完善以前进行的工作，或者是对某一阶段性工作后进行的步骤。在这里，上述后处理可以包括但不限于以下至少一项：多通道后置滤波、自适应滤波和维纳滤波。
自适应滤波可以在未知环境下良好的运作并跟踪输入统计量随时间变化的能力。尽管对于不同的应用有不同的实现结构，但是它们都有一个基本的特征：输入向量X(n)和期望响应d(n)被用来计算估计误差e(n)，即e(n)＝d(n)-X(n)，并利用此误差信号构造一个自适应算法的性能函数(比如均方误差MSE)，并随数据的不断输入自适应地更新此性能函数，目标是最小化此性能函数，在此过程中不断地更新调整滤波器的滤波参数，使得这个参数在前面的最小化性能函数所使用的准则下最优，从而达到滤波效果，实现自适应过程。
维纳滤波假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知道它们的二阶统计特性，根据最小军方误差准则(滤波器的输出信号与需要信号之差的均方值最小)，求得最佳线性滤波器的参数。
通过对处理后的数据进一步执行后处理的操作，可以减少后续神经网络处理的计算量。
在一些可选的实现方式中，上述执行主体可以通过如下方式利用目标技术对上述麦克风阵列数据进行处理，对处理得到的数据进行后处理：上述执行主体可以利用固定波束形成技术和基于互相关的语音增强技术对上述麦克风阵列数据进行处理。上述基于互相关的语音增强技术可以利用相干函数对多个信号进行处理，而后对得到的数据进行语音增强。
由于固定波束与基于互相关的语音增强方法具有一定的空间指向性，可以将方向性信息体现到语音数据中，而不是简单的提取麦克风阵列的相位差、互相关等信息，避免了辅助信息(归一化特征)和麦克风数据的不匹配。此外，固定波束和基于互相关的语音增强算法对混响、噪声以及干扰具有较强的鲁棒性，同时计算量相比传统自适应波束和语音盲分离算法大大降低，这样就保证了该方法可以在较低的计算平台上实时运行。
在一些可选的实现方式中，上述执行主体可以通过如下方式将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据：上述执行主体可以将上述归一化特征和上述目标方向上语音的语音特征进行拼接，将拼接后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。通常来说，一个目标方向对应上述语音提取模型的一个通道(channel)，若目标方向的数量为N，则N个目标方向对应上述语音提取模型的N个通道，将上述归一化特征和上述目标方向上语音的语音特征进行拼接，即为上述归一化特征增加一个额外的通道，将上述归一化特征和上述目标方向上语音的语音特征拼接成N+1个输入通道输入到上述语音提取模型中，从而得到上述目标方向上的语音数据。这种方式提供了一种特征的融合方式。
在一些可选的实现方式中，上述麦克风阵列数据可以是通过如下方式生成的：可以首先获取近场语音数据，上述近场语音数据可以是预先存储的训练用近场语音数据。之后，可以将上述近场语音数据转换成远场语音数据。作为示例，可以利用上述近场语音数据，通过卷积房间脉冲响应生成远场语音数据。而后，可以在生成的远场语音数据中添加噪声，从而得到麦克风阵列数据。通过使用仿真的方式生成麦克风阵列数据，可以使得相同的近场语音数据在不同迭代过程中生成不同的仿真数据，增加了数据的多样性。
需要说明的是，上述麦克风阵列数据可以由上述执行主体按照上述生成方式所生成，也可以由除上述执行主体之外的其他电子设备按照上述生成方式所生成。在其他电子设备生成麦克风阵列数据之后，上述执行主体可以从生成麦克风阵列数据的电子设备中获取麦克风阵列数据。
继续参见图3，图3是根据本实施例的语音提取方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以首先从麦克风阵列设备302中获取麦克风阵列数据303。之后，服务器301可以对麦克风阵列数据303进行信号处理，得到用于表征在预定方向上存在语音的概率的归一化特征304。在这里，服务器301可以利用固定波束形成技术或语音盲分离技术对麦克风阵列数据303进行信号处理。而后，服务器301可以基于麦克风阵列数据303和预先训练的语音特征提取模型305，确定目标方向上语音的语音特征306。在这里，服务器301可以将麦克风阵列数据303输入预先训练的语音特征提取模型305中，得到目标方向上语音的语音特征306。最后，服务器301可以将归一化特征304和目标方向上语音的语音特征306进行融合，将融合后的语音特征307输入预先训练的语音提取模型308中，得到目标方向上的语音数据309。在这里，服务器301可以将归一化特征304分别与各个目标方向上语音的语音特征306相乘，将相乘得到的结果作为融合后的语音特征307。
进一步参考图4，其示出了语音提取方法的又一个实施例的流程400。该语音提取方法的流程400，包括以下步骤：
步骤401，获取麦克风阵列数据。
步骤402，对麦克风阵列数据进行信号处理，得到归一化特征。
在本实施例中，步骤401-402可以按照与步骤201-202类似的方式执行，在此不再赘述。
步骤403，将麦克风阵列数据输入预先训练的语音特征提取模型中，得到预定方向上语音的语音特征。
在本实施例中，上述执行主体可以将上述麦克风阵列数据输入预先训练的语音特征提取模型中，得到预定方向上语音的语音特征。该语音特征提取模型可以用于表征麦克风阵列与预定方向上语音的语音特征之间的对应关系。上述预定方向可以包括可能存在语音的方向，即声源所在的方向，也可以包括预先设定的方向。上述预定方向的数量可以为预设第一数量，例如，10。
步骤404，利用预先训练的递归神经网络对预定方向上语音的语音特征进行压缩或扩张，得到目标方向上语音的语音特征。
在本实施例中，上述执行主体可以利用预先训练的递归神经网络(RecursiveNeural Network，RNN)对上述预定方向上语音的语音特征进行压缩或扩张，得到目标方向上语音的语音特征。上述递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(Artificial Neural Network，ANN)。
具体地，上述执行主体可以将上述预定方向上语音的语音特征输入上述递归神经网络中，得到目标方向上语音的语音特征。上述目标方向的数量通常为预设第二数量，例如，4。
在这里，若上述目标方向的数量小于上述预定方向的数量，则利用上述递归神经网络对上述预定方向上语音的语音特征执行的是压缩操作。例如，若上述目标方向的数量为4、上述预定方向的数量为10，则利用上述递归神经网络可以将10个方向上语音的语音特征整合成4个方向上语音的语音特征。
若上述目标方向的数量大于上述预定方向的数量，则利用上述递归神经网络对上述预定方向上语音的语音特征执行的是扩张操作。例如，若上述目标方向的数量为4，上述预定方向的数量为3，则利用上述递归神经网络可以将3个方向上语音的语音特征整合成4个方向上语音的语音特征。
需要说明的是，通常采用网络参数相同的递归神经网络对不同频率的语音的语音特征进行压缩或扩张，这种方式可以在压缩或扩张过程中保证不同频率的语音之间的一致性。
步骤405，将归一化特征和目标方向上语音的语音特征进行融合，将融合后的语音特征输入预先训练的语音提取模型中，得到目标方向上的语音数据。
在本实施例中，步骤405可以按照与步骤204类似的方式执行，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的语音提取方法的流程400体现了对预定方向上语音的语音特征进行压缩或扩张的步骤。由此，本实施例描述的语音特征压缩方案可以降低网络的参数量和计算量，另外，使用递归神经网络可以有效地利用语音信号在时间维度上的相关性，保证了语音在时间上的连续性。
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提取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的语音提取装置包括：获取单元501、处理单元502、确定单元503和输入单元504。其中，获取单元501用于获取麦克风阵列数据；处理单元502用于对麦克风阵列数据进行信号处理，得到归一化特征，其中，归一化特征用于表征在预定方向上存在语音的概率；确定单元503用于基于麦克风阵列数据，确定目标方向上语音的语音特征；提取单元504用于将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。
在本实施例中，语音提取装置的获取单元501、处理单元502、确定单元503和提取单元504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和步骤204的相关说明，在此不再赘述。
在一些可选的实现方式中，确定单元503进一步用于通过如下方式基于上述麦克风阵列数据，确定目标方向上语音的语音特征：基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征。
在一些可选的实现方式中，确定单元503进一步用于通过如下方式基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征：将麦克风阵列数据输入预先训练的语音特征提取模型中，得到预定方向上语音的语音特征；利用预先训练的递归神经网络对预定方向上语音的语音特征进行压缩或扩张，得到目标方向上语音的语音特征。
在一些可选的实现方式中，语音特征提取模型包括基于空间变异的复数卷积神经网络。
在一些可选的实现方式中，提取单元504进一步用于通过如下方式根据融合后的语音特征，提取上述目标方向上的语音数据：将融合后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。
在一些可选的实现方式中，处理单元502进一步用于通过如下方式对上述麦克风阵列数据进行信号处理，得到归一化特征：利用目标技术对麦克风阵列数据进行处理，对处理得到的数据进行后处理，得到归一化特征，其中，目标技术包括以下至少一项：固定波束形成技术和语音盲分离技术。
在一些可选的实现方式中，处理单元502进一步用于通过如下方式利用目标技术对上述麦克风阵列数据进行处理，对处理得到的数据进行后处理：利用固定波束形成技术和基于互相关的语音增强技术对麦克风阵列数据进行处理。
在一些可选的实现方式中，提取单元504进一步用于通过如下方式将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据：将归一化特征和目标方向上语音的语音特征进行拼接，将拼接后的语音特征输入预先训练的语音提取模型中，得到目标方向上的语音数据。
在一些可选的实现方式中，麦克风阵列数据是通过如下步骤生成的：获取近场语音数据，将近场语音数据转换成远场语音数据；在远场语音数据中添加噪声，得到麦克风阵列数据。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开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608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，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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开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电子设备中所包含的；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：获取麦克风阵列数据；对麦克风阵列数据进行信号处理，得到归一化特征，其中，归一化特征用于表征在预定方向上存在语音的概率；基于麦克风阵列数据，确定目标方向上语音的语音特征；将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。
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操作的计算机程序代码，上述程序设计语言包括但不限于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：一种处理器包括获取单元、处理单元、确定单元和提取单元。其中，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，获取单元还可以被描述为“获取麦克风阵列数据的单元”。
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。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种语音提取方法，该方法包括：获取麦克风阵列数据；对麦克风阵列数据进行信号处理，得到归一化特征，其中，归一化特征用于表征在预定方向上存在语音的概率；基于麦克风阵列数据，确定目标方向上语音的语音特征；将归一化特征和目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取目标方向上的语音数据。
根据本公开的一个或多个实施例，基于上述麦克风阵列数据，确定目标方向上语音的语音特征，包括：基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征。
根据本公开的一个或多个实施例，基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征，包括：将上述麦克风阵列数据输入预先训练的语音特征提取模型中，得到预定方向上语音的语音特征；利用预先训练的递归神经网络对上述预定方向上语音的语音特征进行压缩或扩张，得到目标方向上语音的语音特征。
根据本公开的一个或多个实施例，上述语音特征提取模型包括基于空间变异的复数卷积神经网络。
根据本公开的一个或多个实施例，根据融合后的语音特征，提取上述目标方向上的语音数据，包括：将融合后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。
根据本公开的一个或多个实施例，对上述麦克风阵列数据进行信号处理，得到归一化特征，包括：利用目标技术对上述麦克风阵列数据进行处理，对处理得到的数据进行后处理，得到归一化特征，其中，上述目标技术包括以下至少一项：固定波束形成技术和语音盲分离技术。
根据本公开的一个或多个实施例，利用目标技术对上述麦克风阵列数据进行处理，对处理得到的数据进行后处理，包括：利用固定波束形成技术和基于互相关的语音增强技术对上述麦克风阵列数据进行处理。
根据本公开的一个或多个实施例，将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据，包括：将上述归一化特征和上述目标方向上语音的语音特征进行拼接，将拼接后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。
根据本公开的一个或多个实施例，上述麦克风阵列数据是通过如下步骤生成的：获取近场语音数据，将上述近场语音数据转换成远场语音数据；在上述远场语音数据中添加噪声，得到麦克风阵列数据。
根据本公开的一个或多个实施例，提供了一种语音提取装置，该装置包括：获取单元，用于获取麦克风阵列数据；处理单元，用于对上述麦克风阵列数据进行信号处理，得到归一化特征，其中，上述归一化特征用于表征在预定方向上存在语音的概率；确定单元，用于基于上述麦克风阵列数据，确定目标方向上语音的语音特征；提取单元，用于将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据
根据本公开的一个或多个实施例，确定单元进一步用于通过如下方式基于上述麦克风阵列数据，确定目标方向上语音的语音特征：基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征。
根据本公开的一个或多个实施例，确定单元进一步用于通过如下方式基于上述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征：将上述麦克风阵列数据输入预先训练的语音特征提取模型中，得到预定方向上语音的语音特征；利用预先训练的递归神经网络对上述预定方向上语音的语音特征进行压缩或扩张，得到目标方向上语音的语音特征。
根据本公开的一个或多个实施例，语音特征提取模型包括基于空间变异的复数卷积神经网络。
根据本公开的一个或多个实施例，提取单元进一步用于通过如下方式根据融合后的语音特征，提取上述目标方向上的语音数据：将融合后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。
根据本公开的一个或多个实施例，处理单元进一步用于通过如下方式对上述麦克风阵列数据进行信号处理，得到归一化特征：利用目标技术对上述麦克风阵列数据进行处理，对处理得到的数据进行后处理，得到归一化特征，其中，上述目标技术包括以下至少一项：固定波束形成技术和语音盲分离技术。
根据本公开的一个或多个实施例，处理单元进一步用于通过如下方式利用目标技术对上述麦克风阵列数据进行处理，对处理得到的数据进行后处理：利用固定波束形成技术和基于互相关的语音增强技术对上述麦克风阵列数据进行处理。
根据本公开的一个或多个实施例，提取单元进一步用于通过如下方式将上述归一化特征和上述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取上述目标方向上的语音数据：将上述归一化特征和上述目标方向上语音的语音特征进行拼接，将拼接后的语音特征输入预先训练的语音提取模型中，得到上述目标方向上的语音数据。
根据本公开的一个或多个实施例，麦克风阵列数据是通过如下步骤生成的：获取近场语音数据，将上述近场语音数据转换成远场语音数据；在上述远场语音数据中添加噪声，得到麦克风阵列数据。
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，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上述语音提取方法。
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，该程序被处理器执行时实现如上述语音提取方法的步骤。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种语音提取方法，其特征在于，包括：
获取麦克风阵列数据；
对所述麦克风阵列数据进行信号处理，得到归一化特征，其中，所述归一化特征用于表征在预定方向上存在语音的概率；
基于所述麦克风阵列数据，确定目标方向上语音的语音特征；
将所述归一化特征和所述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取所述目标方向上的语音数据。
2.根据权利要求1所述的方法，其特征在于，所述基于所述麦克风阵列数据，确定目标方向上语音的语音特征，包括：
基于所述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征。
3.根据权利要求2所述的方法，其特征在于，所述基于所述麦克风阵列数据和预先训练的语音特征提取模型，确定目标方向上语音的语音特征，包括：
将所述麦克风阵列数据输入预先训练的语音特征提取模型中，得到预定方向上语音的语音特征；
利用预先训练的递归神经网络对所述预定方向上语音的语音特征进行压缩或扩张，得到目标方向上语音的语音特征。
4.根据权利要求2或3所述的方法，其特征在于，所述语音特征提取模型包括基于空间变异的复数卷积神经网络。
5.根据权利要求1所述的方法，其特征在于，所述根据融合后的语音特征，提取所述目标方向上的语音数据，包括：
将融合后的语音特征输入预先训练的语音提取模型中，得到所述目标方向上的语音数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述麦克风阵列数据进行信号处理，得到归一化特征，包括：
利用目标技术对所述麦克风阵列数据进行处理，对处理得到的数据进行后处理，得到归一化特征，其中，所述目标技术包括以下至少一项：固定波束形成技术和语音盲分离技术。
7.根据权利要求6所述的方法，其特征在于，所述利用目标技术对所述麦克风阵列数据进行处理，对处理得到的数据进行后处理，包括：
利用固定波束形成技术和基于互相关的语音增强技术对所述麦克风阵列数据进行处理。
8.根据权利要求5所述的方法，其特征在于，所述将所述归一化特征和所述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取所述目标方向上的语音数据，包括：
将所述归一化特征和所述目标方向上语音的语音特征进行拼接，将拼接后的语音特征输入预先训练的语音提取模型中，得到所述目标方向上的语音数据。
9.根据权利要求1所述的方法，其特征在于，所述麦克风阵列数据是通过如下步骤生成的：
获取近场语音数据，将所述近场语音数据转换成远场语音数据；
在所述远场语音数据中添加噪声，得到麦克风阵列数据。
10.一种语音提取装置，其特征在于，包括：
获取单元，用于获取麦克风阵列数据；
处理单元，用于对所述麦克风阵列数据进行信号处理，得到归一化特征，其中，所述归一化特征用于表征在预定方向上存在语音的概率；
确定单元，用于基于所述麦克风阵列数据，确定目标方向上语音的语音特征；
提取单元，用于将所述归一化特征和所述目标方向上语音的语音特征进行融合，根据融合后的语音特征，提取所述目标方向上的语音数据。
11.一种电子设备，其特征在于，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1-9中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN202011555987.5A 2020-12-24 2020-12-24 语音提取方法、装置和电子设备 Active CN112786069B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011555987.5A CN112786069B (zh) 2020-12-24 2020-12-24 语音提取方法、装置和电子设备
US18/258,824 US20240046955A1 (en) 2020-12-24 2021-12-06 Voice extraction method and apparatus, and electronic device
EP21909127.9A EP4266308A4 (en) 2020-12-24 2021-12-06 VOICE EXTRACTION METHOD AND APPARATUS AND ELECTRONIC DEVICE
PCT/CN2021/135832 WO2022135130A1 (zh) 2020-12-24 2021-12-06 语音提取方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011555987.5A CN112786069B (zh) 2020-12-24 2020-12-24 语音提取方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112786069A true CN112786069A (zh) 2021-05-11
CN112786069B CN112786069B (zh) 2023-03-21

Family

ID=75752391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011555987.5A Active CN112786069B (zh) 2020-12-24 2020-12-24 语音提取方法、装置和电子设备

Country Status (4)

Country Link
US (1) US20240046955A1 (zh)
EP (1) EP4266308A4 (zh)
CN (1) CN112786069B (zh)
WO (1) WO2022135130A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393858A (zh) * 2021-05-27 2021-09-14 北京声智科技有限公司 语音分离方法和系统、电子设备及可读存储介质
CN113793614A (zh) * 2021-08-24 2021-12-14 南昌大学 一种基于独立向量分析的语音特征融合的说话人识别方法
WO2022135130A1 (zh) * 2020-12-24 2022-06-30 北京有竹居网络技术有限公司 语音提取方法、装置和电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240062774A1 (en) * 2022-08-17 2024-02-22 Caterpillar Inc. Detection of audio communication signals present in a high noise environment

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096328B1 (en) * 2017-10-06 2018-10-09 Intel Corporation Beamformer system for tracking of speech and noise in a dynamic environment
CN110992974A (zh) * 2019-11-25 2020-04-10 百度在线网络技术（北京）有限公司 语音识别方法、装置、设备以及计算机可读存储介质
CN111863036A (zh) * 2020-07-20 2020-10-30 北京百度网讯科技有限公司 语音检测的方法和装置
CN111862987A (zh) * 2020-07-20 2020-10-30 北京百度网讯科技有限公司 语音识别方法和装置
CN112017681A (zh) * 2020-09-07 2020-12-01 苏州思必驰信息科技有限公司 定向语音的增强方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1473964A3 (en) * 2003-05-02 2006-08-09 Samsung Electronics Co., Ltd. Microphone array, method to process signals from this microphone array and speech recognition method and system using the same
US10334357B2 (en) * 2017-09-29 2019-06-25 Apple Inc. Machine learning based sound field analysis
US10546593B2 (en) * 2017-12-04 2020-01-28 Apple Inc. Deep learning driven multi-channel filtering for speech enhancement
JP7407580B2 (ja) * 2018-12-06 2024-01-04 シナプティクス インコーポレイテッド システム、及び、方法
CN110261816B (zh) * 2019-07-10 2020-12-15 苏州思必驰信息科技有限公司 语音波达方向估计方法及装置
CN110751946A (zh) * 2019-11-01 2020-02-04 达闼科技成都有限公司 机器人及其语音识别装置和方法
CN110706719B (zh) * 2019-11-14 2022-02-25 北京远鉴信息技术有限公司 一种语音提取方法、装置、电子设备及存储介质
CN111866665B (zh) * 2020-07-22 2022-01-28 海尔优家智能科技（北京）有限公司 麦克风阵列波束形成方法及装置
CN112116920B (zh) * 2020-08-10 2022-08-05 北京大学 一种说话人数未知的多通道语音分离方法
CN111696570B (zh) * 2020-08-17 2020-11-24 北京声智科技有限公司 语音信号处理方法、装置、设备及存储介质
CN112786069B (zh) * 2020-12-24 2023-03-21 北京有竹居网络技术有限公司 语音提取方法、装置和电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096328B1 (en) * 2017-10-06 2018-10-09 Intel Corporation Beamformer system for tracking of speech and noise in a dynamic environment
CN110992974A (zh) * 2019-11-25 2020-04-10 百度在线网络技术（北京）有限公司 语音识别方法、装置、设备以及计算机可读存储介质
CN111863036A (zh) * 2020-07-20 2020-10-30 北京百度网讯科技有限公司 语音检测的方法和装置
CN111862987A (zh) * 2020-07-20 2020-10-30 北京百度网讯科技有限公司 语音识别方法和装置
CN112017681A (zh) * 2020-09-07 2020-12-01 苏州思必驰信息科技有限公司 定向语音的增强方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022135130A1 (zh) * 2020-12-24 2022-06-30 北京有竹居网络技术有限公司 语音提取方法、装置和电子设备
CN113393858A (zh) * 2021-05-27 2021-09-14 北京声智科技有限公司 语音分离方法和系统、电子设备及可读存储介质
CN113393858B (zh) * 2021-05-27 2022-12-02 北京声智科技有限公司 语音分离方法和系统、电子设备及可读存储介质
CN113793614A (zh) * 2021-08-24 2021-12-14 南昌大学 一种基于独立向量分析的语音特征融合的说话人识别方法
CN113793614B (zh) * 2021-08-24 2024-02-09 南昌大学 一种基于独立向量分析的语音特征融合的说话人识别方法

Also Published As

Publication number Publication date
EP4266308A1 (en) 2023-10-25
EP4266308A4 (en) 2024-01-17
US20240046955A1 (en) 2024-02-08
WO2022135130A1 (zh) 2022-06-30
CN112786069B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN112786069B (zh) 语音提取方法、装置和电子设备
CN112634928B (zh) 声音信号处理方法、装置和电子设备
CN113327598B (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN112686031A (zh) 文本特征提取模型的量化方法、装置、设备及存储介质
CN111597825A (zh) 语音翻译方法、装置、可读介质及电子设备
CN111312223B (zh) 语音分割模型的训练方法、装置和电子设备
CN112259079A (zh) 语音识别的方法、装置、设备和计算机可读介质
CN112669870B (zh) 语音增强模型的训练方法、装置和电子设备
CN114420135A (zh) 基于注意力机制的声纹识别方法及装置
CN112017685A (zh) 语音生成方法、装置、设备和计算机可读介质
CN111653261A (zh) 语音合成方法、装置、可读存储介质及电子设备
CN116913258A (zh) 语音信号识别方法、装置、电子设备和计算机可读介质
CN113763976A (zh) 音频信号的降噪方法、装置、可读介质和电子设备
CN111312224A (zh) 语音分割模型的训练方法、装置和电子设备
CN112634930B (zh) 多通道声音增强方法、装置及电子设备
CN114501281B (zh) 声音调整方法、装置、电子设备和计算机可读介质
CN113780534B (zh) 网络模型的压缩方法、图像生成方法、装置、设备及介质
CN113823312B (zh) 语音增强模型生成方法和装置、语音增强方法和装置
CN116472578A (zh) Adl-ufe：全深度学习统一前端系统
CN114783455A (zh) 用于语音降噪的方法、装置、电子设备和计算机可读介质
CN112946576A (zh) 声源定位方法、装置和电子设备
CN117316160B (zh) 无声语音识别方法、装置、电子设备和计算机可读介质
CN112634934B (zh) 语音检测方法及装置
CN111860518B (zh) 用于分割图像的方法、装置、设备和计算机可读介质
CN117351978A (zh) 音频掩蔽模型的确定方法、音频掩蔽方法

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