CN113066506B - 音频数据分离方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本公开公开了音频数据分离方法、装置、电子设备以及存储介质，涉及数据处理技术领域，尤其涉及语音技术领域。音频数据分离方法具体实现方案为：获取待分离的音频片段的目标特征向量；根据目标特征向量和不同说话者的分离模型，确定与待分离的音频片段对应的目标说话者；确定目标特征向量与属于目标说话者的音频片段的特征向量之间的相似度；以及根据相似度和目标特征向量调整目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离。

Description

音频数据分离方法、装置、电子设备以及存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及语音技术领域。

背景技术

在智能客服，会议讨论，访谈对话，综艺节目等等场景往往存在多个说话者的情况，因此，一段语音中通常包括多个说话者的声音。在相关技术中，一般需要将不同说话者的音频数据区分开，以进行语音识别。

发明内容

本公开提供了一种音频数据分离方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种音频数据分离方法，包括：获取待分离的音频片段的目标特征向量；根据上述目标特征向量和不同说话者的分离模型，确定与上述待分离的音频片段对应的目标说话者；确定上述目标特征向量与属于上述目标说话者的音频片段的特征向量之间的相似度；以及根据上述相似度和上述目标特征向量调整上述目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离。

根据本公开的另一方面，提供了一种音频数据分离装置，包括：第一获取模块、第一确定模块、第二确定模块和调整模块。

第一获取模块，用于获取待分离的音频片段的目标特征向量；

第一确定模块，用于根据上述目标特征向量和不同说话者的分离模型，确定与上述待分离的音频片段对应的目标说话者；

第二确定模块，用于确定上述目标特征向量与属于上述目标说话者的音频片段的特征向量之间的相似度；以及

调整模块，用于根据上述相似度和上述目标特征向量调整上述目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用音频数据分离方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的音频数据分离方法的流程图；

图3示意性示出了根据目标特征向量和不同说话者的分离模型，确定与待分离的音频片段对应的目标说话者的流程图；

图4示意性示出了根据本公开实施例的获取待分离的音频片段的目标特征向量的流程图；

图5示意性示出了根据本公开实施例的分离音频片段的流程图；

图6示意性示出了根据本公开实施例的在线分离音频数据的示意图；

图7示意性示出了根据本公开实施例的音频数据分离装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现音频数据分离方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

在相关技术中，为了将不同说话者的语音数据区分开，一般需要对录制下来的音频通过分离系统进行人声分离，然后再进行针对性的分析。例如，为了将不同说话者的语音数据区分开，相关技术中可以根据说话者的声纹特征对语音数据进行分类处理，将属于同一类别的声纹特征所对应的语音片段作为同一说话者对应的语音，类数由给定的说话者人数确定。通常这个过程是离线完成的，需要输入录制好的音频，并预先确定音频里面的说话人个数，才可以进行人声分离。

在实现本公开的过程中发现，目前对音频进行离线分离的方法的实际分离效果不佳，导致分离准确率低。此外，对音频进行离线分离的方法往往在一些对实时性要求高的场景效果不佳，例如对于需要实时的按角色进行语音转写或其他维度的分析场景效果不佳，因此，目前对音频数据进行在线分离的效果不佳。

在实现本公开的过程中还发现，如果需要对音频数据进行在线分离，需要提前对说话者的声音进行注册，通过实时的判断音频片段与哪个已经注册的说话者的声音最相似，进而给不同片段的音频标记对应说话者的标签。然而该方法需要提前对所有的说话者进行声纹注册，较难实现对实时新加进来的说话者进行响应。

本公开的实施例提供了音频数据分离方法，包括：获取待分离的音频片段的目标特征向量；根据上述目标特征向量和不同说话者的分离模型，确定与上述待分离的音频片段对应的目标说话者；确定上述目标特征向量与属于上述目标说话者的音频片段的特征向量之间的相似度；以及根据上述相似度和上述目标特征向量调整上述目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离。

图1示意性示出了根据本公开实施例的可以应用音频数据分离方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用音频数据分离方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的音频数据分离方法及装置。

如图1所示，根据该实施例的系统架构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，例如有线和/或无线通信链路等等。

不同用户可以使用终端设备101、102、103通过网络104和服务器105实现交互，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，例如语音通话应用、知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。不同用户通过终端设备101、102、103可以参加会议讨论，聊天对话，访谈对话，综艺节目等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户语音数据进行分析等处理，并将处理结果反馈给终端设备。例如将音频数据分离结果发送给终端设备，以便终端设备展示给用户。

需要说明的是，本公开实施例所提供的音频数据分离方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的音频数据分离装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的音频数据分离方法一般也可以由服务器105执行。相应地，本公开实施例所提供的音频数据分离装置一般可以设置于服务器105中。本公开实施例所提供的音频数据分离方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的音频数据分离装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

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。

图2示意性示出了根据本公开实施例的音频数据分离方法的流程图。

如图2所示，该方法包括操作S210～S240。

在操作S210，获取待分离的音频片段的目标特征向量。

在操作S220，根据目标特征向量和不同说话者的分离模型，确定与待分离的音频片段对应的目标说话者。

在操作S230，确定目标特征向量与属于目标说话者的音频片段的特征向量之间的相似度。

在操作S240，根据相似度和目标特征向量调整目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离。

根据本公开的实施例，待分离的音频片段可以对应于一个说话者，即该待分离的音频片段是由一个说话者说出的语音数据。待分离的音频片段是指没有确定说话者具体身份的音频数据。

根据本公开的实施例，待分离的音频片段可以是在线音频数据，通过处理音频流数据，可以获得一个或多个音频片段。音频片段的时长不做限定，可以预先设定。例如可以是25毫秒，50毫秒，250毫秒等等。

根据本公开的实施例，每个说话者可以具有对应的分离模型，可以根据说话者本身的语音特征构建各自的分离模型。例如，说话者1对应第一分离模型，说话者2对应第二分离模型，第一分离模型与第二分离模型与说话者本身的语音特征相关。

根据本公开的实施例，分离模型例如可以采用UCB模型，也可以采用Linear UCB模型等。Linear UCB模型相对于UCB模型来说增加了上下文的特征。需要说明的是，本公开的实施例提供的分离模型不是UCB模型和Linear UCB模型本身，也可以是对UCB模型和LinearUCB模型进行改造之后的模型，或者是与UCB模型和Linear UCB模型完全不同的模型。本公开的实施例至少可以根据相似度和目标特征向量调整目标说话者的分离模型的模型参数，达到了自监督的效果。

根据本公开的实施例，分离模型例如可以是分类模型，可以将目标特征向量输入到分类模型中，确定该目标特征向量与分类模型的相关度。将得到的多个相关度进行比较，确定相关度最高的分类模型对应的说话者作为目标说话者。

根据本公开的实施例，属于目标说话者的音频片段的特征向量可以是预先获取的。例如，在获取待分离的音频片段的目标特征向量之前，已经确定了该目标说话者的多个目标音频片段，然后获得每个目标音频片段的特征向量。或者，属于目标说话者的音频片段的特征向量也可以在获取待分离的音频片段的目标特征向量之后，先确定该目标说话者的多个目标音频片段，然后获得每个目标音频片段的特征向量。

根据本公开的实施例，计算特征向量之间的相似度的方式不做限定，例如，可以采用余弦相似度计算方法等。

根据本公开的实施例，根据相似度和目标特征向量调整目标说话者的分离模型的模型参数的方式不做限定。例如，可以将相似度与分离模型的模型参数相乘，更新分离模型的模型参数，将目标特征向量输入该分离模型，更新该分离模型的模型参数。

在相关技术中，一般需要提前对所有的说话者进行声纹注册，注册后的声纹特征是不易发生变化的。由于不能实时改变注册的说话者的声纹特征，导致分离模型的分离效果差。根据本公开的实施例，确定目标特征向量与属于目标说话者的音频片段的特征向量之间的相似度；根据相似度和目标特征向量调整目标说话者的分离模型的模型参数。由于根据相似度和目标特征向量可以调整目标说话者的分离模型的模型参数，使得分离模型是可变化的，是一个不断学习自我更新优化的过程，实现了自适应更新分离模型。通过本公开的实施例，经过分析，至少可以提升2％～5％左右的分离准确率。不仅适用于离线分离场景，而且也可以适用于对实时性要求高的在线分离场景。

根据本公开的实施例，每个分离模型可以包括变换矩阵和残差向量。

根据本公开的实施例，可以预先初始化每个在线说话者的分离模型。例如，初始化的每个分离模型包括d维单位矩阵和d维零向量。

根据本公开的实施例，在分离音频数据的过程中，可以根据说话者的音频片段对应的特征向量更新d维单位矩阵和d维零向量，得到变换矩阵和残差向量。

根据本公开的实施例，也可以根据目标特征向量与属于目标说话者的音频片段的特征向量之间的相似度，以及目标特征向量调整分离模型的变换矩阵和残差向量。其中，属于目标说话者的音频片段的特征向量可以是历史音频片段的历史特征向量。

根据本公开的实施例，具体地，例如，将特征向量与该特征向量的转置向量相乘，得到的乘积作为变换矩阵。计算该特征向量与历史特征向量之间的相似度，将该特征向量与该相似度的乘积作为残差向量。

图3示意性示出了根据目标特征向量和不同说话者的分离模型，确定与待分离的音频片段对应的目标说话者的流程图。

如图3所示，该根据目标特征向量和不同说话者的分离模型，确定与待分离的音频片段对应的目标说话者包括操作S310～S320。

在操作S310，根据目标特征向量和每个分离模型的变换矩阵和残差向量，计算目标特征向量与每个分离模型的匹配值。

在操作S320，根据目标特征向量与每个分离模型的匹配值，确定与待分离的音频片段对应的目标说话者。

根据本公开的实施例，例如，假设存在3个分离模型，每个分离模型具有对应的超参数α。针对每个说话者的分离模型，根据分离模型的变换矩阵和残差向量计算可变参数；根据可变参数、变换矩阵、分离模型的超参数α和目标特征向量计算匹配值。

例如，将变换矩阵A和残差向量b相乘得到可变参数θ。将可变参数θ与目标特征向量X相乘，得到第一乘积。将超参数α、变换矩阵A和目标特征向量X相乘，得到第二乘积。将第一乘积和第二乘积相加，得到目标特征向量与该分离模型的匹配值。需要说明的是，基于上述矩阵和向量计算匹配值的方式不做限定，本领域技术人员可以基于上述矩阵和向量采用合理方式计算匹配值，在此不再赘述。

根据本公开的实施例，根据目标特征向量与每个分离模型的匹配值，确定与待分离的音频片段对应的目标说话者包括：从目标特征向量与每个分离模型的所有匹配值中确定最高匹配值；根据本公开的实施例，可以将目标特征向量与每个分离模型的所有匹配值进行比较，确定最高匹配值。然后确定与最高匹配值对应的目标分离模型；以及将与目标分离模型对应的说话者作为目标说话者。

根据本公开的实施例，在将与目标分离模型对应的说话者作为目标说话者之前，还可以将最高匹配值与预设阈值进行比较，如果最高匹配值小于预设阈值，可以新增一个分离模型，该新增的分离模型可以对应于一个新的说话者，将该新的说话者作为目标说话者。

根据本公开的实施例，如果最高匹配值大于或等于预设阈值，则确定与最高匹配值对应的目标分离模型，将与目标分离模型对应的说话者作为目标说话者。

根据本公开的实施例，还可以初始化该新增的分离模型，得到单位矩阵和零向量。利用单位矩阵和零向量计算初始可变参数，然后利用初始可变参数，单位矩阵，该目标特征向量和该新增的分离模型的超参数计算匹配值。将该新增的分离模型的匹配值与其他分离模型的匹配值进行比较，如果该新增的分离模型的匹配值最大，可以将该新增的分离模型对应的新的说话者作为目标说话者。或者，也可以不计算新增的分离模型的匹配值，直接将新增的分离模型对应的新的说话者作为目标说话者，并将新增的分离模型与其他说话者的分离模型一起用于分离后续的音频片段。

通过本公开的实施例，由于可以新增新的说话者，因此可以适用于在线音频数据区分说话者的场景。无需提前对所有的说话者进行声纹注册，可以实现对实时新加进来的说话者进行区分。

根据本公开的实施例，确定目标特征向量与属于目标说话者的音频片段的特征向量之间的相似度包括：确定属于目标说话者的所有音频片段的特征向量的中心向量；以及计算目标特征向量与中心向量之间的相似度。

根据本公开的实施例，属于目标说话者的音频片段是指该目标说话者曾说过的音频数据，这些音频数据可以是在线获得的语音数据。目标说话者的所有音频片段可以是在处理当前待分离的音频片段之前利用分离模型进行确定的。

根据本公开的实施例，确定属于目标说话者的所有音频片段的特征向量的中心向量包括：计算属于目标说话者的所有音频片段的特征向量的平均值；以及将平均值作为中心向量。

根据本公开的实施例，根据属于目标说话者的所有音频片段的特征向量计算中心向量，然后根据中心向量和目标特征向量计算相似度，基于相似度和目标特征向量更新分离模型的模型参数，使得提高了更新模型参数后的分离模型的分离准确率。

图4示意性示出了根据本公开实施例的获取待分离的音频片段的目标特征向量的流程图。

如图4所示，该方法包括操作S410～S450。

在操作S410，获取待分离的音频片段。

在操作S420，将待分离的音频片段输入语音检测模型，确定待分离的音频片段的类别。

在操作S430，在待分离的音频片段的类别为人声类别的情况下，提取音频片段的特征数据。

在操作S440，根据特征数据生成待分离的音频片段的特征向量。

在操作S450，在待分离的音频片段的类别不为人声类别的情况下，滤除类别不为人声类别的音频片段。

根据本公开的实施例，可以利用人声数据与非人声数据(例如，环境噪声，音乐声等)，预先训练语音检测模型，该语音检测模型可以是基于深度神经网络构造的模型，用于判别音频片段的类别是否属于人声类别。

根据本公开的实施例，可以利用大量的说话者的音频数据训练特征提取模型，使用特征提取模型提取音频片段的特征数据。

图5示意性示出了根据本公开实施例的分离音频片段的流程图。

如图5所示，首先输入音频数据，利用深度神经网络的语音检测模型DNN VAD去除环境噪声与静音，得到有效的人声音频数据。然后经过MFCC(Mel-frequency cepstralcoefficients，即梅尔频率倒谱系数)对有效的人声音频片段提取音频特征。再然后将音频特征经过特征提取模型TDNN模型，提取说话者特征向量xvector。将特征向量再经过分离模型LinUCB模型，实现将音频片段分配到对应的说话者上。

根据本公开的实施例，在获取音频数据之后，可以对音频数据进行分帧处理，得到多帧待分离的音频片段。将待分离的音频片段输入语音检测模型，确定待分离的音频片段的类别包括：将每帧待分离的音频片段分别输入语音检测模型，确定每帧待分离的音频片段的类别。然后根据类别去除环境噪声与静音，得到有效的人声音频数据。

根据本公开的实施例，获取的音频数据的时长不做限定，可以根据实际处理精度和效率要求调整音频数据的时长。例如，在实际处理精度要求高时，获取的音频数据的时长相对较短；在实际处理精度要求低时，获取的音频数据的时长相对较长。具体地，获取的音频数据的时长例如可以是2，3秒，5秒等。

根据本公开的实施例，获取的音频数据可以是在线音频数据。

根据本公开的实施例，每帧待分离的音频片段的时长不做限定，例如可以是25毫秒，50毫秒，100毫秒等等。

下面参考图6，结合具体实施例对本公开实施例所描述的方法做进一步说明。

图6示意性示出了根据本公开实施例的在线分离音频数据的示意图。

如图6所示，多个在线说话者在进行在线交流，具体地，例如。说话者1，说话者2和说话者3可以使用一个或多个电子设备进行会议讨论。在不同说话者说话的过程中，可以由电子设备将采集到的音频数据传输给音频数据分离装置。由音频数据分离装置执行本公开实施例的音频数据分离方法。

根据本公开的实施例，在音频数据分离装置获取到音频数据之后，可以按照预设分割时长，对音频数据进行分帧处理，得到多帧待分离的音频片段。然后滤除多帧待分离的音频片段中属于噪声或者静音的音频片段，剩下属于人声的音频片段。

根据本公开的实施例，针对属于人声的音频片段，可以生成每个音频片段的目标特征向量。

根据本公开的实施例，针对每个待分离的音频片段，根据目标特征向量和不同说话者的分离模型，确定与待分离的音频片段对应的目标说话者。

根据本公开的实施例，在确定每个音频片段对应的目标说话者之后，可以将确定结果发送给其他在线交流的参会者，参会者可以是除说话者1，说话者2和说话者3之外的其他人。

根据本公开的实施例，可以适用于在线音频数据区分说话者的场景。无需提前对所有的说话者进行声纹注册，实现了在线分离音频数据的效果。

图7示意性示出了根据本公开实施例的音频数据分离装置的框图。

如图7所示，音频数据分离装置700包括：第一获取模块710、第一确定模块720、第二确定模块730和调整模块740。

第一获取模块710，用于获取待分离的音频片段的目标特征向量。

第一确定模块720，用于根据上述目标特征向量和不同说话者的分离模型，确定与上述待分离的音频片段对应的目标说话者。

第二确定模块730，用于确定上述目标特征向量与属于上述目标说话者的音频片段的特征向量之间的相似度。

调整模块740，用于根据上述相似度和上述目标特征向量调整上述目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离。

在相关技术中，一般需要提前对所有的说话者进行声纹注册，注册后的声纹特征是不易发生变化的。由于不能实时改变注册的说话者的声纹特征，导致分离模型的分离效果差。根据本公开的实施例，确定目标特征向量与属于目标说话者的音频片段的特征向量之间的相似度；根据相似度和目标特征向量调整目标说话者的分离模型的模型参数。由于根据相似度和目标特征向量可以调整目标说话者的分离模型的模型参数，使得分离模型是可变化的，是一个不断学习自我更新优化的过程，实现了自适应更新分离模型。通过本公开的实施例，经过分析，可以提升2％～5％左右的分离准确率。不仅适用于离线分离场景，而且也可以适用于对实时性要求高的在线分离场景。

根据本公开的实施例，每个上述分离模型包括变换矩阵和残差向量。

其中，上述第一确定模块包括：第一计算单元和第一确定单元。

第一计算单元，用于根据上述目标特征向量和每个上述分离模型的变换矩阵和残差向量，计算上述目标特征向量与每个上述分离模型的匹配值。

第一确定单元，用于根据上述目标特征向量与每个上述分离模型的匹配值，确定与上述待分离的音频片段对应的目标说话者。

根据本公开的实施例，上述第一计算单元包括：第一计算子单元和第二计算子单元。

第一计算子单元，用于针对每个上述说话者的分离模型，根据上述变换矩阵和上述残差向量计算可变参数。

第二计算子单元，用于根据上述可变参数、上述变换矩阵、上述分离模型的超参数和上述目标特征向量计算上述匹配值。

根据本公开的实施例，上述第一确定模块包括：第二确定单元、第三确定单元和第四确定单元。

第二确定单元，用于从上述目标特征向量与每个上述分离模型的所有匹配值中确定最高匹配值。

第三确定单元，用于确定与上述最高匹配值对应的目标分离模型。

第四确定单元，用于将与上述目标分离模型对应的说话者作为上述目标说话者。

根据本公开的实施例，上述第二确定模块包括：第五确定单元和第二计算单元。

第五确定单元，用于确定属于上述目标说话者的所有音频片段的特征向量的中心向量。

第二计算单元，用于计算上述目标特征向量与上述中心向量之间的相似度。

根据本公开的实施例，上述第五确定单元包括：第三计算子单元和确定子单元。

第三计算子单元，用于计算属于上述目标说话者的所有音频片段的特征向量的平均值。

确定子单元，用于将上述平均值作为上述中心向量。

根据本公开的实施例，上述第一获取模块包括：获取单元、输入单元、提取单元、生成单元和滤除单元。

获取单元，用于获取上述待分离的音频片段；

输入单元，用于将上述待分离的音频片段输入语音检测模型，确定上述待分离的音频片段的类别；

提取单元，用于在上述待分离的音频片段的类别为人声类别的情况下，提取上述音频片段的特征数据；

生成单元，用于根据上述特征数据生成上述待分离的音频片段的特征向量；

滤除单元，用于在上述待分离的音频片段的类别不为上述人声类别的情况下，滤除类别不为上述人声类别的音频片段。

根据本公开的实施例，音频数据分离装置700还包括：第二获取模块和处理模块。

第二获取模块，用于获取音频数据。

处理模块，用于对上述音频数据进行分帧处理，得到多帧待分离的音频片段。

其中，上述输入单元用于将每帧上述待分离的音频片段分别输入上述语音检测模型，确定每帧上述待分离的音频片段的类别。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如音频数据分离方法。例如，在一些实施例中，音频数据分离方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的音频数据分离方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行音频数据分离方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

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。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种音频数据分离方法，包括：

获取待分离的音频片段的目标特征向量；

根据所述目标特征向量和不同说话者的分离模型，确定与所述待分离的音频片段对应的目标说话者；

确定所述目标特征向量与属于所述目标说话者的音频片段的特征向量之间的相似度；以及

根据所述相似度和所述目标特征向量调整所述目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离，其中，所述待分离的音频片段表征未确定说话者身份的音频数据；

其中，每个所述分离模型包括变换矩阵和残差向量；

其中，所述根据所述目标特征向量和不同说话者的分离模型，确定与所述待分离的音频片段对应的目标说话者包括：

根据所述目标特征向量和每个所述分离模型的变换矩阵和残差向量，计算所述目标特征向量与每个所述分离模型的匹配值；以及

根据所述目标特征向量与每个所述分离模型的匹配值，确定与所述待分离的音频片段对应的目标说话者；

其中，所述根据所述目标特征向量和每个所述分离模型的变换矩阵和残差向量，计算所述目标特征向量与每个所述分离模型的匹配值包括：

针对每个所述说话者的分离模型，根据所述变换矩阵和所述残差向量计算可变参数；以及

根据所述可变参数、所述变换矩阵、所述分离模型的超参数和所述目标特征向量计算所述匹配值。

2.根据权利要求1所述的方法，其中，所述根据所述目标特征向量与每个所述分离模型的匹配值，确定与所述待分离的音频片段对应的目标说话者包括：

从所述目标特征向量与每个所述分离模型的所有匹配值中确定最高匹配值；

确定与所述最高匹配值对应的目标分离模型；以及

将与所述目标分离模型对应的说话者作为所述目标说话者。

3. 根据权利要求1所述的方法，其中，所述确定所述目标特征向量与属于所述目标说话者的音频片段的特征向量之间的相似度包括：

确定属于所述目标说话者的所有音频片段的特征向量的中心向量；以及

计算所述目标特征向量与所述中心向量之间的相似度。

4. 根据权利要求3所述的方法，其中，所述确定属于所述目标说话者的所有音频片段的特征向量的中心向量包括：

计算属于所述目标说话者的所有音频片段的特征向量的平均值；以及

将所述平均值作为所述中心向量。

5.根据权利要求1所述的方法，其中，所述获取待分离的音频片段的目标特征向量包括：

获取所述待分离的音频片段；

将所述待分离的音频片段输入语音检测模型，确定所述待分离的音频片段的类别；

在所述待分离的音频片段的类别为人声类别的情况下，提取所述音频片段的特征数据；

根据所述特征数据生成所述待分离的音频片段的特征向量；

在所述待分离的音频片段的类别不为所述人声类别的情况下，滤除类别不为所述人声类别的音频片段。

6.根据权利要求5所述的方法，还包括：

获取音频数据；

对所述音频数据进行分帧处理，得到多帧待分离的音频片段；

将所述待分离的音频片段输入语音检测模型，确定所述待分离的音频片段的类别包括：

将每帧所述待分离的音频片段分别输入所述语音检测模型，确定每帧所述待分离的音频片段的类别。

7.一种音频数据分离装置，包括：

第一获取模块，用于获取待分离的音频片段的目标特征向量；

第一确定模块，用于根据所述目标特征向量和不同说话者的分离模型，确定与所述待分离的音频片段对应的目标说话者；

第二确定模块，用于确定所述目标特征向量与属于所述目标说话者的音频片段的特征向量之间的相似度；以及

调整模块，用于根据所述相似度和所述目标特征向量调整所述目标说话者的分离模型的模型参数，以便根据调整模型参数后的分离模型对后续待分离的音频片段进行分离，其中，所述待分离的音频片段表征未确定说话者身份的音频数据；

其中，每个所述分离模型包括变换矩阵和残差向量；

其中，所述第一确定模块包括：

第一计算单元，用于根据所述目标特征向量和每个所述分离模型的变换矩阵和残差向量，计算所述目标特征向量与每个所述分离模型的匹配值；以及

第一确定单元，用于根据所述目标特征向量与每个所述分离模型的匹配值，确定与所述待分离的音频片段对应的目标说话者；

其中，所述第一计算单元包括：

第一计算子单元，用于针对每个所述说话者的分离模型，根据所述变换矩阵和所述残差向量计算可变参数；以及

第二计算子单元，用于根据所述可变参数、所述变换矩阵、所述分离模型的超参数和所述目标特征向量计算所述匹配值。

8.根据权利要求7所述的装置，其中，所述第一确定模块包括：

第二确定单元，用于从所述目标特征向量与每个所述分离模型的所有匹配值中确定最高匹配值；

第三确定单元，用于确定与所述最高匹配值对应的目标分离模型；以及

第四确定单元，用于将与所述目标分离模型对应的说话者作为所述目标说话者。

9.根据权利要求7所述的装置，其中，所述第二确定模块包括：

第五确定单元，用于确定属于所述目标说话者的所有音频片段的特征向量的中心向量；以及

第二计算单元，用于计算所述目标特征向量与所述中心向量之间的相似度。

10. 根据权利要求9所述的装置，其中，所述第五确定单元包括：

第三计算子单元，用于计算属于所述目标说话者的所有音频片段的特征向量的平均值；以及

确定子单元，用于将所述平均值作为所述中心向量。

11.根据权利要求7所述的装置，其中，所述第一获取模块包括：

获取单元，用于获取所述待分离的音频片段；

输入单元，用于将所述待分离的音频片段输入语音检测模型，确定所述待分离的音频片段的类别；

提取单元，用于在所述待分离的音频片段的类别为人声类别的情况下，提取所述音频片段的特征数据；

生成单元，用于根据所述特征数据生成所述待分离的音频片段的特征向量；

滤除单元，用于在所述待分离的音频片段的类别不为所述人声类别的情况下，滤除类别不为所述人声类别的音频片段。

12.根据权利要求11所述的装置，还包括：

第二获取模块，用于获取音频数据；

处理模块，用于对所述音频数据进行分帧处理，得到多帧待分离的音频片段；

其中，所述输入单元用于将每帧所述待分离的音频片段分别输入所述语音检测模型，确定每帧所述待分离的音频片段的类别。

13. 一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

Images