CN114550717A - 语音音区切换方法、装置、设备及存储介质 - Google Patents
语音音区切换方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114550717A CN114550717A CN202210139939.0A CN202210139939A CN114550717A CN 114550717 A CN114550717 A CN 114550717A CN 202210139939 A CN202210139939 A CN 202210139939A CN 114550717 A CN114550717 A CN 114550717A
- Authority
- CN
- China
- Prior art keywords
- voice
- sound source
- time period
- audio
- sound
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004807 localization Effects 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 3
- MQJKPEGWNLWLTK-UHFFFAOYSA-N Dapsone Chemical compound C1=CC(N)=CC=C1S(=O)(=O)C1=CC=C(N)C=C1 MQJKPEGWNLWLTK-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- 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
- G10L17/00—Speaker identification or verification techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
- H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
- H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
- H04R1/406—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers microphones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
- H04R2201/40—Details of arrangements for obtaining desired directional characteristic by combining a number of identical transducers covered by H04R1/40 but not provided for in any of its subgroups
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Otolaryngology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Telephone Function (AREA)
Abstract
本申请公开了一种语音音区切换方法、装置、设备及存储介质,属于语音识别领域。所述方法包括:获取目标对象的语音音频,该语音音频为目标对象在当前时间使用语音客户端时所发出的音频,对该语音音频进行声源定位,以确定该语音音频对应的声源定位值,基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换。由于语音音频对应的声源定位值能够指示语音音频的来源方向,所以,在确定出语音音频对应的声源定位值之后,能够基于声源定位值确定当前时间使用语音客户端的目标对象是否来源于同一方向,进而基于第一时间段内各个语音音频对应的声源定位值进行语音音区的切换。
Description
技术领域
本申请涉及语音识别领域,特别涉及一种语音音区切换方法、装置、设备及存储介质。
背景技术
目前,诸如语音助手等语音客户端的工作模式通常包括单音区模式和双音区模式,在语音客户端的工作模式为单音区模式的情况下,语音客户端通过单通道采集语音音频。在语音客户端的工作模式为双音区模式的情况下,语音客户端通过双通道采集语音音频。但是,在某些情况下,语音客户端的工作模式需要在单音区模式和双音区模式之间进行切换。因此,如何进行语音音区的切换成为目前亟待解决的问题。
发明内容
本申请提供了一种语音音区切换方法、装置、设备及存储介质。所述技术方案如下:
一方面,提供了一种语音音区切换方法,所述方法包括:
获取目标对象的语音音频,所述语音音频为所述目标对象在当前时间使用语音客户端时所发出的音频;
对所述语音音频进行声源定位,以确定所述语音音频对应的声源定位值;
基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换,所述第一时间段为包含所述当前时间且位于所述当前时间之前的一个时间段。
可选地,所述对所述语音音频进行声源定位,以确定所述语音音频对应的声源定位值,包括:
对所述语音音频进行声源定位,以确定所述目标对象为主驾人员还是副驾人员;
在所述目标对象为主驾人员的情况下,确定所述语音音频对应的声源定位值为第一数值;
在所述目标对象为副驾人员的情况下,确定所述语音音频对应的声源定位值为第二数值。
可选地,所述基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区切换,包括:
在所述各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为单音区模式的情况下,保持所述语音客户端的工作模式不变;
在所述各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为双音区模式的情况下,切换所述语音客户端的工作模式为单音区模式;
在所述各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为单音区模式的情况下,切换所述语音客户端的工作模式为双音区模式;
在所述各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为双音区模式的情况下,保持所述语音客户端的工作模式不变。
可选地,所述基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区切换,包括:
获取第二时间段内的各个语音音频对应的声源定位值,所述第二时间段为所述第一时间段之前且距离所述第一时间段最近的一个时间段;
基于所述第一时间段内的各个语音音频对应的声源定位值,以及所述第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换。
可选地,所述基于所述第一时间段内的各个语音音频对应的声源定位值,以及所述第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换,包括:
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为单音区模式的情况下,保持所述语音客户端的工作模式不变;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为双音区模式的情况下,切换所述语音客户端的工作模式为单音区模式;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为单音区模式的情况下,切换所述语音客户端的工作模式为双音区模式;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为双音区模式的情况下,保持所述语音客户端的工作模式不变。
可选地,所述第一时间段与所述第二时间段之间的时间间隔为参考时长。
可选地,所述方法还包括:
确定所述目标对象使用所述语音客户端时发出语音音频的频率;
在所述频率增加的情况下,减小所述参考时长;
在所述频率降低的情况下,增大所述参考时长。
另一方面,提供了一种语音音区切换装置,所述装置包括:
获取模块,用于获取目标对象的语音音频,所述语音音频为所述目标对象在当前时间使用语音客户端时所发出的音频;
声源定位模块,用于对所述语音音频进行声源定位,以确定所述语音音频对应的声源定位值;
切换模块,用于基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换,所述第一时间段为包含所述当前时间且位于所述当前时间之前的一个时间段。
可选地,所述声源定位模块具体用于:
对所述语音音频进行声源定位,以确定所述目标对象为主驾人员还是副驾人员;
在所述目标对象为主驾人员的情况下,确定所述语音音频对应的声源定位值为第一数值;
在所述目标对象为副驾人员的情况下,确定所述语音音频对应的声源定位值为第二数值。
可选地,切换模块具体用于:
在所述各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为单音区模式的情况下,保持所述语音客户端的工作模式不变;
在所述各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为双音区模式的情况下,切换所述语音客户端的工作模式为单音区模式;
在所述各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为单音区模式的情况下,切换所述语音客户端的工作模式为双音区模式;
在所述各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为双音区模式的情况下,保持所述语音客户端的工作模式不变。
可选地,切换模块包括:
获取单元,用于获取第二时间段内的各个语音音频对应的声源定位值,所述第二时间段为所述第一时间段之前且距离所述第一时间段最近的一个时间段;
切换单元,用于基于所述第一时间段内的各个语音音频对应的声源定位值,以及所述第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换。
可选地,所述切换单元具体用于:
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为单音区模式的情况下,保持所述语音客户端的工作模式不变;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为双音区模式的情况下,切换所述语音客户端的工作模式为单音区模式;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为单音区模式的情况下,切换所述语音客户端的工作模式为双音区模式;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为双音区模式的情况下,保持所述语音客户端的工作模式不变。
可选地,所述第一时间段与所述第二时间段之间的时间间隔为参考时长。
可选地,所述装置还包括:
确定模块,用于确定所述目标对象使用所述语音客户端时发出语音音频的频率;
减小模块,用于在所述频率增加的情况下,减小所述参考时长;
增大模块,用于在所述频率降低的情况下,增大所述参考时长。
另一方面,提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存放计算机程序,所述处理器用于执行所述存储器上所存放的计算机程序,以实现上述所述的语音音区切换方法的步骤。
另一方面,提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述所述语音音区切换方法的步骤。
另一方面,提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使得计算机执行上述所述的语音音区切换方法的步骤。
本申请提供的技术方案至少可以带来以下有益效果:
由于语音音频对应的声源定位值能够指示语音音频的来源方向,所以,在确定出语音音频对应的声源定位值之后,能够基于声源定位值确定当前时间使用语音客户端的目标对象是否来源于同一方向,进而基于第一时间段内各个语音音频对应的声源定位值进行语音音区的切换。即,动态地确定语音音频对应的声源定位值,并基于声源定位值动态地确定使用语音客户端的目标对象是否来源于同一方向,进而动态地切换语音音区,从而实现语音客户端资源的合理利用。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种语音音区切换方法的流程图;
图2是本申请实施例提供的一种语音音区切换流程的示意图;
图3是本申请实施例提供的一种语音音区切换装置的结构示意图;
图4是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例提供的语音音区切换方法进行详细地解释说明之前,先对本申请实施例提供的应用场景进行介绍。
本申请实施例提供的语音音区切换方法可以应用于多种场景,比如,在车辆行驶场景中,用户可以使用车辆内车载终端上的语音客户端进行语音交互。在一个用户使用语音客户端的情况下,如果语音客户端的工作模式为双音区模式,则会导致语音客户端的性能长时间的高消耗。在至少两个用户使用语音客户端的情况下,如果语音客户端的工作模式为单音区模式,则会影响语音客户端与用户之间的交互效果。所以,可以按照本申请实施例提供的语音音区切换方法进行语音音区切换,从而实现语音客户端资源的合理利用。
本申请实施例提供的语音音区切换方法可以通过计算机设备来执行。其中,该计算机设备可以是任何一种可与用户通过语音交互的方式进行人机交互的电子产品,例如PC(Personal Computer,个人计算机)、手机、智能手机、PDA(Personal Digital Assistant,个人数字助手)、掌上电脑PPC(Pocket PC)、平板电脑、智能电视、车载终端等。在此基础上,该计算机设备还可以通过键盘、触摸板、触摸屏、遥控器或手写设备等一种或多种方式与用户进行人机交互。
本领域技术人员应能理解上述应用场景和计算机设备仅为举例,其他现有的或今后可能出现的应用场景或计算机设备如可适用于本申请实施例,也应包含在本申请实施例保护范围以内,并在此以引用方式包含于此。
需要说明的是,本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
接下来对本申请实施例提供的语音音区切换方法进行详细地解释说明。
图1是本申请实施例提供的一种语音音区切换方法的流程图,请参考图1,该方法包括如下步骤。
步骤101:获取目标对象的语音音频,该语音音频为目标对象在当前时间使用语音客户端时所发出的音频。
基于上文描述,本申请实施例提供的计算机设备可以是PC、手机、智能手机、PDA、掌上电脑PPC、平板电脑、智能电视、车载终端等电子产品,为了便于描述,接下来以车辆内的车载终端为例进行介绍。
目标对象为当前时间使用车辆内车载终端上的语音客户端的用户。由于语音客户端用于采集并识别目标对象的语音音频,进而基于该语音音频为目标对象提供语音交互服务。所以,在目标对象使用语音客户端时,车载终端可以获取目标对象的语音音频。
在一些实施例中,车辆顶部安装有两个麦克风,一个麦克风靠近主驾,一个麦克风靠近副驾,该两个麦克风之间的距离很小。当目标对象使用语音客户端时,车载终端能够获取到两路语音音频,该两路语音音频的能量是一样的,该两路语音音频与车辆顶部安装的两个麦克风一一对应。此时,车载终端将该两路语音音频确定为目标对象的语音音频。
步骤102:对该语音音频进行声源定位,以确定该语音音频对应的声源定位值。
对该语音音频进行声源定位,以确定目标对象为主驾人员还是副驾人员,在目标对象为主驾人员的情况下,确定该语音音频对应的声源定位值为第一数值,在目标对象为副驾人员的情况下,确定该语音音频对应的声源定位值为第二数值。
在一些实施例中,车载终端确定该语音音频相对于该两个麦克风的中心点之间的连线的中点的角度。该角度是以该两个麦克风的中心点之间的连线为参考线,以该两个麦克风的中心点之间的连线的中点为起点、且方向为该语音音频的来源方向的射线与参考线之间的夹角。车载终端确定出该角度之后,可以将该角度与存储的多个角度范围进行匹配,以此来确定该角度所处的目标角度范围。然后,基于目标角度范围,确定目标对象为主驾人员还是副驾人员。
示例地,车载终端存储的2个角度范围分别为[0°-90°)以及[90°-180°]。假设,车载终端确定出该语音音频相对于该两个麦克风的中心点之间的连线的中点的角度为60°,此时该角度60°所处的角度范围为[0°-90°),则将角度范围[0°-90°)确定为目标角度范围。
其中,车载终端存储有角度范围与用户位置之间的对应关系,该用户位置用于指示该用户为主驾人员还是副驾人员。因此,车载终端确定出目标角度范围后,基于目标角度范围,从存储的角度范围与用户位置之间的对应关系中,获取对应的用户位置,进而基于获取的用户位置确定目标对象为主驾人员还是副驾人员。
在一些实施例中,车载终端还存储有用户位置与声源定位值之间的对应关系,所以,车载终端确定出对应的用户位置后,能够基于用户位置,从存储的用户位置与声源定位值之间的对应关系中,获取对应的声源定位值。然后,将获取的声源定位值确定为该语音音频对应的声源定位值。
可选地,车辆终端包括声源定位模块、角度范围匹配模块、目标对象确定模块以及声源定位值确定模块,车辆终端可以通过声源定位模块、角度范围匹配模块、目标对象确定模块以及声源定位值确定模块来确定该语音音频对应的声源定位值。也即是,声源定位模块确定该语音音频相对于该两个麦克风的中心点之间的连线的中点的角度,并将该角度发送给角度范围匹配模块,角度范围匹配模块接收到该角度之后,将该角度与存储的多个角度范围进行匹配,以得到目标角度范围。角度范围匹配模块将目标角度范围发送给目标对象确定模块,目标对象确定模块接收到目标角度范围之后,从存储的角度范围与用户位置之间的对应关系中,获取对应的用户位置。目标对象确定模块将该用户位置发送给声源定位值确定模块,声源定位值确定模块接收到该用户位置之后,从存储的用户位置与声源定位值之间的对应关系中,获取对应的声源定位值。然后,将获取的声源定位值确定为该语音音频对应的声源定位值。
声源定位值可以通过DOA(Direction Of Arrival,到达方向)值来表示,当然,还可以通过其他的值来表示,本申请实施例对此不做限定。在通过DOA值表示声源定位值的情况下,第一数值为0,第二数值为1。当然,第一数值和第二数值也可以反过来,或者为其他的数值。
在一些实施例中,车载终端对语音音频进行声源定位,以确定该语音音频对应的声源定位值之前,还可以对该语音音频进行预处理,以此来提高声源定位的准确性,进而提高语音音区切换的准确性。预处理可以包括降噪和回声消除,当然,预处理还可以包括其他的处理,本申请实施例对此不做限定。
步骤103:基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换,第一时间段为包含当前时间且位于当前时间之前的一个时间段。
在一些实施例中,在第一时间段内的各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为单音区模式的情况下,保持该语音客户端的工作模式不变,在第一时间段内的各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为双音区模式的情况下,切换该语音客户端的工作模式为单音区模式,在第一时间段内的各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为单音区模式的情况下,切换该语音客户端的工作模式为双音区模式,在第一时间段内的各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为双音区模式的情况下,保持该语音客户端的工作模式不变。
需要说明的是,车载终端可以实时地获取目标对象的语音音频,然后,基于目标对象的语音音频对应的声源定位值,进行语音音区的切换。当然,在实际应用中,车载终端还可以在第一时间段内实时地获取语音音频,并按照上述102确定获取的各个语音音频对应的声源定位值,进而基于第一时间段内的各个语音音频对应的声源定位值进行语音音区的切换。
由于语音音频对应的声源定位值能够指示语音音频的来源方向,如果第一时间段内的各个语音音频对应的声源定位值均相同,则表明第一时间段内使用语音客户端的目标对象来源于同一方向。即,第一时间段内仅存在一个目标对象使用该语音客户端,此时该语音客户端的目标工作模式应该为单音区模式,从而车载终端采用声学前端算法按照单音区模式处理语音音频。在这种情况下,车载终端可以确定该语音客户端的当前工作模式是否为单音区模式。在该语音客户端的当前工作模式为单音区模式的情况下,保持该语音客户端的工作模式不变。在该语音客户端的当前工作模式为双音区模式的情况下,切换该语音客户端的工作模式为单音区模式。
如果第一时间段内的各个语音音频对应的声源定位值存在不同,则表明第一时间段内使用语音客户端的目标对象来源于不同的方向。即,第一时间段内同时存在两个目标对象使用该语音客户端,此时该语音客户端的目标工作模式应该为双音区模式,从而车载终端采用声学前端算法按照双音区模式处理语音音频。在这种情况下,车辆终端可以确定该语音客户端的当前工作模式是否为双音区模式。在该语音客户端的当前工作模式为单音区模式的情况下,切换该语音客户端的工作模式为双音区模式。在该语音客户端的当前工作模式为双音区模式的情况下,保持该语音客户端的工作模式不变。
车载终端确定出第一时间段内获取到的各个语音音频对应的声源定位值之后,直接基于第一时间段内获取到的各个语音音频对应的声源定位值是否相同,来进行语音音区切换,无需进行其他的运算,这样可以简化运算过程并提高语音音区的切换效率。
车载终端按照上述方式进行语音音区切换为一种示例。在另一些实施例中,车载终端还可以按照其他的方式来进行语音音区切换。示例地,车载终端获取第二时间段内的各个语音音频对应的声源定位值,第二时间段为第一时间段之前且距离第一时间段最近的一个时间段,基于第一时间段内的各个语音音频对应的声源定位值,以及第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换。也即是,在第一时间段和第二时间段内的各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为单音区模式的情况下,保持该语音客户端的工作模式不变,在第一时间段和第二时间段内的各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为双音区模式的情况下,切换该语音客户端的工作模式为单音区模式,在第一时间段和第二时间段内的各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为单音区模式的情况下,切换该语音客户端的工作模式为双音区模式,在第一时间段和第二时间段内的各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为双音区模式的情况下,保持该语音客户端的工作模式不变。
如果在第一时间段和第二时间段内的各个语音音频对应的声源定位值均相同,则表明第一时间段和第二时间段内均仅存在一个目标对象使用语音客户端,且第一时间段内使用语音客户端的目标对象与第二时间段内使用语音客户端的目标对象相同。此时,语音客户端的目标工作模式应该为单音区模式,从而车载终端采用声学前端算法按照单音区模式处理语音音频。在这种情况下,车载终端可以确定该语音客户端的当前工作模式是否为单音区模式。在该语音客户端的当前工作模式为单音区模式的情况下,保持该语音客户端的工作模式不变。在该语音客户端的当前工作模式为双音区模式的情况下,切换该语音客户端的工作模式为单音区模式。
由于第一时间段和第二时间段内的各个语音音频对应的声源定位值存在不同包括多种情况,因此接下来将分为以下四种情况分别进行说明。
第一种情况,第一时间段内的各个语音音频对应的声源定位值均相同,第二时间段内的各个语音音频对应的声源定位值均相同。但是,第一时间段内的各个语音音频对应的声源定位值与第二时间段内的各个语音音频对应的声源定位值不相同,则表明第一时间段和第二时间段内均仅存在一个目标对象使用语音客户端,但是,第一时间段内使用语音客户端的目标对象与第二时间段内使用语音客户端的目标对象不相同。此时,语音客户端的目标工作模式应该为双音区模式,从而车载终端采用声学前端算法按照双音区模式处理语音音频。
第二种情况,第一时间段内的各个语音音频对应的声源定位值均相同,第二时间段内的各个语音音频对应的声源定位值存在不同,则表明第一时间段内仅存在一个目标对象使用语音客户端,第二时间段内同时存在两个目标对象使用语音客户端。此时,语音客户端的目标工作模式应该为双音区模式,从而车载终端采用声学前端算法按照双音区模式处理语音音频。
第三种情况,第一时间段内的各个语音音频对应的声源定位值存在不同,第二时间段内的各个语音音频对应的声源定位值均相同,则表明第一时间段内同时存在两个目标对象使用语音客户端,第二时间段内仅存在一个目标对象使用语音客户端。此时,语音客户端的目标工作模式应该为双音区模式,从而车载终端采用声学前端算法按照双音区模式处理语音音频。
第四种情况,第一时间段内的各个语音音频对应的声源定位值存在不同,且第二时间段内的各个语音音频对应的声源定位值存在不同,则表明第一时间段和第二时间段内均同时存在两个目标对象使用语音客户端。此时,语音客户端的目标工作模式应该为双音区模式,从而车载终端采用声学前端算法按照双音区模式处理语音音频。
在上述四种情况中,车载终端确定出语音客户端的目标工作模式应该为双音区模式后,可以确定该语音客户端的当前工作模式是否为双音区模式。在该语音客户端的当前工作模式为单音区模式的情况下,切换该语音客户端的工作模式为双音区模式。在该语音客户端的当前工作模式为双音区模式的情况下,保持该语音客户端的工作模式不变。
车载终端将第一时间段内的各个语音音频对应的声源定位值与第二时间段内的各个语音音频对应的声源定位值进行比较,以此来进行语音音区的切换,这样可以避免频繁地切换语音音区,减小语音音区切换所带来的资源消耗。
其中,第一时间段和第二时间段的时长可以相同,也可以不同,比如第一时间段和第二时间段的时长相同,且均为5分钟。另外,第一时间段与第二时间段之间的时间间隔为参考时长。参考时长是事先设置的,比如2分钟。而且,参考时长还可以基于目标对象使用语音客户端时发出语音音频的频率来调整。也即是,在频率增加的情况下,减小参考时长,在频率降低的情况下,增大参考时长。当然,在实际应用中,参考时长也可以设置为0。此时,第一时间段与第二时间段为相邻的两个时间段。
在一些实施例中,车辆终端确定目标对象使用语音客户端时发出语音音频的频率。在该语音音频的频率处于第一频率与第二频率之间的情况下,保持参考时长不变。在该语音音频的频率小于第一频率的情况下,增大参考时长,在该语音音频的频率大于第二频率的情况下,减小参考时长。其中,第二频率大于第一频率。
在该语音音频的频率小于第一频率的情况下,车载终端确定该语音音频的频率与第一频率之间的差值,以得到第一差值。然后,基于第一差值从存储的频率差值与调整时长之间的对应关系中,获取与第一差值对应的调整时长,在当前的参考时长的基础上增加该调整时长,以得到增大后的参考时长。同理,在该语音音频的频率大于第二频率的情况下,车载终端确定该语音音频的频率与第二频率之间的差值,以得到第二差值。然后,基于第二差值从存储的频率差值与调整时长之间的对应关系中,获取与第二差值对应的调整时长,在当前的参考时长的基础上减少该调整时长,以得到减小后的参考时长。
当然,车载终端按照上述方式调整参考时长为一种示例。实际应用中,还可以按照其他的方式来调整参考时长。
接下来以图2为例,对本申请实施例提供的语音音区切换流程进行完整说明。在图2中,车载终端获取语音音频并对语音音频进行预处理,保存预处理后的语音音频。然后,对预处理后的语音音频进行声源定位,确定该语音音频对应的声源定位值,进而比较第一时间段内获取到的各个语音音频对应的声源定位值。如果该各个语音音频对应的声源定位值均相同,则确定该语音客户端的目标工作模式应该为单音区模式。如果该各个语音音频对应的声源定位值存在不同,则确定该语音客户端的目标工作模式应该为双音区模式。进而按照该语音客户端的目标工作模式进行语音音区的切换。
由于语音音频对应的声源定位值能够指示语音音频的来源方向,所以,在确定出语音音频对应的声源定位值之后,能够基于声源定位值确定当前时间使用语音客户端的目标对象是否来源于同一方向,进而基于第一时间段内各个语音音频对应的声源定位值进行语音音区的切换。即,动态地确定语音音频对应的声源定位值,并基于声源定位值动态地确定使用语音客户端的目标对象是否来源于同一方向,进而动态地切换语音音区,从而实现语音客户端资源的合理利用。而且,在进行语音音区切换的过程中,可以直接基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区切换,以此来提高语音音区的切换效率。或者,还可以基于第一时间段内的各个语音音频对应的声源定位值,以及第二时间段内的各个语音音频对应的声源定位值,进行语音音区切换,从而避免频繁地切换语音音区。
图3是本申请实施例提供的一种语音音区切换装置的结构示意图,该语音音区切换装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部。请参考图3,该装置包括:获取模块301、声源定位模块302和切换模块303。
获取模块301,用于获取目标对象的语音音频,该语音音频为目标对象在当前时间使用语音客户端时所发出的音频。详细实现过程参考上述各个实施例中对应的内容,此处不再赘述。
声源定位模块302,用于对该语音音频进行声源定位,以确定该语音音频对应的声源定位值。详细实现过程参考上述各个实施例中对应的内容,此处不再赘述。
切换模块303,用于基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换,第一时间段为包含当前时间且位于当前时间之前的一个时间段。详细实现过程参考上述各个实施例中对应的内容,此处不再赘述。
可选地,声源定位模块302具体用于:
对该语音音频进行声源定位,以确定目标对象为主驾人员还是副驾人员;
在目标对象为主驾人员的情况下,确定该语音音频对应的声源定位值为第一数值;
在目标对象为副驾人员的情况下,确定该语音音频对应的声源定位值为第二数值。
可选地,切换模块303具体用于:
在该各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为单音区模式的情况下,保持该语音客户端的工作模式不变;
在该各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为双音区模式的情况下,切换该语音客户端的工作模式为单音区模式;
在该各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为单音区模式的情况下,切换该语音客户端的工作模式为双音区模式;
在该各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为双音区模式的情况下,保持该语音客户端的工作模式不变。
可选地,切换模块303包括:
获取单元,用于获取第二时间段内的各个语音音频对应的声源定位值,第二时间段为第一时间段之前且距离第一时间段最近的一个时间段;
切换单元,用于基于第一时间段内的各个语音音频对应的声源定位值,以及第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换。
可选地,切换单元具体用于:
在第一时间段和第二时间段内的各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为单音区模式的情况下,保持该语音客户端的工作模式不变;
在第一时间段和第二时间段内的各个语音音频对应的声源定位值均相同,且该语音客户端的工作模式为双音区模式的情况下,切换该语音客户端的工作模式为单音区模式;
在第一时间段和第二时间段内的各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为单音区模式的情况下,切换该语音客户端的工作模式为双音区模式;
在第一时间段和第二时间段内的各个语音音频对应的声源定位值存在不同,且该语音客户端的工作模式为双音区模式的情况下,保持该语音客户端的工作模式不变。
可选地,第一时间段与第二时间段之间的时间间隔为参考时长。
可选地,该装置还包括:
确定模块,用于确定目标对象使用语音客户端时发出语音音频的频率。
减小模块,用于在该频率增加的情况下,减小参考时长。
增大模块,用于在该频率降低的情况下,增大参考时长。
由于语音音频对应的声源定位值能够指示语音音频的来源方向,所以,在确定出语音音频对应的声源定位值之后,能够基于声源定位值确定当前时间使用语音客户端的目标对象是否来源于同一方向,进而基于第一时间段内各个语音音频对应的声源定位值进行语音音区的切换。即,动态地确定语音音频对应的声源定位值,并基于声源定位值动态地确定使用语音客户端的目标对象是否来源于同一方向,进而动态地切换语音音区,从而实现语音客户端资源的合理利用。而且,在进行语音音区切换的过程中,可以直接基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区切换,以此来提高语音音区的切换效率。或者,还可以基于第一时间段内的各个语音音频对应的声源定位值,以及第二时间段内的各个语音音频对应的声源定位值,进行语音音区切换,从而避免频繁地切换语音音区。
需要说明的是:上述实施例提供的语音音区切换装置在进行语音音区切换时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的语音音区切换装置与语音音区切换方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图4是本申请实施例提供的一种计算机设备400的结构框图。该计算机设备400可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。计算机设备400还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,计算机设备400包括有:处理器401和存储器402。
处理器401可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器401可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器401可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器401还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器401所执行以实现本申请中方法实施例提供的语音音区切换方法。
在一些实施例中,计算机设备400还可选包括有:外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口403相连。具体地,外围设备包括:射频电路404、触摸显示屏405、摄像头406、音频电路407、定位组件408和电源409中的至少一种。
外围设备接口403可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器401和存储器402。在一些实施例中,处理器401、存储器402和外围设备接口403被集成在同一芯片或电路板上;在一些其他实施例中,处理器401、存储器402和外围设备接口403中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路404用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路404将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路404包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路404还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请实施例对此不加以限定。
显示屏405用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏405是触摸显示屏时,显示屏405还具有采集在显示屏405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器401进行处理。此时,显示屏405还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏405可以为一个,设置计算机设备400的前面板;在另一些实施例中,显示屏405可以为至少两个,分别设置在计算机设备400的不同表面或呈折叠设计;在再一些实施例中,显示屏405可以是柔性显示屏,设置在计算机设备400的弯曲表面上或折叠面上。甚至,显示屏405还可以设置成非矩形的不规则图形,也即异形屏。显示屏405可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件406用于采集图像或视频。可选地,摄像头组件406包括前置摄像头和后置摄像头。通常,前置摄像头设置在计算机设备的前面板,后置摄像头设置在计算机设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件406还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器401进行处理,或者输入至射频电路404以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在计算机设备400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器401或射频电路404的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路407还可以包括耳机插孔。
定位组件408用于定位计算机设备400的当前地理位置,以实现导航或LBS(Location Based Service,基于位置的服务)。定位组件408可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源409用于为计算机设备400中的各个组件进行供电。电源409可以是交流电、直流电、一次性电池或可充电电池。当电源409包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,计算机设备400还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于:加速度传感器411、陀螺仪传感器412、压力传感器413、指纹传感器414、光学传感器415以及接近传感器416。
加速度传感器411可以检测以计算机设备400建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器411可以用于检测重力加速度在三个坐标轴上的分量。处理器401可以根据加速度传感器411采集的重力加速度信号,控制触摸显示屏405以横向视图或纵向视图进行用户界面的显示。加速度传感器411还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器412可以检测计算机设备400的机体方向及转动角度,陀螺仪传感器412可以与加速度传感器411协同采集用户对计算机设备400的3D动作。处理器401根据陀螺仪传感器412采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器413可以设置在计算机设备400的侧边框和/或触摸显示屏405的下层。当压力传感器413设置在计算机设备400的侧边框时,可以检测用户对计算机设备400的握持信号,由处理器401根据压力传感器413采集的握持信号进行左右手识别或快捷操作。当压力传感器413设置在触摸显示屏405的下层时,由处理器401根据用户对触摸显示屏405的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器414用于采集用户的指纹,由处理器401根据指纹传感器414采集到的指纹识别用户的身份,或者,由指纹传感器414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器401授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器414可以被设置计算机设备400的正面、背面或侧面。当计算机设备400上设置有物理按键或厂商Logo时,指纹传感器414可以与物理按键或厂商Logo集成在一起。
光学传感器415用于采集环境光强度。在一个实施例中,处理器401可以根据光学传感器415采集的环境光强度,控制触摸显示屏405的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏405的显示亮度;当环境光强度较低时,调低触摸显示屏405的显示亮度。在另一个实施例中,处理器401还可以根据光学传感器415采集的环境光强度,动态调整摄像头组件406的拍摄参数。
接近传感器416,也称距离传感器,通常设置在计算机设备400的前面板。接近传感器416用于采集用户与计算机设备400的正面之间的距离。在一个实施例中,当接近传感器416检测到用户与计算机设备400的正面之间的距离逐渐变小时,由处理器401控制触摸显示屏405从亮屏状态切换为息屏状态;当接近传感器416检测到用户与计算机设备400的正面之间的距离逐渐变大时,由处理器401控制触摸显示屏405从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图4中示出的结构并不构成对计算机设备400的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在一些实施例中,还提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中语音音区切换方法的步骤。例如,所述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
值得注意的是,本申请实施例提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。所述计算机指令可以存储在上述计算机可读存储介质中。
也即是,在一些实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述所述的语音音区切换方法的步骤。
应当理解的是,本文提及的“至少一个”是指一个或多个,“多个”是指两个或两个以上。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请实施例所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号,均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如,本申请实施例中涉及到的语音音频都是在充分授权的情况下获取的。
以上所述为本申请提供的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种语音音区切换方法,其特征在于,所述方法包括:
获取目标对象的语音音频,所述语音音频为所述目标对象在当前时间使用语音客户端时所发出的音频;
对所述语音音频进行声源定位,以确定所述语音音频对应的声源定位值;
基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换,所述第一时间段为包含所述当前时间且位于所述当前时间之前的一个时间段。
2.如权利要求1所述的方法,其特征在于,所述对所述语音音频进行声源定位,以确定所述语音音频对应的声源定位值,包括:
对所述语音音频进行声源定位,以确定所述目标对象为主驾人员还是副驾人员;
在所述目标对象为主驾人员的情况下,确定所述语音音频对应的声源定位值为第一数值;
在所述目标对象为副驾人员的情况下,确定所述语音音频对应的声源定位值为第二数值。
3.如权利要求1或2所述的方法,其特征在于,所述基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区切换,包括:
在所述各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为单音区模式的情况下,保持所述语音客户端的工作模式不变;
在所述各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为双音区模式的情况下,切换所述语音客户端的工作模式为单音区模式;
在所述各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为单音区模式的情况下,切换所述语音客户端的工作模式为双音区模式;
在所述各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为双音区模式的情况下,保持所述语音客户端的工作模式不变。
4.如权利要求1或2所述的方法,其特征在于,所述基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区切换,包括:
获取第二时间段内的各个语音音频对应的声源定位值,所述第二时间段为所述第一时间段之前且距离所述第一时间段最近的一个时间段;
基于所述第一时间段内的各个语音音频对应的声源定位值,以及所述第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换。
5.如权利要求4所述的方法,其特征在于,所述基于所述第一时间段内的各个语音音频对应的声源定位值,以及所述第二时间段内的各个语音音频对应的声源定位值,进行语音音区的切换,包括:
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为单音区模式的情况下,保持所述语音客户端的工作模式不变;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值均相同,且所述语音客户端的工作模式为双音区模式的情况下,切换所述语音客户端的工作模式为单音区模式;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为单音区模式的情况下,切换所述语音客户端的工作模式为双音区模式;
在所述第一时间段和所述第二时间段内的各个语音音频对应的声源定位值存在不同,且所述语音客户端的工作模式为双音区模式的情况下,保持所述语音客户端的工作模式不变。
6.如权利要求4所述的方法,其特征在于,所述第一时间段与所述第二时间段之间的时间间隔为参考时长。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
确定所述目标对象使用所述语音客户端时发出语音音频的频率;
在所述频率增加的情况下,减小所述参考时长;
在所述频率降低的情况下,增大所述参考时长。
8.一种语音音区切换装置,其特征在于,所述装置包括:
获取模块,用于获取目标对象的语音音频,所述语音音频为所述目标对象在当前时间使用语音客户端时所发出的音频;
声源定位模块,用于对所述语音音频进行声源定位,以确定所述语音音频对应的声源定位值;
切换模块,用于基于第一时间段内获取到的各个语音音频对应的声源定位值进行语音音区的切换,所述第一时间段为包含所述当前时间且位于所述当前时间之前的一个时间段。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器用于存放计算机程序,所述处理器用于执行所述存储器上所存放的计算机程序,以实现上述权利要求1-7任一所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139939.0A CN114550717A (zh) | 2022-02-16 | 2022-02-16 | 语音音区切换方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139939.0A CN114550717A (zh) | 2022-02-16 | 2022-02-16 | 语音音区切换方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550717A true CN114550717A (zh) | 2022-05-27 |
Family
ID=81675055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210139939.0A Pending CN114550717A (zh) | 2022-02-16 | 2022-02-16 | 语音音区切换方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550717A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356682A (zh) * | 2022-08-21 | 2022-11-18 | 嘉晨云控新能源(上海)有限公司 | 一种基于精确定位的声源位置感知装置及方法 |
-
2022
- 2022-02-16 CN CN202210139939.0A patent/CN114550717A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356682A (zh) * | 2022-08-21 | 2022-11-18 | 嘉晨云控新能源(上海)有限公司 | 一种基于精确定位的声源位置感知装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102811B (zh) | 音频指纹的生成方法、装置及存储介质 | |
CN111427629B (zh) | 应用启动方法、装置、车机设备及存储介质 | |
CN110705614A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN109977570B (zh) | 车身噪声确定方法、装置及存储介质 | |
CN112396076A (zh) | 车牌图像生成方法、装置及计算机存储介质 | |
CN114550717A (zh) | 语音音区切换方法、装置、设备及存储介质 | |
CN113099378B (zh) | 定位方法、装置、设备及存储介质 | |
CN112365088B (zh) | 行程关键点的确定方法、装置、设备及可读存储介质 | |
CN114594885A (zh) | 应用图标的管理方法、装置、设备及计算机可读存储介质 | |
CN114384466A (zh) | 声源方向确定方法、装置、电子设备及存储介质 | |
CN114789734A (zh) | 感知信息补偿方法、装置、车辆、存储介质及程序 | |
CN111369434B (zh) | 拼接视频封面生成的方法、装置、设备和存储介质 | |
CN109275015B (zh) | 显示虚拟物品的方法、装置及存储介质 | |
CN109388732B (zh) | 音乐地图的生成和显示方法、装置及存储介质 | |
CN108600830B (zh) | 搜台方法、装置及存储介质 | |
CN108519913B (zh) | 应用程序的运行状态管理方法、装置、存储介质及终端 | |
CN110992954A (zh) | 语音识别的方法、装置、设备及存储介质 | |
CN114566064B (zh) | 停车位的位置确定方法、装置、设备及存储介质 | |
CN112133267B (zh) | 音频效果处理的方法、设备及存储介质 | |
CN111222124B (zh) | 使用权限分配的方法、装置、设备以及存储介质 | |
CN115037702B (zh) | 报文分发、数据发送方法及设备 | |
CN111091512B (zh) | 图像处理方法及装置、计算机可读存储介质 | |
CN113345478B (zh) | 播放器时刻获取方法、设备、存储介质及播放器 | |
CN112150554B (zh) | 画面显示方法、装置、终端和存储介质 | |
CN114360538A (zh) | 语音数据的采集方法、装置、设备及计算机可读存储介质 |
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 |