CN115312042A - 用于处理音频的方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了用于处理音频的方法、装置、设备以及存储介质，涉及语音识别技术领域。具体实现方案为：获取目标音频；利用至少一个分类模型确定目标音频是否包括用户语音；响应于确定目标音频包括用户语音，确定目标音频中用户语音的起始时刻和结束时刻；输出起始时刻和结束时刻。本实现方式能够有效地从音频中提取出用户语音，从而提高语音识别的准确性。

Description

用于处理音频的方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及语音识别技术领域，尤其涉及用于处理音频的方法、装置、设备以及存储介质。

背景技术

随着人工智能的高速发展，语音识别技术的应用越来越普及，涉及人工智能呼叫中心场景，会议场景等。用户对语音识别准确率的要求越来越高，而实际业务场景中往往存在噪音的现象，通常会有环境噪声和人声噪声，如何在噪声环境中做好语音识别的准确性，是要解决的一个难点问题。

目前所采用的技术基于能量的准则是检测信号的强度，并且假设语音能量大于背景噪声能量，这样当能量大于某一门限时，可以认为有语音存在。然而当噪声大到和语音一样时，能量这个特征无法区分语音还是纯噪声。

发明内容

提供了一种用于处理音频的方法、装置、设备以及存储介质。

根据第一方面，提供了一种用于处理音频的方法，包括：获取目标音频；利用至少一个分类模型确定目标音频是否包括用户语音；响应于确定目标音频包括用户语音，确定目标音频中用户语音的起始时刻和结束时刻；输出起始时刻和结束时刻。

根据第二方面，提供了一种用于处理音频的装置，包括：音频获取单元，被配置成获取目标音频；判断单元，被配置成利用至少一个分类模型确定目标音频是否包括用户语音；端点检测单元，被配置成响应于确定目标音频包括用户语音，确定目标音频中用户语音的起始时刻和结束时刻；输出单元，被配置成输出起始时刻和结束时刻。

根据第三方面，提供了一种用于处理音频的电子设备，包括：至少一个处理器；以及与上述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，上述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第一方面所描述的方法。

根据第四方面，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，上述计算机指令用于使计算机执行如第一方面所描述的方法。

根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。

根据本申请的技术能够有效地从音频中提取出用户语音，从而提高语音识别的准确性。

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，不构成对本申请的限定。其中：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于处理音频的方法的一个实施例的流程图；

图3是根据本申请的用于处理音频的方法的一个应用场景的示意图；

图4是根据本申请的用于处理音频的方法的另一个实施例的流程图；

图5是图4所示实施例中各模型之间的交互示意图；

图6是根据本申请的用于处理音频的装置的一个实施例的结构示意图；

图7是用来实现本申请实施例的用于处理音频的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用于处理音频的方法或用于处理音频的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，例如语音识别类应用等。终端设备101、102、103上还可以安装有麦克风阵列等。

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、车载电脑、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)，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发送的音频进行处理的后台服务器。后台服务器可以接收终端设备101、102、103发送的音频，确定出音频中用户语音的起始时刻和结束时刻，并对用户语音进行语音识别，将识别结果反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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，本申请实施例所提供的用于处理音频的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于处理音频的装置可以设置于终端设备101、102、103中，也可以设置于服务器105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用于处理音频的方法的一个实施例的流程200。本实施例的用于处理音频的方法，包括以下步骤：

步骤201，获取目标音频。

本实施例中，用于处理音频的方法的执行主体(如图1中所示的终端设备101、102、103或服务器105)可以通过各种方式获取目标音频。具体的，用户可以通过终端设备中安装的麦克风阵列输入语音，得到目标音频。

步骤202，利用至少一个分类模型确定目标音频是否包括用户语音。

执行主体在获取目标音频后，可以利用至少一个分类模型确定目标音频是否包括用户语音。具体的，执行主体的属性信息，确定分类模型的数量。例如，如果目标音频的时长大于预设时长，则利用多个分类模型对目标音频进行判断。如果小于或等于预设时长，则利用单个分类模型对目标音频进行判断。在利用多个分类模型时，可以采用多个同样的模型进行判断，也可以采用准确率不同的多个分类模型进行判断。

这里的分类模型可以由现有的多种分类算法训练得到。执行主体可以将目标音频作为分类模型的输入，将分类模型的输出作为判断结果。具体的，如果分类模型的输出结果为1，则认为目标音频中包括用户语音。如果输出结果为0，则认为目标音频中不包括用户语音。或者，分类模型也可以直接输出目标音频中包括用户语音的概率。

上述分类模型可以通过以下步骤训练得到：用于训练分类模型的电子设备可以获取大量训练样本，上述训练样本中可以包括音频和对应的标签，标签可以包括用户音频和噪声。电子设备可以将训练样本中的音频作为输入，将输入的音频对应的标签作为期望输出，训练得到分类模型。

步骤203，响应于确定目标音频包括用户语音，确定目标音频中用户语音的起始时刻和结束时刻。

本实施例中，如果执行主体通过各分类模型确定目标音频中包括用户语音，可以进一步确定目标音频中用户语音的起始时刻和结束时刻。具体的，执行主体可以利用现有的基于深度神经网络(deep neural network，DNN)的语音活动性检测(voice activitydetection，VAD)或基于深度神经网络和长短时记忆单元(long-short term memory，LSTM)的混合网络结构来对目标音频进行端点检测，从而得到目标音频中用户语音的起始时刻和结束时刻。

步骤204，输出起始时刻和结束时刻。

执行主体在识别得到用户语音的起始时刻和结束时刻后，可以将其输出，以用于后续的处理，例如进行语音识别，或者进行去噪等处理。

继续参见图3，其示出了根据本申请的用于处理音频的方法的一个应用场景的示意图。在图3的应用场景中，用户通过终端中的麦克风阵列输入语音，由于外界环境噪声较大，得到的目标音频中除了包括用户语音和包括噪声。终端通过利用至少一个分类模型识别出目标音频中包括用户语音，然后确定出用户语音的起始时刻和结束时刻。最后，识别出用户语音对应的文字为“今天天气很不错”。

本申请的上述实施例提供的用于处理音频的方法，能够有效地从音频中提取出用户语音，从而提高语音识别的准确性。

参见图4，其示出了根据本申请的用于处理音频的方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：

步骤401，获取目标音频。

步骤402，确定目标音频的时长。

本实施例中，执行主体可以在获取目标音频后，确定目标音频的时长。具体的，执行主体可以通过获取目标音频的属性信息来确定目标音频的时长。

步骤403，响应于确定时长小于预设阈值，利用第一分类模型确定目标音频是否包括用户语音。

如果执行主体确定目标音频的时长小于预设阈值，说明目标音频中的内容较少，这种情况下可以采用一个分类模型来判断目标音频是否包括用户语音。这里，第一分类模型可以是任一分类模型。

在本实施例的一些可选的实现方式中，目标音频包括多个音频帧，第一分类模型为预先训练的深度神经网络。上述步骤403具体可以通过以下步骤来实现：将目标音频输入预先训练的深度神经网络，确定目标音频中的各音频帧是否属于用户语音。

本实现方式中，执行主体可以将目标音频的各音频帧输入上述预先训练的深度神经网络中。上述深度神经网络用于对各音频帧进行分类，如果音频帧为用户语音，则标记为1；如果音频帧不是用户语音，则标记为0。可以理解的是，上述深度神经网络可以通过标注的各音频帧训练得到。

步骤404，响应于确定时长大于或等于预设阈值，利用第一分类模型确定目标音频是否包括用户语音；响应于第一分类模型确定目标音频不包括用户语音，利用第二分类模型再次确定目标音频是否包括用户语音。

如果执行主体确定目标音频的时长大于或等于预设阈值，说明目标音频中的内容较多，这种情况下可以先采用第一分类模型来判断目标音频是否包括用户语音。如果第一分类模型确定目标音频中包括用户语音，则不需要再次利用分类模型进行进一步的判断。如果第一分类模型确定目标音频中不包括用户语音，为提高用户语音判断的准确率，可以进一步采用第二分类模型再次确定目标音频是否包括用户语音。

这里，第一分类模型和第二分类模型可以为相同的分类模型，也可以是不相同的分类模型。例如，第二分类模型可以是识别准确率高于第一分类模型的准确率的模型，或者，第二分类模型可以是网络结构复杂于第一分类模型的网络结构的模型。

在本实施例的一些可选的实现方式中，上述步骤404具体还可以包括图4中未示出的以下步骤：从目标音频中确定出待分析音频；利用第一分类模型确定待分析音频是否包括用户语音。

本实现方式中，在利用第一分类模型进行判断时，可以首先从目标音频中确定出待分析音频。这里，待分析音频的时长小于目标音频的时长。例如，待分析音频可以是目标音频播放后1s之后的音频。然后，执行主体可以利用第一分类模型确定待分析音频是否包括用户语音。一般来说，用户语音在1s左右会出现，通过对目标音频播放后1s之后的音频进行判断，可以快速地得到判断结果。

步骤405，响应于确定目标音频包括用户语音，确定目标音频中用户语音的起始时刻和结束时刻。

在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤确定用户语音的起始时刻和结束时刻：根据各音频帧的分类结果，对目标音频进行平滑处理；根据平滑处理后的目标音频，确定用户语音的起始时刻和结束时刻。

本实现方式中，执行主体在得到各音频帧的分类结果后，可以对目标音频进行平滑处理。这里，平滑处理可以指过滤掉连续的用户语音时长小于预设阈值的音频帧。平滑处理后连续的用户语音的时长大于预设阈值。然后，执行主体可以根据上述连续的用户语音的音频帧的位置，确定出起始时刻和结束时刻。

步骤406，输出起始时刻和结束时刻。

步骤407，对起始时刻与结束时刻之间的音频进行语音识别。

执行主体在确定起始时刻和结束时刻后，可以对起始时刻与结束时刻之间的音频进行语音识别。

结合图5，如果输入语音的时长t小于预设阈值ts，则直接输入第一分类模型，得到识别结果。如果为用户语音，则进行端点检测，确定出起始时刻和结束时刻。如果输入语音的时长t大于或等于预设阈值ts，则输入第一分类模型中。如果第一分类模型的判断结果为噪声，再次输入第二分类模型。如果第二分类模型确定输入语音为用户语音，则进行端点检测，确定出起始时刻和结束时刻。在确定出起始时刻和结束时刻之后，对起始时刻和结束时刻之间的用户语音进行语音识别。

本申请的上述实施例提供的用于处理音频的方法，可以在目标音频的时长较短时采用单个分类模型判断目标音频中是否包括用户语音。在目标音频的时长较长并且单个分类模型的判断结果为不包括用户语音时，再次利用分类模型进行判断，使得噪声环境下端点检测的性能更加可靠，从而使得语音识别的结果更加准确。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于处理音频的装置的一个实施例，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6所示，本实施例的用于处理音频的装置600包括：音频获取单元601、判断单元602、端点检测单元603和输出单元604。

音频获取单元601，被配置成获取目标音频。

判断单元602，被配置成利用至少一个分类模型确定目标音频是否包括用户语音。

端点检测单元603，被配置成响应于确定目标音频包括用户语音，确定目标音频中用户语音的起始时刻和结束时刻。

输出单元604，被配置成输出起始时刻和结束时刻。

在本实施例的一些可选的实现方式中，判断单元602可以进一步被配置成：确定目标音频的时长；响应于确定时长小于预设阈值，利用第一分类模型确定目标音频是否包括用户语音。

在本实施例的一些可选的实现方式中，判断单元602可以进一步被配置成：响应于确定时长大于或等于预设阈值，利用第一分类模型确定目标音频是否包括用户语音；响应于第一分类模型确定目标音频不包括用户语音，利用第二分类模型再次确定目标音频是否包括用户语音。

在本实施例的一些可选的实现方式中，判断单元602可以进一步被配置成：从目标音频中确定出待分析音频；利用第一分类模型确定待分析音频是否包括用户语音。

在本实施例的一些可选的实现方式中，目标音频包括多个音频帧，第一分类模型为预先训练的深度神经网络。判断单元602可以进一步被配置成：将目标音频输入预先训练的深度神经网络，确定目标音频中的各音频帧是否属于用户语音。

在本实施例的一些可选的实现方式中，端点检测单元603可以进一步被配置成：根据各音频帧的分类结果，对目标音频进行平滑处理；根据平滑处理后的目标音频，确定用户语音的起始时刻和结束时刻。

在本实施例的一些可选的实现方式中，装置600还可以进一步包括图6中未示出的语音识别单元，被配置成：对起始时刻与结束时刻之间的音频进行语音识别。

应当理解，用于处理音频的装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于处理音频的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请还提供了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。

图7示出了根据本申请实施例的执行用于处理音频的方法的电子设备700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7所示，设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储器708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。I/O接口(输入/输出接口)705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储器708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。

处理器701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。处理器701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处理器、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。处理器701执行上文所描述的各个方法和处理，例如用于处理音频的方法。例如，在一些实施例中，用于处理音频的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存储介质，例如存储器708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由处理器701执行时，可以执行上文描述的用于处理音频的方法的一个或多个步骤。备选地，在其他实施例中，处理器701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于处理音频的方法。

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。

用于实施本申请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。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品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701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。

在本申请的上下文中，机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以是分布式系统的服务器，或者是结合了区块链的服务器。

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，本申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (17)

1.一种用于处理音频的方法，包括：

获取目标音频；

利用至少一个分类模型确定所述目标音频是否包括用户语音；

响应于确定所述目标音频包括用户语音，确定所述目标音频中用户语音的起始时刻和结束时刻；

输出所述起始时刻和所述结束时刻。

2.根据权利要求1所述的方法，其中，所述利用至少一个分类模型确定所述目标音频是否包括用户语音，包括：

确定所述目标音频的时长；

响应于确定所述时长小于预设阈值，利用第一分类模型确定所述目标音频是否包括用户语音。

3.根据权利要求2所述的方法，其中，所述利用至少一个分类模型确定所述目标音频是否包括用户语音，还包括：

响应于确定所述时长大于或等于所述预设阈值，利用所述第一分类模型确定所述目标音频是否包括用户语音；

响应于所述第一分类模型确定所述目标音频不包括用户语音，利用第二分类模型再次确定所述目标音频是否包括用户语音。

4.根据权利要求2所述的方法，其中，所述利用第一分类模型确定所述目标音频是否包括用户语音，包括：

从所述目标音频中确定出待分析音频；

利用所述第一分类模型确定所述待分析音频是否包括用户语音。

5.根据权利要求2所述的方法，其中，所述目标音频包括多个音频帧，所述第一分类模型为预先训练的深度神经网络；以及

所述利用第一分类模型确定所述目标音频是否包括用户语音，包括：

将所述目标音频输入预先训练的深度神经网络，确定所述目标音频中的各音频帧是否属于用户语音。

6.根据权利要求5所述的方法，其中，所述确定所述目标音频中用户语音的起始时刻和结束时刻，包括：

根据各音频帧的分类结果，对所述目标音频进行平滑处理；

根据平滑处理后的目标音频，确定用户语音的起始时刻和结束时刻。

7.根据权利要求1-6任一项所述的方法，其中，所述方法还包括：

对所述起始时刻与所述结束时刻之间的音频进行语音识别。

8.一种用于处理音频的装置，包括：

音频获取单元，被配置成获取目标音频；

判断单元，被配置成利用至少一个分类模型确定所述目标音频是否包括用户语音；

端点检测单元，被配置成响应于确定所述目标音频包括用户语音，确定所述目标音频中用户语音的起始时刻和结束时刻；

输出单元，被配置成输出所述起始时刻和所述结束时刻。

9.根据权利要求8所述的装置，其中，所述判断单元进一步被配置成：

确定所述目标音频的时长；

响应于确定所述时长小于预设阈值，利用第一分类模型确定所述目标音频是否包括用户语音。

10.根据权利要求9所述的装置，其中，所述判断单元进一步被配置成：

响应于确定所述时长大于或等于所述预设阈值，利用所述第一分类模型确定所述目标音频是否包括用户语音；

响应于所述第一分类模型确定所述目标音频不包括用户语音，利用第二分类模型再次确定所述目标音频是否包括用户语音。

11.根据权利要求9所述的装置，其中，所述判断单元进一步被配置成：

从所述目标音频中确定出待分析音频；

利用所述第一分类模型确定所述待分析音频是否包括用户语音。

12.根据权利要求9所述的装置，其中，所述目标音频包括多个音频帧，所述第一分类模型为预先训练的深度神经网络；以及

所述判断单元进一步被配置成：

将所述目标音频输入预先训练的深度神经网络，确定所述目标音频中的各音频帧是否属于用户语音。

13.根据权利要求12所述的装置，其中，所述端点检测单元进一步被配置成：

根据各音频帧的分类结果，对所述目标音频进行平滑处理；

根据平滑处理后的目标音频，确定用户语音的起始时刻和结束时刻。

14.根据权利要求8-13任一项所述的装置，其中，所述装置还包括语音识别单元，被配置成：

对所述起始时刻与所述结束时刻之间的音频进行语音识别。

15.一种执行用于处理音频的方法的电子设备，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1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images