[發明專利]一種音頻信號處理方法、裝置、終端及存儲介質

有效

• 申請號: 201911302374.8
• 申請日: 2019-12-17
• 公開（公告）號: CN111128221B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 侯海寧
• 申請（專利權）人: 北京小米智能科技有限公司
• 主分類號: G10L21/0224
• 分類號: G10L21/0224;G10L21/0232;G10L21/0272
• 代理公司: 北京善任知識產權代理有限公司 11650
• 代理人: 康艷青

本公開是關于一種音頻信號處理方法，所述方法包括：由至少兩個麥克風獲取至少兩個聲源各自發出的音頻信號，以獲得所述至少兩個麥克風各自的原始帶噪信號；對所述至少兩個麥克風各自的原始帶噪信號進行聲源分離，以獲得所述至少兩個聲源各自的時頻估計信號；基于所述至少兩個聲源各自的時頻估計信號，確定每一個聲源的時頻估計信號分別在每一個麥克風的原始帶噪信號中的掩蔽值；基于所述至少兩個麥克風各自的原始帶噪信號及所述掩蔽值，更新所述至少兩個聲源各自的時頻估計信號；基于所述至少兩個聲源各自的更新后的時頻估計信號，確定所述至少兩個聲源各自發出的音頻信號。本公開還公開了一種音頻信號處理裝置、終端及存儲介質。

技術領域

本公開涉及通信技術領域，尤其涉及一種音頻信號處理方法、裝置、終端及存儲介質。

背景技術

相關技術中，智能產品設備拾音多采用麥克風陣列，應用麥克風波束形成技術提高語音信號處理質量，以提高真實環境下的語音識別率。但多個麥克風的波束形成技術對麥克風位置誤差敏感，性能影響較大，另外麥克風個數增多了也會導致產品成本升高。

因此，目前越來越多的智能產品設備只配置兩個麥克風；兩個麥克風常采用完全不同于多個麥克風波束形成技術的盲源分離技術對語音進行增強，而如何使得基于盲源分離技術分離后信號的語音質量更高是目前的迫切需要解決的問題。

發明內容

本公開提供一種音頻信號處理方法、裝置、終端及存儲介質。

由至少兩個麥克風獲取至少兩個聲源各自發出的音頻信號，以獲得所述至少兩個麥克風各自的原始帶噪信號；

對所述至少兩個麥克風各自的原始帶噪信號進行聲源分離，以獲得所述至少兩個聲源各自的時頻估計信號；

基于所述至少兩個聲源各自的時頻估計信號，確定每一個聲源的時頻估計信號分別在每一個麥克風的原始帶噪信號中的掩蔽值；

基于所述至少兩個麥克風各自的原始帶噪信號及所述掩蔽值，更新所述至少兩個聲源各自的時頻估計信號；

基于所述至少兩個聲源各自的更新后的時頻估計信號，確定所述至少兩個聲源各自發出的音頻信號。

上述方案中，所述對所述至少兩個麥克風各自的原始帶噪信號進行聲源分離，以獲得所述至少兩個聲源各自的時頻估計信號，包括：

基于分離矩陣與當前幀的原始帶噪信號，獲取當前幀的第一分離信號；其中，所述分離矩陣為所述當前幀的分離矩陣，或者所述當前幀的前一幀的分離矩陣；

組合每一幀的所述第一分離信號，以獲得各所述聲源的所述時頻估計信號。

上述方案中，當所述當前幀為第一幀時，所述第一幀的分離矩陣為單位矩陣；

所述基于分離矩陣與當前幀的原始帶噪信號，獲取當前幀的第一分離信號，包括：

基于所述單位矩陣及所述第一幀的原始帶噪信號，獲取所述第一幀的所述第一分離信號。

上述方案中，所述方法還包括：

若所述當前幀為第一幀以后的音頻幀時，基于所述當前幀的前一幀的分離矩陣及當前幀的原始帶噪信號確定所述當前幀的分離矩陣。

上述方案中，所述基于所述至少兩個聲源各自的時頻估計信號，確定每一個聲源的時頻估計信號分別在每一個麥克風的原始帶噪信號中的掩蔽值，包括：

基于任意所述聲源在所述麥克風的所述時頻估計信號，以及每一個麥克風的原始帶噪信號，獲得占比值；

對所述占比值進行非線性映射，獲得任意所述聲源分別在每一個麥克風的掩蔽值。

上述方案中，所述對所述占比值進行非線性映射，獲得任意所述聲源分別在每一個麥克風的掩蔽值，包括：