[發(fā)明專利]音頻信號處理方法、設(shè)備、系統(tǒng)及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110235834.0
• 申請日: 2021-03-03
• 公開（公告）號: CN115019826A
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計）人: 鄭斯奇;索宏彬
• 申請（專利權(quán)）人: 阿里巴巴（中國）有限公司
• 主分類號: G10L25/51
• 分類號: G10L25/51
• 代理公司: 北京太合九思知識產(chǎn)權(quán)代理有限公司 11610
• 代理人: 劉戈;張愛

1.一種音頻信號處理方法，其特征在于，包括：

獲取麥克風(fēng)陣列采集到的當(dāng)前音頻信號，所述麥克風(fēng)陣列包含至少兩個麥克風(fēng)；

根據(jù)所述至少兩個麥克風(fēng)采集到當(dāng)前音頻信號的相位差信息，生成當(dāng)前音頻信號對應(yīng)的當(dāng)前聲源空間分布信息；

根據(jù)所述當(dāng)前聲源空間分布信息，結(jié)合基于歷史音頻信號學(xué)習(xí)到的單一語音與重疊語音之間的轉(zhuǎn)換關(guān)系，識別當(dāng)前音頻信號是否為重疊語音。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述至少兩個麥克風(fēng)采集到當(dāng)前音頻信號的相位差信息，生成當(dāng)前音頻信號對應(yīng)的當(dāng)前聲源空間分布信息，包括：

根據(jù)所述至少兩個麥克風(fēng)采集到當(dāng)前音頻信號的相位差信息，計算當(dāng)前音頻信號對應(yīng)的波達(dá)譜圖，所述波達(dá)譜圖反應(yīng)當(dāng)前聲源在空間上的分布情況。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)所述至少兩個麥克風(fēng)采集到當(dāng)前音頻信號的相位差信息，計算當(dāng)前音頻信號對應(yīng)的波達(dá)譜圖，包括：

針對位置空間中的任一方位，對任意兩個麥克風(fēng)采集到當(dāng)前音頻信號的相位差信息進(jìn)行累加，得到所述方位作為當(dāng)前聲源位置的概率；

根據(jù)所述位置空間中各方位作為當(dāng)前聲源位置的概率，生成當(dāng)前音頻信號對應(yīng)的波達(dá)譜圖。

4.根據(jù)權(quán)利要求1-3任一項所述的方法，其特征在于，根據(jù)所述當(dāng)前聲源空間分布信息，結(jié)合基于歷史音頻信號學(xué)習(xí)到的單一語音與重疊語音之間的轉(zhuǎn)換關(guān)系，識別當(dāng)前音頻信號是否為重疊語音，包括：

計算所述當(dāng)前聲源空間分布信息的峰值信息，作為隱馬爾科夫模型HMM的當(dāng)前觀測狀態(tài)，并將單一語音與重疊語音作為HMM的兩個隱藏狀態(tài)；

將當(dāng)前觀測狀態(tài)輸入HMM，結(jié)合HMM學(xué)習(xí)到的兩個隱藏狀態(tài)之間的跳轉(zhuǎn)關(guān)系，以歷史觀測狀態(tài)為前提條件，計算當(dāng)前觀測狀態(tài)對應(yīng)隱藏狀態(tài)的概率；

根據(jù)所述當(dāng)前觀測狀態(tài)對應(yīng)隱藏狀態(tài)的概率，識別當(dāng)前音頻信號是否為重疊語音。

5.根據(jù)權(quán)利要求1-3任一項所述的方法，其特征在于，還包括：

若識別到當(dāng)前音頻信號為重疊語音，則根據(jù)所述當(dāng)前聲源空間分布信息，確定至少兩個有效聲源方位；

對所述至少兩個有效聲源方位上的音頻信號進(jìn)行語音增強(qiáng)，并對所述至少兩個有效聲源方位上增強(qiáng)后的音頻信號分別進(jìn)行語音識別。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，根據(jù)所述當(dāng)前聲源空間分布信息，確定至少兩個有效聲源方位，包括：

在所述當(dāng)前聲源空間分布信息包括各方位作為當(dāng)前聲源位置的概率的情況下，將作為當(dāng)前聲源位置的概率最大的兩個方位作為有效聲源方位。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，還包括：

若識別到當(dāng)前音頻信號為單一語音，則將作為當(dāng)前聲源位置的概率最大的一個方位作為有效聲源方位；

對所述有效聲源方位上的音頻信號進(jìn)行語音增強(qiáng)，并對所述有效聲源方位上增強(qiáng)后的音頻信號進(jìn)行語音識別。

8.根據(jù)權(quán)利要求1-3任一項所述的方法，其特征在于，在識別當(dāng)前音頻信號是否為重疊語音之前，還包括：

根據(jù)所述當(dāng)前的聲源空間分布信息，計算當(dāng)前音頻信號的波達(dá)方向；

根據(jù)所述波達(dá)方向，從所述至少兩個麥克風(fēng)中選擇一路麥克風(fēng)作為目標(biāo)麥克風(fēng)；

對所述目標(biāo)麥克風(fēng)采集到的當(dāng)前音頻信號進(jìn)行語音端點檢測VAD，以得到當(dāng)前音頻信號是否為語音信號。

9.一種音頻信號處理方法，其特征在于，適用于會議設(shè)備，所述會議設(shè)備包括麥克風(fēng)陣列，所述方法包括：

獲取所述麥克風(fēng)陣列在會議場景中采集到的當(dāng)前會議信號，所述麥克風(fēng)陣列包含至少兩個麥克風(fēng)；

根據(jù)所述至少兩個麥克風(fēng)采集到當(dāng)前會議信號的相位差信息，生成當(dāng)前會議信號對應(yīng)的當(dāng)前聲源空間分布信息；

根據(jù)所述當(dāng)前聲源空間分布信息，結(jié)合基于歷史會議信號學(xué)習(xí)到的單一語音與重疊語音之間的轉(zhuǎn)換關(guān)系，識別當(dāng)前會議信號是否為重疊語音。