一种音频信号的处理方法、装置、设备及介质制造方法及图纸

本发明专利技术关于一种音频信号的处理方法、装置、设备及介质，应用于电梯、智能汽车等语音控制场景，用以从包含多个对象音频信号中分离每个对象语音信号，提升分离对象语音信号效率，优化语音识别过程。方法包括：获取多路音频信号，多路音频信号是利用设置在同一场景中的多个音频采集设备同时采集的，且每路音频信号中包含多个对象的语音信号；基于预先确定的每路音频信号中各帧音频信号在多个预设频率的幅值，确定各帧音频信号的幅值矩阵；根据各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在多个预设频率的幅值；根据每个对象的各帧语音信号在多个预设频率的幅值，确定每个对象的语音音频。

【技术实现步骤摘要】
一种音频信号的处理方法、装置、设备及介质
本专利技术涉及语音处理领域，尤其涉及一种音频信号的处理方法、装置、设备及介质。
技术介绍
在语音控制领域中，通常同一时间由一个用户发出语音控制命令，根据采集该用户的音频确定具体的命令意图。但在共享语音控制权限的场景中(例如，电梯场景)，多个用户均享有语音控制权限，若出现多个用户同一时间发出语音控制命令，被采集的音频中包含了多个用户的语音控制命令，因无法确定每个用户的语音控制命令音频，造成无法确定每个用户的具体命令意图，还需要确认多个用户逐个发出语音控制命令，使得处理效率低下。因此，亟需一种确定包含多个用户语音的音频中每个用户语音音频的解决方案。
技术实现思路
本专利技术提供一种音频信号的处理方法、装置、设备及介质，用以从包含多个对象音频信号中分离每个对象语音信号，提升分离对象语音信号效率，优化语音识别过程。本专利技术的技术方案如下：根据本专利技术实施例的第一方面，提供一种音频信号的处理方法，包括：获取多路音频信号，多路音频信号是利用设置在同一场景中的多个音频采集设备同时采集的，且每路音频信号中包含多个对象的语音信号；基于预先确定的每路音频信号中各帧音频信号在多个预设频率的幅值，确定各帧音频信号的幅值矩阵；根据各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在多个预设频率的幅值；根据每个对象的各帧语音信号在多个预设频率的幅值，确定每个对象的语音音频。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理方法中，各帧音频信号的解混矩阵，采用如下步骤确定：确定每路音频信号中首帧音频信号的中间解混矩阵，并基于每路音频信号中首帧音频信号的中间解混矩阵，确定首帧音频信号的解混矩阵；确定每路音频信号中非首帧音频信号的中间解混矩阵，并基于每路音频信号中非首帧音频信号的中间解混矩阵，确定非首帧音频信号的解混矩阵。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理方法中确定每路音频信号中首帧音频信号的中间解混矩阵，包括：针对每路音频信号，将预设矩阵确定为该路音频信号中首帧音频信号的中间解混矩阵。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理方法中确定每路音频信号中非首帧音频信号的中间解混矩阵，包括：针对每路音频信号中非首帧音频信号：根据当前帧音频信号在多个预设频率的幅值以及前一帧音频信号的解混矩阵，确定当前帧音频信号的信号能量；基于当前帧音频信号的信号能量、当前帧音频信号在多个预设频率的幅值、以及前一帧音频信号的协方差矩阵，确定当前帧音频信号的协方差矩阵；依据当前帧音频信号的协方差矩阵以及前一帧音频信号的解混矩阵，确定当前帧音频信号的中间解混矩阵；其中，各路首帧音频信号的协方差矩阵是基于预设矩阵以及各路音频信号中首帧音频信号在多个预设频率的幅值确定的。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理方法中，根据各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在多个预设频率的幅值，包括：根据各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定各帧语音信号幅值矩阵；依据各帧语音信号的幅值矩阵的维数以及多个预设频率的数量，确定对象数量；基于各帧语音信号的幅值矩阵、对象数量，确定每个对象的各帧语音信号在多个预设频率的幅值。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理方法中，根据每个对象的各帧语音信号在多个预设频率的幅值，确定每个对象的语音音频，包括：基于预设转换关系，将每个对象的各帧语音信号在多个预设频率的幅值，转换为每个对象的各帧语音信号；根据每个对象的各帧语音信号，确定每个对象的语音音频。根据本专利技术实施例的第二方面，提供一种音频信号的处理装置，包括：获取单元，用于获取多路音频信号，多路音频信号是利用设置在同一场景中的多个音频采集设备同时采集的，且每路音频信号中包含多个对象的语音信号；矩阵确定单元，用于基于预先确定的每路音频信号中各帧音频信号在多个预设频率的幅值，确定各帧音频信号的幅值矩阵；处理单元，用于根据各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在多个预设频率的幅值；语音音频确定单元，用于根据每个对象的各帧语音信号在多个预设频率的幅值，确定每个对象的语音音频。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理装置中，处理单元具体用于：采用如下步骤确定各帧音频信号的解混矩阵：确定每路音频信号中首帧音频信号的中间解混矩阵，并基于每路音频信号中首帧音频信号的中间解混矩阵，确定首帧音频信号的解混矩阵；确定每路音频信号中非首帧音频信号的中间解混矩阵，并基于每路音频信号中非首帧音频信号的中间解混矩阵，确定非首帧音频信号的解混矩阵。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理装置中，处理单元具体用于：针对每路音频信号，将预设矩阵确定为该路音频信号中首帧音频信号的中间解混矩阵。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理装置中，处理单元具体用于：针对每路音频信号中非首帧音频信号：根据当前帧音频信号在多个预设频率的幅值以及前一帧音频信号的解混矩阵，确定当前帧音频信号的信号能量；基于当前帧音频信号的信号能量、当前帧音频信号在多个预设频率的幅值、以及前一帧音频信号的协方差矩阵，确定当前帧音频信号的协方差矩阵；依据当前帧音频信号的协方差矩阵以及前一帧音频信号的解混矩阵，确定当前帧音频信号的中间解混矩阵；其中，各路首帧音频信号的协方差矩阵是基于预设矩阵以及各路音频信号中首帧音频信号在多个预设频率的幅值确定的。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理装置中，处理单元具体用于：根据各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定各帧语音信号幅值矩阵；依据各帧语音信号的幅值矩阵的维数以及多个预设频率的数量，确定对象数量；基于各帧语音信号的幅值矩阵、对象数量，确定每个对象的各帧语音信号在多个预设频率的幅值。一种可能的实施方式中，本专利技术实施例提供的音频信号的处理装置中，语音音频确定单元，具体用于：基于预设转换关系，将每个对象的各帧语音信号在多个预设频率的幅值，转换为每个对象的各帧语音信号；根据每个对象的各帧语音信号，确定每个对象的语音音频。根据本专利技术实施例的第三方面，提供一种音频信号的处理设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令以实现第一方面中任一项的音频信号的处理方法。根据本专利技术实施例的第四方面，提供一种存储介质，当存储介质中的指令由音频信号的处理设备的处理器执行时本文档来自技高网...

【技术保护点】
1.一种音频信号的处理方法，其特征在于，所述方法包括：/n获取多路音频信号，所述多路音频信号是利用设置在同一场景中的多个音频采集设备同时采集的，且每路音频信号中包含多个对象的语音信号；/n基于预先确定的每路音频信号中各帧音频信号在多个预设频率的幅值，确定各帧音频信号的幅值矩阵；/n根据所述各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在所述多个预设频率的幅值；/n根据所述每个对象的各帧语音信号在所述多个预设频率的幅值，确定每个对象的语音音频。/n

【技术特征摘要】
1.一种音频信号的处理方法，其特征在于，所述方法包括：
获取多路音频信号，所述多路音频信号是利用设置在同一场景中的多个音频采集设备同时采集的，且每路音频信号中包含多个对象的语音信号；
基于预先确定的每路音频信号中各帧音频信号在多个预设频率的幅值，确定各帧音频信号的幅值矩阵；
根据所述各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在所述多个预设频率的幅值；
根据所述每个对象的各帧语音信号在所述多个预设频率的幅值，确定每个对象的语音音频。


2.根据权利要求1所述的方法，其特征在于，所述各帧音频信号的解混矩阵，采用如下步骤确定：
确定每路音频信号中首帧音频信号的中间解混矩阵，并基于所述每路音频信号中首帧音频信号的中间解混矩阵，确定所述首帧音频信号的解混矩阵；
确定每路音频信号中非首帧音频信号的中间解混矩阵，并基于所述每路音频信号中非首帧音频信号的中间解混矩阵，确定所述非首帧音频信号的解混矩阵。


3.根据权利要求2所述的方法，其特征在于，所述确定每路音频信号中首帧音频信号的中间解混矩阵，包括：
针对每路音频信号，将预设矩阵确定为该路音频信号中首帧音频信号的中间解混矩阵。


4.根据权利要求3所述的方法，其特征在于，所述确定每路音频信号中非首帧音频信号的中间解混矩阵，包括：
针对每路音频信号中非首帧音频信号：
根据当前帧音频信号在所述多个预设频率的幅值以及前一帧音频信号的解混矩阵，确定当前帧音频信号的信号能量；
基于当前帧音频信号的信号能量、当前帧音频信号在所述多个预设频率的幅值、以及前一帧音频信号的协方差矩阵，确定当前帧音频信号的协方差矩阵；
依据当前帧音频信号的协方差矩阵以及前一帧音频信号的解混矩阵，确定当前帧音频信号的中间解混矩阵；
其中，各路首帧音频信号的协方差矩阵是基于所述预设矩阵以及各路音频信号中首帧音频信号在所述多个预设频率的幅值确定的。


5.根据权利要求1所述的方法，其特征在于，所述根据所述各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定对象数量以及每个对象的各帧语音信号在所述多个预设频率的幅值，包括：
根据所述各帧音频信号的幅值矩阵、预先确定的各帧音频信号的解混矩阵，确定各帧语音信号幅值矩阵；
依据所述各帧语音信号的幅值矩阵的维数以及所述多个预设频率的数量，确定对象数量；
基于所述各帧语音信号的幅值矩阵、所述对象数量，确定每个对象的各帧语音信号在所述多个预设频率的幅值。


6.根据权利要求1所述的方法，其特征在于，所述根据所述每个对象的各帧语音信号在所述多个预设频率的幅值，确定每个对象的语音音频，包括：
基于预设转换关系，将所述每个对象的各帧语音信号在所述多个预设频率的幅值，转换为每个对象的各帧语音信号；
根据所述每个对象的各帧语音信号，确定每个对象的语音音频。


7.一种音频信号的处理装置，其特征在于，所述装置包括：
获取单元，用于获取多路音频信号，所述多路音频信号是利用设置在同一场景...

【专利技术属性】
技术研发人员：奚少亨，冯大航，陈孝良，
申请(专利权)人：北京声智科技有限公司，
类型：发明
国别省市：北京;11