语音处理方法、装置、终端、服务器及存储介质制造方法及图纸

本申请提供一种语音处理方法、装置、终端、服务器及存储介质。该方法包括：采集待检测音频；在检测到所述待检测音频中存在第一音频时，其中，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语，将第二音频上传至服务器；其中，所述第二音频为所述待检测音频中位于所述第一音频的结束点之后的音频，所述第二音频用于所述服务器进行语音端点检测。本申请通过终端检测应答语产生的回声的第一音频，将第一音频的结束点之后的第二音频上传到服务器进行语音端点检测，使得服务器进行语音端点检测的音频中不包含第一音频，从而避免服务器将回声的端点误识别为用户语音的端点的情况，提高语音端点检测的准确度。

【技术实现步骤摘要】
语音处理方法、装置、终端、服务器及存储介质
本申请涉及语音处理
，尤其涉及一种语音处理方法、装置、终端、服务器及存储介质。
技术介绍
随着语音识别技术的飞速发展，远场语音交互的应用场景越来越普遍，如智能电视、智能音箱、智能家居、智能车载终端、智能机器人、手机等终端可以与用户进行远场语音交互，为用户提供服务。在远场语音交互时，首先通过语音端点检测(VoiceActivityDetection，VAD)算法，检测出用户语音的前端点和后端点。一般地，终端接收到用户输入的唤醒语后，播放应答语，同时进行音频采集，将采集的音频上传至服务器，由服务器通过基于深度学习的语音活动检测模型，识别音频中用户语音的前端点和后端点。然而，有时终端播放的应答语会产生的回声，回声被终端采集到音频中。服务器容易错误地将音频中回声的前端点和后端点，识别为用户语音的前端点和后端点，出现语音端点检测错误，进而导致后续的语音交互出错。
技术实现思路
本申请实施例提供一种语音处理方法、装置、终端、服务器及存储介质，以解决语音端点检测容易出错的问题。第一方面，本申请实施例提供一种语音处理方法，应用于终端，所述方法包括：采集待检测音频；在检测到所述待检测音频中存在第一音频时，其中，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语，将第二音频上传至服务器；其中，所述第二音频为所述待检测音频中位于所述第一音频的结束点之后的音频，所述第二音频用于所述服务器进行语音端点检测。在一种可能的实施方式中，所述方法还包括：根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频。在一种可能的实施方式中，根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频，包括：提取所述应答语对应的音频特征；在所述应答语对应的音频特征与所述待检测音频之间匹配时，确定所述待检测音频中存在所述第一音频，其中，所述第一音频为所述待检测音频中的与所述应答语对应的音频特征相匹配的音频。在一种可能的实施方式中，根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频，包括：通过基于深度学习的第一语音端点检测模型，检测所述待检测音频中是否存在所述第一音频，其中，所述第一语音端点检测模型经过由所述应答语产生的回声的音频样本训练，所述音频样本中包含所述应答语对应的音频特征。在一种可能的实施方式中，所述方法还包括：在检测到所述待检测音频中不存在所述第一音频，且所述待检测音频中存在语音的前端点时，将第三音频上传至服务器，以使所述服务器检测所述第三音频中语音的后端点，其中，所述第三音频为所述待检测音频中位于所述语音的前端点之后的音频。在一种可能的实施方式中，采集待检测音频，包括：在接收到所述唤醒语后，采集所述待检测音频，并播放所述应答语。在一种可能的实施方式中，所述方法还包括：接收并显示所述服务器发送的语音识别结果，其中，所述语音识别结果由所述服务器在对所述第二音频进行语音端点检测，得到所述第二音频中语音的前端点和后端点后，对所述语音进行识别所得到。第二方面，本申请实施例提供一种语音处理方法，应用于服务器，所述方法包括：接收终端发送的第二音频，其中，所述第二音频为所述终端采集的待检测音频中位于第一音频的结束点之后的音频，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语；对所述第二音频进行语音端点检测。在一种可能的实施方式中，对所述第二音频进行语音端点检测，包括：将所述第二音频的起始点确定为所述第二音频中语音的前端点，并通过基于深度学习的第二语音端点检测模型，检测所述语音的后端点；其中，所述第二语音端点检测模型经过由包含语音的后端点的音频样本训练。在一种可能的实施方式中，对所述第二音频进行语音端点检测，包括：通过基于深度学习的第三语音端点检测模型，检测所述第二音频中语音的前端点和后端点，其中，所述第三语音端点检测模型经过由包含语音的前端点和后端点的音频样本训练。在一种可能的实施方式中，对所述第二音频进行语音端点检测之后，所述方法还包括：根据检测出的所述第二音频中语音的前端点和后端点，从所述第二音频中提取所述语音；对所述语音进行识别，得到语音识别结果；将所述语音识别结果发送至所述终端，所述语音识别结果用于所述终端进行显示。第三方面，本申请实施例提供一种语音处理装置，应用于终端，所述装置包括：采集模块，用于采集待检测音频；发送模块，用于在检测到所述待检测音频中存在第一音频时，其中，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语，将第二音频上传至服务器；其中，所述第二音频为所述待检测音频中位于所述第一音频的结束点之后的音频，所述第二音频用于所述服务器进行语音端点检测。在一种可能的实施方式中，所述装置还包括：检测模块；所述检测模块，用于：根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频。在一种可能的实施方式中，所述检测模块，具体用于：提取所述应答语对应的音频特征；在所述应答语对应的音频特征与所述待检测音频之间匹配时，确定所述待检测音频中存在所述第一音频，其中，所述第一音频为所述待检测音频中的与所述应答语对应的音频特征相匹配的音频。在一种可能的实施方式中，所述检测模块，具体用于：通过基于深度学习的第一语音端点检测模型，检测所述待检测音频中是否存在所述第一音频，其中，所述第一语音端点检测模型经过由所述应答语产生的回声的音频样本训练，所述音频样本中包含所述应答语对应的音频特征。在一种可能的实施方式中，所述发送模块，还用于：在检测到所述待检测音频中不存在所述第一音频，且所述待检测音频中存在语音的前端点时，将第三音频上传至服务器，以使所述服务器检测所述第三音频中语音的后端点，其中，所述第三音频为所述待检测音频中位于所述语音的前端点之后的音频。在一种可能的实施方式中，采集模块，具体用于：在接收到所述唤醒语后，采集所述待检测音频，并播放所述应答语。在一种可能的实施方式中，所述装置还包括：显示模块；所述显示模块，用于：接收并显示所述服务器发送的语音识别结果，其中，所述语音识别结果由所述服务器在对所述第二音频进行语音端点检测，得到所述第二音频中语音的前端点和后端点后，对所述语音进行识别所得到。第四方面，本申请实施例提供一种语音处理装置，应用于服务器，所述装置包括：接收模块，用于接收终端发送的第二音频，其中，所述第二音频为所述终端采集的待检测音频中位于第一音频的结束点之后的音频，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语；处理模块，用于对本文档来自技高网...

【技术保护点】
1.一种语音处理方法，其特征在于，应用于终端，所述方法包括：/n采集待检测音频；/n在检测到所述待检测音频中存在第一音频时，其中，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语，将第二音频上传至服务器；/n其中，所述第二音频为所述待检测音频中位于所述第一音频的结束点之后的音频，所述第二音频用于所述服务器进行语音端点检测。/n

【技术特征摘要】
1.一种语音处理方法，其特征在于，应用于终端，所述方法包括：
采集待检测音频；
在检测到所述待检测音频中存在第一音频时，其中，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语，将第二音频上传至服务器；
其中，所述第二音频为所述待检测音频中位于所述第一音频的结束点之后的音频，所述第二音频用于所述服务器进行语音端点检测。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频。


3.根据权利要求2所述的方法，其特征在于，根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频，包括：
提取所述应答语对应的音频特征；
在所述应答语对应的音频特征与所述待检测音频之间匹配时，确定所述待检测音频中存在所述第一音频，其中，所述第一音频为所述待检测音频中的与所述应答语对应的音频特征相匹配的音频。


4.根据权利要求2所述的方法，其特征在于，根据所述应答语对应的音频特征，确定所述待检测音频中是否存在所述第一音频，包括：
通过基于深度学习的第一语音端点检测模型，检测所述待检测音频中是否存在所述第一音频，其中，所述第一语音端点检测模型经过由所述应答语产生的回声的音频样本训练，所述音频样本中包含所述应答语对应的音频特征。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
在检测到所述待检测音频中不存在所述第一音频，且所述待检测音频中存在语音的前端点时，将第三音频上传至服务器，以使所述服务器检测所述第三音频中语音的后端点，其中，所述第三音频为所述待检测音频中位于所述语音的前端点之后的音频。


6.根据权利要求1-4任一项所述的方法，其特征在于，采集待检测音频，包括：
在接收到所述唤醒语后，采集所述待检测音频，并播放所述应答语。


7.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
接收并显示所述服务器发送的语音识别结果，其中，所述语音识别结果由所述服务器在对所述第二音频进行语音端点检测，得到所述第二音频中语音的前端点和后端点后，对所述语音进行识别所得到。


8.一种语音处理方法，其特征在于，应用于服务器，所述方法包括：
接收终端发送的第二音频，其中，所述第二音频为所述终端采集的待检测音频中位于第一音频的结束点之后的音频，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语；
对所述第二音频进行语音端点检测。


9.根据权利要求8所述的方法，其特征在于，对所述第二音频进行语音端点检测，包括：
将所述第二音频的起始点确定为所述第二音频中语音的前端点，并通过基于深度学习的第二语音端点检测模型，检测所述语音的后端点；其中，所述第二语音端点检测模型经过由包含语音的后端点的音频样本训练。


10.根据权利要求8所述的方法，其特征在于，对所述第二音频进行语音端点检测，包括：
通过基于深度学习的第三语音端点检测模型，检测所述第二音频中语音的前端点和后端点，其中，所述第三语音端点检测模型经过由包含语音的前端点和后端点的音频样本训练。


11.根据权利要求8-10任一项所述的方法，其特征在于，对所述第二音频进行语音端点检测之后，所述方法还包括：
根据检测出的所述第二音频中语音的前端点和后端点，从所述第二音频中提取所述语音；
对所述语音进行识别，得到语音识别结果；
将所述语音识别结果发送至所述终端，所述语音识别结果用于所述终端进行显示。


12.一种语音处理装置，其特征在于，应用于终端，所述装置包括：
采集模块，用于采集待检测音频；
发送模块，用于在检测到所述待检测音频中存在第一音频时，其中，所述第一音频为由应答语产生的回声的音频，所述应答语用于所述终端响应用户输入的唤醒语，将第二音频上传至服务器；
其中，所述第二音频为所述待检测音频中位于所述第一音频的结束点之后的音频，所述第二音频用于所述服务器进行语音端点检测。


13.根据权利要...

【专利技术属性】
技术研发人员：杨香斌，
申请(专利权)人：海信视像科技股份有限公司，
类型：发明
国别省市：山东;37