[发明专利]语音处理方法、装置、设备及存储介质

说明书

本申请提供一种语音处理方法、装置、设备及存储介质，包括：获取N个语音帧中每个语音帧的第一声学特征，N为大于1的正整数。对N个第一声学特征采用神经网络算法，得到第一掩蔽阈值。根据N个语音帧的VAD信息修正第一掩蔽阈值，得到第二掩蔽阈值。根据第二掩蔽阈值对N个第一声学特征进行处理，得到第二声学特征。从而提高噪声抑制效果，并且降低语音损伤。

技术领域

本申请涉及语音处理技术领域，尤其涉及一种语音处理方法、装置、设备及存储介质。

背景技术

在低噪声情况下，人类的听觉系统可以分辨出嘈杂环境中的感兴趣的声音，这个现象叫做“鸡尾酒会效应”。“鸡尾酒会效应”通常被在技术上描述为盲源分离问题，也就是在没有参考信号的情况下，把感兴趣的“前景音”从嘈杂的“背景音”中分离出来。

盲源分离主要的技术手段是估计掩蔽阈值(mask)，并通过掩蔽阈值对声学特征进行处理。目前采用神经网络算法估计掩蔽阈值。例如：针对语音的快速傅里叶变换(FastFourier Transform，FFT)的幅值谱这一特征，通过如下公式估计掩蔽阈值：其中，t表示第t个语音帧，f表示第f个频点，表示第(t，f)时频点的干净(clean)语音的功率；表示第(t，f)时频点的带有噪声(noisy)的语音的功率。然而，在实际应用中干净语音还是携带有噪声，基于此，造成估计得到的掩蔽阈值不够准确，进而导致语音处理效果不佳。

发明内容

为了解决上述技术问题，本申请提供一种语音处理方法、装置、设备及存储介质，其中根据vad信息对掩蔽阈值修正，从而消除了大量离散的掩蔽阈值，进而提高了噪声抑制效果，并且降低了语音损伤。

第一方面，本申请提供一种语音处理方法，包括：获取N个语音帧中每个语音帧的第一声学特征，N为大于1的正整数。对N个第一声学特征采用神经网络算法，得到第一掩蔽阈值。根据N个语音帧的语音活动检测VAD信息修正第一掩蔽阈值，得到第二掩蔽阈值。根据第二掩蔽阈值对N个第一声学特征进行处理，得到第二声学特征。

本申请的有益效果包括：通过vad信息对掩蔽阈值修正，从而消除了大量离散的掩蔽阈值，通过修正后的掩蔽阈值对声学特征进行处理，可以提高噪声抑制效果，并且降低语音损伤。

可选地，根据N个语音帧的VAD信息修正第一掩蔽阈值，包括：计算VAD信息与第一掩蔽阈值的乘积，得到第二掩蔽阈值。通过该方法可以有效的修正第一掩蔽阈值。

可选地，VAD信息包括：每个语音帧对应的VAD值。当N个语音帧包括静音帧时，将静音帧对应的VAD值置为0。通过该方法可以确定VAD信息，以修正第一掩蔽阈值。

可选地，VAD信息包括：每个语音帧对应的VAD值。相应的，根据N个语音帧的语音活动检测VAD信息修正第一掩蔽阈值之前，还包括：确定N个语音帧中VAD值为1的M1个语音帧，以及，VAD值为0的P1个语音帧，M1个语音帧与P1个语音帧相邻，其中M1和P1均为大于1的正整数。对M1个语音帧中的M2个语音帧对应的VAD值和P1个语音帧中的P2个语音帧对应的VAD值作平滑处理，以使M2个语音帧和P2个语音帧对应的VAD值由0渐变至1或者由1渐变至0，M2个语音帧与P2个语音帧相邻，其中1≤M2≤M1，1≤P2≤P1。通过该方法可以确定VAD信息，以修正第一掩蔽阈值。

可选地，确定N个语音帧中VAD值为1的M1个语音帧，以及，VAD值为0的P1个语音帧，包括：确定N个语音帧中的每个语音帧对应的电话类型，类型包括：静音和非静音。将类型为静音的语音帧确定为VAD值为0的语音帧。将类型为非静音的语音帧确定为VAD值为1的语音帧。

可选地，M2和P2通过hamming窗、三角窗或者hanning窗确定。

下面将提供一种语音处理装置、设备、存储介质及计算机程序产品，其效果和参考上述方法部分的效果，下面对此不再赘述。

第二方面，本申请提供一种语音处理装置，包括：