[发明专利]音频信号处理方法、装置、设备及存储介质

说明书

本申请提供一种音频信号处理方法、装置、设备及存储介质，涉及语音处理技术领域。该方法包括：获取待检测音频信号中多个语音片段的语音特征；根据第一个语音片段之后的每个待分类语音片段的语音特征和至少一个已分类语音片段的语音特征，确定每个待分类语音片段的类别；其中，第一个语音片段的类别为预设类别，至少一个已分类语音片段为每个待分类语音片段之前的至少一个语音片段；根据第一个语音片段的类别以及每个待分类语音片段的类别，确定待检测音频信号的总类别个数，并根据总类别个数，确定待检测音频信号的说话人数。相对于现有技术，避免了分离说话人所需的时间太长，影响确定说话人数目的实时性的问题。

技术领域

本申请涉及语音处理技术领域，具体而言，涉及一种音频信号处理方法、装置、设备及存储介质。

背景技术

对于声纹识别系统来说，一般要求输入的语音数据只包含有单一的说话人。若输入语音中含有多个说话人的声音，则会导致提取的声纹特征错误，从而影响声纹识别系统的性能。所以一般在声纹识别之前，需要先判别输入语音中说话人的数目，若判定语音中含有多个说话人，则该条语音不送入声纹识别系统中。

现有技术中一般通过说话人分离技术来判断当前输入语音中的说话人数，该技术一般分为三个步骤：初始分割：找到说话人发生切换的时间点，并将输入语音分割为多段语音；聚类：按照一定的距离准则或者模式识别方法来对初始分割后的语音段按说话人聚类；重分割：利用聚类结果，对每个说话人的声纹特征进行更新，重新对原始语音进行分割。

但是现有技术的复杂度较高，耗时较长，会大大的增加分离说话人所需的时间，影响确定说话人数目的实时性。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种音频信号处理方法、装置、设备及存储介质，以解决现有技术中分离说话人所需的时间太长，影响确定说话人数目的实时性的问题。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请一实施例提供了一种音频信号处理方法，所述方法包括：

获取待检测音频信号中多个语音片段的语音特征；

根据第一个语音片段之后的每个待分类语音片段的语音特征和至少一个已分类语音片段的语音特征，确定所述每个待分类语音片段的类别；其中，所述第一个语音片段的类别为预设类别，所述至少一个已分类语音片段为所述每个待分类语音片段之前的至少一个语音片段；

根据所述第一个语音片段的类别以及所述每个待分类语音片段的类别，确定所述待检测音频信号中的总类别个数，并根据所述总类别个数，确定所述待检测音频信号的说话人数。

可选地，所述根据第一个语音片段之后的每个待分类语音片段的语音特征和至少一个已分类语音片段的语音特征，确定所述每个待分类语音片段的类别，包括：

根据第一个语音片段之后的每个待分类语音片段的语音特征和所述至少一个已分类语音片段的语音特征，分别计算所述每个待分类语音片段与所述至少一个已分类语音片段之间的第一特征距离；

根据所述第一特征距离，确定所述每个待分类语音片段的类别。

可选地，所述根据所述第一特征距离，确定所述每个待分类语音片段的类别，包括：

根据所述第一特征距离，判断是否存在与所述待分类语音片段的类别相同的所述已分类语音片段；

若存在，则确定所述已分类语音片段的类别为所述待分类语音片段的类别；

若所述至少一个已分类语音片段中不存在与所述每个待分类语音片段的类别相同的已分类语音片段，则建立新类别，并确定所述待分类语音片段的类别为所述新类别。

可选地，所述根据所述第一特征距离，判断是否存在与所述待分类语音片段的类别相同的所述已分类语音片段，包括：