[发明专利]一种语音信号处理的方法及其相关设备

说明书

本申请公开了一种语音信号处理的方法及其相关设备，可使得声源的方位能够准确地指示声源的实际位置，从而提高语音帧的滤波质量。本申请中的方法包括：获取第一语音帧；若确定第一语音帧之前包括触发唤醒的语音帧，则根据第一语音帧之前的N个语音帧，确定第一语音的第一声源的方位，第一语音包括第一语音帧和N个语音帧，N个语音帧包括触发唤醒的语音帧，N为大于或等于1的整数；根据第一声源的方位对第一语音帧进行滤波。

技术领域

本申请涉及智能语音交互领域，尤其涉及一种语音信号处理的方法及其相关设备。

背景技术

语音增强的本质是语音降噪(也可称为语音滤波)。终端设备的麦克风阵列所采集的语音通常带有一定程度的噪声，通过语音增强可抑制语音中所携带的噪声，从而提高语音的可懂度和话音质量，有助于提高语音唤醒的唤醒率和语音识别的识别率。

在语音增强的过程中，可对语音中的每一个语音帧均进行滤波处理，从而得到增强后的语音。具体地，对于某一个语音帧，可先基于该语音帧生成多个波束，并基于该语音帧的信息确定生成语音的声源的方位。接着，在多个波束中，选择与声源的方位对应的波束进行滤波，可得到滤波后的语音帧。然而，前述确定声源的方位的过程中，所考虑的信息较为单一，导致得到的声源的方位无法准确地指示声源的实际位置，故基于此种方式得到的声源的方位对语音帧进行滤波，滤波后的语音帧仍然会残留较多的噪声，即语音帧的滤波质量不佳。

因此，如何令声源的方位能够准确地指示声源的实际位置，从而提高语音帧的滤波质量，成为了亟待解决的问题。

发明内容

本申请实施例提供了一种语音信号处理的方法及其相关设备，可使得声源的方位能够准确地指示声源的实际位置，从而提高语音帧的滤波质量。

本申请实施例的第一方面提供了一种语音信号处理的方法，该方法包括：

当用户需与终端设备进行语音交互(例如，语音唤醒和语音识别等等)时，可向终端设备输入第一语音。在基于第一语音进行语音唤醒和语音识别之前，终端设备通常会对第一语音进行语音增强。具体地，终端设备可逐帧获取第一语音，并对第一语音中的每个语音帧进行语音增强，语音增强的处理过程如下：

在获取第一语音帧之前，终端设备已获取第一语音帧之前的所有语音帧，并对每个语音帧进行了唤醒检测。基于语音帧的唤醒检测结果，可判断第一语音帧之前是否包括触发唤醒的语音帧(即最终唤醒终端设备)，即判断在第一语音帧之前的第K个语音帧是否为触发唤醒的语音帧，K为大于或等于1的整数。

在获取到第一语音帧后，终端设备若确定第一语音帧之前包括触发唤醒的语音帧(即确定第一语音帧之前的第K个语音帧为触发唤醒的语音帧)，可确定当前处于被唤醒的状态，则根据第一语音帧之前的N个语音帧，确定第一语音的第一声源的方位。其中，第一语音包括第一语音帧和第一语音帧之前的N个语音帧。该N个语音帧包含触发唤醒的语音帧，一般地，触发唤醒的语音帧通常为该N个语音帧中的最后一个语音帧。N为大于或等于1的整数。

在得到第一声源的方位后，终端设备根据第一声源的方位对第一语音帧进行滤波。

从上述方法可以看出：终端设备在确定第一语音帧之前包括触发唤醒的语音帧后，则利用第一语音帧之前的N个语音帧确定第一声源的方位。由于该N个语音帧中包括触发唤醒的语音帧，故在确定第一声源的方位时，考虑了与唤醒终端设备相关的多个语音帧信息，使得该方位能够更准确地指示第一声源的实际位置。因此，基于该方位对第一语音帧进行滤波，可提高语音帧的滤波质量。

在一种可能的实现方式中，终端设备根据第一语音帧之前的N个语音帧，确定第一语音的第一声源的方位具体包括：终端设备在确定第一语音帧之前包括触发唤醒的语音帧后，可确定第一语音帧之前的N个语音帧，该N个语音帧包含触发唤醒的语音帧。然后，终端设备获取该N个语音帧所对应的N个第一声源的预估方位，其中，每个语音帧分别对应一个第一声源的预估方位。最后，终端设备在N个第一声源的预估方位中取众数，得到第一语音的第一声源的方位。