[发明专利]发声者语音抽取方法、装置、存储介质及电子设备

权利要求书

1.一种发声者语音抽取方法，其特征在于，所述方法包括：

采集环境中的混合语音，所述混合语音包括目标发声者的语音；

基于所述混合语音，获得第一语音时域特征信息；

基于已有的所述目标发声者的声纹信息，从所述第一语音时域特征信息中实时抽取所述目标发声者的第二语音时域特征信息；

基于所述第二语音时域特征信息，获得所述目标发声者的语音段。

2.根据权利要求1所述的方法，其特征在于，所述基于所述混合语音，获得第一语音时域特征信息，包括：

基于所述混合语音，获得第一单通道语音；

对所述第一单通道语音进行断句切分，得到包含预设类型声音的第一语音分段数据流；

通过预先训练的时域编码器对所述第一语音分段数据流进行处理，获得第一语音时域特征信息。

3.根据权利要求1所述的方法，其特征在于，在基于已有的所述目标发声者的声纹信息，从所述第一语音时域特征信息中实时抽取所述目标发声者的第二语音时域特征信息之前，该方法还包括：

采集所述目标发声者的语音；

基于所述目标发声者的语音，获得第二单通道语音；

对所述第二单通道语音进行断句切分，得到包含预设类型声音的第二语音分段数据流；

从所述第二语音分段数据流中提取所述目标发声者的语音特征信息；

基于所述目标发声者的语音特征信息，获得所述目标发声者的声纹信息。

4.根据权利要求2或3所述的方法，其特征在于，对单通道语音进行断句切分，得到包含预设类型声音的语音分段数据流，包括：

对于单通道语音中的任意一帧语音，检测该帧语音的能量大小，并根据预设能量阈值，确定该帧语音为有语音的语音帧还是无语音的语音帧；

对所述单通道语音中所有有语音的语音帧进行断句切分，得到包含预设类型声音的语音分段数据流。

5.根据权利要求3所述的方法，其特征在于，所述从所述第二语音分段数据流中提取所述目标发声者的语音特征信息，包括：

对所述第二语音分段数据流进行短时傅里叶变换，仅提取幅值部分的特征信息，作为所述目标发声者的语音特征信息。

6.根据权利要求3所述的方法，其特征在于，所述声纹信息为声纹向量，所述基于所述目标发声者的语音特征信息，获得所述目标发声者的声纹信息，包括：

将所述目标发声者的语音特征信息输入预先训练的声纹网络，得到所述声纹网络输出的所述目标发声者的声纹向量。

7.根据权利要求1-3、5、6任一项所述的方法，其特征在于，所述声纹信息为声纹向量，所述基于已有的所述目标发声者的声纹信息，从所述第一语音时域特征信息中实时抽取所述目标发声者的第二语音时域特征信息，包括：

将所述第一语音时域特征信息切分为预设长度的片段；

将切分后的所述片段和已有的所述目标发声者的声纹向量输入预先训练的语音抽取网络，得到所述语音抽取网络实时输出的各个所述片段对应的所述目标发声者的第二语音时域特征信息；其中，当前片段对应的所述目标发声者的第二语音时域特征信息的提取依赖于历史片段处理过程中缓存的中间变量。

8.根据权利要求7所述的方法，其特征在于，在将切分后的所述片段和已有的所述目标发声者的声纹向量输入预先训练的语音抽取网络之前，该方法还包括：

获取训练样本集，所述训练样本集包括：混合语音和发声者的参考语音，其中，所述混合语音包括发声者的语音；

通过所述训练样本集，训练所述语音抽取网络，以使得所述语音抽取网络输出的第二语音时域特征信息为所述发声者的。

9.根据权利要求2所述的方法，其特征在于，所述基于所述第二语音时域特征信息，获得所述目标发声者的语音段，包括：

通过预先训练的时域解码器将所述第二语音时域特征信息恢复为离散的语音采样点；

将所述离散的语音采样点融合，获得所述目标发声者的语音段。