[发明专利]一种音频信号处理方法、装置及存储介质

权利要求书

1.一种音频信号处理方法，其特征在于，包括：

获取第一参考音频信号和待处理的混合音频信号，所述混合音频信号包括回声信号和目标音频信号；

将所述混合音频信号输入到预先训练完成的深度聚类网络模型中，得到所述混合音频信号对应的深度表示；

利用预先训练完成的声纹识别网络模型提取所述第一参考音频信号的声纹特征；

根据所述第一参考音频信号的声纹特征和所述混合音频信号对应的深度表示，利用预先训练完成的多头注意力机制模型得到所述混合音频信号中所述回声信号对应的深度表示的聚类中心；

根据所述回声信号对应的深度表示的聚类中心、所述混合音频信号对应的深度表示和所述混合音频信号，得到所述混合音频信号中的所述目标音频信号。

2.根据权利要求1所述的方法，其特征在于，根据所述回声信号对应的深度表示的聚类中心、所述混合音频信号对应的深度表示和所述混合音频信号，得到所述混合音频信号中的所述目标音频信号，包括：

根据所述回声信号对应的深度表示的聚类中心和所述混合音频信号对应的深度表示，得到所述混合音频信号中每个时频点上的所述目标音频信号的幅度与所述混合音频信号的幅度的比值；

根据所述比值和所述混合音频信号，得到所述混合音频信号中的所述目标音频信号。

3.根据权利要求1或2所述的方法，其特征在于，根据所述第一参考音频信号的声纹特征和所述混合音频信号对应的深度表示，利用预先训练完成的多头注意力机制模型得到所述混合音频信号中所述回声信号对应的深度表示的聚类中心，包括：

利用预先训练完成的多头注意力机制模型计算所述混合音频信号对应的深度表示与所述第一参考音频信号的声纹特征的第一相似度；

根据所述第一相似度得到所述混合音频信号中所述回声信号对应的深度表示的聚类中心。

4.根据权利要求1或2所述的方法，其特征在于，获取第一参考音频信号和待处理的混合音频信号，包括：

利用音频采集装置获取待处理的混合音频；

利用音频播放装置获取第一参考音频；

将所述待处理的混合音频和所述第一参考音频按照预设时间周期划分时间帧，得到待处理的混合音频时间帧和第一参考音频时间帧；

利用预设抽样点数的短时傅里叶变换将所述待处理的混合音频时间帧和所述第一参考音频时间帧变换到频域，得到第一参考音频信号和待处理的混合音频信号。

5.根据权利要求1所述的方法，其特征在于，获取第一参考音频信号和待处理的混合音频信号之前，所述方法还包括：

获取第二参考音频信号和混合音频信号样本，所述混合音频信号样本包括目标音频信号样本和所述第二参考音频信号；

将所述混合音频信号样本输入到深度聚类网络模型中得到所述混合音频信号样本对应的深度表示和第一损失函数；

利用预先训练完成的声纹识别网络模型提取所述第二参考音频信号的声纹特征；

根据所述混合音频信号样本对应的深度表示和所述第二参考音频信号的声纹特征，利用多头注意力机制模型得到所述混合音频信号样本中所述第二参考音频信号对应的深度表示的聚类中心；

根据所述第二参考音频信号对应的深度表示的聚类中心和所述混合音频信号样本对应的深度表示，得到所述混合音频信号样本中每个时频点的第一标签；

根据所述混合音频信号样本和所述目标音频信号样本，得到所述混合音频信号样本中每个时频点的第二标签；

根据所述第一标签和所述第二标签，确定第二损失函数；

根据所述第一损失函数和所述第二损失函数，对所述深度聚类网络模型和所述多头注意力机制模型进行训练。