语音处理方法、装置、电子设备及存储介质与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1210执行，使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1210可以执行上述方法实施例的如下步骤：对接收的语音数据进行分割，得到多个第一语音数据片段；在多个第一语音数据片段中每个第一语音数据片段中添加元数据时间戳，得到多个第二语音数据片段；其中，每个第二语音数据片段中的元数据时间戳用于表征每个第一语音数据片段在语音数据中出现的时段；根据多个第二语音数据片段进行语音来源对象识别，得到至少一个语音来源对象对应的语音数据序列；其中，语音数据序列中包含至少一个第二语音数据片段，至少一个第二语音数据片段的识别结果为同一语音来源对象；对每个语音数据序列分别进行压缩，得到压缩语音数据。存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)12201和/或高速缓存存储单元12202，还可以进一步包括只读存储单元(rom)12203。存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204，这样的程序模块12205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1200也可以与一个或多个外部设备1240(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1250进行。并且，电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机程序产品，该计算机程序产品包括：计算机程序，所述计算机程序被处理器执行时实现上述语音处理方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

背景技术：

1、网络语音会议的业务越来越广泛，被广泛运用在企业会议、教育学习等领域中，为了方便存储、传输和分发，网络语音会议的语音数据会被压缩。

2、而现有的在多方语音会议中，受限于带宽和存储，语音数据的压缩至关重要。由于多方语音会议中，同时会存在多个会议方的语音数据，存在大量冗余信息，现有的语音数据压缩方法难以有效压缩混合的多方语音。不仅大大增加了压缩处理时间，也增加了压缩后的语音数据的存储和传输成本。

3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种语音处理方法、装置、电子设备及存储介质，至少在一定程度上克服相关技术中难以有效压缩混合的多方语音，不仅大大增加压缩处理时间，也增加压缩后的语音数据的存储和传输成本的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的第一个方面，提供了一种语音处理方法，包括：

4、对接收的语音数据进行分割，得到多个第一语音数据片段；

5、在所述多个第一语音数据片段中每个所述第一语音数据片段中添加元数据时间戳，得到多个第二语音数据片段；其中，每个所述第二语音数据片段中的所述元数据时间戳用于表征每个所述第一语音数据片段在所述语音数据中出现的时段；

6、根据所述多个第二语音数据片段进行语音来源对象识别，得到至少一个语音来源对象对应的语音数据序列；其中，所述语音数据序列中包含至少一个所述第二语音数据片段，所述至少一个所述第二语音数据片段的识别结果为同一所述语音来源对象；

7、对每个所述语音数据序列分别进行压缩，得到压缩语音数据。

8、在本公开一些实施例中，在所述多个第一语音数据片段中每个所述第一语音数据片段中添加元数据时间戳，得到多个第二语音数据片段，包括：

9、为每个所述第一语音数据片段构造一个包含所述元数据时间戳的元数据包，得到多个第二语音数据片段；

10、其中，所述元数据时间戳包括所述第一语音数据片段的起始时间戳和结束时间戳。

11、在本公开一些实施例中，根据所述多个第二语音数据片段进行语音来源对象识别，得到至少一个语音来源对象对应的语音数据序列，包括：

12、根据所述多个第二语音数据片段进行语音来源对象识别，得到每个所述第二语音数据片段的语音来源对象识别结果；

13、将语音来源对象识别结果相同的至少一个所述第二语音数据片段组合，得到至少一个语音来源对象对应的语音数据序列。

14、在本公开一些实施例中，根据所述多个第二语音数据片段进行语音来源对象识别，得到每个所述第二语音数据片段的语音来源对象识别结果，包括：

15、在所述多个第二语音数据片段中确定至少一个语音来源对象对应的样本语音数据；

16、计算得到每个所述第二语音数据片段与至少一个语音来源对象对应的样本语音数据之间的相关性；

17、基于每个所述第二语音数据片段与至少一个语音来源对象对应的样本语音数据之间的相关性确定每个所述第二语音数据片段的语音来源对象识别结果。

18、在本公开一些实施例中，根据所述多个第二语音数据片段进行语音来源对象识别，得到每个所述第二语音数据片段的语音来源对象识别结果，包括：

19、将多个所述第二语音数据片段中的第一个第二语音数据片段增加至识别样本语音数据序列；其中，所述识别样本语音数据序列包含至少一个语音数据片段，识别样本语音数据序列包含的每个语音数据片段对应一个语音来源对象；

20、将多个所述第二语音数据片段中第二个第二语音数据片段确定为当前第二语音数据片段；

21、循环执行如下步骤，得到每个所述第二语音数据片段的语音来源对象识别结果，直至当前第二语音数据片段为多个所述第二语音数据片段中的最后一个第二语音数据片段：

22、将当前第二语音数据片段划分为多个语音数据块；

23、将所述识别样本语音数据序列中每个语音数据片段划分为多个语音数据块；

24、将当前第二语音数据片段划分的多个语音数据块与所述识别样本语音数据序列中每个语音数据片段划分的多个语音数据块进行随机组合，得到多个随机组合的语音数据片段；其中，一个随机组合的语音数据片段中包含当前第二语音数据片段划分的多个语音数据块和所述识别样本语音数据序列中一个语音数据片段划分的多个语音数据块；

25、对当前第二语音数据片段、所述识别样本语音数据序列中多个语音数据片段和多个随机组合的语音数据片段进行压缩，得到多个压缩片段；

26、基于所述多个压缩片段进行音频相关性计算，得到当前第二语音数据片段与所述识别样本语音数据序列中每个语音数据片段之间一一对应的相关性；

27、结合预设的识别门限值和当前第二语音数据片段与所述识别样本语音数据序列中每个语音数据片段之间一一对应的相关性，确定当前第二语音数据片段的语音来源对象识别结果；

28、基于当前第二语音数据片段的语音来源对象识别结果更新所述识别样本语音数据序列；

29、更新当前第二语音数据片段。

30、在本公开一些实施例中，结合预设的识别门限值和当前第二语音数据片段与所述识别样本语音数据序列中每个语音数据片段之间一一对应的相关性，确定当前第二语音数据片段的语音来源对象识别结果，包括：

31、在当前第二语音数据片段与所述识别样本语音数据序列中每个语音数据片段之间一一对应的相关性中取相关性最大值；

32、比较所述相关性最大值与预设的识别门限值：

33、若所述相关性最大值大于或等于预设的识别门限值，将所述相关性最大值对应的语音来源对象确定为当前第二语音数据片段的语音来源对象识别结果；

34、若所述相关性最大值小于预设的识别门限值，确定当前第二语音数据片段的语音来源对象识别结果为新增语音来源对象。

35、在本公开一些实施例中，基于当前第二语音数据片段的语音来源对象识别结果更新所述识别样本语音数据序列，包括：

36、若将所述相关性最大值对应的语音来源对象确定为当前第二语音数据片段的语音来源对象识别结果，将当前第二语音数据片段更新至所述识别样本语音数据序列中所述相关性最大值对应的语音数据片段中；

37、若当前第二语音数据片段的语音来源对象识别结果为新增语音来源对象，在所述识别样本语音数据序列中增加一新语音数据片段；其中，所述新语音数据片段对应新增语音来源对象；所述新语音数据片段包含当前第二语音数据片段。

38、在本公开一些实施例中，所提供的语音处理方法，还包括：

39、对所述压缩语音数据进行解压缩，得到至少一个语音来源对象对应的语音数据序列；其中，每个所述语音数据序列包含至少一个所述第二语音数据片段；

40、基于每个语音来源对象对应的语音数据序列中每个所述第二语音数据片段中的所述元数据时间戳，将至少一个语音来源对象对应的语音数据序列中的至少一个所述第二语音数据片段按照时间序列排列，得到解压缩语音数据。

41、根据本公开的第二个方面，还提供了一种语音处理装置，包括：

42、语音数据分割模块，用于对接收的语音数据进行分割，得到多个第一语音数据片段；

43、时间戳添加模块，用于在所述多个第一语音数据片段中每个所述第一语音数据片段中添加元数据时间戳，得到多个第二语音数据片段；其中，每个所述第二语音数据片段中的所述元数据时间戳用于表征每个所述第一语音数据片段在所述语音数据中出现的时段；

44、语音数据序列确定模块，用于根据所述多个第二语音数据片段进行语音来源对象识别，得到至少一个语音来源对象对应的语音数据序列；其中，所述语音数据序列中包含至少一个所述第二语音数据片段，所述至少一个所述第二语音数据片段的识别结果为同一所述语音来源对象；

45、语音压缩模块，用于对每个所述语音数据序列分别进行压缩，得到压缩语音数据。

46、根据本公开的第三个方面，还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一个方面任意一项所述的语音处理方法。

47、根据本公开的第四个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一个方面任意一项所述的语音处理方法。

48、根据本公开的第五个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述第一个方面任意一项所述的语音处理方法。

49、本公开的实施例中提供的语音处理方法，通过对接收的语音数据进行分割，得到多个第一语音数据片段；在每个第一语音数据片段中添加元数据时间戳，得到多个第二语音数据片段；根据多个第二语音数据片段进行语音来源对象识别，得到至少一个语音来源对象对应的语音数据序列；对每个语音数据序列分别进行压缩，得到压缩语音数据。通过确定语音数据片段对应的语音来源对象识别结果，将同一语音来源对象对应的语音数据片段整合为一个语音数据序列进行压缩，也就是对每个说话人的语音分别进行压缩，相较于相关技术中的多人语音压缩，单独对一个说话人的语音压缩能够取得更高的压缩率，大大节省压缩、存储和传输的成本。通过在语音数据片段中增加时间戳，在压缩时保留语音数据片段之间的时间排序，能够保证将压缩语音数据解压缩时，能够得到正确的语音。且对每个说话人的语音分别进行压缩，使得冗余信息大大减少，能够缩短压缩处理的时间。

50、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。