CN110730330A - 声音处理方法及相关产品 - Google Patents

Abstract

本申请公开了一种声音处理方法，应用于门铃，所述门铃包括：摄像模组，所述方法包括：控制所述摄像模组采集目标对象的图像数据；依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。本申请实施例具有用户体验度高的优点。

Description

声音处理方法及相关产品

技术领域

本申请涉及智能门铃领域，具体涉及一种声音处理方法及相关产品。

背景技术

随着物联网(Internet of Things，IOT)技术的不断普及，生活中越来越多的设备实现了联网化和智能化。智能家庭正逐步深入人类生活，为人类提供了越来越方便，越来越智能和越来越安全的生活环境。门铃，作为安装在家门口的终端设备，通过IOT技术将其进行联网，并提供视频监控和语音对讲等基本功能，通过人工智能技术提供人脸识别等高级功能，都无疑将提升家门口的安全性。

现有的智能门铃类产品，大多数都具备视频监控和单向或双向语音对讲功能，能够满足基本的家门口监控需求，但是当不法分子来敲门时，不法分子通过门铃的语音***确定家中是否只有小孩子或独居女性，可能会存在安全隐患。

发明内容

本申请实施例提供了一种声音处理方法及相关产品，有利于提高独居安全性，提高用户体验度。

第一方面，本申请实施例提供一种声音处理方法，应用于门铃，所述门铃包括：摄像模组，所述方法包括：

控制所述摄像模组采集目标对象的图像数据；

依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

第二方面，本申请实施例提供一种声音处理装置，应用于门铃，所述门铃包括：摄像模组，所述装置包括：

采集单元，用于控制所述摄像模组采集目标对象的图像数据；

确定单元，用于依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

执行单元，用于获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

第三方面，本申请实施例提供一种门铃，包括控制器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述控制器执行，上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。

第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。

第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

可以看出，在本申请实施例中，门铃控制所述摄像模组采集目标对象的图像数据；依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。可见，本申请实施例中门铃可以依据目标对象的目标身份类型选择目标声音策略，依据目标声音策略实现变声，有利于提高独居安全性，提高用户体验度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种门铃的结构示意图；

图2是本申请实施例提供的一种声音处理方法的流程示意图；

图3是本申请实施例提供的另一种声音处理方法的流程示意图；

图4是本申请实施例提供的一种声音处理方法的场景交互示意图；

图5是本申请实施例提供的一种门铃的结构示意图；

图6是本申请实施例提供的一种声音处理装置的功能单元组成框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参阅图1，图1是本申请实施例公开的一种门铃的结构示意图，门铃100包括存储和处理电路110，以及与所述存储和处理电路110连接的摄像模组170，其中：

门铃100可以包括控制电路，该控制电路可以包括存储和处理电路110。该存储和处理电路110可以存储器，例如硬盘驱动存储器，非易失性存储器(例如闪存或用于形成固态驱动器的其它电子可编程只读存储器等)，易失性存储器(例如静态或动态随机存取存储器等)等，本申请实施例不作限制。存储和处理电路110中的处理电路可以用于控制门铃100的运转。该处理电路可以基于一个或多个微处理器，微控制器，数字信号处理器，基带处理器，功率管理单元，音频编解码器芯片，专用集成电路，显示驱动器集成电路等来实现。

存储和处理电路110可用于运行门铃100中的软件，例如互联网浏览应用程序，互联网协议语音(Voice over Internet Protocol,VOIP)电话呼叫应用程序，电子邮件应用程序，媒体播放应用程序，操作***功能等。这些软件可以用于执行一些控制操作，例如，基于照相机的图像采集，基于环境光传感器的环境光测量，基于接近传感器的接近传感器测量，基于诸如发光二极管的状态指示灯等状态指示器实现的信息显示功能，基于触摸传感器的触摸事件检测，与在多个(例如分层的)显示屏上显示信息相关联的功能，与执行无线通信功能相关联的操作，与收集和产生音频信号相关联的操作，与收集和处理按钮按压事件数据相关联的控制操作，以及门铃100中的其它功能等，本申请实施例不作限制。

门铃100可以包括输入-输出电路150。输入-输出电路150可用于使门铃100实现数据的输入和输出，即允许门铃100从外部设备接收数据和也允许门铃100将数据从门铃100输出至外部设备。输入-输出电路150可以进一步包括摄像模组170，其中摄像模组170可以包括：红外摄像头、超声波摄像头等等，在此不作限定。

门铃100还可以包括音频组件140。音频组件140可以用于为门铃100提供音频输入和输出功能。门铃100中的音频组件140可以包括扬声器，麦克风，蜂鸣器，音调发生器以及其它用于产生和检测声音的组件。

通信电路120可以用于为门铃100提供与外部设备通信的能力。通信电路120可以包括模拟和数字输入-输出接口电路，和基于射频信号和/或光信号的无线通信电路。通信电路120中的无线通信电路可以包括射频收发器电路、功率放大器电路、低噪声放大器、开关、滤波器和天线。举例来说，通信电路120中的无线通信电路可以包括用于通过发射和接收近场耦合电磁信号来支持近场通信(Near Field Communication，NFC)的电路。例如，通信电路120可以包括近场通信天线和近场通信收发器。通信电路120还可以包括蜂窝电话收发器和天线，无线局域网收发器电路和天线等。

输入-输出电路150还可以包括传感器130，,传感器130包括：振动传感器，还可以包括红外传感器等等，在此不作限定。

基于上述图1所描述的门铃，可以用于实现如下功能：

控制所述摄像模组采集目标对象的图像数据；

依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

请参阅图2，图2是本申请实施例提供的一种声音处理方法的流程示意图，应用于门铃，所述门铃包括：摄像模组，如图2所示，本声音处理方法包括：

步骤201、控制所述摄像模组采集目标对象的图像数据；

可选的，在检测到该门铃的语音功能被触发时，启动摄像模组，控制摄像模组采集图像数据，对该图像数据进行人脸检测得到一个或一个以上人脸，计算该一个或一个以上人脸与该门铃的一个或一个以上距离，确定该一个或一个以上距离中的最小值对应的人脸为目标人脸，确定该目标人脸对应的目标对象。

步骤202、依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

可选的，在依据所述图像数据确定所述目标对象的目标身份类型之前，接收用户存储的人脸图像和该人脸图像对应的人物信息，建立该人脸图像与该人物信息的映射关系，将该人脸图像、人物信息、人脸图像与人物信息的映射关系存储至预设的人脸图像集中。

其中，该人物信息包括：性别、对象标签等等，该人物信息还可以包括：姓名、年龄等等在此不作限定。

可选的，在依据所述图像数据确定所述目标对象的目标身份类型之前，接收用户存储的家庭成员数据，该家庭成员数据包括：一个或多个家庭成员人脸、一个或多个家庭成员资料和家庭成员总数，依据所述家庭成员数据生成家庭成员集。

步骤203、获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

可选的，获取预设的文本转化模型，将该第一声音数据作为该文本转化模型的输入，得到该第一声音数据对应的文本数据，获取该目标声音策略中包含的声音参数，将该声音参数与该文本数据作为预设的声音合成模型的输入，得到该第二声音数据。

可选的，在得到该第二声音数据之后，启动语音模组，控制该语音模组播放该第二声音数据。

在一可能的示例中，所述依据所述目标身份类型确定目标声音策略，包括：若所述目标身份类型为第一类型，获取所述目标对象的目标对象标签，依据预设的对象标签与声音策略的映射关系确定所述目标对象标签对应的声音策略为所述目标声音策略；若所述目标身份类型为第二类型或第三类型，获取历史出入记录，依据所述历史出入记录确定所述目标声音策略。

其中，该第一类型可以包括：朋友、家人、亲戚等等，在此不作限定；该第二类型可以包括：警察、外卖员、快递员等等，在此不作限定；该第三类型可以包括除第一类型、第二类型外的人员。

其中，该目标声音策略可以包括：声音参数，该声音参数可以包括以下至少一个：音调、音色、音准、等等。

其中，该预设的对象标签与声音策略的映射关系可以包括：

对象标签	声音策略
		家人	蜡笔小新声音策略
朋友	变形金刚声音策略
		亲戚	葫芦娃声音策略

在一可能的示例中，所述依据所述历史出入记录确定所述目标声音策略，包括：依据所述历史出入记录确定房内人数，判断所述房内人数是否大于预设的人数阈值，若所述房内人数大于所述人数阈值，则获取预设声音策略为所述目标声音策略；若所述房内人数不大于所述人数阈值，依据所述历史出入记录确定当前对象，获取所述当前对象的对象性别和对象年龄，若所述对象性别满足预设的性别条件，或者，所述对象年龄满足预设的年龄条件，则向服务器发送策略获取请求，所述策略获取请求包括：所述当前房内人数、所述对象性别和所述对象年龄，接收所述服务器返回的所述目标声音策略。

其中，该历史出入记录包括：出入时间、出入人员、事件类型，其中，事件类型包括出门类和进入类。

可选的，依据所述历史出入记录确定房内人数，包括：获取预设的家庭成员集，从该家庭成员集中确定一个或多个家庭成员，在该历史出入记录中获取该一个或多个家庭成员对应的最近的出入记录，获取该最近的出入记录中事件类型为进入类的事件个数，该事件个数即为该房内人数。

其中，该预设声音策略可以为用户选的的声音策略也可以为默认的声音策略，在此不作限定。

结合上述方法，下面以一个例子来说明：根据历史出入记录确定房内人数是5，预设的人数阈值为1人，则房内人数大于该人数阈值，则获取预设声音策略作为目标声音策略即该目标声音策略为用户预先设计好的蜡笔小新声音策略；若房内人数是1，则房内人数小于人数阈值，获取预设的性别条件为女性，预设的年龄条件为16岁，依据历史出入记录确定当前房内的当前对象，从预设的家庭成员集中获取该当前对象对应的家庭成员资料，依据该家庭成员资料确定该当前对象的对象性别、对象年龄，当该对象性别为女性或者该对象年龄小于16时，向服务器发送策略获取请求。

其中，该策略获取请求用于请求服务器依据该当前房内任务、对象性别和对象年龄确定声音参数，依据声音参数生成目标声音策略并返回。

在一可能的示例中，所述依据所述图像数据确定所述目标对象的目标身份类型，包括：从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，从所述图像数据中获取所述目标对象的目标衣着图像，将所述目标衣着图像与预设的衣着图像集进行比对，若所述目标衣着图像与所述衣着图像集比对成功，确定所述目标身份类型为第二类型；若所述目标衣着图像与所述衣着图像集比对不成功，确定所述目标身份类型为第三类型。

可选的，将所述目标人脸图像与所述人脸图像集进行比对，包括：获取该人脸图像集中的多个人脸图像，计算该目标人脸图像与该多个人脸图像的多个相似度，确定该多个相似度中的最大值为目标相似度，获取预设的相似度阈值，判断该目标相似度是否大于该相似度阈值，若该目标相似度大于该相似度阈值，确定该目标人脸图像与该人脸图像集比对成功；若该目标相似度不大于该相似度阈值，确定该目标人脸图像与该人脸图像集比对不成功。

可选的，从所述图像数据中获取所述目标对象的目标衣着图像，包括：获取该目标人脸图像在该图像数据中的人脸坐标，获取预设的裁剪框，依据该裁剪框裁剪该人脸坐标正下方的子图像，该子图像的上边界与该目标人脸图像的下边界相连，确定该子图像为该目标衣着图像。

进一步的，将该目标衣着图像作为预设的特征提取模型的输入，的到该目标衣着图像对应的目标衣着特征，获取预设的衣着图像集，该衣着图像集包括：多个衣着模版，将该多个衣着模版作为该特征提取模型的输入，得到多个衣着模版特征；对该目标衣着特征与该多个衣着模版特征执行相似度计算，得到多个衣着相似度，获取该多个衣着相似度中的最大值作为目标衣着相似度，获取预设的衣着相似度阈值，判断该目标衣着相似度是否大于该衣着相似度阈值，若该目标衣着相似度大于该衣着相似度阈值，确定该目标衣着图像与该衣着图像集比对成功；若该目标相似度不大于该衣着相似度阈值，确定该目标衣着图像与该衣着图像集比对不成功。

在一可能的示例中，所述门铃包括：通信模组，所述获取第一声音数据，包括：启动所述通信模组连接预设移动终端；若所述通信模组与所述预设移动终端连接成功，接收所述预设移动终端返回的音频数据作为所述第一声音数据；若所述通信模组与所述预设移动终端连接不成功，向预设服务器发送音频请求，所述音频请求包括：所述目标身份类型，所述音频请求用于请求所述预设服务器依据所述目标身份类型生成音频数据并返回，接收所述预设服务器返回的音频数据作为第一声音数据。

可选的，若该通信模组与该预设移动终端连接不成功，依据该目标身份类型生成文本请求，该文本请求用于请求预设服务器依据该目标身份类型生成文本数据并返回，接收该服务器返回的文本数据；获取预设的声音参数，基于该声音参数与该文本数据生成该第一声音数据。

可选的，当房内人数不大于预设的人数最小阈值时，从数据库中获取历史语音数据，依据该历史语音数据与该目标身份类型生成音频获取请求，该音频获取请求用于请求该服务器依据该目标身份类型确定目标文本，依据该目标文本与该历史语音数据生成该第一声音数据并返回。

在一可能的示例中，所述门铃还包括：音频模组，所述依据所述图像数据确定所述目标对象的目标身份类型，包括：从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，接收所述音频模组对应的待识别音频数据，将所述待识别音频数据作为预设的音频识别模型的输入，得到所述待识别音频数据对应的关键字；获取预设的关键字集，判断所述关键字集是否包含所述关键字，若所述关键字集包含所述关键字，确定所述目标身份类型为第二类型；若所述关键字集不包含所述关键字，确定所述目标身份类型为第三类型。

可选的，判断所述关键字集是否包含所述关键字，包括：将该关键字与该关键字集包含的多个关键字模版进行匹配，在该关键字与该多个关键字模版中任意一个关键字模板匹配成功时，确定该关键字集包含该关键字；在该关键字与该多个关键字模板中任意一个关键字模板匹配均不成功时，确定该关键字集不包含该关键字。

在一可能的示例中，所依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据，包括：将所述第一声音数据作为预设语音转化模型的输入，得到所述第一声音数据对应的文本数据；获取所述目标声音策略中的声音参数，将所述声音参数与所述文本数据作为预设声音合成模型的输入，得到所述第二声音数据。

其中，该声音参数可以包括：音调、频率、语速、音色等等，在此不作限定。

可以看出，在本申请实施例中，门铃控制所述摄像模组采集目标对象的图像数据；依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。可见，本申请实施例中门铃可以依据目标对象的目标身份类型选择目标声音策略，满足用户的需求的多样性，依据目标声音策略实现变声，有利于保护用户隐私，也有利于提高独居安全性，提高用户体验度。

请参阅图3，图3是本申请实施例提供的另一种声音处理方法的流程示意图，应用于门铃，所述门铃包括：摄像模组，如图3所示，本声音处理方法包括：

步骤301、控制所述摄像模组采集目标对象的图像数据；

步骤302、从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；

步骤303、若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；

步骤304、若所述目标人脸图像与所述人脸图像集比对不成功，从所述图像数据中获取所述目标对象的目标衣着图像，将所述目标衣着图像与预设的衣着图像集进行比对，若所述目标衣着图像与所述衣着图像集比对成功，确定所述目标身份类型为第二类型；

步骤305、若所述目标衣着图像与所述衣着图像集比对不成功，确定所述目标身份类型为第三类型；

步骤306、依据所述目标身份类型确定目标声音策略；

步骤307、获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

其中，上述步骤301-步骤307的具体描述可以参照上述图2所描述的声音处理方法的相应步骤，在此不再赘述。

可以看出，在本申请实施例中，门铃控制所述摄像模组采集目标对象的图像数据；从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，从所述图像数据中获取所述目标对象的目标衣着图像，将所述目标衣着图像与预设的衣着图像集进行比对，若所述目标衣着图像与所述衣着图像集比对成功，确定所述目标身份类型为第二类型；若所述目标衣着图像与所述衣着图像集比对不成功，确定所述目标身份类型为第三类型；依据所述目标身份类型确定目标声音策略；获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。如此，通过人脸比对提高目标身份类型确定的速率，若人脸比对不成功，通过衣着比对可以提高确定目标对象身份的速率，从而有利于提高声音处理的处理效率，通过将第一声音数据转换为第二声音数据，有利于保护用户隐私，从而有利于提高用户居住环境的安全性，提高用户体验度。

请参阅图4，图4是本申请实施例提供的一种声音处理方法的场景交互示意图，如图4所示，图4中的门铃可以为图1中所描述的门铃。

在本申请实施例中，在检测响铃功能启动时，该门铃采集目标对象的图像数据，依据该图像数据识别该目标对象对应的目标身份类型，依据该目标身份类型确定目标声音策略；门铃获取第一声音数据，将该目标声音策略和该第一声音数据作为声音合成模型的输入，得到该第二声音数据。

可以看出，在本申请实施例中，通过图像数据确定目标身份类型，依据目标身份类型确定目标声音策略，可以满足用户需求的多样性，通过第一声音数据与目标声音策略生成第二声音数据，有利于保护用户隐私，从而有利于提高用户居住环境的安全性，提高用户体验度。

请参阅图5，图5是本申请实施例提供的一种门铃500的结构示意图，如图所示，所述门铃500包括：应用处理器510、存储器520、通信接口530、摄像模组540以及一个或多个程序521，其中，所述一个或多个程序521被存储在上述存储器520中，并且被配置由上述应用处理器510执行，所述一个或多个程序521包括用于执行以下步骤的指令：

控制所述摄像模组采集目标对象的图像数据；

依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

可以看出，在本申请实施例中，门铃控制所述摄像模组采集目标对象的图像数据；依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。可见，本申请实施例中门铃可以依据目标对象的目标身份类型选择目标声音策略，依据目标声音策略实现变声，有利于提高独居安全性，提高用户体验度。

在一个可能的示例中，在所述依据所述目标身份类型确定目标声音策略方面，所述程序中的指令具体用于执行以下操作：若所述目标身份类型为第一类型，依据预设的对象与声音策略的映射关系确定所述目标对象对应的声音策略为所述目标声音策略；若所述目标身份类型为第二类型或第三类型，获取历史出入记录，依据所述历史出入记录确定所述目标声音策略。

在一个可能的示例中，在所述依据所述历史出入记录确定所述目标声音策略方面，所述程序中的指令具体用于执行以下操作：依据所述历史出入记录确定房内人数，判断所述房内人数是否大于预设的人数阈值，若所述房内人数大于所述人数阈值，则获取预设声音策略为所述目标声音策略；若所述房内人数不大于所述人数阈值，依据所述历史出入记录确定当前对象，获取所述当前对象的对象性别和对象年龄，若所述对象性别满足预设的性别条件，或者，所述对象年龄满足预设的年龄条件，则向服务器发送策略获取请求，所述策略获取请求包括：所述当前房内人数、所述对象性别和所述对象年龄，接收所述服务器返回的所述目标声音策略。

在一个可能的示例中，在所述依据所述图像数据确定所述目标对象的目标身份类型方面，所述程序中的指令具体用于执行以下操作：从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，从所述图像数据中获取所述目标对象的目标衣着图像，将所述目标衣着图像与预设的衣着图像集进行比对，若所述目标衣着图像与所述衣着图像集比对成功，确定所述目标身份类型为第二类型；若所述目标衣着图像与所述衣着图像集比对不成功，确定所述目标身份类型为第三类型。

在一个可能的示例中，所述门铃包括：通信模组，在所述获取第一声音数据方面，所述程序中的指令具体用于执行以下操作：启动所述通信模组连接预设移动终端；若所述通信模组与所述预设移动终端连接成功，接收所述预设移动终端返回的音频数据作为所述第一声音数据；若所述通信模组与所述预设移动终端连接不成功，向预设服务器发送音频请求，所述音频请求包括：所述目标身份类型，所述音频请求用于请求所述预设服务器依据所述目标身份类型生成音频数据并返回，接收所述预设服务器返回的音频数据作为第一声音数据。

在一个可能的示例中，所述门铃还包括：音频模组，在所述依据所述图像数据确定所述目标对象的目标身份类型方面，所述程序中的指令具体用于执行以下操作：从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，接收所述音频模组对应的待识别音频数据，将所述待识别音频数据作为预设的音频识别模型的输入，得到所述待识别音频数据对应的关键字；获取预设的关键字集，判断所述关键字集是否包含所述关键字，若所述关键字集包含所述关键字，确定所述目标身份类型为第二类型；若所述关键字集不包含所述关键字，确定所述目标身份类型为第三类型。

在一个可能的示例中，在所依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据方面，所述程序中的指令具体用于执行以下操作：将所述第一声音数据作为预设语音转化模型的输入，得到所述第一声音数据对应的文本数据；获取所述目标声音策略中的声音参数，将所述声音参数与所述文本数据作为预设声音合成模型的输入，得到所述第二声音数据。

上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个控制单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

图6是本申请实施例中所涉及的声音处理装置600的功能单元组成框图。该声音处理装置600应用于门铃，所述门铃包括：摄像模组，该声音处理装置600包括采集单元601、确定单元602以及执行单元603，其中：

采集单元601，用于控制所述摄像模组采集目标对象的图像数据；

确定单元602，用于依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

执行单元603，用于获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

在一个可能的示例中，在所述依据所述目标身份类型确定目标声音策略方面，所述确定单元602，具体用于：若所述目标身份类型为第一类型，依据预设的对象与声音策略的映射关系确定所述目标对象对应的声音策略为所述目标声音策略；若所述目标身份类型为第二类型或第三类型，获取历史出入记录，依据所述历史出入记录确定所述目标声音策略。

在一个可能的示例中，在所述依据所述历史出入记录确定所述目标声音策略方面，所述确定单元602，具体用于：依据所述历史出入记录确定房内人数，判断所述房内人数是否大于预设的人数阈值，若所述房内人数大于所述人数阈值，则获取预设声音策略为所述目标声音策略；若所述房内人数不大于所述人数阈值，依据所述历史出入记录确定当前对象，获取所述当前对象的对象性别和对象年龄，若所述对象性别满足预设的性别条件，或者，所述对象年龄满足预设的年龄条件，则向服务器发送策略获取请求，所述策略获取请求包括：所述当前房内人数、所述对象性别和所述对象年龄，接收所述服务器返回的所述目标声音策略。

在一个可能的示例中，在所述依据所述图像数据确定所述目标对象的目标身份类型方面，所述确定单元602，具体用于：从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，从所述图像数据中获取所述目标对象的目标衣着图像，将所述目标衣着图像与预设的衣着图像集进行比对，若所述目标衣着图像与所述衣着图像集比对成功，确定所述目标身份类型为第二类型；若所述目标衣着图像与所述衣着图像集比对不成功，确定所述目标身份类型为第三类型。

在一个可能的示例中，所述门铃包括：通信模组，在所述获取第一声音数据方面，所述执行单元603，具体用于：启动所述通信模组连接预设移动终端；若所述通信模组与所述预设移动终端连接成功，接收所述预设移动终端返回的音频数据作为所述第一声音数据；若所述通信模组与所述预设移动终端连接不成功，向预设服务器发送音频请求，所述音频请求包括：所述目标身份类型，所述音频请求用于请求所述预设服务器依据所述目标身份类型生成音频数据并返回，接收所述预设服务器返回的音频数据作为第一声音数据。

在一个可能的示例中，所述门铃还包括：音频模组，在所述依据所述图像数据确定所述目标对象的目标身份类型方面，所述确定单元602，具体用于：从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；若所述目标人脸图像与所述人脸图像集比对不成功，接收所述音频模组对应的待识别音频数据，将所述待识别音频数据作为预设的音频识别模型的输入，得到所述待识别音频数据对应的关键字；获取预设的关键字集，判断所述关键字集是否包含所述关键字，若所述关键字集包含所述关键字，确定所述目标身份类型为第二类型；若所述关键字集不包含所述关键字，确定所述目标身份类型为第三类型。

在一个可能的示例中，在所依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据方面，所述执行单元603，具体用于：将所述第一声音数据作为预设语音转化模型的输入，得到所述第一声音数据对应的文本数据；获取所述目标声音策略中的声音参数，将所述声音参数与所述文本数据作为预设声音合成模型的输入，得到所述第二声音数据。

可以看出，在本申请实施例中，门铃控制所述摄像模组采集目标对象的图像数据；依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。可见，本申请实施例中门铃可以依据目标对象的目标身份类型选择目标声音策略，依据目标声音策略实现变声，有利于提高独居安全性，提高用户体验度。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括电子设备。

本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括电子设备。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种声音处理方法，其特征在于，应用于门铃，所述门铃包括：摄像模组，所述方法包括：

控制所述摄像模组采集目标对象的图像数据；

依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

2.根据权利要求1所述的方法，其特征在于，所述依据所述目标身份类型确定目标声音策略，包括：

若所述目标身份类型为第一类型，获取所述目标对象的目标对象标签，依据预设的对象标签与声音策略的映射关系确定所述目标对象标签对应的声音策略为所述目标声音策略；

若所述目标身份类型为第二类型或第三类型，获取历史出入记录，依据所述历史出入记录确定所述目标声音策略。

3.根据权利要求2所述的方法，其特征在于，所述依据所述历史出入记录确定所述目标声音策略，包括：

依据所述历史出入记录确定房内人数，判断所述房内人数是否大于预设的人数阈值，若所述房内人数大于所述人数阈值，则获取预设声音策略为所述目标声音策略；

若所述房内人数不大于所述人数阈值，依据所述历史出入记录确定当前对象，获取所述当前对象的对象性别和对象年龄，若所述对象性别满足预设的性别条件，或者，所述对象年龄满足预设的年龄条件，则向服务器发送策略获取请求，所述策略获取请求包括：所述当前房内人数、所述对象性别和所述对象年龄，接收所述服务器返回的所述目标声音策略。

4.根据权利要求1所述的方法，其特征在于，所述依据所述图像数据确定所述目标对象的目标身份类型，包括：

从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；

若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；

若所述目标人脸图像与所述人脸图像集比对不成功，从所述图像数据中获取所述目标对象的目标衣着图像，将所述目标衣着图像与预设的衣着图像集进行比对，若所述目标衣着图像与所述衣着图像集比对成功，确定所述目标身份类型为第二类型；

若所述目标衣着图像与所述衣着图像集比对不成功，确定所述目标身份类型为第三类型。

5.根据权利要求1所述的方法，其特征在于，所述门铃包括：通信模组，所述获取第一声音数据，包括：

启动所述通信模组连接预设移动终端；

若所述通信模组与所述预设移动终端连接成功，接收所述预设移动终端返回的音频数据作为所述第一声音数据；

若所述通信模组与所述预设移动终端连接不成功，向预设服务器发送音频请求，所述音频请求包括：所述目标身份类型，所述音频请求用于请求所述预设服务器依据所述目标身份类型生成音频数据并返回，接收所述预设服务器返回的音频数据作为第一声音数据。

6.根据权利要求1所述的方法，其特征在于，所述门铃还包括：音频模组，所述依据所述图像数据确定所述目标对象的目标身份类型，包括：

从所述图像数据中获取所述目标对象的目标人脸图像，获取预设的人脸图像集，将所述目标人脸图像与所述人脸图像集进行比对；

若所述目标人脸图像与所述人脸图像集比对成功，确定所述目标身份类型为第一类型；

若所述目标人脸图像与所述人脸图像集比对不成功，接收所述音频模组对应的待识别音频数据，将所述待识别音频数据作为预设的音频识别模型的输入，得到所述待识别音频数据对应的关键字；

获取预设的关键字集，判断所述关键字集是否包含所述关键字，若所述关键字集包含所述关键字，确定所述目标身份类型为第二类型；

若所述关键字集不包含所述关键字，确定所述目标身份类型为第三类型。

7.根据权利要求1所述的方法，其特征在于，所依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据，包括：

将所述第一声音数据作为预设语音转化模型的输入，得到所述第一声音数据对应的文本数据；

获取所述目标声音策略中的声音参数，将所述声音参数与所述文本数据作为预设声音合成模型的输入，得到所述第二声音数据。

8.一种声音处理装置，其特征在于，应用于门铃，所述门铃包括：摄像模组，所述装置包括：

采集单元，用于控制所述摄像模组采集目标对象的图像数据；

确定单元，用于依据所述图像数据确定所述目标对象的目标身份类型，依据所述目标身份类型确定目标声音策略；

执行单元，用于获取第一声音数据，依据所述目标声音策略对所述第一声音数据进行转换得到第二声音数据。

9.一种门铃，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。

10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。

Images