CN112750440B - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN112750440B CN112750440B CN202011626220.7A CN202011626220A CN112750440B CN 112750440 B CN112750440 B CN 112750440B CN 202011626220 A CN202011626220 A CN 202011626220A CN 112750440 B CN112750440 B CN 112750440B
- Authority
- CN
- China
- Prior art keywords
- voice
- segment
- segments
- clusters
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000012634 fragment Substances 0.000 claims description 94
- 230000001755 vocal effect Effects 0.000 claims description 22
- 238000009432 framing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/06—Decision making techniques; Pattern matching strategies
- G10L17/08—Use of distortion metrics or a particular distance between probe pattern and reference templates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
Landscapes
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请示出了一种信息处理方法及装置。在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,通过本申请的方式,在两个说话人中,可以将包括的人声片段较多的说话人的人声片段划分为一类,避免出现将包括的人声片段较多的说话人的人声片段划分为两类的情况,进而避免出现对包括的人声片段较多的说话人的人声片段的划分错误的情况。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种信息处理方法及装置。
背景技术
话者分离是指将一段语音中分别属于不同说话人的语音进行分割,将同一说话人的语音合并成一类,不同说话人的语音分开,并获得每个说话人语音的时间位置信息,即解决什么说话人在什么时候说什么的问题。
在现有技术中,可以训练神经网络,然后使用神经网络将语音按照说话人区分。其原理可以采用聚类的思想,例如,同一个说话人的多个语音之间往往比较相似,如此,同一个说话人的多个语音的特征往往应该也相似,在这种情况下,可以对相似的语音的特征进行合并,从而实现将语音按照说话人进行区分。
然而,在一种特殊情况下,假设有两个说话人对话,两个说话人的话语量之间的数量差异非常大,例如,其中一个说话人只说了一到两句话,而另一个说话人则说了很多的话。这种情况下,其中一个说话人的语音特征帧可能只有10以内数量的帧,而另一个说话人的语音特征帧可能有上百帧。
经过发明人的实验统计,由于语音特征帧的数量的悬殊,这种情况下,神经网络往往不会将该一个说话人的10以内数量的语音特征帧单独归为一类,而往往会将全部的语音特征帧归为两类,两类中的语音特征帧的数量大致相同(或者数量差异较小),每一类中均包括这两个说话人的语音特征帧,这就出现了区分错误的情况。
发明内容
本申请示出了一种信息处理方法及装置。
第一方面,本申请示出了一种信息处理方法,所述方法包括:
获取语音中的多帧人声片段;
分别获取每一帧人声片段的梅尔倒谱系数MFCC特征;
根据每一帧人声片段的MFCC特征以及通用背景模型UBM,分别获取每一帧人声片段的说话人的识别特征;
根据每一帧人声片段的说话人的识别特征以及概率线性判别分析PLDA模型,分别获取每两帧人声片段之间的第一特征差异;
根据每两帧人声片段之间的第一特征差异以及层级聚类算法,将所述多帧人声片段聚类,得到两个人声片段簇;
根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异;
在所述第二特征差异小于预设阈值的情况下,将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段。
在一个可选的实现方式中,所述获取语音中的多帧人声片段,包括:
对所述语音分帧,得到多帧语音片段;
检测多帧语音片段中的静音片段;
剔除所述多帧语音片段中的静音片段;
根据剩余的语音片段确定所述人声片段。
在一个可选的实现方式中,所述根据剩余的语音片段确定所述人声片段,包括:
将剩余的语音片段按照各自在所述语音中的位置顺序排序;
在排序后的剩余的语音片段中,依次将至少两个连续的语音片段组合为人声片段;不同的人声片段中的语音片段不重合。
在一个可选的实现方式中,所述分别获取每一帧人声片段的梅尔倒谱系数MFCC特征,包括:
对于任意一帧人声片段,分别获取所述人声片段中包括的各个语音片段的MFCC特征,
将所述人声片段中包括的各个语音片段的MFCC特征确定为所述人声片段的MFCC特征。
在一个可选的实现方式中,所述根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异,包括:
对于所述两个人声片段簇中的第一人声片段簇中的任意一个人声片段,计算所述人声片段分别与所述两个人声片段簇中的第二人声片段簇中的每一个人声片段之间的第一特征差异的和值;根据所述第一人声片段簇中的每一个人声片段分别对应的和值获取所述第二特征差异。
在一个可选的实现方式中,所述方法还包括:
获取所述两个人声片段簇分别包括的人声片段的数量之间的数量差异;
在所述数量差异大于预设差异的情况下,在所述两个人声片段簇中选择包括的人声片段的数量较多的人声片段簇;
根据选择的人声片段簇中的每两帧人声片段之间的第一特征差异以及层级聚类算法,将选择的人声片段簇中的人声片段聚类,得到两个人声片段簇,然后执行所述获取所述两个人声片段簇之间的第二特征差异的步骤。
在一个可选的实现方式中,所述将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段,包括:
在所述两个人声片段簇中,选择包括的人声片段较多的人声片段簇;
根据选择的人声片段簇中包括的人声片段的说话人的识别特征,确定选择的人声片段簇中包括的人声片段的说话人;
将所述两个人声片段簇中的人声片段确定为所述确定出的说话人的人声片段。
第二方面,本申请示出了一种信息处理装置,所述装置包括:
第一获取模块,用于获取语音中的多帧人声片段;
第二获取模块,用于分别获取每一帧人声片段的梅尔倒谱系数MFCC特征;
第三获取模块,用于根据每一帧人声片段的MFCC特征以及通用背景模型UBM,分别获取每一帧人声片段的说话人的识别特征;
第四获取模块,用于根据每一帧人声片段的说话人的识别特征以及概率线性判别分析PLDA模型,分别获取每两帧人声片段之间的第一特征差异;
第一聚类模块,用于根据每两帧人声片段之间的第一特征差异以及层级聚类算法,将所述多帧人声片段聚类,得到两个人声片段簇;
第五获取模块,用于根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异;
确定模块,用于在所述第二特征差异小于预设阈值的情况下,将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段。
在一个可选的实现方式中,所述第一获取模块包括:
分帧单元,用于对所述语音分帧,得到多帧语音片段;
检测单元,用于检测多帧语音片段中的静音片段;
剔除单元,用于剔除所述多帧语音片段中的静音片段;
第一确定单元,用于根据剩余的语音片段确定所述人声片段。
在一个可选的实现方式中,所述确定单元包括:
排序子单元,用于将剩余的语音片段按照各自在所述语音中的位置顺序排序;
组合子单元,用于在排序后的剩余的语音片段中,依次将至少两个连续的语音片段组合为人声片段;不同的人声片段中的语音片段不重合。
在一个可选的实现方式中,所述第二获取模块包括:
第一获取单元,用于对于任意一帧人声片段,分别获取所述人声片段中包括的各个语音片段的MFCC特征,
第二确定单元,用于将所述人声片段中包括的各个语音片段的MFCC特征确定为所述人声片段的MFCC特征。
在一个可选的实现方式中,所述第五获取模块包括:
计算单元,用于对于所述两个人声片段簇中的第一人声片段簇中的任意一个人声片段,计算所述人声片段分别与所述两个人声片段簇中的第二人声片段簇中的每一个人声片段之间的第一特征差异的和值;第二获取单元,用于根据所述第一人声片段簇中的每一个人声片段分别对应的和值获取所述第二特征差异。
在一个可选的实现方式中,所述装置还包括:
第六获取模块,用于获取所述两个人声片段簇分别包括的人声片段的数量之间的数量差异;
选择模块,用于在所述数量差异大于预设差异的情况下,在所述两个人声片段簇中选择包括的人声片段的数量较多的人声片段簇;
第二聚类模块,用于根据选择的人声片段簇中的每两帧人声片段之间的第一特征差异以及层级聚类算法,将选择的人声片段簇中的人声片段聚类,得到两个人声片段簇,然后获取所述两个人声片段簇之间的第二特征差异。
在一个可选的实现方式中,所述确定模块包括:
选择单元,用于在所述两个人声片段簇中,选择包括的人声片段较多的人声片段簇;
第三确定单元,用于根据选择的人声片段簇中包括的人声片段的说话人的识别特征,确定选择的人声片段簇中包括的人声片段的说话人;
第四确定单元,用于将所述两个人声片段簇中的人声片段确定为所述确定出的说话人的人声片段。
第三方面,本申请示出了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如第一方面所述的信息处理方法。
第四方面,本申请示出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的信息处理方法。
第五方面,本申请示出了一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的信息处理方法。
本申请提供的技术方案可以包括以下有益效果:
在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,经过发明人统计发现,这种情况往往是:一个说话人在说话,另一个说话人也在说话,但往往是附和前一个说话人说话,例如,在听前一个说话人说话时发出“嗯”、“啊”以及“是”等交流词汇,而并未发出具有实际意义的其他说话内容。
在实际业务中,将另一个说话人对前一个说话人说话时为附和而使用的附和词(不具有实际意义)单独区分开是没有实际意义的,且成本较大。
因此,在本申请中,可以在第二特征差异小于预设阈值的情况下,将两个人声片段簇中的人声片段确定为同一说话人的人声片段,也即,可以将另一个说话人发出的附和词归类至前一个说话人的说话内容中,这样并不会对两个说话人的语音的区分带来实际影响。
其中,在现有技术中,是将全部的人声片段归为两类,两类中的人声片段的数量大致相同(或者说比例差异较小),每一类中均包括这两个说话人的人声片段。
例如,假设人声片段共1000帧,其中,说话人A的人声片段为5帧,说话人B的人声片段为995帧,二者数量上差异悬殊。
按照现有技术的方式,最终的结果往往是将1000帧人声片段划分为两类,A类包括500帧左右,B类包括500帧左右,且A类的帧既包括说话人A的人声片段,同时也包括说话人B的人声片段,以及B类的帧既包括说话人A的人声片段,同时也包括说话人B的人声片段。这样就出现了将说话人A的人声片段划分为两类的情况,至少出现了对说话人A的人声片段划分错误的情况。也即,出现对数量较多的一类人声片段划分错误的情况。
而按照本申请的方式,最终的结果可能是将1000帧人声片段划分一类,均作为说话人A的人声片段,避免出现将说话人A的人声片段划分为两类的情况,进而避免出现对说话人A的人声片段的划分错误的情况。也即,避免出现对数量较多的一类人声片段划分错误的情况。
如此,在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,通过本申请的方式,在两个说话人中,可以将包括的人声片段较多的说话人的人声片段划分为一类,避免出现将包括的人声片段较多的说话人的人声片段划分为两类的情况,进而避免出现对包括的人声片段较多的说话人的人声片段的划分错误的情况。
附图说明
图1是本申请的一种信息处理方法的步骤流程图;
图2是本申请的一种信息处理装置的结构框图;
图3是本申请示出的一种电子设备的框图;
图4是本申请示出的一种电子设备的框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种信息处理方法的步骤流程图,该方法具体可以包括如下步骤:
在步骤S101中,获取语音中的多帧人声片段;
在本申请一个实施例中,本步骤可以通过如下流程实现,包括:
1011、对语音分帧,得到多帧语音片段;
其中,分帧时的采样频率可以包括20ms或者30ms等,在本申请对此不加以限定。
1012、检测多帧语音片段中的静音片段;
例如,人在说话的过程中,说出的每一个字之间可能存在停顿,以及说话的相邻的语句之间可能存在停顿,如此,停顿的短暂时间内是没有人声的,相当于是静音的,因此,在本步骤中,可以使用VAD(Voice Activity Detection,语音活动检测)检测出多帧语音片段中的静音片段,静音片段为不包括人声的语音片段。然后执行步骤1013。
1013、剔除多帧语音片段中的静音片段;
1014、根据剩余的语音片段确定人声片段。
在本申请一个实施例中,可以将剩余的每一个语音片段分别确定为人声片段。
或者,在本申请另一实施例中,可以将剩余的语音片段按照各自在语音中的位置顺序排序;在排序后的剩余的语音片段中,依次将至少两个连续的语音片段组合为人声片段;不同的人声片段中的语音片段不重合。
例如,假设剩余的语音片段中包括语音片段1、语音片段2、语音片段3、语音片段4、语音片段5以及语音片段6,且语音片段1早于语音片段2,语音片段2早于语音片段3,语音片段3早于语音片段4,语音片段4早于语音片段5,语音片段5早于语音片段6。
则可以将语音片段1、语音片段2以及语音片段3按照之间的先后顺序组合为一帧人声片段,以及将语音片段4、语音片段5以及语音片段6按照之间的先后顺序组合为另一帧人声片段。
在步骤S102中,分别获取每一帧人声片段的MFCC特征;
在本申请中,一帧人声片段中可以包括一帧语音片段,可以包括至少两帧语音片段。
对于任意一帧人声片段,在该帧人声片段中包括一帧语音片段的情况下,可以获取该帧人声片段中的一帧语音片段的MFCC(Mel-Frequency Cepstral Coefficient,梅尔倒谱系数)特征,具体获取方式可以参见市面上已存在的方式,在此不做详述,然后将获取的MFCC特征确定为该帧人声片段的MFCC特征。
或者,在该帧人声片段中包括至少两帧语音片段的情况下,分别获取该帧人声片段中包括的各个语音片段的MFCC特征,然后将该帧人声片段中包括的各个语音片段的MFCC特征确定为该帧人声片段的MFCC特征,例如,将该帧人声片段中包括的各个语音片段的MFCC特征组合为该帧人声片段的MFCC特征。
在步骤S103中,根据每一帧人声片段的MFCC特征以及UBM,分别获取每一帧人声片段的说话人的识别特征;
对于任意一帧人声片段,可以将该帧人声片段的MFCC特征输入UBM(UniversalBackground Model,通用背景模型)中,以使UBM对该帧人声片段的MFCC特征处理,得到该帧人声片段的说话人的识别特征,并输出该帧人声片段的说话人的识别特征,之后可以获取UBM输出的该帧人声片段的说话人的识别特征。对于其他每一帧人声片段,同样如此。
在步骤S104中,根据每一帧人声片段的说话人的识别特征以及PLDA模型,分别获取每两帧人声片段之间的第一特征差异;
在本步骤中,可以将每一帧人声片段的说话人的识别特征分别输入PLDA(Probabilistic Linear Discriminant Analysis,概率线性判别分析)模型,PLDA模型可以计算每两帧人声片段之间的第一特征差异,并输出每两帧人声片段的说话人的识别特征之间的第一特征差异。之后可以获取PLDA模型输出的每两帧人声片段之间的第一特征差异。
在步骤S105中,根据每两帧人声片段之间的第一特征差异以及层级聚类算法,将多帧人声片段聚类,得到两个人声片段簇;
每一个人声片段簇中可以包括至少一个人声片段。
在步骤S106中,根据每两帧人声片段之间的第一特征差异获取两个人声片段簇之间的第二特征差异;
在本申请中,本步骤可以通过如下流程实现,包括:
1061、对于两个人声片段簇中的第一人声片段簇中的每一个人声片段,计算该人声片段分别与两个人声片段簇中的第二人声片段簇中的每一个人声片段之间的第一特征差异的和值;
在本步骤中,对于第一人声片段簇中的任意一个人声片段,可以获取该人声片段分别与第二人声片段簇中的每一个人声片段之间的第一特征差异,其中,在步骤S104中已经基于PLDA模型分别获取了每两帧人声片段之间的第一特征差异,如此,在本步骤中,可以从步骤S104中的结果中选择该人声片段分别与第二人声片段簇中的每一个人声片段之间的第一特征差异即可,然后计算该人声片段分别与第二人声片段簇中的每一个人声片段之间的第一特征差异之间的和值,并作为该第一人声片段簇中的该人声片段对应的和值。对于第一人声片段簇中的其他每一个人声片段,同样如此。
1062、根据第一人声片段簇中的每一个人声片段分别对应的和值获取第二特征差异。
在本申请一个实施例中,可以将第一人声片段簇中的每一个人声片段分别对应的和值相加,得到另一个和值,然后可以计算第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间的乘积,再计算该另一个和值与该乘积之间的比值,并作为两个人声片段簇之间的第二特征差异。
在步骤S107中,在第二特征差异小于预设阈值的情况下,将两个人声片段簇中的人声片段确定为同一说话人的人声片段。
在本申请中,在两个人声片段簇中,可以选择包括的人声片段较多的人声片段簇,根据选择的人声片段簇中包括的人声片段的说话人的识别特征,确定选择的人声片段簇中包括的人声片段的说话人,然后将两个人声片段簇中的人声片段确定为确定出的说话人的人声片段。
预设阈值的设定可以根据实际情况而定,在此不做详述。
在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,经过发明人统计发现,这种情况往往是:一个说话人在说话,另一个说话人也在说话,但往往是附和前一个说话人说话,例如,在听前一个说话人说话时发出“嗯”、“啊”以及“是”等交流词汇,而并未发出具有实际意义的其他说话内容。
在实际业务中,将另一个说话人对前一个说话人说话时为附和而使用的附和词(不具有实际意义)单独区分开是没有实际意义的,且成本较大。
因此,在本申请中,可以在第二特征差异小于预设阈值的情况下,将两个人声片段簇中的人声片段确定为同一说话人的人声片段,也即,可以将另一个说话人发出的附和词归类至前一个说话人的说话内容中,这样并不会对两个说话人的语音的区分带来实际影响。
其中,在现有技术中,是将全部的人声片段归为两类,两类中的人声片段的数量大致相同(或者说比例差异较小),每一类中均包括这两个说话人的人声片段。
例如,假设人声片段共1000帧,其中,说话人A的人声片段为5帧,说话人B的人声片段为995帧,二者数量上差异悬殊。
按照现有技术的方式,最终的结果往往是将1000帧人声片段划分为两类,A类包括500帧左右,B类包括500帧左右,且A类的帧既包括说话人A的人声片段,同时也包括说话人B的人声片段,以及B类的帧既包括说话人A的人声片段,同时也包括说话人B的人声片段。这样就出现了将说话人A的人声片段划分为两类的情况,至少出现了对说话人A的人声片段划分错误的情况。也即,出现对数量较多的一类人声片段划分错误的情况。
而按照本申请的方式,最终的结果可能是将1000帧人声片段划分一类,均作为说话人A的人声片段,避免出现将说话人A的人声片段划分为两类的情况,进而避免出现对说话人A的人声片段的划分错误的情况。也即,避免出现对数量较多的一类人声片段划分错误的情况。
如此,在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,通过本申请的方式,在两个说话人中,可以将包括的人声片段较多的说话人的人声片段划分为一类,避免出现将包括的人声片段较多的说话人的人声片段划分为两类的情况,进而避免出现对包括的人声片段较多的说话人的人声片段的划分错误的情况。
在本申请中,在前述实施例中,在检测多帧语音片段中的静音片段时可能存在误检测的情况,例如,一个语音片段中并不存在人声,但是存在背景噪声,如此,在检测该语音片段是否为静音片段时,往往不会将该语音片段确定为静音片段。这就使得剔除了静音片段后的剩余的语音片段存在不包括人声的语音片段,也即,根据剩余的语音片段确定出的人声片段中可能存在不包括人声的语音片段。
经发明人统计发现,这种情况下,在步骤S105得到的两个人声片段簇中,分别包括的人声片段的数量之间的差异非常大,且通常情况下,两个人声片段簇中的包括的人声片段较少的人声片段簇的人声片段中往往存在不为人声的语音片段。且不为人声的语音片段往往会对步骤S105中的聚类带来不良影响,例如,造成聚类出错的情况,最终可能会导致人声片段的划分错误。
因此,为了避免这种情况发生,在步骤S105之后,可以获取两个人声片段簇分别包括的人声片段的数量之间的数量差异。
其中,可以获取包括的人声片段的数量较少的人声片段簇中的人声片段的第一数量,以及,或获取包括的人声片段的数量较多的人声片段簇中的人声片段的第二数量,然后计算第一数量与第二数量之间的比值,作为两个人声片段簇分别包括的人声片段的数量之间的数量差异。
在数量差异大于预设差异的情况下,在两个人声片段簇中选择包括的人声片段的数量较多的人声片段簇;包括的人声片段的数量较多的人声片段簇中往往不存在不为人声的语音片段。如此,可以根据选择的人声片段簇中的每两帧人声片段之间的第一特征差异以及层级聚类算法,将选择的人声片段簇中的人声片段聚类,得到两个人声片段簇,再执行步骤S106:获取两个人声片段簇之间的第二特征差异。
预设差异可以根据实际情况而定,在此不做详述。
需要说明的是,对于方法实施例,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可选实施例,所涉及的动作并不一定是本申请所必须的。
参照图2,示出了本申请的一种信息处理装置的结构框图,该装置具体可以包括如下模块:
第一获取模块11,用于获取语音中的多帧人声片段;
第二获取模块12,用于分别获取每一帧人声片段的梅尔倒谱系数MFCC特征;
第三获取模块13,用于根据每一帧人声片段的MFCC特征以及通用背景模型UBM,分别获取每一帧人声片段的说话人的识别特征;
第四获取模块14,用于根据每一帧人声片段的说话人的识别特征以及概率线性判别分析PLDA模型,分别获取每两帧人声片段之间的第一特征差异;
第一聚类模块15,用于根据每两帧人声片段之间的第一特征差异以及层级聚类算法,将所述多帧人声片段聚类,得到两个人声片段簇;
第五获取模块16,用于根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异;
确定模块17,用于在所述第二特征差异小于预设阈值的情况下,将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段。
在一个可选的实现方式中,所述第一获取模块包括:
分帧单元,用于对所述语音分帧,得到多帧语音片段;
检测单元,用于检测多帧语音片段中的静音片段;
剔除单元,用于剔除所述多帧语音片段中的静音片段;
第一确定单元,用于根据剩余的语音片段确定所述人声片段。
在一个可选的实现方式中,所述确定单元包括:
排序子单元,用于将剩余的语音片段按照各自在所述语音中的位置顺序排序;
组合子单元,用于在排序后的剩余的语音片段中,依次将至少两个连续的语音片段组合为人声片段;不同的人声片段中的语音片段不重合。
在一个可选的实现方式中,所述第二获取模块包括:
第一获取单元,用于对于任意一帧人声片段,分别获取所述人声片段中包括的各个语音片段的MFCC特征,
第二确定单元,用于将所述人声片段中包括的各个语音片段的MFCC特征确定为所述人声片段的MFCC特征。
在一个可选的实现方式中,所述第五获取模块包括:
计算单元,用于对于所述两个人声片段簇中的第一人声片段簇中的任意一个人声片段,计算所述人声片段分别与所述两个人声片段簇中的第二人声片段簇中的每一个人声片段之间的第一特征差异的和值;第二获取单元,用于根据所述第一人声片段簇中的每一个人声片段分别对应的和值获取所述第二特征差异。
在一个可选的实现方式中,所述装置还包括:
第六获取模块,用于获取所述两个人声片段簇分别包括的人声片段的数量之间的数量差异;
选择模块,用于在所述数量差异大于预设差异的情况下,在所述两个人声片段簇中选择包括的人声片段的数量较多的人声片段簇;
第二聚类模块,用于根据选择的人声片段簇中的每两帧人声片段之间的第一特征差异以及层级聚类算法,将选择的人声片段簇中的人声片段聚类,得到两个人声片段簇,然后获取所述两个人声片段簇之间的第二特征差异。
在一个可选的实现方式中,所述确定模块包括:
选择单元,用于在所述两个人声片段簇中,选择包括的人声片段较多的人声片段簇;
第三确定单元,用于根据选择的人声片段簇中包括的人声片段的说话人的识别特征,确定选择的人声片段簇中包括的人声片段的说话人;
第四确定单元,用于将所述两个人声片段簇中的人声片段确定为所述确定出的说话人的人声片段。
在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,经过发明人统计发现,这种情况往往是:一个说话人在说话,另一个说话人也在说话,但往往是附和前一个说话人说话,例如,在听前一个说话人说话时发出“嗯”、“啊”以及“是”等交流词汇,而并未发出具有实际意义的其他说话内容。
在实际业务中,将另一个说话人对前一个说话人说话时为附和而使用的附和词(不具有实际意义)单独区分开是没有实际意义的,且成本较大。
因此,在本申请中,可以在第二特征差异小于预设阈值的情况下,将两个人声片段簇中的人声片段确定为同一说话人的人声片段,也即,可以将另一个说话人发出的附和词归类至前一个说话人的说话内容中,这样并不会对两个说话人的语音的区分带来实际影响。
其中,在现有技术中,是将全部的人声片段归为两类,两类中的人声片段的数量大致相同(或者说比例差异较小),每一类中均包括这两个说话人的人声片段。
例如,假设人声片段共1000帧,其中,说话人A的人声片段为5帧,说话人B的人声片段为995帧,二者数量上差异悬殊。
按照现有技术的方式,最终的结果往往是将1000帧人声片段划分为两类,A类包括500帧左右,B类包括500帧左右,且A类的帧既包括说话人A的人声片段,同时也包括说话人B的人声片段,以及B类的帧既包括说话人A的人声片段,同时也包括说话人B的人声片段。这样就出现了将说话人A的人声片段划分为两类的情况,至少出现了对说话人A的人声片段划分错误的情况。也即,出现对数量较多的一类人声片段划分错误的情况。
而按照本申请的方式,最终的结果可能是将1000帧人声片段划分一类,均作为说话人A的人声片段,避免出现将说话人A的人声片段划分为两类的情况,进而避免出现对说话人A的人声片段的划分错误的情况。也即,避免出现对数量较多的一类人声片段划分错误的情况。
如此,在本申请中,在两个人声片段簇之间的第二特征差异小于预设阈值的情况下,则往往说明两个人声片段簇的说话人的识别特征之间差异较小,这时往往会对应一种情况:第一人声片段簇中的人声片段的数量与第二人声片段簇中的人声片段的数量之间差异较大,通过本申请的方式,在两个说话人中,可以将包括的人声片段较多的说话人的人声片段划分为一类,避免出现将包括的人声片段较多的说话人的人声片段划分为两类的情况,进而避免出现对包括的人声片段较多的说话人的人声片段的划分错误的情况。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图3是本申请示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图像,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播操作信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图4是本申请示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。
参照图4,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种信息处理方法及装置,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 (9)
1.一种信息处理方法,其特征在于,所述方法包括:
获取语音中的多帧人声片段;
分别获取每一帧人声片段的梅尔倒谱系数MFCC特征;
根据每一帧人声片段的MFCC特征以及通用背景模型UBM,分别获取每一帧人声片段的说话人的识别特征;
根据每一帧人声片段的说话人的识别特征以及概率线性判别分析PLDA模型,分别获取每两帧人声片段之间的第一特征差异;
根据每两帧人声片段之间的第一特征差异以及层级聚类算法,将所述多帧人声片段聚类,得到两个人声片段簇;
根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异;
在所述第二特征差异小于预设阈值的情况下,将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段;
所述根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异,包括:
对于所述两个人声片段簇中的第一人声片段簇中的任意一个人声片段,计算所述人声片段分别与所述两个人声片段簇中的第二人声片段簇中的每一个人声片段之间的第一特征差异的和值;根据所述第一人声片段簇中的每一个人声片段分别对应的和值获取所述第二特征差异。
2.根据权利要求1所述的方法,其特征在于,所述获取语音中的多帧人声片段,包括:
对所述语音分帧,得到多帧语音片段;
检测多帧语音片段中的静音片段;
剔除所述多帧语音片段中的静音片段;
根据剩余的语音片段确定所述人声片段。
3.根据权利要求2所述的方法,其特征在于,所述根据剩余的语音片段确定所述人声片段,包括:
将剩余的语音片段按照各自在所述语音中的位置顺序排序;
在排序后的剩余的语音片段中,依次将至少两个连续的语音片段组合为人声片段;不同的人声片段中的语音片段不重合。
4.根据权利要求3所述的方法,其特征在于,所述分别获取每一帧人声片段的梅尔倒谱系数MFCC特征,包括:
对于任意一帧人声片段,分别获取所述人声片段中包括的各个语音片段的MFCC特征,
将所述人声片段中包括的各个语音片段的MFCC特征确定为所述人声片段的MFCC特征。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述两个人声片段簇分别包括的人声片段的数量之间的数量差异;
在所述数量差异大于预设差异的情况下,在所述两个人声片段簇中选择包括的人声片段的数量较多的人声片段簇;
根据选择的人声片段簇中的每两帧人声片段之间的第一特征差异以及层级聚类算法,将选择的人声片段簇中的人声片段聚类,得到两个人声片段簇,然后执行所述获取所述两个人声片段簇之间的第二特征差异的步骤。
6.根据权利要求1所述的方法,其特征在于,所述将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段,包括:
在所述两个人声片段簇中,选择包括的人声片段较多的人声片段簇;
根据选择的人声片段簇中包括的人声片段的说话人的识别特征,确定选择的人声片段簇中包括的人声片段的说话人;
将所述两个人声片段簇中的人声片段确定为所述确定出的说话人的人声片段。
7.一种信息处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取语音中的多帧人声片段;
第二获取模块,用于分别获取每一帧人声片段的梅尔倒谱系数MFCC特征;
第三获取模块,用于根据每一帧人声片段的MFCC特征以及通用背景模型UBM,分别获取每一帧人声片段的说话人的识别特征;
第四获取模块,用于根据每一帧人声片段的说话人的识别特征以及概率线性判别分析PLDA模型,分别获取每两帧人声片段之间的第一特征差异;
第一聚类模块,用于根据每两帧人声片段之间的第一特征差异以及层级聚类算法,将所述多帧人声片段聚类,得到两个人声片段簇;
第五获取模块,用于根据每两帧人声片段之间的第一特征差异获取所述两个人声片段簇之间的第二特征差异;
确定模块,用于在所述第二特征差异小于预设阈值的情况下,将所述两个人声片段簇中的人声片段确定为同一说话人的人声片段;
所述第五获取模块包括:
计算单元,用于对于所述两个人声片段簇中的第一人声片段簇中的任意一个人声片段,计算所述人声片段分别与所述两个人声片段簇中的第二人声片段簇中的每一个人声片段之间的第一特征差异的和值;第二获取单元,用于根据所述第一人声片段簇中的每一个人声片段分别对应的和值获取所述第二特征差异。
8.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1-6任一项所述的信息处理方法。
9.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-6任一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626220.7A CN112750440B (zh) | 2020-12-30 | 2020-12-30 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626220.7A CN112750440B (zh) | 2020-12-30 | 2020-12-30 | 一种信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750440A CN112750440A (zh) | 2021-05-04 |
CN112750440B true CN112750440B (zh) | 2023-12-29 |
Family
ID=75650522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011626220.7A Active CN112750440B (zh) | 2020-12-30 | 2020-12-30 | 一种信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750440B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871424A (zh) * | 2012-12-13 | 2014-06-18 | 上海八方视界网络科技有限公司 | 一种基于贝叶斯信息准则的线上说话人聚类分析方法 |
CN105469784A (zh) * | 2014-09-10 | 2016-04-06 | 中国科学院声学研究所 | 概率线性鉴别分析模型生成方法和说话人聚类方法及*** |
CN106782564A (zh) * | 2016-11-18 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 用于处理语音数据的方法和装置 |
CN107342077A (zh) * | 2017-05-27 | 2017-11-10 | 国家计算机网络与信息安全管理中心 | 一种基于因子分析的说话人分段聚类方法及*** |
WO2019132690A1 (ru) * | 2017-12-27 | 2019-07-04 | Общество с ограниченной ответственностью "Центр речевых технологий" | Способ и устройство для построения голосовой модели целевого диктора |
CN110889009A (zh) * | 2019-10-18 | 2020-03-17 | 平安科技(深圳)有限公司 | 一种声纹聚类方法、装置、处理设备以及计算机存储介质 |
CN111063341A (zh) * | 2019-12-31 | 2020-04-24 | 苏州思必驰信息科技有限公司 | 复杂环境中多人语音的分割聚类方法及*** |
CN111243601A (zh) * | 2019-12-31 | 2020-06-05 | 北京捷通华声科技股份有限公司 | 声纹聚类方法、装置、电子设备和计算机可读存储介质 |
CN111429935A (zh) * | 2020-02-28 | 2020-07-17 | 北京捷通华声科技股份有限公司 | 一种语音话者分离方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020122A (ja) * | 2008-07-11 | 2010-01-28 | Victor Co Of Japan Ltd | ディジタル音響信号処理方法及び処理装置 |
-
2020
- 2020-12-30 CN CN202011626220.7A patent/CN112750440B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871424A (zh) * | 2012-12-13 | 2014-06-18 | 上海八方视界网络科技有限公司 | 一种基于贝叶斯信息准则的线上说话人聚类分析方法 |
CN105469784A (zh) * | 2014-09-10 | 2016-04-06 | 中国科学院声学研究所 | 概率线性鉴别分析模型生成方法和说话人聚类方法及*** |
CN106782564A (zh) * | 2016-11-18 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 用于处理语音数据的方法和装置 |
CN107342077A (zh) * | 2017-05-27 | 2017-11-10 | 国家计算机网络与信息安全管理中心 | 一种基于因子分析的说话人分段聚类方法及*** |
WO2019132690A1 (ru) * | 2017-12-27 | 2019-07-04 | Общество с ограниченной ответственностью "Центр речевых технологий" | Способ и устройство для построения голосовой модели целевого диктора |
CN110889009A (zh) * | 2019-10-18 | 2020-03-17 | 平安科技(深圳)有限公司 | 一种声纹聚类方法、装置、处理设备以及计算机存储介质 |
CN111063341A (zh) * | 2019-12-31 | 2020-04-24 | 苏州思必驰信息科技有限公司 | 复杂环境中多人语音的分割聚类方法及*** |
CN111243601A (zh) * | 2019-12-31 | 2020-06-05 | 北京捷通华声科技股份有限公司 | 声纹聚类方法、装置、电子设备和计算机可读存储介质 |
CN111429935A (zh) * | 2020-02-28 | 2020-07-17 | 北京捷通华声科技股份有限公司 | 一种语音话者分离方法和装置 |
Non-Patent Citations (1)
Title |
---|
一种多层次的汉语连呼数字语音分割算法;叶明, 李志钧;数据采集与处理(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112750440A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362812B (zh) | 一种语音识别方法、装置和电子设备 | |
CN108337362A (zh) | 语音交互方法、装置、设备和存储介质 | |
WO2021031308A1 (zh) | 音频处理方法、装置及存储介质 | |
CN111063354B (zh) | 人机交互方法及装置 | |
US11626104B2 (en) | User speech profile management | |
KR102334299B1 (ko) | 음성 정보 처리 방법, 장치, 프로그램 및 저장 매체 | |
CN113362813B (zh) | 一种语音识别方法、装置和电子设备 | |
CN110648656A (zh) | 语音端点检测方法、装置、电子设备及存储介质 | |
US12014730B2 (en) | Voice processing method, electronic device, and storage medium | |
CN107945806B (zh) | 基于声音特征的用户识别方法及装置 | |
CN108364635B (zh) | 一种语音识别的方法和装置 | |
CN110069143B (zh) | 一种信息防误纠方法、装置和电子设备 | |
CN109102813B (zh) | 声纹识别方法、装置、电子设备和存储介质 | |
CN112331194B (zh) | 一种输入方法、装置和电子设备 | |
CN112750440B (zh) | 一种信息处理方法及装置 | |
CN110580910B (zh) | 一种音频处理方法、装置、设备及可读存储介质 | |
CN110930977A (zh) | 一种数据处理方法、装置和电子设备 | |
CN112185413B (zh) | 一种语音处理方法、装置和用于语音处理的装置 | |
CN111524505B (zh) | 一种语音处理方法、装置和电子设备 | |
CN113707130B (zh) | 一种语音识别方法、装置和用于语音识别的装置 | |
CN111916076B (zh) | 一种录音方法、装置和电子设备 | |
CN111258991B (zh) | 一种数据处理方法、装置及存储介质 | |
CN112668340B (zh) | 一种信息处理方法及装置 | |
CN117912483A (zh) | 话者分离方法、装置、电子设备及可读存储介质 | |
CN114613363A (zh) | 数据清洗方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |