1.本公开涉及计算机技术领域，尤其涉及语音技术领域，更具体地，涉及一种语音处理方法、装置、电子设备、介质和程序产品。


背景技术：

2.在多个用户说话的场景中，所采集的语音数据通常包括多个用户的声音。例如，在会议场景中，可以通过语音采集装置采集参与会议的多个用户的声音，并通过语音识别技术识别一个或多个用户的语音。但是，相关技术的语音识别技术在多人场景下难以准确地进行语音识别。


技术实现要素：

3.本公开提供了一种语音处理方法、装置、电子设备、存储介质以及程序产品。
4.根据本公开的一方面，提供了一种语音处理方法，包括：从针对多个对象的第一语音数据中，确定针对所述多个对象中目标对象的至少一个语音片段；基于所述至少一个语音片段，确定所述目标对象的声纹特征；基于所述目标对象的声纹特征，处理第二语音数据，得到所述第二语音数据中针对所述目标对象的语音识别结果。
5.根据本公开的另一方面，提供了一种语音处理装置，包括：第一确定模块、第二确定模块以及处理模块。第一确定模块，用于从针对多个对象的第一语音数据中，确定针对所述多个对象中目标对象的至少一个语音片段；第二确定模块，用于基于所述至少一个语音片段，确定所述目标对象的声纹特征；处理模块，用于基于所述目标对象的声纹特征，处理第二语音数据，得到所述第二语音数据中针对所述目标对象的语音识别结果。
6.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的语音处理方法。
7.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的语音处理方法。
8.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的语音处理方法。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1示意性示出了根据本公开一实施例的语音处理方法和装置的应用场景；
12.图2示意性示出了根据本公开一实施例的语音处理方法的流程图；
13.图3示意性示出了根据本公开一实施例的语音处理的示意图；
14.图4示意性示出了根据本公开一实施例的语音分离的示意图；
15.图5示意性示出了根据本公开一实施例的语音处理装置的框图；以及
16.图6是用来实现本公开实施例的用于执行语音处理的电子设备的框图。
具体实施方式
17.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
18.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
19.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
20.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
21.本公开的实施例提供了一种语音处理方法。语音处理方法包括：从针对多个对象的第一语音数据中，确定针对多个对象中目标对象的至少一个语音片段。然后，基于至少一个语音片段，确定目标对象的声纹特征。接下来，基于目标对象的声纹特征，处理第二语音数据，得到第二语音数据中针对目标对象的语音识别结果。
22.图1示意性示出了根据本公开一实施例的语音处理方法和装置的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
23.如图1所示，根据该实施例的应用场景100可以通过语音采集装置120来采集多个对象111、112、113的语音。
24.例如，对象包括用户。当多个用户在说话时，可以通过语音采集装置120采集多个用户的语音。示例性地，针对会议场景，多个用户在会议中发言时，可以通过语音采集装置120实时采集语音。
25.语音采集装置120包括麦克风。语音采集装置120采集到多个用户的语音130之后，可以通过电子设备140处理语音130，以便将语音130进行分离，得到与多个对象111、112、113一一对应的多个子语音151、152、153。电子设备140包括但不仅限于服务器、计算机、智能手机、智能音箱等等。在一示例中，语音采集装置120可以集成于电子设备140中。
26.在得到多个子语音151、152、153之后，可以分别对多个子语音151、152、153进行语音识别，以识别每个对象的语音内容。
27.本公开实施例提供了一种语音处理方法，下面结合图1的应用场景，参考图2～图4来描述根据本公开示例性实施方式的语音处理方法。
28.图2示意性示出了根据本公开一实施例的语音处理方法的流程图。本公开实施例的语音处理方法例如可以由图1所示的电子设备来执行。
29.如图2所示，本公开实施例的语音处理方法200例如可以包括操作s210～操作s230。
30.在操作s210，从针对多个对象的第一语音数据中，确定针对多个对象中目标对象的至少一个语音片段。
31.在操作s220，基于至少一个语音片段，确定目标对象的声纹特征。
32.在操作s230，基于目标对象的声纹特征，处理第二语音数据，得到第二语音数据中针对目标对象的语音识别结果。
33.示例性地，第一语音数据中包括多个对象的语音。例如，当对象为用户时，在一段时间内多个用户均发出语音时，则第一语音数据可以为针对多个用户的混合语音数据。
34.虽然第一语音数据中包括多个对象的语音，但是，存在特定时间段内的语音片段为针对一个对象的语音。因此，针对多个对象中的目标对象，可以从第一语音数据中确定出针对目标对象的至少一个语音片段，至少一个语音片段中的每个语音片段只包含目标对象的语音，无其他对象的语音。
35.然后，利用语音技术处理至少一个语音片段，得到目标对象的声纹特征，该声纹特征可以表征目标对象的声音特性。
36.在得到目标对象的声纹特征之后，可以基于目标对象的声纹特征识别目标对象的语音内容。例如，针对包含目标对象的语音的第二语音数据，可以基于目标对象的声纹特征对第二语音数据进行语音识别，从而得到目标对象的语音内容。第二语音数据可以包括多个对象的语音，即，第二语音数据与第一语音数据可以相同，也可以不同。
37.在会议场景中，当多个用户发言时进行录音，可以将录音中的任意时间长度的语音作为第一语音数据，并从第一语音数据中提取针对每个用户的语音片段，基于每个用户的语音片段确定每个用户的声纹特征。另外，可以将录音中的任意长度的语音(可以是整个录音)作为第二语音数据，并基于每个用户的声纹特征对第二语音数据进行处理，得到语音识别结果，语音识别结果包括每个用户的语音内容。
38.根据本公开的实施例，从包括多个对象的第一语音数据中分别确定出针对每个对象的语音片段，并基于每个对象的语音片段确定每个对象的声纹特征，无需单独针对每个对象进行语音的采集来确定声纹特征，降低了获取声纹特征的成本，提高了获取声纹特征的效率。另外，在得到每个对象的声纹特征之后，可以基于每个对象的声纹特征来对具有多个对象的语音的第二语音数据进行语音识别，得到每个对象的语音内容。通过本公开的实施例，在第二语音数据包括多个对象的语音时，基于每个对象的声纹特征进行语音识别，提高了语音识别的准确性。
39.图3示意性示出了根据本公开一实施例的语音处理的示意图。
40.如图3所示，从针对多个对象的第一语音数据中，确定针对多个对象中目标对象的至少一个语音片段包括：从与第一语音数据对应的时序信息中确定多个时间段，与每个时间段对应的语音片段包括一个对象的语音。然后，从与多个时间段一一对应的多个语音片
段中确定针对目标对象的至少一个语音片段。
41.例如，以多个时间段包括δt1、δt2、δt3为例，与多个时间段一一对应的多个语音片段包括语音片段310、语音片段320、语音片段330。每个语音片段包括一个对象的语音。接下来，从多个语音片段中确定针对目标对象的至少一个语音片段，例如针对目标对象的至少一个语音片段包括语音片段310。
42.示例性地，可以将多个语音片段进行分组，得到与多个对象一一对应的多个分组。然后，从多个分组中确定针对目标对象的目标分组。接下来，将目标分组中的语音片段，作为针对目标对象的至少一个语音片段。
43.例如，将语音片段310、语音片段320、语音片段330进行分组，得到与多个对象一一对应的多个分组。例如，根据语音片段310、语音片段320、语音片段330彼此之间的声音特性的相似度，将语音片段310、语音片段320、语音片段330分为三个分组，表示三个语音片段彼此之间的声音特性相似度降低，第一个分组例如包括语音片段310，第二个分组例如包括语音片段320，第三个分组例如包括语音片段330。
44.在另一示例中，针对一个分组，如果该分组中包括多个语音片段，则该分组中的多个语音片段彼此之间的声音特性相似度较高。在得到多个分组之后，可以从多个分组中确定针对目标对象的目标分组，目标分组中的每个语音片段均是针对目标对象的语音。示例性地，可以将多个对象中的每个对象依次作为目标对象，从而可以得到每个对象的分组。
45.根据本公开的实施例，从包括多个对象的第一语音数据中分别确定出多个语音片段，并基于声音特性将多个语音片段进行分组，每一分组中的语音片段针对一个对象，对每个分组中的语音片段进行语音处理即可得到针对对应对象的声纹特征，便于后续基于每个对象的声纹特征进行语音识别。可见，通过本公开实施例的技术方案，无需单独针对每个对象进行语音的采集来确定声纹特征，降低了获取声纹特征的成本，提高了获取声纹特征的效率。
46.图4示意性示出了根据本公开一实施例的语音分离的示意图。
47.如图4所示，第二语音数据410例如包括三个对象的子语音数据，每个子语音数据以一条曲线表示，第二语音数据410中例如包含3个子语音数据。
48.示例性地，基于目标对象的声纹特征，从第二语音数据410中分离出目标对象的子语音数据。在得到目标对象的子语音数据之后，可以对目标对象的子语音数据进行语音识别，以得到针对目标对象的语音识别结果。
49.例如，基于目标对象的声纹特征，将第二语音数据410中针对目标对象的子语音数据和剩余语音数据420进行分离，剩余语音数据420包括多个对象中除目标对象之外的至少一个对象的子语音数据，即，本公开实施例的剩余语音数据420例如包括两个对象的子语音数据。
50.接下来，还可以针对至少一个对象中的每个对象，基于每个对象的声纹特征，从剩余语音数据420中分离出每个对象的子语音数据。例如，针对至少一个对象中的一个对象，基于该对象的声纹特征，将剩余语音数据420中针对该对象的子语音数据和其他剩余语音数据430进行分离，后续继续从其他剩余语音数据430分离出其他对象的子语音数据，依次类推直到分离出每个对象的子语音数据。
51.在本公开的实施例中，针对包括多个子语音数据的第二语音数据，根据各个对象
的声纹特征，依次从第二语音数据中分离出针对每个对象的子语音数据，实现语音分离的结果。在得到每个对象的子语音数据之后，可以分别对每个子语音数据进行语音识别，得到每个对象的语音内容。通过语音分离的方式进行语音识别，在多人场景下提高了语音识别的准确性。
52.图5示意性示出了根据本公开一实施例的语音处理装置的框图。
53.如图5所示，本公开实施例的语音处理装置500例如包括第一确定模块510、第二确定模块520以及处理模块530。
54.第一确定模块510可以用于从针对多个对象的第一语音数据中，确定针对多个对象中目标对象的至少一个语音片段。根据本公开实施例，第一确定模块510例如可以执行上文参考图2描述的操作s210，在此不再赘述。
55.第二确定模块520可以用于基于至少一个语音片段，确定目标对象的声纹特征。根据本公开实施例，第二确定模块520例如可以执行上文参考图2描述的操作s220，在此不再赘述。
56.处理模块530可以用于基于目标对象的声纹特征，处理第二语音数据，得到第二语音数据中针对目标对象的语音识别结果。根据本公开实施例，处理模块530例如可以执行上文参考图2描述的操作s230，在此不再赘述。
57.根据本公开的实施例，第一确定模块510包括：第一确定子模块和第二确定子模块。第一确定子模块，用于从与第一语音数据对应的时序信息中确定多个时间段，其中，与每个时间段对应的语音片段包括一个对象的语音；第二确定子模块，用于从与多个时间段一一对应的多个语音片段中确定针对目标对象的至少一个语音片段。
58.根据本公开的实施例，第二确定子模块包括：分组单元、第一确定单元和第二确定单元。分组单元，用于将多个语音片段进行分组，得到与多个对象一一对应的多个分组；第一确定单元，用于从多个分组中确定针对目标对象的目标分组；第二确定单元，用于将目标分组中的语音片段，作为针对目标对象的至少一个语音片段。
59.根据本公开的实施例，处理模块530包括：分离子模块和识别子模块。分离子模块，用于基于目标对象的声纹特征，从第二语音数据中分离出目标对象的子语音数据；识别子模块，用于对目标对象的子语音数据进行语音识别，得到针对目标对象的语音识别结果。
60.根据本公开的实施例，第二语音数据包括多个对象的子语音数据；其中，分离子模块还用于：基于目标对象的声纹特征，将第二语音数据中针对目标对象的子语音数据和剩余语音数据进行分离，其中，剩余语音数据包括多个对象中除目标对象之外的至少一个对象的子语音数据。
61.根据本公开的实施例，装置500还可以还包括：分离模块，用于针对至少一个对象中的每个对象，基于每个对象的声纹特征，从剩余语音数据中分离出每个对象的子语音数据。
62.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
63.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
64.图6是用来实现本公开实施例的用于执行语音处理的电子设备的框图。
65.图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
66.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
67.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
68.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如语音处理方法。例如，在一些实施例中，语音处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的语音处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音处理方法。
69.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
70.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程语音处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
71.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供
指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
72.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
73.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
74.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
75.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
76.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。