[发明专利]一种语音处理方法及设备

权利要求书

1.一种语音处理方法，其特征在于，所述方法包括：

获取语音录制设备同时录制的多路语音信号；

对所述多路语音信号分别进行语音识别处理，得到对应的多个文本信息；

分别提取所述多路语音信号的音频特征、视觉特征以及对应的所述多个所述文本信息的文本特征；

基于所述音频特征、所述视觉特征以及所述文本特征，确定所述多路语音信号中的有效语音信号。

2.根据权利要求1所述的方法，其特征在于，所述对所述多路语音信号分别进行语音识别处理包括：

分别对所述多路语音信号进行语音有效性检测；

从所述多路语音信号中筛选出具有有效语音的至少一个语音信号；

对筛选出的所述至少一个语音信号分别进行语音识别处理。

3.根据权利要求1所述的方法，其特征在于，所述对所述多路语音信号分别进行语音识别处理，得到对应的多个文本信息包括：

将所述多路语音信号分别输入至多个语音识别模块，从所述多个语音识别模块中分别获取所述语音信号对应的文本信息。

4.根据权利要求3所述的方法，其特征在于，所述多个语音识别模块分别针对不同的语言类型进行语音识别，所述语言类型包括语种类型和/或地方语言类型。

5.根据权利要求1所述的方法，其特征在于，所述语音录制设备与业务服务设备相耦合，基于所述业务服务设备，所述文本信息的文本特征包括下述中的至少一种：所述文本信息中的至少一个有效信息、所述文本信息对应的用户意图信息、所述文本信息对应的对话状态。

6.根据权利要求1所述的方法，其特征在于，所述语音录制设备与业务服务设备相耦合，基于所述业务服务设备，所述文本信息的文本特征包括下述中的至少一种：

所述文本信息中所述业务服务设备的服务领域信息相匹配的有效信息的数量；

所述文本信息对应的用户意图信息与所述业务服务设备的服务领域信息之间的匹配度；

所述文本信息对应的对话状态与所述业务服务设备上一次对话状态之间的关联程度。

7.根据权利要求1所述的方法，其特征在于，所述音频信号特征包括下述中的至少一种：声源水平角、声源俯仰角、声源距离业务服务设备的距离、所述语音信号的信噪比、所述语音信号的信号幅值；

所述视觉信号特征包括下述中的至少一种：所述业务服务设备前是否有人脸、人脸嘴部变化幅度。

8.根据权利要求1所述的方法，其特征在于，所述基于所述音频特征、所述视觉特征以及所述文本特征，确定所述多路语音信号中的有效语音信号包括：

将所述音频特征、所述视觉特征以及所述文本特征输入至机器学习模型组件中，确定所述语音信号为有效语音信号的概率；

其中，所述机器学习模型组件利用多个历史语音信号的音频特征、视觉特征以及文本特征与所述历史语音信号是否为有效语音信号之间的对应关系训练得到；

当所述概率大于预设阈值时，确定所述语音信号为有效语音信号。

9.根据权利要求8所述的方法，其特征在于，所述机器学习模型组件被设置为按照下述方式训练得到：

获取多个历史语音信号的音频特征、视觉特征以及文本特征，并确定所述多个历史语音信号是否为有效语音信号；

构建机器学习模型组件，所述机器学习模型组件中设置有权重参数；

分别利用所述多个历史语音信号的音频特征、视觉特征以及文本特征以及所述历史语音信号是否为有效语音信号之间的对应关系对所述机器学习模型组进行训练，调整所述权重参数，直至所述机器学习模型组件的准确率达到预设要求。

10.根据权利要求1所述的方法，其特征在于，所述获取语音录制设备同时录制的多路语音信号包括：

利用麦克风阵列同时录制的多路初始语音信号，所述初始语音信号的路数与所述麦克风阵列中麦克风的数量相匹配；

对所述多路初始语音信号进行波束形成处理，生成多路语音信号。