[发明专利]一种音频处理方法、装置、电子设备及存储介质

权利要求书

1.一种音频处理方法，其特征在于，所述方法包括：

对实时输入的音频信息进行切分，得到至少一个音频段；

对所述至少一个音频段中每一个音频段进行神经网络计算，得到每一个音频段所对应的输出，将所述每一个音频段的输出进行合并得到输出结果；

其中，对所述至少一个音频段中每一个音频段进行神经网络计算，得到每一个音频段所对应的输出，包括：

将所述每一个音频段的序列开始、序列中间以及序列结束分别进行神经网络计算，得到所述每一个音频段所对应的第一结果、第二结果以及第三结果；

将每一个音频段所对应的所述第一结果、第二结果、第三结果合并，得到所述每一个音频段所对应的输出。

2.根据权利要求1所述的方法，其特征在于，所述神经网络为DFSMN模型。

3.根据权利要求2所述的方法，其特征在于，将所述每一个音频段的序列开始进行神经网络计算，得到所述每一个音频段所对应的第一结果，包括：

将所述每一个音频段中长度为L1的序列开始输入至N层的DFSMN模型，得到经过全部N层的DFSMN模型处理后的长度为L1-M的第一结果；

其中，L1为大于等于M的整数，N为大于等于1的整数，M为大于等于1且小于L1的整数。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将长度为l1的输入序列输入至第n层DFSMN，将第n层DFSMN模型输出的长度为l1的第n个子结果中的最后m个时刻的输出删除，得到所述第n层DFSMN输出的长度为l1-m的输出序列；

其中，l1为大于m且小于等于L1的整数，n为大于等于1且小于等于N的整数，m为大于等于1且小于等于M的整数。

5.根据权利要求2所述的方法，其特征在于，将所述每一个音频段的序列中间进行神经网络计算，得到所述每一个音频段所对应的第二结果，包括：

将每一个音频段中长度为L2的序列中间输入至N层的DFSMN模型，得到所述N层的DFSMN输出的长度为L2的第二结果；

其中，L2为大于等于1的整数，N为大于等于1的整数，N为网络中包含的DFSMN的层数。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

将长度为l2的输入序列输入至第n层DFSMN，计算之前，将前一次计算第n层DFSMN输出时丢弃的m个时刻的数据拼接到l2长度的输入前面，得到l2+m的第n个子结果；第n层DFSMN计算完成之后，将所述长度为l2+m的第n个子结果中最后m个时刻的输出删除，得到长度为l2+m-m的第n个子结果；

其中l2为大于等于1小于等于L2的整数，n为大于等于1且小于等于N的整数，m为大于等于1的整数。

7.根据权利要求2所述的方法，其特征在于，将所述每一个音频段的序列结束进行神经网络计算，得到所述每一个音频段所对应的第三结果，还包括：

将每一个音频段中长度为L3的序列中间部分输入至N层的DFSMN模型，得到所述N层的DFSMN输出的长度为L3+M的第三处理结果；

其中，L3为大于等于1的整数，N为大于等于1的整数，M为大于等于1的整数。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

将前一时刻中第n层DFSMN输出时丢弃的m个时刻的结果添加至l3的输入序列的开始部分，得到长度为l3+m的序列；

将长度为l3+m的序列输入至第n层DFSMN，得到所述第n层DFSMN模型输出的长度为l3+m的第n个子结果；

其中，l3为小于等于L3的整数，n为大于等于1且小于等于N的整数，m为大于等于1的整数、且小于等于M的整数。