[发明专利]音频数据处理方法和装置

说明书

本公开实施例提供一种音频数据处理方法和装置，该方法包括：获取时域音频数据；在时域音频数据中提取第一声学特征和第二声学特征，两个声学特征的维度小于预设维度；将第一声学特征和第二声学特征进行拼接得到输入特征；将输入特征输入至预先建立的语音增强模型中，在语音增强模型的网络层之间进行特征叠加处理，得到音频数据对应的掩膜特征；将掩膜特征扩展到频域后与时域音频数据的幅度谱特征相乘，得到所述音频数据中的人声预测结果。本公开实施例在实现抑制音频数据中的噪声的同时能够进一步降低特征维度，从而极大的降低了模型的参数量和计算复杂度，即使在实时通信场景下，也能够快速抑制语音数据中的噪声，得到更清晰、纯净的人声信号。

技术领域

本公开实施例涉及音频处理技术领域，尤其涉及一种音频数据处理方法和装置。

背景技术

近年来，语音通信、视频通信等网络通信技术的发展极大的方便了人们的沟通需求。但是，用户在进行通信的过程中，音频数据往往会受到环境噪声、传输信道中的噪声等噪声影响，导致语音不清晰，影响通话质量。因此，亟需一种语音增强方法来对带噪声语音中的噪声部分进行抑制，同时，尽量保留音频数据中纯净语音部分，以提高语音质量。

相关技术中，常用的基于深度学习的语音增强方法是，基于深度学习的理想浮值掩蔽(Ideal Ratio Mask，IRM)的技术，先将时域语音数据变换到二维时频表达，对每个时频单元进行计算得到语音信号和噪声之间的能量比，然后根据计算得到的能量比确定权重以改变时频单元的能量大小，调整各个时频单元上对噪声的抑制程度，进而提升语音质量。

但是，现有的上述方法往往需要大量的计算时频单元能量的神经元和权重，导致整个过程计算复杂度很高。而由于在实时通信场景中需要对瞬态噪声进行抑制，大量复杂的计算过程需要浪费较多的时间，从而导致对噪声的抑制效果差的问题。

发明内容

本公开实施例提供一种音频数据处理方法和装置，以克服现有技术中在实时通信场景中需要对瞬态噪声进行抑制，大量复杂的计算过程需要浪费较多的时间，从而导致对噪声的抑制效果差的问题。

第一方面，本公开实施例提供一种音频数据处理方法，包括：

获取时域音频数据；

在所述时域音频数据中分别提取第一声学特征和第二声学特征，所述第一声学特征和所述第二声学特征的维度小于预设维度；

将所述第一声学特征和所述第二声学特征进行拼接，得到输入特征；

将所述输入特征输入至预先建立的语音增强模型中，以在所述语音增强模型的网络层之间进行特征叠加处理，得到所述音频数据对应的掩膜特征；

将所述掩膜特征扩展到频域后与所述时域音频数据的幅度谱特征相乘，得到所述音频数据中的人声预测结果。

第二方面，本公开实施例提供一种音频数据处理装置，包括：

数据获取模块，用于获取时域音频数据；

特征提取模块，用于在所述时域音频数据中分别提取第一声学特征和第二声学特征，所述第一声学特征和所述第二声学特征的维度小于预设维度；

特征拼接模块，用于将所述第一声学特征和所述第二声学特征进行拼接，得到输入特征；

特征处理模块，用于将所述输入特征输入至预先建立的语音增强模型中，以在所述语音增强模型的网络层之间进行特征叠加处理，得到所述音频数据对应的掩膜特征；

人声预测模块，用于将所述掩膜特征扩展到频域后与所述时域音频数据的幅度谱特征相乘，得到所述音频数据中的人声预测结果。

第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；