[发明专利]一种音频数据的处理方法、装置及设备

权利要求书

1.一种音频数据的处理方法，其特征在于，所述方法包括：

在降噪应用场景中，获取存在噪声的待处理音频数据；

确定与所述待处理音频数据对应的音频特征向量；

将所述音频特征向量输入给已训练的目标声码器模型，由所述目标声码器模型输出与所述音频特征向量对应的目标音频数据；其中，所述目标音频数据是对所述待处理音频数据的噪声进行降噪处理后的音频数据。

2.根据权利要求1所述的方法，其特征在于，

所述目标声码器模型的训练过程，包括：

获取样本音频数据和所述样本音频数据对应的样本文本数据；

获取与所述样本文本数据对应的文本特征向量；

将所述文本特征向量输入给初始声码器模型，由所述初始声码器模型输出与所述文本特征向量对应的初始音频数据；

基于所述样本音频数据和所述初始音频数据对所述初始声码器模型进行训练，得到已训练的所述目标声码器模型。

3.根据权利要求2所述的方法，其特征在于，

所述基于所述样本音频数据和所述初始音频数据对所述初始声码器模型进行训练，得到已训练的所述目标声码器模型，包括：

基于所述样本音频数据和所述初始音频数据确定目标损失值；

基于所述目标损失值确定所述初始声码器模型是否已收敛；

若否，则基于所述目标损失值对所述初始声码器模型的参数进行调整，得到调整后的声码器模型，将调整后的声码器模型作为初始声码器模型，返回执行将所述文本特征向量输入给初始声码器模型的操作；

若是，则将已收敛的初始声码器模型确定为所述目标声码器模型。

4.根据权利要求2所述的方法，其特征在于，

所述将所述文本特征向量输入给初始声码器模型，由所述初始声码器模型输出与所述文本特征向量对应的初始音频数据，包括：

将所述文本特征向量输入给所述初始声码器模型的第一初始子模型，由所述第一初始子模型对所述文本特征向量进行处理，得到与所述文本特征向量对应的梅尔频率倒谱系数MFCC特征向量；将所述MFCC特征向量输入给所述初始声码器模型的第二初始子模型，由所述第二初始子模型对所述MFCC特征向量进行处理，得到与所述文本特征向量对应的初始音频数据。

5.根据权利要求2-4任一项所述的方法，其特征在于，

在获取样本音频数据时，样本音频数据的数量为多个，多个样本音频数据包括存在噪声的样本音频数据和不存在噪声的样本音频数据；其中，所述不存在噪声的样本音频数据的数量大于所述存在噪声的样本音频数据的数量。

6.根据权利要求1所述的方法，其特征在于，

所述确定与所述待处理音频数据对应的音频特征向量，包括：

获取与所述待处理音频数据对应的MFCC特征向量；

基于所述MFCC特征向量确定与所述待处理音频数据对应的音频特征向量。

7.根据权利要求6所述的方法，其特征在于，所述目标声码器模型包括第一目标子模型和第二目标子模型，第一目标子模型用于将文本特征向量映射为MFCC特征向量，第二目标子模型用于将MFCC特征向量映射为音频数据；

所述将所述音频特征向量输入给已训练的目标声码器模型，由所述目标声码器模型输出与所述音频特征向量对应的目标音频数据，包括：

将所述音频特征向量输入给所述第二目标子模型，由所述第二目标子模型对所述音频特征向量进行处理，得到与所述音频特征向量对应的目标音频数据；

或，将所述音频特征向量输入给所述第一目标子模型，由所述第一目标子模型将所述音频特征向量输入给所述第二目标子模型，由所述第二目标子模型对所述音频特征向量进行处理，得到与所述音频特征向量对应的目标音频数据。

8.根据权利要求1-4、6-7任一项所述的方法，其特征在于，

所述降噪应用场景为需要进行语音降噪的应用场景；其中，所述降噪应用场景为语音通话应用场景，或，所述降噪应用场景为视频会议应用场景。