[发明专利]语音检测方法、电子设备及计算机存储介质

权利要求书

1.一种语音检测方法，包括：

获取待检测的音频数据对应的多个音频帧向量，其中，所述音频数据中包含有至少一个说话人对应的语音数据；

对所述多个音频帧向量进行聚类，获得特征聚类结果；

从所述特征聚类结果中确定出目标说话人对应的特征向量，并基于所述目标说话人对应的特征向量对所述多个音频帧向量进行掩码，根据掩码结果获得所述目标说话人的音频帧向量。

2.根据权利要求1所述的方法，其中，所述基于所述目标说话人对应的特征向量对所述多个音频帧向量进行掩码，包括：

将所述目标说话人对应的特征向量和所述多个音频帧向量输入掩码预测网络，获得所述掩码预测网络输出的、针对每个音频帧的掩码标签；

根据所述掩码标签对所述多个音频帧向量进行掩码，获得掩码结果。

3.根据权利要求2所述的方法，其中，所述掩码标签包括：用于指示每个音频帧对应的特征向量是否与所述目标说话人对应的特征向量匹配的掩码标签；或者，用于指示每个音频帧对应的特征向量与所述目标说话人对应的特征向量的匹配概率的掩码标签。

4.根据权利要求1-3任一项所述的方法，其中，所述根据掩码结果获得所述目标说话人的音频帧向量，包括：

对所述掩码结果进行权重平均池化，获得所述目标说话人的音频帧向量。

5.根据权利要求1所述的方法，其中，所述从所述特征聚类结果中确定出目标说话人对应的特征向量，包括：

从所述特征聚类结果中筛选出最大类别的特征聚类结果，将所述最大类别的特征聚类结果对应的特征向量确定为目标说话人对应的特征向量。

6.根据权利要求5所述的方法，其中，所述将所述最大类别的特征聚类结果对应的特征向量确定为目标说话人对应的特征向量，包括：

对所述最大类别的特征聚类结果对应的特征向量进行平均池化，根据平均池化结果获得目标说话人对应的特征向量。

7.根据权利要求1、5或6所述的方法，其中，

所述对所述多个音频帧向量进行聚类，获得特征聚类结果，包括：对所述多个音频帧向量进行两分类聚类，获得主说话人特征聚类结果和非主说话人特征聚类结果；

所述从所述特征聚类结果中确定出目标说话人对应的特征向量，包括：将所述主说话人特征聚类结果对应的特征向量确定为目标说话人对应的特征向量。

8.一种语音检测方法，包括：

获取待检测的会议音频数据对应的多个音频帧向量，其中，所述会议音频数据中包含有会议发言人对应的语音数据；

对所述多个音频帧向量进行聚类，获得特征聚类结果；

从所述特征聚类结果中确定出所述会议发言人对应的特征向量，并基于所述会议发言人对应的特征向量对所述多个音频帧向量进行掩码，根据掩码结果获得所述会议发言人的音频帧向量；

基于所述会议发言人的音频帧向量进行语音识别，根据语音识别结果生成会议记录文本。

9.一种语音检测方法，包括：

获取待检测的第一音频数据对应的多个第一音频帧向量和第二音频数据对应的多个第二音频帧向量；

分别获得所述第一音频帧向量对应的第一主说话人音频帧向量和所述第二音频帧向量对应的第二主说话人音频帧向量；其中，所述第一主说话人音频帧向量和所述第二主说话人音频帧向量均通过以下方式获得：分别对多个第一或第二音频帧向量进行聚类，获得对应的特征聚类结果；从所述特征聚类结果中确定出对应的第一主说话人或第二主说话人对应的特征向量，并基于所述特征向量对多个第一或第二音频帧向量进行掩码，根据掩码结果获得第一主说话人或第二主说话人的音频帧向量；

根据所述第一主说话人音频帧向量和所述第二主说话人音频帧向量，确定所述第一音频数据和所述第二音频数据是否为同一说话人的音频数据。