具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，下面结合图1，对本申请实施例所适用的应用场景进行说明。

图1为本申请实施例提供的一种应用场景示意图。请参见图1，车辆中可以设置有语音系统。语音系统中可以包括麦克风、语音处理模块、语音识别模块和多媒体播放器，多媒体播放器可以包括缓存模块和扬声器。音频信号缓存于多媒体播放器的缓存模块中，当多媒体播放器启动后，扬声器会播放缓存模块中的音频信号。

车辆中还可以设置一个或多个车载设备，用户可以通过发出语音指令控制车载设备。当用户发出语音时，智能车载设备中的麦克风采集的语音信号可能包括用户发出的语音指令和多媒体播放器中扬声器播放的音频信号(背景噪声)。语音处理模块对采集的语音信号进行EC/NR处理，以得到纯净的用户发出的语音指令，然后将纯净的用户发出的语音指令传输给语音识别模块进行识别。

相关技术中，语音处理模块可以采用参考信号对采集的语音信号进行EC/NR处理，参考信号为缓存于多媒体播放器中缓存模块的音频信号。参考信号与采集的语音信号中的背景噪声之间通常具有时延，参考信号不能对采集的语音信号进行良好的EC/NR处理，导致无法在待识别语音信号中准确的提取出语音指令，进而导致语音处理的准确性较差。

为了得到纯净的用户发出的语音指令，本申请实施例提出一种语音处理方法，先确定参考信号和麦克风采集的语音信号之间的时延，根据时延对参考信号进行校准处理，用校准后的参考信号对采集的语音信号进行EC/NR处理。通过对参考信号进行校准处理，可以降低校准后的参考信号与采集的语音信号之间的时延，因此，根据校准后的参考信号可以在待识别语音信号中准确的提取出语音指令，进而提高语音处理的准确性。

下面，通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是，下面几个实施例可以独立存在，也可以相互结合，对于相同或显示的内容，在不同的实施例中不再重复说明。

图2为本申请实施例提供的一种语音处理方法的流程示意图。请参见图2，该方法可以包括：

S201、获取麦克风在预设时段内采集的第一语音信号。

本申请实施例的执行主体可以为车辆，也可以为设置在车辆中的语音处理装置，该语音处理装置可以通过软件实现，也可以通过软件和硬件的结合实现。

第一语音信号包括用户语音信号和扬声器在预设时段内播放的语音信号；用户语音信号可以为用户发出的语音指令，扬声器播放的语音信号可以为扬声器对缓存中的音频信号进行播放后的语音信号。

预设时段可以为用户语音信号开始发出到用户语音信号结束的时段，例如，预设时段可以为20秒、1分钟等。

S202、在缓存中获取预设时段内的第二语音信号。

缓存可以为环形缓冲器，缓存可以存储待播放的音频信号，例如，音频信号可以为多媒体音频信号。

第二语音信号为缓存中预先存储的音频信号。第二语音信号可以为多媒体音频信号，例如，第二语音信号可以为音乐、广播等。可以将第二语音信号作为对第一语音信号进行处理的参考信号。

S203、根据第一语音信号和第二语音信号，确定扬声器对缓存中的语音信号进行播放的时延。

语音信号从缓存到扬声器播放会有一定的时延，时延可以为200毫秒、2秒等。

可以通过以下方式确定扬声器对缓存中的语音信号进行播放的时延：确定第一语音信号对应的第一语音特征；确定第二语音信号对应的第二语音特征；将第一语音特征和第二语音特征进行匹配处理，得到时延。

例如，第一语音特征的时长为T1秒，第二语音特征的时长为T2秒，假设第一语音特征的起始时刻为0秒，第一语音特征在第1.5s后的语音特征与第二语音特征相匹配，第一语音特征的起始时刻为0秒，则确定时延为1.5s。

S204、根据时延对第二语音信号进行校准处理，得到第三语音信号。

可以根据时延在第二语音信号之前加入一定时长的预设信号，以得到第三语音信号。例如，假设时延为t，则可以在第二语音信号之前加入时长为t的预设信号，得到第三语音信号。

第三语音信号与第一语音信号之间时延小于第二语音信号与第一语音信号之间的时延。

S205、根据第三语音信号对第一语音信号进行处理，以在第一语音信号中提取用户语音信号。

可以根据第三语音信号对第一语音信号进行EC/NR处理。

在图2所示的实施例中，先获取麦克风采集的第一语音信号以及缓存中的第二语音信号(参考信号)；根据第一语音信号和第二语音信号(参考信号)确定扬声器对缓存中的语音信号进行播放的时延；根据时延对第二语音信号(参考信号)进行校准，得到第三语音信号；利用第三语音信号对第一语音信号进行EC/NR处理，得到纯净的用户语音信号。由于第三语音信号与第一语音信号之间时延较小，因此，根据第三语音信号可以在第一语音信号中准确的提取出用户语音信号，进而提高语音处理的准确性。

在上述任意实施例的基础上，下面，结合图3所示的实施例，对上述语音处理方法进行详细说明。

图3为本申请实施例提供的另一种语音处理方法的流程示意图。请参见图3，该方法可以包括：

S301、获取麦克风在预设时段内采集的第一语音信号。

需要说明的是，S301的执行过程可以参见S201的执行过程，此处不再进行赘述。S302、在缓存中获取预设时段内的第二语音信号。需要说明的是，S302的执行过程可以参见S202的执行过程，此处不再进行赘述。

S303、确定第一语音信号对应的第一语音特征。

第一语音特征可以为第一语音信号的时域帧序列、短时过零率序列、谱质心序列和/或梅尔倒频系数序列等。

S304、确定第二语音信号对应的第二语音特征。

第二语音特征可以为第二语音信号的时域帧序列、短时过零率序列、谱质心序列和/或梅尔倒频系数序列等。

S305、将第一语音特征和第二语音特征进行匹配处理，得到时延。

可以采用以下方式进行匹配处理：在第一语音特征中确定第一位置，其中，第一语音特征中第一位置之后的语音特征与第二语音特征的匹配度大于或等于第一阈值；将第一语音特征的起始位置与第一位置之间的语音播放时长确定为时延。

第一语音特征的时长与第一语音信号的时长相同。

可选的，可以将第二语音特征与第一语音特征进行匹配处理，若第二语音特征与第一语音特征之间的相似度小于第一阈值，则将第一语音特征的起始位置往后推移P1，并确定第二语音特征与起始位置推移后的第一语音特征之间的匹配度，若匹配度大于或等于第一阈值，则将P1确定为第一位置，否则，继续将第一语音特征的起始位置往后推移P2，并重复上述过程，直至确定得到第一位置。

第一阈值可以为98％、100％等。

为了便于理解，下面，结合图4对匹配处理进行详细说明。

图4为本申请实施例提供的匹配处理的流程示意图。请参见图4，可以先确定第一语音特征401和第二语音特征402，第一语音特征的时长与第一语音信号的时长相同，第二语音特征与第二语音信号的时长相同。

可以在第一语音特征401上确定第一位置，其中，第一语音特征中第一位置之后的语音特征与第二语音特征的匹配度大于预设阈值。假设第一位置处对应的时刻为1秒，第一语音特征的起始时刻为0秒，则确定时延为1秒。

S306、获取麦克风的采样参数。

采样参数包括音频采样率、采样位数和通道数。

音频采样率可以为录音设备在单位时间内对音频信号的采样次数，例如，可以为24000Hz、48000Hz等。采样位数可以为声卡处理声音的解析度，例如，可以为16bit、24bit、32bit等。通道数可以为声音的通道数目，例如，可以为1通道、2通道等。

S307、根据时延和采样参数，确定预设信号插入数量N。

预设信号可以为零数据；N为大于1的整数。

可以通过公式一确定预设信号插入数量N：

其中，d为时延，R为采样率，B为采样位数，C为通道数。

S308、在缓存中确定第二语音信号对应的起始存储位置。

缓存中包括各个语音信号的存储时间，可以根据第二语音信号的缓存时间，在缓存中确定第二语音信号对应的起始存储位置。

S309、在缓存中的起始存储位置之前添加N个预设信号，得到第三语音信号。

第三语音信号在缓存中的起始存储位置为N个预设信号中第一个预设信号的存储位置。

为了便于理解，下面，结合图5对在缓存中的起始存储位置之前添加N个预设信号进行详细说明。

图5为在缓存中的起始存储位置之前添加N个预设信号的示意图。请参见图5，包括图像501和图像502。图像501中起始位置1到结束位置中间的信号为第二语音信号。在第二语音信号的起始位置1之前插入N个零数据(预设信号)得到第三语音信号，第三语音信号为图像502中起始位置2到结束位置中间的信号。

S310、根据第三语音信号对第一语音信号进行处理，以在第一语音信号中提取用户语音信号。

需要说明的是，S310的执行过程可以参见S205的执行过程，此处不再进行赘述。

在图3所示的实施例中，先获取麦克风采集的第一语音信号以及缓存中的第二语音信号(参考信号)，再获取第一语音信号和第二语音信号(参考信号)的语音特征，根据两路信号的语音特征确定扬声器对缓存中的语音信号进行播放的时延。根据时延和麦克风的采样参数确定预设信号的数量N，通过预设信号对第二语音信号(参考信号)进行校准处理，得到第三语音信号。利用第三语音信号对第一语音信号进行EC/NR处理，得到纯净的用户语音信号。由于第三语音信号与第一语音信号之间时延较小，因此，根据第三语音信号可以在第一语音信号中准确的提取出用户语音信号，进而提高语音处理的准确性。另外，第二语音信号经过第一次校准处理后，只需定时(例如3分钟或5分钟)再做微校准即可，无需每次语音识别前均进行校准，节约了校准处理的时间。

在上述任意一个实施例的基础上，下面，通过图6所示的具体示例对语音处理方法进行详细说明。图6为本申请实施例提供的一种语音处理方法的示意图。请参见图6，包括步骤1、步骤2和步骤3。

步骤1、获取麦克风在预设时段内采集的第一语音信号601，在缓存中获取预设时段内的第二语音信号602，假设在第一语音信号中确定得到的第一位置为位置A所示。确定第一语音信号601中位置A的语音播放时刻为0.8s，第一语音信号起始位置的语音播放时刻为0s，将两个语音播放时刻相减即得时延，时延为0.8s。

步骤2、获取麦克风采样参数，根据时延和采样参数，确定零数据(预设信号)插入数量N，可以通过公式一确定零数据(预设信号)插入数量N；通过在第二语音信号的起始位置插入N个零数据(预设信号)对第二语音信号进行校准，得到第三语音信号603。

其中，d为时延，R为采样率，B为采样位数，C为通道数。

步骤3、使用第三语音信号对第一语音信号进行EC/NR处理，得到纯净的用户语音信号604。

在图6所示的实施例中，利用时延和采样参数对第二语音信号进行校准处理，得到的第三语音信号，第三语音信号与第一语音信号之间的时延较小，因此第三语音信号可以对第一语音信号进行较为准确的EC/NR处理，以得到纯净的用户发出的语音指令，进而提高了语音处理的准确性。另外，对第二语音信号进行校准处理时，不会对信号本身进行复杂的计算，因此，校准处理的时间较短。

图7为本申请实施例提供的一种语音处理装置的结构示意图。请参见图7。该语音处理装置7可以包括第一获取模块11、第二获取模块12、确定模块13、校准模块14和处理模块15，其中，

第一获取模块11用于，获取麦克风在预设时段内采集的第一语音信号，第一语音信号包括用户语音信号和扬声器在预设时段内播放的语音信号；

第二获取模块12用于，在缓存中获取预设时段内的第二语音信号；

确定模块13用于，根据第一语音信号和第二语音信号，确定扬声器对缓存中的语音信号进行播放的时延；

校准模块14用于，根据时延对第二语音信号进行校准处理，得到第三语音信号；

处理模块15用于，根据第三语音信号对第一语音信号进行处理，以在第一语音信号中提取用户语音信号。

在一种可能的实施方式中，校准模块14具体用于：

获取麦克风的采样参数，采样参数包括音频采样率、采样位数和通道数；

根据时延和采样参数，确定预设信号插入数量N，N为大于1的整数；

在第二语音信号之前添加N个预设信号，得到第三语音信号。

在一种可能的实施方式中，校准模块14具体用于：

根据时延和采样参数，通过如下公式一，确定预设信号插入数量N：

其中，述d为时延，R为采样率，B为采样位数，C为通道数。

在一种可能的实施方式中，校准模块14具体用于：

在缓存中确定第二语音信号对应的起始存储位置；

在缓存中的起始存储位置之前添加N个预设信号，得到第三语音信号，其中，第三语音信号在缓存中的起始存储位置为N个预设信号中第一个预设信号的存储位置。

在一种可能的实施方式中，确定模块13具体用于：

确定第一语音信号对应的第一语音特征；

确第二语音信号对应的第二语音特征；

将第一语音特征和第二语音特征进行匹配处理，得到时延。

在一种可能的实施方式中，确定模块13具体用于：

在第一语音特征中确定第一位置，其中，第一语音特征中第一位置之后的语音特征与第二语音特征的匹配度大于或等于第一阈值；

将第一语音特征的起始位置与第一位置之间的语音播放时长确定为时延。

图8为本申请实施例提供的另一种语音处理装置的结构示意图。在图7的基础上，请参见图8，语音处理装置10还包括控制模块16，其中，

控制模块16用于，根据用户语音信号确定控制指令；根据控制指令控制对应的车载设备。

本申请实施例提供的语音处理装置10可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此次不再进行赘述。

图9为本申请实施例提供的一种语音处理设备的结构示意图。请参见图9，语音处理设备20可以包括：存储器21、处理器22。示例性地，存储器21、处理器22，各部分之间通过总线23相互连接。

存储器21用于存储程序指令；

处理器22用于执行该存储器所存储的程序指令，用以使得语音处理设备20执行上述的语音处理方法。

图9实施例所示的语音处理设备可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。

本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现上述的语音处理方法。

本申请实施例还可提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，可实现上述语音处理方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。