阅读说明：本技术 语音信号处理方法、装置、电子设备和存储介质 (Voice signal processing method, device, electronic equipment and storage medium ) 是由 白锦峰 于 2020-10-12 设计创作，主要内容包括：本申请公开了语音信号处理方法、装置、电子设备和存储介质,涉及语音技术和深度学习等人工智能技术领域。具体实现方案为：获取待处理语音信号和参考语音信号；将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号；将待处理频域语音信号和参考频域语音信号输入复数神经网络模型,获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值；根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号,并对目标频域语音信号进行处理得到目标语音信号。由此,提高语音信号处理效率和效果,从而提高后续语音识别的准确性和语音通信的质量。(The application discloses a voice signal processing method and device, electronic equipment and a storage medium, and relates to the technical field of artificial intelligence such as voice technology and deep learning. The specific implementation scheme is as follows: acquiring a voice signal to be processed and a reference voice signal; respectively preprocessing a voice signal to be processed and a reference voice signal to obtain a frequency domain voice signal to be processed and a reference frequency domain voice signal; inputting the frequency domain voice signal to be processed and the reference frequency domain voice signal into a complex neural network model, and acquiring the frequency domain voice signal ratio of a target voice signal and the voice signal to be processed in the voice signal to be processed; and obtaining a target frequency domain voice signal according to the frequency domain voice signal ratio and the frequency domain voice signal to be processed, and processing the target frequency domain voice signal to obtain a target voice signal. Therefore, the efficiency and the effect of processing the voice signals are improved, and the accuracy of subsequent voice recognition and the quality of voice communication are improved.)

语音信号处理方法、装置、电子设备和存储介质

技术领域

本申请涉及语音技术和深度学习等人工智能技术领域，尤其涉及语音信号处理方法、装置、电子设备和存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几个大方向。

随着智能家居和移动互联网的快速发展，基于语音交互的设备越来越受到人们的青睐，像智能音箱、智能电视、语音车载等，开始走入人们的日常的生活，因此，对语音信号进行识别处理是非常重要的。

相关技术中，主要针对每一路语音信号进行单独的去混响，利用唤醒和多个麦克风数据进行语音寻向，将多路语音合成一路语音，抑制外部固定方向的噪声干扰源等，最后通过增益控制模块进行语音幅度的调节，这种方式，更新效率和效果都比较差，随着时间推移，影响语音识别效果。

发明内容

本申请提供了一种的技术问题的语音信号处理方法、装置、电子设备和存储介质。

根据第一方面，提供了一种语音信号处理方法，包括：

获取待处理语音信号和参考语音信号；

将所述待处理语音信号和所述参考语音信号分别进行预处理，获取待处理频域语音信号和参考频域语音信号；

将所述待处理频域语音信号和所述参考频域语音信号输入复数神经网络模型，获取所述待处理语音信号中目标语音信号与所述待处理语音信号的频域语音信号比值；以及

根据所述频域语音信号比值和所述待处理频域语音信号得到所述目标频域语音信号，并对所述目标频域语音信号进行处理得到所述目标语音信号。

根据第二方面，提供了一种语音信号处理装置，包括：

第一获取模块，用于获取待处理语音信号和参考语音信号；

第一预处理模块，用于将所述待处理语音信号和所述参考语音信号分别进行预处理，获取待处理频域语音信号和参考频域语音信号；

第二获取模块，用于将所述待处理频域语音信号和所述参考频域语音信号输入复数神经网络模型，获取所述待处理语音信号中目标语音信号与所述待处理语音信号的频域语音信号比值；以及

处理模块，用于根据所述频域语音信号比值和所述待处理频域语音信号得到所述目标频域语音信号，并对所述目标频域语音信号进行处理得到所述目标语音信号。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例描述的语音信号处理方法。

根据第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述实施例描述的语音信号处理方法。

上述申请中的实施例至少具有如下优点或有益效果：

获取待处理语音信号和参考语音信号；将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号；将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值；以及根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。由此，提高语音信号处理效率和效果，从而提高后续语音识别的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的语音信号处理方法的流程示意图；

图2是根据本申请实施例的语音信号的示例图；

图3是根据本申请实施例的语音信号的示例图；

图4是根据本申请实施例的语音信号处理的示例图；

图5是根据本申请第二实施例的语音信号处理方法的流程示意图；

图6是根据本申请实施例的语音信号样本获取的场景示例图；

图7是根据本申请第三实施例的语音信号处理方法的场景示意图；

图8是根据本申请第三实施例的语音信号处理方法的场景示意图；

图9是根据本申请第三实施例的语音信号处理方法的场景示意图；

图10是根据本申请第四实施例的语音信号处理装置的结构示意图；

图11是根据本申请第五实施例的语音信号处理装置的结构示意图；

图12是根据本申请第六实施例的语音信号处理装置的结构示意图；

图13是用来实现本申请实施例的语音信号处理的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了解决现有技术中，语音信号处理与文本匹配度不高的问题，本申请提出了一种结合文本中关键词来生成问题的方案，由此，通过增强对关键信息的感知能力，生成的问题具有重要的实际应用价值。

下面参考附图描述本申请实施例的语音信号处理方法、装置、电子设备和存储介质。

在实际应用场景中，基于语音交互的设备比如智能音箱、智能电视、语音车载等，都需要对语音信号进行识别处理，因此，对麦克风阵列等声音采集设备采集的语音信号进行处理是非常重要的。

针对相关技术中，基于前端信号处理算法对麦克风阵列等声音采集设备采集的语音信号进行处理的方式，但是随着智能设备端和远端识别版本不断更新，导致这种语音信号处理方式的更新效率和效果都比较差，随着时间推移，影响语音识别效果的问题。

本申请提出一种语音信号处理方法，在进行语音识别之前，利用复数神经网络训练的复数神经网络模型对采集的待处理语音信号和参考语音信号同时进行幅度和相位处理，即学习参考电路的幅度和相位与原始麦克风等声音采集设备电路的幅度和相位之间的关系得到更加精确的待识别的目标语音信号，提高语音信号处理效率和效果，从而提高后续语音识别的准确性。

具体地，图1是根据本申请第一实施例的语音信号处理方法的流程图，如图1所示，该方法包括：

步骤101，获取待处理语音信号和参考语音信号。

在本申请实施例中，智能设备比如智能音箱、智能电视等都具有一个或者多个麦克风阵列等声音采集设备采集的待处理语音信号。

还可以理解的是，智能设备还包括扬声器，比如由单声道的，双声道的，四声道的等扬声器的语音信号，也就是智能设备的喇叭电路采集到的参考信号，因此，麦克风阵列等声音采集设备采集的待处理语音信号包括了不仅仅包括待识别和待通信的目标语音信号，还包括了喇叭播放出来参考信号被麦克风阵列等声音采集设备采集到。为了提高语音识别效果，需要从待处理语音信号去除采集到的参考信号。

在本申请实施例中，直接采集的语音信号都是时域语音信号，比如图2所示，针对每一个采样点的一维的时域语音信号。

步骤102，将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号。

在本申请实施例中，在获取待处理语音信号和参考语音信号之后分别进行预处理，即将时域语音信号进行分帧、转换成频域信号。

在本申请实施例中，将待处理语音信号和参考语音信号分别进行预处理的方式有很多种，可以根据具体应用场景选择设置，第一种示例，分别对待处理语音信号和参考语音信号进行快速傅里叶变换得到待处理频域语音信号和参考频域语音信号；第二种示例，对待处理语音信号进行快速傅里叶变换，对参考语音信号进行小波变换得到待处理频域语音信号和参考频域语音信号；第三种示例，对待处理语音信号进行小波变换，函数空间分解公式对参考语音信号进行处理得到待处理频域语音信号和参考频域语音信号。

其中，待处理频域语音信号和参考频域语音信号为二维的语音信号，横向是时间维，纵向是频率维度，即不同时刻的各个频率的幅度和相位，比如图3所示的二维的语音信号。

步骤103，将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取目标语音信号与待处理语音信号的频域语音信号比值。

在本申请的实施例中，在获取待处理频域语音信号和参考频域语音信号之后同时输入复数神经网络模型，其中，复数神经网络模型是预先基于语音信号样本和频域语音信号理想比值通过复数神经网络进行训练生成的，输入为待处理频域语音信号和参考频域语音信号，输出为目标语音信号与待处理语音信号的频域语音信号比值。

其中，频域语音信号比值，可以理解为预处理后同一时刻即每一帧的各个频带的每个频带比值系数，即幅度和相位比值。

作为一种可能实现方式，将各个时刻的各个频率的待处理幅度和相位、参考幅度和相位输入复数神经网络模型，获取各个时刻即连续N个时刻的各个频率的目标语音信号与待处理语音信号的幅度和相位比值；其中，N为正整数，时刻单位一般为秒。

需要说明的是，针对同一时刻的各个频带的幅度和相位比值，最后可以得到不同时刻的不同时刻各个频带的幅度和相位比值，另外，为了提高处理效率，幅度和相位比值可以是幅度和相位组成的复数比值、幅度和幅度组成的比值、相位和相位组成的比值中的一种或者多种。

步骤104，根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。

在本申请的实施例中，根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号的方式有很多种，作为一种可能实现方式，按照每一相同时刻的相同频率的待处理频域语音信号和对应的频域语音信号比值相乘处理，得到目标频域语音信号。

举例而言，假如喇叭发出来的参考语音信号占80％，外部的收到的待识别的目标语音信号占比20％，那么将收到的待处理语音信号乘以0.2就可以得到目标语音信号。其中，每一个时刻的每一个频带都具有不同的比例系数频域语音信号比值，因此，需要按照时刻和频率一一对应进行处理。

比如图4所示，图4a显示的是待处理频域语音信号，图4b显示的是根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号。

进一步地，对目标频域语音信号进行处理得到目标语音信号，即将频域语音信号转换成时域语音信号，从而后续输入语音识别模型进行语音识别。进一步提高语音识别的准确性。

综上，本申请实施例的语音信号处理方法，通过获取待处理语音信号和参考语音信号；将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号；将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值；以及根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。由此，提高语音信号处理效率和效果，从而提高后续语音识别的准确性。

基于上述实施例的描述，可以理解到复数神经网络模型是预先通过语音信号样本和复数神经网络进行训练生成的，具体结合图5进行详细描述。

图5是根据本申请第二实施例的语音信号处理方法的流程图，如图5所示，该方法包括：

步骤201，获取多个待处理语音信号样本和多个参考语音信号样本、以及多个目标语音信号与待处理语音信号的频域语音信号理想比值。

在本申请实施例中，使用的语音信号样本一般都是模拟的、仿真的。具体地，一方面可以采用真实录制并标注的数据(或者线上采集并标注的数据)，另一方面，可以采用仿真的数据，仿真过程包括两个：第一个包括由近场语音仿真成多待处理远场语音，另外一个包括由多待处理远场语音仿真成含有内部噪音的全双工语音。

其中，由近场语音仿真远场语音由三种方式，第一个是模拟的冲击响应函数进行仿真，第二是由真实录制的冲激响应函数进行仿真，第三个是将近场信号进行播放进行仿真。

其中，由远场语音到全双工语音的仿真同样包括三个方式，第一个是采用真实录制外部安静的设备工作的数据生成，第二个是由设备录制的冲激响应行数仿真而成，第三个是由近场播放和设备工作同时进行录制得到的全双工语音。

作为一种可能实现方式，如图6所示，针对不同大小的空间区域和不同位置的待处理阵列等声音采集设备进行模拟，获取多个模拟冲击响应，或者通过真实房间进行录制多个真实冲击响应，即获取多个冲击响应；随机选取近场噪声信号和随机选取近场语音信号分别与所述多个冲击响应(包括模拟冲击响应和真实冲击响应)应进行卷积并且根据预设信噪比相加，获取多个模拟外部语音信号；采集不同声音设备的多个待处理语音信号(采集时外部要求保持安静)，并与所述多个模拟外部语音信号根据预设信噪比相加，获取所述多个待处理语音信号样本；获取不同声音设备的多个喇叭声音信号作为多个参考语音信号样本。

需要说明的是，图6仅仅为一种示例，待处理和喇叭的个数可以根据具体应用场景选择设置，比如只有2个待处理和一个喇叭，也就是有两个待处理语音信号，一个喇叭电路采集的参考语音信号，在实际应用中可能只有一个待处理，或者三个及三个以上的待处理等，喇叭也有两个及两个以上，都可以具体选择设，以提高模型的有效性和实用性。

需要说明的是，按照对应的多个目标语音信号与待处理语音信号的频域语音信号理想比值，对多个待处理语音信号样本和多个参考语音信号样本进行模拟和仿真。

步骤202，对多个待处理语音信号样本和多个参考语音信号样本进行预处理后输入复数神经网络进行训练得到频域语音信号训练比值。

在本申请实施例中，复数神经网络可以由复数卷积神经网络、复数批归一化、复数全连接、复数激活、复数循环神经网络(包括复数长短期记忆人工神经网络LSTM(LongShort-Term Memory)、复数门控循环单位网络GRU(Gated Recurrent Unit)、复数编码器Transformer)等组成。

在本申请实施例中，复数神经网络层在频率上可以操作在两个范畴内，一个是每个频率独立处理，不同频率之间不会进行耦合，耦合关系只发生在同一个频率的不同时刻之间；另一个是频率混合处理，一种是相邻频率之间发生耦合；另外一种是所有频率之间发生耦合。

在本申请实施例中，复数神经网络在时间维度上同样可以操作两个范畴内，一个是各个时刻独立处理；另外一个是各个时刻混合处理，一种是基于相邻时间有限时刻的耦合，另外一个所有时刻都发生耦合。

作为一种可能实现方式，将各个时刻的各个频率的待处理幅度和相位样本、参考幅度和相位样本输入复数神经网络模型，获取各个时刻的各个频率的目标语音信号与待处理语音信号的频域语音信号训练比值即幅度和相位训练比值。

步骤203，通过预设损失函数对频域语音信号理想比值和频域语音信号训练比值进行计算，根据计算结果调整复数神经网络的网络参数，直到复数神经网络的网络参数满足预设需求，获取复数神经网络模型。

在本申请实施例中，比如通过最小平方误差损失函数对频域语音信号理想比值和频域语音信号训练比值进行计算得到最小平方误差，根据最小平方误差调整复数神经网络的各个网络的网络参数，直到复数神经网络的网络参数满足预设需求比如通过各个网络处理后得到的频域语音信号训练比值和频域语音信号理想比值一样或者差异很小，获取复数神经网络模型。

由此，训练的复数神经网络模型在处理语音信号时，参考语音信号的同一个频率的“幅度”和“相位”经过空气的传播，并不会扩散的别的频率上，即“频率的幅度和相位具有稳定性”；参考语音信号和不同待处理语音信号的“幅度”和“相位”之间，具有一定的物理依赖关系，设计专门的复数网络进行学习即使用复数全连接；参考语音信号和不同待处理语音信号的“幅度”和“相位”随着时间具有一定的相关性，设计专门的复数网络进行学习即使用复数LSTM、复数GRU、复数Transformer；参考语音信号和不同待处理语音信号的“幅度”和“相位”相互之间的关系，在相对较大的尺度上具有“平移不变性”，设计专门的复数网络进行学习即使用复数循环卷积网络。

基于上述实施例的描述，本申请的复数神经网络模型可以如图7所示，可以将训练一个或者多个相同或者不同的复数神经网络模型，可以同时针对多个待处理语音信号和对应的参考信号进行处理，还可以将待处理语音信号按照频率划分规则划分成多组待处理语音信号、或者是时间窗口划分成多组待处理语音信号分别进行处理后再组合。

具体地，以图7为例进行说明，如图7所示的一个参考信号和一个待处理信号的处理示意图，可以将待处理语音信号M(t)和R(t)进行快速傅里叶变换(FFT，Fast FourierTransform)后输入的多层不同的复数神经网络(比如Complex BN神经网络中的复杂归一化网络层batch-normalization、不同层的卷积神经网络：第一复杂卷积神经网络层Complexf COV:[email protected]、第二复杂卷积神经网络层Complex f COV:[email protected]和第三复杂卷积神经网络层Complex f COV:[email protected]等)中得到目标语音信号与待处理语音信号的频域语音信号比值，再按照每一相同时刻的相同频率的待处理频域语音信号和对应的频域语音信号比值相乘处理，得到目标频域语音信号，对目标频域语音信号进行处理得到目标语音信号输入语音识别模型。

具体地，以图8为例进行说明，如图8所示的参考信号和待处理信号的处理示意图，可以将待处理语音信号M(t)和参考R(t)进行快速傅里叶变换(FFT，Fast FourierTransform)后输入的多层不同的复数神经网络(比如Complex BN神经网络中的复杂归一化网络层batch-normalization、不同层的卷积神经网络：第一复杂卷积神经网络层Complexf COV:[email protected]、第二复杂卷积神经网络层Complex f COV:[email protected]和第三复杂卷积神经网络层Complex f COV:[email protected]等)中得到目标语音信号与待处理语音信号的频域语音信号比值，再按照每一相同时刻的相同频率的待处理频域语音信号和对应的频域语音信号比值相乘处理，得到目标频域语音信号，对目标频域语音信号进行处理得到目标语音信号输入语音识别模型。

可以理解的是，参考信号输入的个数取决于喇叭电路的个数，因为有多个喇叭电路有多少个参考信号输入，具体地，比如图9所示R1(t)-RM(t)都进行快速傅里叶变换(FFT，Fast Fourier Transform)后输入的多层不同的复数神经网络(比如比如Complex BN神经网络中的复杂归一化网络层batch-normalization、不同层的卷积神经网络：第一复杂卷积神经网络层Complex f COV:[email protected]、第二复杂卷积神经网络层Complex f COV:[email protected]和第三复杂卷积神经网络层Complex f COV:[email protected]等等)中进行处理得到目标语音信号与待处理语音信号的频域语音信号比值，再按照每一相同时刻的相同频率的待处理频域语音信号和对应的频域语音信号比值相乘处理，得到目标频域语音信号，对目标频域语音信号进行处理得到目标语音信号输入语音识别模型。其中，M为大于1的正整数，M(t)一个还是多个，可以根据场景设置选择。

需要说明的是，图7-图9仅仅为示例，可以是一个参考信号和一个待处理信号的处理，也可以多个待处理和多个参考一块儿处理，还可以多个参考和一个待处理处理，以及多个参考和一个待处理进行过时间和频率切分的处理都可以根据具体应用场景选择设置。

在本申请实施例中，频域语音信号为一个句子(数秒到数十秒)的各个时刻的各个频率的幅度和相位即频域语音信号为连续N个时刻的各个频率的幅度和相位，其中，N为大于1的正整数，按照预设频率划分规则将所述待处理频域语音信号进行划分，将一句频域语音信号拆分成多个独立的子语音信号，即得到多组待处理幅度和相位；按照预设频率划分规则将一句频域语音信号拆分称多个独立的子语音信号，即得到多组参考幅度和相位。

举例而言，16k采样16bit量化的待处理语音信号，经过预处理得到256个频率后进行分组，前边0～63一组，64～127一组，128～191一组，192～256一组，每一组分别输入到复数神经网络模型进行处理。

具体地，将预处理后的待处理频域语音信号和参考频域语音信号进行划分，然后将划分得到的每一组分别输入到复数神经网络模型中，或者分别输入到预设的不同的复数神经网络模型中，最终获得目标语音的比值。另外，这个划分同样要包括参考语音的信号，他们是一起对应的。

在本申请实施例中，频域语音信号为一个句子(数秒到数十秒)的各个时刻的各个频率的幅度和相位即频域语音信号为连续N个时刻的各个频率的幅度和相位，其中，N为大于1的正整数，通过时间滑窗算法将一句频域语音信号拆分成多个独立的时间子片段语音信号，即按照时间进行滑窗切分，得到多组待处理幅度和相位；通过时间滑窗算法，将一句频域语音信号拆分成多个独立的时间子片段语音信号，即按照时间进行滑窗切分，得到多组参考幅度和相位。其中，分时间窗口滑动处理，因为待处理语音信号中目标语音信号一般和过去一段时间待处理语音信号和参考语音信号相关，而跟更久远的那些语音信号没有关系。

需要说明的是，可以将按照频率切分和按照时间滑窗切分组合处理，即既可以按照频率切分，也可以按照时间滑窗切分，获取多组待处理和参考幅度和相位，进一步提高语音信号处理效果。

进一步地，将多组待处理幅度和相位、多组参考幅度和相位分别输入到不同复数神经网络模型中，得到多组目标语音信号与待处理语音信号的幅度和相位比值，将多组目标语音信号与待处理语音信号的幅度和相位比值进行组合得到目标语音信号与待处理语音信号的幅度和相位比值，也可以输入相同的复数神经网络模型，但是通过不同复数神经网络模型进行处理可以进一步提高语音信号处理效果。

为了实现上述实施例，本申请还提出了一种语音信号处理装置。图10是根据本申请第四实施例的语音信号处理装置的结构示意图，如图10所示，该语音信号处理装置包括：第一获取模块1001、第一预处理模块1002、第二获取模块1003和处理模块1004。

第一获取模块1001，用于获取待处理语音信号和参考语音信号。

第一预处理模块1002，用于将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号。

第二获取模块1003，用于将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值。以及

处理模块1004，用于根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。

需要说明的是，前述对语音信号处理方法的解释说明，也适用于本发明实施例的语音信号处理装置，其实现原理类似，在此不再赘述。

综上，本申请实施例的语音信号处理装置通过获取阵列采集的待处理语音信号和喇叭电路采集的参考语音信号；将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号；将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值；以及根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。由此，提高语音信号处理效率和效果，从而提高后续语音识别的准确性。

在本申请的一个实施例中，如图11所示，在如图10所示的基础上，所述装置还包括：第三获取模块1005、第四获取模块1006、第二预处理模块1007和训练模块1008。

其中，第三获取模块1005，用于获取多个待处理语音信号样本和多个参考语音信号样本。

第四获取模块1006，用于多个目标语音信号与待处理语音信号的频域语音信号理想比值。

第二预处理模块1007，用于对多个待处理语音信号样本和多个参考语音信号样本进行预处理后输入复数神经网络进行训练得到频域语音信号训练比值。

训练模块1008，用于通过预设损失函数对频域语音信号理想比值和频域语音信号训练比值进行计算，根据计算结果调整复数神经网络的网络参数，直到复数神经网络的网络参数满足预设需求，获取复数神经网络模型。

在本申请的一个实施例中，第三获取模块1005，具体用于：获取多个冲击响应；随机选取近场噪声信号和随机选取近场语音信号分别与多个冲击响应进行卷积并且根据预设信噪比相加，获取多个模拟外部语音信号；采集不同声音设备的多个待处理语音信号，并根据预设信噪比与多个模拟外部语音信号相加得到多个待处理语音信号样本；获取不同声音设备的多个喇叭声音信号作为多个参考语音信号样本。

在本申请的一个实施例中，频域语音信号为一个句子(数秒到数十秒)的各个时刻的各个频率的幅度和相位，如图12所示，在如图10所示的基础上，所述装置还包括：第一划分模块1009、第二划分模块1010、第三划分模块1011和第四划分模块1012。

第一划分模块1009，用于按照预设频率划分规则将待处理频域语音信号进行划分，将一句频域语音信号拆分成获取多个独立的子语音信号，得到多组待处理幅度和相位；

第二划分模块1010，用于按照所述预设频率划分规则将所述参考频域语音信号进行划分，获取多个独立的子语音信号，得到多组参考幅度和相位。

第三划分模块1011，用于通过时间滑窗算法，将频域语音信号拆分成多个独立的时间子片段语音信号，获取多组待处理幅度和相位；

第四划分模块1012，用于通过所述时间滑窗算法，将参考频域语音信号拆分成多个独立的时间子片段语音信号，得到多组参考幅度和相位。

在本申请的一个实施例中，第二获取模块1003，具体用于：将所述多组待处理幅度和相位、所述多组参考幅度和相位分别输入到相同或不同复数神经网络模型中，得到多组目标语音信号与待处理语音信号的幅度和相位比值；将所述多组目标语音信号与待处理语音信号的幅度和相位比值进行组合得到所述目标语音信号与所述待处理语音信号的幅度和相位比值。

在本申请的一个实施例中，处理模块1004，具体用于：按照每一相同时刻的相同频率的所述待处理频域语音信号和对应的频域语音信号比值相乘处理，得到所述目标频域语音信号，并对所述目标频域语音信号进行处理得到所述目标语音信号。

需要说明的是，前述对语音信号处理方法的解释说明，也适用于本发明实施例的语音信号处理装置，其实现原理类似，在此不再赘述。综上，本申请实施例的语音信号处理装置，获取待处理语音信号和参考语音信号；将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号；将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值；以及根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。由此，提高语音信号处理效率和效果，从而提高后续语音识别的准确性。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图13所示，是根据本申请实施例的语音信号处理的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图13所示，该电子设备包括：一个或多个处理器1301、存储器1302，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图13中以一个处理器1301为例。

存储器1302即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语音信号处理的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语音信号处理的方法。

存储器1302作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语音信号处理的方法对应的程序指令/模块(例如，附图8所示的第一获取模块1001、第一预处理模块1002、第二获取模块1003和处理模块1004)。处理器1301通过运行存储在存储器1302中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语音信号处理的方法。

存储器1302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据语音信号处理的电子设备的使用所创建的数据等。此外，存储器1302可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1302可选包括相对于处理器1301远程设置的存储器，这些远程存储器可以通过网络连接至语音信号处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

语音信号处理的方法的电子设备还可以包括：输入装置1303和输出装置1304。处理器1301、存储器1302、输入装置1303和输出装置1304可以通过总线或者其他方式连接，图13中以通过总线连接为例。

输入装置1303可接收输入的数字或字符信息，以及产生与语音信号处理的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1304可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请实施例的技术方案，获取待处理语音信号和参考语音信号；将待处理语音信号和参考语音信号分别进行预处理后得到待处理频域语音信号和参考频域语音信号；将待处理频域语音信号和参考频域语音信号输入复数神经网络模型，获取待处理语音信号中目标语音信号与待处理语音信号的频域语音信号比值；以及根据频域语音信号比值和待处理频域语音信号得到目标频域语音信号，并对目标频域语音信号进行处理得到目标语音信号。由此，提高语音信号处理效率和效果，从而提高后续语音识别的准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。