[发明专利]语音角色分离的方法和设备

说明书

本发明的目的是提供一种语音角色分离的方法和设备，通过采用多阵列指向性的麦克风，对不同人的声音，采用不同的硬件进行采集，结合算法+硬件的能力，比单纯凭借算法进行角色分离的准确率更高。记者在采访时无需了解技术细节，只需要针对不同的采访对象，摆放好相应录音设备，打开手机等人机交互设备上的App，既可将语音实时/非实时地转成文字，并拿到已经进行精准角色分离的文字结果，为记者的音频素材处理环节节约大量时间和精力。

技术领域

本发明涉及计算机领域，尤其涉及一种语音角色分离的方法和设备。

背景技术

随着社会各行业信息化及自动化程度的不断提升，人们对更加精准的数据的需求越来越高。以采访场景为例，录音是记者采访不可或缺的一个环节，记者们需要对音频内容的进行记录、对音频素材中的内容进行分析，摘取有效的信息，并最后写成一篇稿件，工作繁重。语音识别技术的发展，为该音频素材的处理场景提供了解决方案。

说话人角色分离是采访音频素材处理里面的一个重要步骤。目前，大多数实现角色分离的方案主要是基于说话人的声纹特征，即接收到语音信号后，先基于BIC(英文：Bayesian Information Criterion，中文：贝叶斯信息准则)对语音信号进行说话人转折点检测，将语音信号分割成多个语音片段；然后通过采用GMM(Gaussian Mixture Model-高斯混合模型)和HMM(Hidden Markov Model-隐马尔科夫模型)对每个角色的声音进行建模。从而对说话人的声音片段进行剥离，达到角色分离的目的。

其中，BIC(Bayesian Information Criterion-贝叶斯信息准则)是对模型的拟合效果进行评价的一个指标，BIC值越小，则模型对数据的拟合越好，BIC＝-2ln(L)+ln(n)*k。GMM(Gaussian Mixture Model-高斯混合模型)是用高斯概率密度函数精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。HMM(Hidden Markov Model-隐马尔科夫模型)是一种统计模型，用来描述一个含有隐含未知参数的马尔科夫过程

上述解决方案，在理想录音环境下的分离效果较好。但是在采访场景下，由于采访空间的不确定，声音传播受空间影响较大，由于空间反射，衍射，麦克风收到的信号除了直达信号以外，还有多径信号叠加，使得信号被干扰，即为混响。在室内环境中，受房间边界或者障碍物衍射，反射导致声音延续，极大程度的影响语音的可懂度，再加之说话人数的不确定，角色分离的准确率可能会大打折扣。

发明内容

本发明的一个目的是提供一种语音角色分离的方法和设备，能够解决现有的语音角色分离的方案准确率不高的问题。

根据本发明的一个方面，提供了一种语音角色分离的方法，该方法包括：

通过指向不同说话人的拾音头，采集指向不同说话角色对应的声道音频；

根据每个声道音频中对应所指向的说话角色，对每个声道音频进行增益处理；

根据每个声道音频中对应所指向的说话角色之外的侧面音频，对经过所述增益处理后的每个声道音频进行降噪处理；

对经过所述降噪处理处理后的每个声道音频进行消除回音的处理；

将经过消除回音处理的每个声道音频切分为音频片段，根据每个声道音频中对应所指向的说话角色，对每个音频片段标注对应的说话角色标签；

将每个音频片段转换为对应的文字，根据每个音频片段标注的说话角色标签，为对应的文字标注所述说话角色标签。

进一步的，上述方法中，指向不同说话人的拾音头包括如下任一种：

单拾音头但是有多指向模式的麦克风；

手机上的两个以上麦克风；