[发明专利]时延估计方法、装置、终端设备和计算机可读存储介质

说明书

本申请提供了一种时延估计方法、装置、终端设备和计算机可读存储介质；方法包括获取麦克风采集的近端音频数据和缓存的远端音频数据并分别对其进行预处理生成对应的近端频域信号和远端频域信号；分别计算当前帧近端频域信号的平滑功率谱、各帧远端频域信号的平滑功率谱以及当前帧近端频域信号与各帧远端频域信号的互功率谱，及两者的相似系数；选择最大的相似系数对应的时延瞬时值记为当前帧近端频域信号的初始时延估计值；根据缓存的历史时延瞬时值来对初始时延估计值进行评估判断，并根据评估判断结果得到更新时延估计值；根据更新时延估计值、记录的远端音频数据与近端音频数据的帧数差值确定最终时延估计值。该方法的时延估计值更加精准。

技术领域

本申请涉及语音信号处理技术领域，具体涉及一种时延估计方法、装置、终端设备和计算机可读存储介质。

背景技术

随着通信技术的发展，越来越多应用场景涉及通话过程，例如，用户利用智能终端进行视频/语音通话，或者，用户通过视频会议系统进行电话会议时的通话，又或者，由聊天机器人参与的会话系统所涉及的会话。而回声消除是通话过程中必须解决的问题。

回声分为声学回声和线路回声，线路回声是由线路间匹配耦合引起的，声学回声是在外放的语音通话系统中，扬声器的声音多次反馈到麦克风引起的。声学回声消除，就是要从麦克风收到的语音中消除扬声器发出的声音，得到消除回声后的近端语音。回声消除的模型见图1。在回声消除系统中，扬声器端发出的语音参考信号叫做远端信号，麦克风收到的扬声器发出的声音和语音组合而成的信号叫做近端信号，远端信号发出后，一部分语音直接传送到麦克风端，这部分回声与近端信号时延较小；另一部分信号在有限空间的房间内多次反射后传到近端，这部分回声时延较大。回声消除的过程就是根据远端信号与近端信号的相关性，估算出回声信号，并将回声信号从近端信号中消除，得到纯净的语音。

时延估计是影响声学回声消除效果的关键技术，准确的时延估计可以大大的优化回声的消除效果。然而在实际中，时延估计准确度受限于算法以及计算的精度。目前，通常采用aec(acoustic echo cancellation，即声学回声消除)算法来进行时延估计，但是在实际IP通信系统中，网络传输延时不稳定，播放与采集处于不同的线程。对于aec模块而言会存在远端数据与近端数据帧数存在抖动的问题，影响aec的时延估计的准确性。

申请内容

有鉴于此，本申请实施例中提供了一种时延估计方法、装置、终端设备和计算机可读存储介质，以克服现有技术中因远端数据与近端数据帧数存在抖动从而造成时延估计不准确的问题。

第一方面，本申请实施例提供了一种时延估计方法，该方法包括：

获取麦克风采集的近端音频数据和缓存的远端音频数据，并对所述近端音频数据和所述缓存的远端音频数据进行预处理生成对应的近端频域信号和远端频域信号；其中所述近端频域信号和所述远端频域信号包括多帧；

分别计算当前帧近端频域信号的平滑功率谱、各帧远端频域信号的平滑功率谱以及所述当前帧近端频域信号与各帧所述远端频域信号的互功率谱，并计算所述当前帧近端频域信号与各帧所述远端频域信号的相似系数；

选择最大的所述相似系数对应的时延瞬时值记为所述当前帧近端频域信号的初始时延估计值；其中，所述时延瞬时值是采用记录的远端音频数据与近端音频数据的帧数差值对实际时延估计值进行校正得到的；

根据缓存的历史时延瞬时值来对所述初始时延估计值进行评估判断，并根据评估判断结果得到更新时延估计值；

根据所述更新时延估计值、记录的远端音频数据与近端音频数据的帧数差值确定最终时延估计值。

第二方面，本申请实施例提供了一种时延估计装置，该装置包括：

音频数据获取模块，用于获取麦克风采集的近端音频数据和缓存的远端音频数据；