CN114387956B 音频信号处理方法、装置及电子设备 （阿里巴巴集团控股有限公司）

2根据声源定位结果确定所述音频信号中的发言人变更时间点，所根据语音端点检测结果中语音端点在时间轴上的位置，对所述发如果发言人变更时间点前后目标时间内，不存在检测出根据所述发言人变更时间点与其前后目标时间内出现的语音起始点或结束点之间的如果所述声源定位结果确定出的发言人变更时间如果所述声源定位结果确定出的发言人变更时间如果在语音端点检测出的同一非语音时间段内包括多个发语音时间段内的首个发言人变更时间点之后的其他发言人通过预先训练获得的神经网络模型进行所述语音在以信号帧为单位对所述音频信号进行声源定位的过程中，如果所述差值大于目标阈值，则确定发生发言人变更3在以信号帧为单位对所述音频信号进行声源定位的过程中，获根据当前信号帧对应的平滑处理后的波达方向谱图中，取值满足根据所述发言人变更事件的发生位置分隔出多个时间段，并分别根据不同时间段之间所述区间范围的相似度，对所述多个时间段对提供用于对所述文本段的标签进行编辑的操作选项；在接收到关于其中一文本段的编辑结果后，确定与该文本根据预先获取的不同发言人的声音特征信息及其对应的发言人标识，提供推荐的标通过对发言人音色特征的提取，对通过声源定位的方式确定对所述语音识别得到的文本进行分隔后，根据分隔出的多个文所述多人发言场景包括多人发言的视频直播场景，其中，多个发4对多人发言的会议场景下采集到的音频信号进行语音识别、声源定位根据声源定位结果确定所述音频信号中的发言人变更时间点，所根据语音端点检测结果中语音端点在时间轴上的位置，对所述发提供用于对所述文本段的标签进行编辑的操作选项；在接收到关于其中一文本段的编辑结果后，确定与该文本对多人发言的视频直播场景下采集到的音频信号进行语音识别、声源根据声源定位结果确定所述音频信号中的发言人变更时间点，所根据语音端点检测结果中语音端点在时间轴上的位置，对所述发根据分隔出的多个文本段对应的时间轴信息，将所述文本段信号处理单元，用于对多人发言场景下采集到的音变更时间点确定单元，用于根据声源定位结果确定所述音频信修正单元，用于根据语音端点检测结果中语音端点在时间轴5语音识别结果分隔单元，用于根据修正后的发言人变更时间点，信号处理单元，用于对多人发言的会议场景下采集到的音变更时间点确定单元，用于根据声源定位结果确定所述音频信修正单元，用于根据语音端点检测结果中语音端点在时间轴语音识别结果分隔单元，用于根据修正后的发言人变更时间点，信号处理单元，用于对多人发言的视频直播场景下采集到的音频信号进行语音识别、变更时间点确定单元，用于根据声源定位结果确定所述音频信修正单元，用于根据语音端点检测结果中语音端点在时间轴语音识别结果分隔单元，用于根据修正后的发言人变更时间点，字幕添加单元，用于根据分隔出的多个文本段对应的与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指67[0008]对多人发言场景下采集到的音频信号进行语音识别、声源定位以及语音端点检8[0031]信号处理单元，用于对多人发言的会议场景下采集到的音频信号进行语音识别、9声源定位结果确定出的发言人变更事件的发生位置却是3分22秒50，比实际的发生时间晚果中识别出的发言人变更位置对语音识别结果进行截断时，就可能从该发言人B说的第二结果在时间轴上进行对齐，在根据所述声源定位结果确定出发言人变更事件的发生位置[0063]软件的部分则主要用于对具体采集到的音频信号进行处理，可以包括语音识别、可以首先获取当前信号帧及其前后目标数量算对应的kurtosis(峰度，表征概率密度分布曲线在平均值处峰值高低的特征数，直观看的滤波器可以是卡尔曼滤波器(KalmanFilter)等，可以利用该卡尔曼滤波器和9个经网络模型进行所述语音端点检测。这种基于神经网络模型的语音端点检测的准确性更向谱图以及一定长度的窗口来构造更多可用于计算的数据，该误差可能因为无法完全消[0085]其中，具体在利用该语音端点所在的位置对所述发言人根据具体语音端点与发言人变更时间点之间的相对位置关系不同，还可以进行不同的处用语音端点的位置对发言人变更时间点的位置进行的结束点之间为检测出的语音端，结束点与相邻的下一个以将该非语音时间段内的首个发言人变更时间点之后的其他发言人变更时间点删除。例言人变更时间点都位于同一非语音时间段内间段发言时，对具体时间段内产生信号帧的声源定位结果应该是相同或者在同一范围内。识别出发言人变更后，可以将分配给该用户的ID与声源定位结果之间的对应关系进行保在发言人再次发生变更之前，可以对该时间段内的信号帧对应的声源定位结果进行统计，断出发生变更处的信号帧对应的声源定位结果是否出现在某个发言人ID对应的声源定位[0125]变更时间点确定单元720，用于根据声源定位结果确定所述音频信号中的发言人[0129]对齐子单元，用于将声源定位结果与所述语音端点检测结果在时间轴上进行对[0136]根据所述发言人变更时间点与其前后目标时间内出现的语音起始点或结束点之[0139]或者，如果所述声源定位结果确定出的发言人变更时间[0140]或者，如果在语音端点检测出的同一非语音时间段内包括多个发言人变更时间[0168]信号处理单元810，用于对多人发言的会议场景下采集到的音频信号进行语音识[0169]变更时间点确定单元820，用于根据声源定位结果确定所述音频信号中的发言人[0181]信号处理单元910，用于对多人发言的视频直播场景下采集到的音频信号进行语[0182]变更时间点确定单元920，用于根据声源定位结果确定所述音频信号中的发言人该程序被处理器执行时实现前述方法实施例中任一项[0189]与所述一个或多个处理器关联的存储器，所述述处理器1010、视频显示适配器1011、磁盘驱动器1012、输入/输出接口1013、网络接口[0195]总线1030包括一通路，在设备的各个组件(例如处理器1010、视频显示适配器