一种语音处理方法、装置和电子设备与流程

本发明涉及语音处理技术领域，特别是涉及一种语音处理方法、装置和电子设备。

背景技术：

随着通信技术的快速发展，诸如手机、平板电脑等终端越来越普及，给人们的生活、学习、工作带来了极大的便利。这些终端可以通过麦克风收集语音信号，使用语音增强技术对收集到的语音信号进行处理，以降低噪声干扰的影响。其中，语音增强是指当语音信号被各种各样的噪声干扰、甚至淹没后，从噪声背景中提取有用的语音信号，抑制、降低噪声干扰的技术。

近年来，随着深度神经网络(deepneuralnetwork，dnn)的快速发展，深度神经网络也被应用至语音增强技术中；目前，基于深度神经网络的语音增强方法可以包括两类，其中一类能够把噪声去除的比较干净，使得语音增强后的语音听感好，但是在将噪声去除的比较干净的同时，也在一定程度上破坏了有用的语音信号，造成了语音失真较大，从而影响语音识别率。另一类语音增强的方法去除噪声的能力小于前一类语音增强的方法，对有用的语音信号破坏较小，语音失真较小，但是语音识别率高一些。

技术实现要素：

本发明实施例提供一种语音处理方法，以提高语音增强效果。

相应的，本发明实施例还提供了一种语音处理装置和一种电子设备，用以保证上述方法的实现及应用。

为了解决上述问题，本发明实施例公开了一种语音处理方法，具体包括：获取待处理语音数据对应的待处理频谱信息；采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

可选地，所述语音增强模型包括前级网络和后级网络，所述采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，包括：将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；所述依据所述目标比率掩模和待处理频谱信息确定目标频谱信息，包括：将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

可选地，所述待处理频谱信息和目标比率掩模均为矩阵，所述由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息，包括：由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

可选地，所述的方法还包括训练所述语音增强模型的步骤：收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息；针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息；将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

可选地，所述将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练，包括：计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差；通过最小化所述均方误差，调整所述语音增强模型的权值。

可选地，所述的方法还包括：对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

本发明实施例还公开了一种语音处理装置，具体包括：信息获取模块，用于获取待处理语音数据对应的待处理频谱信息；语音增强模块，用于采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

可选地，所述语音增强模型包括前级网络和后级网络，所述语音增强模块包括：比率掩模确定子模块，用于将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；频谱信息确定子模块，用于将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

可选地，所述待处理频谱信息和目标比率掩模均为矩阵，所述频谱信息确定子模块，用于由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

可选地，所述的装置还包括训练模块，所述训练模块包括：数据收集子模块，用于收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息；正向训练子模块，用于针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息；反向训练子模块，用于将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

可选地，所述反向训练子模块，用于计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差；通过最小化所述均方误差，调整所述语音增强模型的权值。

可选地，所述的装置还包括：语音数据确定模块，用于对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

本发明实施例还公开了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本发明实施例任一所述的语音处理方法。

本发明实施例还公开了一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取待处理语音数据对应的待处理频谱信息；采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

可选地，所述语音增强模型包括前级网络和后级网络，所述采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，包括：将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；所述依据所述目标比率掩模和待处理频谱信息确定目标频谱信息，包括：将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

可选地，所述待处理频谱信息和目标比率掩模均为矩阵，所述由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息，包括：由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

可选地，还包含用于进行以下训练所述语音增强模型的指令：收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息；针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息；将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

可选地，所述将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练，包括：计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差；通过最小化所述均方误差，调整所述语音增强模型的权值。

可选地，还包含用于进行以下操作的指令：对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

本发明实施例包括以下优点：

本发明实施例中，可以获取待处理语音数据对应的待处理频谱信息，然后通过采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；进而保留了频谱中各个点的关联性，降低语音失真；此外，所述语音增强模型依据所述目标频谱信息进行反向训练，能够更好的去除噪声，保证语音质量；相对于现有技术语音保真和语音质量不能两全的情况而言，本发明实施例可以在语音保真的同时又能尽量提高语音质量，从而提高了语音增强效果。

附图说明

图1是本发明的一种语音处理方法实施例的步骤流程图；

图2a是本发明的一种语音增强模型实施例的结构框架图；

图2b是本发明的一种语音增强模型的训练方法实施例的步骤流程图；

图3是本发明的一种语音处理方法可选实施例的步骤流程图；

图4是本发明的一种语音处理装置实施例的结构框图；

图5是本发明的一种语音处理装置可选实施例的结构框图；

图6根据一示例性实施例示出的一种用于语音处理的电子设备的结构框图；

图7是本发明根据另一示例性实施例示出的一种用于语音处理的电子设备的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例的核心构思之一是，可以采用依据频谱信息进行反向训练的语音增强模型进行语音增强，更好的去除噪声，保证语音质量；在语音增强的过程中，语音增强模型可以确定待处理语音数据对应待处理频谱信息对应的目标比率掩模，然后依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；进而能够保留频谱中各个点的关联性，降低语音的失真，从而提高语音增强的效果。

本发明实施例中，可以将语音降噪、语音分离和语音解混响统称为语音增强；其中，如果干扰是背景噪声，对于语音数据的语音增强可以是指语音降噪；如果干扰是人声，对于语音数据的语音增强可以是指语音分离；如果干扰是混响，则对于语音数据的语音增强可以是指语音解混响。

参照图1，示出了本发明的一种语音处理方法实施例的步骤流程图，具体可以包括如下步骤：

步骤102、获取待处理语音数据对应的待处理频谱信息。

本发明实施例中，当需要从一段带噪声的语音数据中，提取出干净的语音数据时，可以对该段带噪声的语音数据进行语音增强；其中，为了便于后续说明，可以将该段带噪声的语音数据称为待处理语音数据。

本发明实施例中，可以预先训练语音增强模型，然后再采用训练后的语音增强模型对待处理语音数据进行语音增强；在语音增强模型的训练过程中，可以依据语音增强模型输出的目标频谱信息，对该语音增强模型进行反向训练，使得语音增强模型在语音增强的过程中，能够更好的去除待处理语音数据中的噪声，保证语音质量；其中，语音增强模型的训练过程在后续再进行说明。

其中，可以对待处理语音数据进行特征提取例如对所述待处理语音数据进行短时傅里叶变换，提取该待处理语音数据对应的频谱信息(后续可称为待处理频谱信息)；然后将所述待处理语音数据对应的待处理频谱信息输入至语音增强模型中，由语音增强模型对该待处理频谱信息进行处理，实现对待处理语音数据的语音增强。

步骤104、采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

本发明实施例中，将所述待处理频谱信息输入至所述语音增强模型后，所述语音增强模型可以对所述待处理频谱信息进行处理，得到对应的目标比率掩模；其中，所述目标比率掩模可以是指目标语音数据的频谱信息(后续可以称为目标频谱信息)与待处理语音数据的频谱信息(即待处理频谱信息)之间的比值，所述目标语音数据可以是指待处理语音数据中干净的语音数据。然后在确定目标比率掩模后，语音增强模型可以依据所述目标比率掩模和待处理频谱信息，计算目标频谱信息并输出，例如可以将所述目标比率掩模与待处理频谱信息进行点乘；进而能够保留频谱中各个点的关联性，降低语音的失真。后续可以依据目标频谱信息，确定目标语音数据，例如将所述目标频谱信息还原为时域信息，可以得到目标语音数据。

综上，本发明实施例中，可以获取待处理语音数据对应的待处理频谱信息，然后通过采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；进而保留了频谱中各个点的关联性，降低语音失真；此外，所述语音增强模型依据所述目标频谱信息进行反向训练，能够更好的去除噪声，保证语音质量；相对于现有技术语音保真和语音质量不能两全的情况而言，本发明实施例可以在语音保真的同时又能尽量提高语音质量，从而提高了语音增强效果。

以下对语音增强模型的训练过程进行说明。

本发明的一个示例中，语音增强模型可以包括前级网络和后级网络如图2a所示，所述前级网络与所述后级网络连接，所述语音增强模型的输入可以作为前级网络的输入，所述后级网络的输入可以包括前级网络的输入和前级网络的输出，所述后级网络的输出可以作为语音增强模型的输出。所述前级网络可以是深度神经网络，也可以是其他的网络，所述后级网络可以是用于进行点乘运算的网络；其中，本发明实施例对前级网络和后级网络的类型、层数等均不作限制。

参照图2b，示出了本发明的一种语音增强模型的训练方法实施例的步骤流程图，具体包括如下步骤：

步骤202、收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息。

本发明实施例中，可以收集多段干净的语音数据和各段干净的语音数据对应的带噪声的语音数据，该带噪声的语音数据可以包括语音部分和噪声部分，所述语音部分可以包括该干净的语音数据，所述噪声部分可以包括背景噪声、人声、混响等噪声数据。然后针对每一段干净的语音数据，可以对该段干净的语音数据进行短时傅里叶变换，得到该段干净的语音数据对应的频谱信息，进而可以获取该段干净的语音数据对应带噪声的语音数据中语音部分的参考频谱信息；以及对该段干净的语音数据对应带噪声的语音数据进行短时傅里叶变换，得到该带噪声的语音数据对应的频谱信息。再将一段带噪声的语音数据的频谱信息和该段带噪声的语音数据中语音部分的参考频谱信息，作为一组训练数据，进而可以收集到多组训练数据；然后采用多组训练数据对语音增强模型进行训练。

步骤204、针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息。

步骤206、将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

本发明实施例中，可以每次采用一组训练数据对语音增强模型进行训练，也可以每次采用多组训练数据对语音增强模型进行训练，本发明实施例对此不作限制。

以下以每次采用一组训练数据对语音增强模型进行训练为例，对语音增强模型的训练过程进行说明：

本发明实施例中，对语音增强模型的训练包括正向训练和反向训练，其中，正向训练：将该组训练数据中带噪声的语音数据对应的频谱信息输入至语音增强模型的前级网络中，由前级网络对其进行处理，得到目标比率掩模；然后将该目标比率掩模和该组训练数据中带噪声的语音数据对应的频谱信息，输入至语音增强模型的后级网络中，由后级网络对输入的数据进行处理，得到目标频谱信息。其中，所述目标比率掩模和该组训练数据中带噪声的语音数据对应的频谱信息均是矩阵，所述后级网络对输入数据的处理，可以是将所述目标比率掩模和该组训练数据中带噪声语音数据的频谱信息进行点乘，得到对应的目标频谱信息。反向训练：可以将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，依据比对结果对所述语音增强模型进行反向训练，具体可以参照子步骤62-64：

子步骤62、计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差。

子步骤64、通过最小化所述均方误差，调整所述语音增强模型的权值。

本发明实施例中，参考频谱信息可以表示为y＝[y1,y2,y3,......,yn]，目标频谱信息可以表示为z＝[z1,z2,z3,......,zn]，可以参照如下公式计算均方误差：

其中，n为频谱信息中频点的数量，n为该组训练数据中带噪声的语音数据的帧数。

然后可以以最小化均方误差为目标，调整语音增强模型的权值，例如可以调整语音增强模型中前级网络各层的权值。

其中，相对于现有技术的语音增强模型只包括前级网络而言，本发明实施例的语音增强模型包括了前级网络和后级网络，且后级网络的输入包括前级网络的输入和前级网络的输出，可见本发明实施例的语音增强模型具有跨层连接的网络结构；因此本发明实施例的前级网络可以更深，能够取得更好的语音增强结果，且输入的数据一部分经过前级网络进行了非线性变换，另一部分直接从前级网络跨过去不做任何转换，可以保证前级网络在合理的迭代范围内收敛。

然后可以采用训练后的语音增强模型进行语音增强，具体如下：

参照图3，示出了本发明的一种语音处理方法可选实施例的步骤流程图，具体可以包括如下步骤：

步骤302、获取待处理语音数据对应的待处理频谱信息。

本发明实施例中，可以获取待处理语音数据，然后对该待处理语音数据进行短时傅里叶变换，提取该待处理语音数据的频域特征，得到对应的待处理频谱信息。再将所述待处理频谱信息输入至所述语音增强模型中，由语音增强模型的前级网络和后级网络对该待处理频谱信息进行处理，得到目标频谱信息。

步骤304、将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模。

本发明实施例中，可以将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模。例如待处理频谱信息可以表示为x＝[x1,x2,x3,......,xn]，输入至前级网络进行处理后，前级网络输出的目标比率掩模可以表示为m＝[m1,m2,m3,......,mn]。

步骤306、将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

然后可以将前级网络输出的目标比率掩模输入至后级网络，以及将所述待处理频谱信息跨层(跨过前级网络)输入至后级网络，由后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。本发明的一个示例中，可以由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

例如，待处理频谱信息可以表示为x＝[x1,x2,x3,......,xn]，目标比率掩模可以表示为m＝[m1,m2,m3,......,mn]，后级网络将所述待处理频谱信息和目标比率掩模进行点乘可以表示为p＝[x1*m1,x2*m2,x3*m3,......,xn*mn]，其中，可以令pn＝xn*mn表示，则目标频谱信息可以表示为：p＝[p1,p2,p3,......,pn]。

步骤308、对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

本发明实施例中，语音增强模型输出目标频谱信息后，可以将所述目标频谱信息还原成目标语音数据；其中，可以对进行目标频谱信息进行时域变换如反向短时傅里叶变换，可以得到对应的目标语音数据。

综上，本发明实施例中，可以获取待处理语音数据对应的待处理频谱信息，然后通过采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；进而保留了频谱中各个点的关联性，降低语音的失真；此外，所述语音增强模型依据所述目标频谱信息进行反向训练，能够更好的去除噪声，保证语音质量；相对于现有技术语音保真和语音质量不能两全的情况而言，本发明实施例可以在语音保真的同时又能尽量提高语音质量，从而提高了语音增强效果。

其次，本发明实施例中，所述语音增强模型包括前级网络和后级网络，可以将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；然后将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息；进而在语音增强模型中引入跨层连接结构，能够进一步提高语音增强的效率。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图4，示出了本发明的一种语音处理装置实施例的结构框图，具体可以包括如下模块：

信息获取模块402，用于获取待处理语音数据对应的待处理频谱信息；

语音增强模块404，用于采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

参照图5，示出了本发明的一种语音处理装置可选实施例的结构框图。

本发明一个可选的实施例中，所述语音增强模型包括前级网络和后级网络，所述语音增强模块404包括：

比率掩模确定子模块4042，用于将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；

频谱信息确定子模块4044，用于将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

本发明一个可选的实施例中，所述待处理频谱信息和目标比率掩模均为矩阵，所述频谱信息确定子模块4044，用于由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

本发明一个可选的实施例中，所述的装置还包括训练模块406，

所述训练模块406包括：

数据收集子模块4062，用于收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息；

正向训练子模块4064，用于针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息；

反向训练子模块4066，用于将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

本发明一个可选的实施例中，所述反向训练子模块4066，用于计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差；通过最小化所述均方误差，调整所述语音增强模型的权值。

本发明一个可选的实施例中，所述的装置还包括：

语音数据确定模块408，用于对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

综上，本发明实施例中，可以获取待处理语音数据对应的待处理频谱信息，然后通过采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；进而保留了频谱中各个点的关联性，降低语音失真；此外，所述语音增强模型依据所述目标频谱信息进行反向训练，能够更好的去除噪声，保证语音质量；相对于现有技术语音保真和语音质量不能两全的情况而言，本发明实施例可以在语音保真的同时又能尽量提高语音质量，从而提高了语音增强效果。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图6是根据一示例性实施例示出的一种用于语音处理的电子设备600的结构框图。例如，电子设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(i/o)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制电子设备600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电力组件606为电子设备600的各种组件提供电力。电力组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述电子设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当电子设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(mic)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

i/o接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信部件614经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件614还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行一种语音处理方法，所述方法包括：获取待处理语音数据对应的待处理频谱信息；采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

可选地，所述语音增强模型包括前级网络和后级网络，所述采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，包括：将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；所述依据所述目标比率掩模和待处理频谱信息确定目标频谱信息，包括：将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

可选地，所述待处理频谱信息和目标比率掩模均为矩阵，所述由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息，包括：由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

可选地，所述的方法还包括训练所述语音增强模型的步骤：收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息；针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息；将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

可选地，所述将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练，包括：计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差；通过最小化所述均方误差，调整所述语音增强模型的权值。

可选地，所述的方法还包括：对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

图7是本发明根据另一示例性实施例示出的一种用于语音处理的电子设备700的结构示意图。该电子设备700可以是服务器，该服务器可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器722可以设置为与存储介质730通信，在服务器上执行存储介质730中的一系列指令操作。

服务器还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，一个或一个以上键盘756，和/或，一个或一个以上操作系统741，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取待处理语音数据对应的待处理频谱信息；采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，以及依据所述目标比率掩模和待处理频谱信息确定目标频谱信息并输出；其中，所述语音增强模型依据所述目标频谱信息进行反向训练。

可选地，所述语音增强模型包括前级网络和后级网络，所述采用语音增强模型确定所述待处理频谱信息对应的目标比率掩模，包括：将所述待处理频谱信息输入至所述语音增强模型的前级网络，由所述前级网络对所述待处理频谱信息进行处理并输出目标比率掩模；所述依据所述目标比率掩模和待处理频谱信息确定目标频谱信息，包括：将所述待处理频谱信息和目标比率掩模输入至所述语音增强模型的后级网络，由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息。

可选地，所述待处理频谱信息和目标比率掩模均为矩阵，所述由所述后级网络对所述待处理频谱信息和目标比率掩模进行处理并输出目标频谱信息，包括：由所述后级网络将所述待处理频谱信息和目标比率掩模进行点乘，输出目标频谱信息。

可选地，还包含用于进行以下训练所述语音增强模型的指令：收集多组训练数据，一组所述训练数据包括带噪声的语音数据对应的频谱信息和所述带噪声的语音数据中语音部分对应的参考频谱信息；针对一组训练数据，将所述组训练数据中带噪声的语音数据对应的频谱信息输入至所述语音增强模型中，得到目标频谱信息；将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练。

可选地，所述将所述组训练数据中的参考频谱信息与所述目标频谱信息进行比对，对所述语音增强模型进行反向训练，包括：计算所述组训练数据中的参考频谱信息与所述目标频谱信息的均方误差；通过最小化所述均方误差，调整所述语音增强模型的权值。

可选地，还包含用于进行以下操作的指令：对所述目标频谱信息进行时域变换，得到对应的目标语音数据。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种语音处理方法、一种语音处理装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。