一种语音降噪方法、装置及终端设备与流程

本发明属于语音降噪技术领域，尤其涉及一种语音降噪方法、装置及终端设备。

背景技术：

随着互联网的发展和智能移动终端的广泛应用，通过语音进行沟通成为了人们生活中一种的重要沟通手段。然而，人们在使用语音进行沟通过程中，不可避免的会存在各种干扰。

在语音识别过程中，若语音中存在噪声干扰，则会降低语音识别的准确率，无法准确的传递用户的信息。

技术实现要素：

有鉴于此，本发明实施例提供了一种语音降噪方法、装置及终端设备，以解决现有技术中在语音识别过程中，语音中存在噪声干扰，降低语音识别的准确率，无法准确的传递用户的信息的问题。

本发明实施例的第一方面提供了一种语音降噪方法，包括：

获取第一语音数据和第二语音数据；其中，所述第一语音数据包括无噪音语音数据；所述第二语音数据包括噪音语音数据；

融合所述第一语音数据和所述第二语音数据，获得训练数据；其中，所述第一语音数据包括无噪音语音数据；所述第二语音数据包括噪音语音数据；

根据所述第一语音数据和所述训练数据对生成对抗网络进行训练，获得训练后的生成对抗网络模型；

通过所述训练后的生产对抗网络模型对待处理的语音识别数据进行降噪，获得目标语音识别数据。

可选的，根据所述第一语音数据和所述训练数据对生成对抗网络进行训练，获得训练后的生成对抗网络模型，包括：

根据所述第一语音数据和所述训练数据对所述生成对抗网络的生成器和判别器进行训练，获得训练后的生成对抗网络模型。

可选的，通过所述训练后的生产对抗网络模型对待处理的语音识别数据进行降噪，获得目标语音识别数据，包括：

通过所述待处理的语音识别数据对所述判别器进行训练；

若所述判别器的判别结果为所述待处理的语音识别数据包含噪音，则通过所述待处理的语音识别数据对所述生成器进行训练；

返回通过所述待处理的语音识别数据对所述判别器进行训练的操作，直到获得所述目标语音识别数据。

可选的，所述生成器包括5层卷积生成对抗网络。

可选的，所述判别器包括6层卷积生成对抗网络。

可选的，所述第二语音数据包括冲击类噪音数据、共振类噪音数据、摩擦类噪音数据、转动机械类噪音数据中的至少一种。

本发明实施例的第二方面提供了一种语音降噪装置，包括：

获取模块，用于获取第一语音数据和第二语音数据；其中，所述第一语音数据包括无噪音语音数据；所述第二语音数据包括噪音语音数据；

融合模块，用于融合所述第一语音数据和所述第二语音数据，获得训练数据；

训练模块，用于根据所述第一语音数据和所述训练数据对生成对抗网络进行训练，获得训练后的生成对抗网络模型；

语音去噪模块，用于通过所述训练后的生产对抗网络模型对待处理的语音识别数据进行降噪，获得目标语音识别数据。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

本发明实施例通过获取无噪音语音数据和噪音语音数据并进行融合，获得训练数据，通过训练数据和无噪音语音数据对生成对抗网络进行预训练，获得预训练生成对抗网络，然后通过待处理的语音识别数据对预训练生成对抗网络进行训练，获得无噪音的语音识别数据，降低了语音中的噪音干扰，提高了语音识别的准确率，使得语音数据准确的传递用户的信息。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的语音降噪方法的流程示意图；

图2是本发明实施例一提供的第一语音数据的示意图；

图3是本发明实施例一提供的融合第一语音数据和第二语音数据后获得的训练数据的示意图；

图4是本发明实施例一提供的降噪后获得的目标语音识别数据的示意图；

图5是本发明实施例二提供的语音降噪方法的流程示意图；

图6是本发明实施例二提供的包括5层卷积生成对抗网络的生成器的结构示意图；

图7是本发明实施例二提供的包括6层卷积生成对抗网络的判别器的结构示意图；

图8是本发明实施例三提供的语音降噪方法的流程示意图；

图9是本发明实施例四提供的语音降噪装置的结构示意图；

图10是本发明实施例五提供的语音降噪装置的结构示意图；

图11是本发明实施例六提供的语音降噪装置的结构示意图；

图12是本发明实施例七提供的终端设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示，本实施例提供一种语音降噪方法，该方法可以应用于如手机、pc、平板电脑、智能游戏机等终端设备。本实施例所提供的语音降噪方法，包括：

s101、获取第一语音数据和第二语音数据；其中，所述第一语音数据包括无噪音语音数据；所述第二语音数据包括噪音语音数据。

在具体应用中，获取预设数目的第一语音数据和第二语音数据，用于对生成对抗网络进行训练；其中，预设数目可根据实际情况进行具体设定，要求其满足对生成对抗网络的训练需求。第一语音数据是指真实的无噪音语音数据。第二语音数据是指噪音语音数据(其中，噪音语音数据包括至少一种类型的子噪音语音数据)，在本实施例中，所述噪音语音数据包括但不限于48种常见类型的噪音数据。

如图2所示，提供了一种真实的无噪音语音数据(即第一语音数据)的示意图。

s102、融合所述第一语音数据和所述第二语音数据，获得训练数据。

在具体应用中，将一种或多种类型的第二语音数据通过单独添加或者随机叠加的方式与第一语音数据进行融合，获得用于训练生成对抗网络(generativeadversarialnetworks，gan)的训练数据。在本实施例中，可设定添加标注至所述训练数据，带有标注的训练数据是为了区分输入生成对抗网络的真实的无噪音语音数据和由生成对抗网络生成的无噪音语音数据。

如图3所示，提供了一种融合无噪音语音数据(即第一语音数据)和噪音语音数据(即第二语音数据)后获得的训练数据的示意图。

s103、根据所述第一语音数据和所述训练数据对生成对抗网络进行训练，获得训练后的生成对抗网络模型。

在具体应用中，通过第一语音数据和训练数据对生成对抗网络的生成器的参数及判别器的参数进行预训练，获得训练后的生成对抗网络模型。通过训练数据和第一语音数据训练生成对抗网络，获得训练后的生成对抗网络模型，以实现生成接近输入的第一语音数据(即真实的无噪音语音数据)的无噪音语音数据。生成器(generator)根据输入的第一语音数据生成接近于第一语音数据(即真实的无噪音语音数据)的无噪音语音数据。判别器(discriminator)判断其输入的第一语音数据和/或生成器生成的无噪音语音数据是否真实。

在一个实施例中，所述生成对抗网络为全卷积生成对抗网络(fullyconvolutionalneuralnetworkgenerativeadversarialnetworks，fullycnngan)。

s104、通过所述训练后的生产对抗网络模型对待处理的语音识别数据进行降噪，获得目标语音识别数据。

在具体应用中，通过生产对抗网络模型对待处理的语音识别数据进行降噪，直至生成器生成真实性较高的无噪音语音识别数据且判别器无法判别生成器生成的无噪音的语音识别数据的真假，获得目标语音识别数据；其中，所述目标语音识别数据是指生产对抗网络模型生成的且判别器无法判别真假的无噪音的语音识别数据。

如图4所示，提供了一种对待识别的语音识别数据进行降噪后获得的目标语音识别数据的示意图。

在一个实施例中，所述第二语音数据包括冲击类噪音数据、共振类噪音数据、摩擦类噪音数据、转动机械类噪音数据中的至少一种。

在具体应用中，第二语音数据包括但不限于常见的冲击类噪音数据、共振类噪音数据、摩擦类噪音数据、转动机械类噪音数据中的至少一种语音数据。

本实施例通过获取无噪音语音数据和噪音数据并进行融合，获得训练数据，通过训练数据和无噪音语音数据对生成对抗网络进行预训练，获得预训练生成对抗网络，然后通过待处理的语音识别数据对预训练生成对抗网络进行训练，获得无噪音的语音识别数据，降低了语音中的噪音干扰，提高了语音识别的准确率，使得语音数据准确的传递用户的信息。

实施例二

如图5所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤103包括：

s1031、根据所述第一语音数据和所述训练数据对所述生成对抗网络的生成器和判别器进行训练，获得训练后的生成对抗网络模型。

在具体应用中，根据训练数据和第一语音数据实现对生成对抗网络的判别器和生成器的训练，使生成器生成较真实的无噪音语音数据，以使判别器无法判断生成器生成的无噪音语音数据的真实性；判别器学习第一语音数据和训练数据(即含噪音的语音数据)的差别，以对生成器生成的无噪音语音数据的真实性进行判别，并将判别结果返回至生成器，获得训练后的生成对抗网络模型。

在一个实施例中，所述生成器包括5层卷积生成对抗网络。

如图6所示，示例性的提供了一种包括5层卷积生成对抗网络的生成器的结构示意图。

在一个实施例中，所述判别器包括6层卷积生成对抗网络。

如图7所示，示例性的提供了一种包括6层卷积生成对抗网络的判别器的结构示意图。

本实施例通过训练数据和无噪音语音数据对生成对抗网络的生成器和判别器进行预训练，获得预训练生成对抗网络，实现了判别器对无噪音语音数据的判别及生成器生成真实性高的无噪音语音数据。

实施例三

如图8所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤s104，包括：

s1041、通过所述待处理的语音识别数据对所述判别器进行训练。

在具体应用中，通过待处理的语音识别数据对判别器进行训练，使判别器对语音识别数据中是否包含噪音进行判别。

s1042、若所述判别器的判别结果为所述待处理的语音识别数据包含噪音，则通过所述待处理的语音识别数据对所述生成器进行训练。

在具体应用中，若判别器的判别结果为待处理的语音识别数据包含噪音，则通过待处理的语音识别数据对生成器进行训练，使得生成器生成新的待处理的语音识别数据(即较真实的无噪音语音识别数据)。

s1043、返回通过所述待处理的语音识别数据对所述判别器进行训练的操作，直到获得所述目标语音识别数据。

在具体应用中，返回通过待处理的语音识别数据对判别器进行训练的操作，判别器用于判别新的待处理的语音识别数据是否为真实的无噪音的语音数据，若设定判别结果的概率取值范围为0或1，则判别器输出判别结果为0，表示输入的数据不是真实数据，若判别结果为1，则表示输入的数据是真实数据。判别器重复执行对新的待处理的语音识别数据的判别操作，并将判别结果返回至生成器，直至判别器无法对生成器生成的新的待处理的语音识别数据的真实性进行判别，以获取所述目标语音识别数据。

本实施例通过待处理的语音识别数据对判别器进行训练，若判别器的判别结果为待处理的语音识别数据包含噪音，则通过待处理的语音识别数据对生成器进行训练，再返回通过待处理的语音识别数据对判别器进行训练的操作，以获取生成器生成的真实性较高的无噪音语音数据，降低了待识别的语音数据的噪音干扰。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例四

如图9所示，本实施例提供一种语音降噪装置100，用于执行实施例一中的方法步骤。本实施例提供的语音降噪装置100，包括：

获取模块101，用于获取第一语音数据和第二语音数据；其中，所述第一语音数据包括无噪音语音数据；所述第二语音数据包括噪音语音数据；

融合模块102，用于融合所述第一语音数据和所述第二语音数据，获得训练数据；

训练模块103，用于根据所述第一语音数据和所述训练数据对生成对抗网络进行训练，获得训练后的生成对抗网络模型；

语音去噪模块104，用于通过所述训练后的生产对抗网络模型对待处理的语音识别数据进行降噪，获得目标语音识别数据。

在一个实施例中，所述第二语音数据包括冲击类噪音数据、共振类噪音数据、摩擦类噪音数据、转动机械类噪音数据中的至少一种。

本实施例通过获取无噪音语音数据和噪音语音数据并进行融合，获得训练数据，通过训练数据和无噪音语音数据对生成对抗网络进行预训练，获得预训练生成对抗网络，然后通过待处理的语音识别数据对预训练生成对抗网络进行训练，获得无噪音的语音识别数据，降低了语音中的噪音干扰，提高了语音识别的准确率，使得语音数据准确的传递用户的信息。

实施例五

如图10所示，在本实施例中，实施例四中的训练模块103，还包括用于执行实施例二中方法步骤的以下结构:

第一训练单元1031，用于根据所述第一语音数据和所述训练数据对所述生成对抗网络的生成器和判别器进行训练，获得训练后的生成对抗网络模型。

在一个实施例中，所述生成器包括5层卷积生成对抗网络。

在一个实施例中，所述判别器包括6层卷积生成对抗网络。

本实施例通过训练数据和无噪音语音数据对生成对抗网络的生成器和判别器进行预训练，获得预训练生成对抗网络，实现了判别器对无噪音语音数据的判别及生成器生成真实性高的无噪音语音数据。

实施例六

如图11所示，在本实施例中，实施例四中的语音去噪模块104，还包括用于执行实施例三中方法步骤的以下结构：

第二训练单元1041，用于通过所述待处理的语音识别数据对所述判别器进行训练；

第三训练单元1042，用于若所述判别器的判别结果为所述待处理的语音识别数据包含噪音，则通过所述待处理的语音识别数据对所述生成器进行训练；

第四训练单元1043，用于返回通过所述待处理的语音识别数据对所述判别器进行训练的操作，直到获得所述目标语音识别数据。

本实施例通过待处理的语音识别数据对判别器进行训练，若判别器的判别结果为待处理的语音识别数据包含噪音，则通过待处理的语音识别数据对生成器进行训练，再返回通过待处理的语音识别数据对判别器进行训练的操作，以获取生成器生成的真实性较高的无噪音语音数据，降低了待识别的语音数据的噪音干扰。

实施例七

图12是本实施例提供的终端设备的示意图。如图12所示，该实施例的终端设备12包括：处理器120、存储器121以及存储在所述存储器121中并可在所述处理器120上运行的计算机程序122，例如语音降噪程序。所述处理器120执行所述计算机程序122时实现上述各个语音降噪方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器120执行所述计算机程序122时实现上述各装置实施例中各模块/单元的功能，例如图9所示模块101至104的功能。

示例性的，所述计算机程序122可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器121中，并由所述处理器120执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序122在所述终端设备12中的执行过程。例如，所述计算机程序122可以被分割成获取模块、融合模块、训练模块、语音去噪模块，各模块具体功能如下：

获取模块，用于获取第一语音数据和第二语音数据；其中，所述第一语音数据包括无噪音语音数据；所述第二语音数据包括噪音语音数据；

融合模块，用于融合所述第一语音数据和所述第二语音数据，获得训练数据；

训练模块，用于根据所述第一语音数据和所述训练数据对生成对抗网络进行训练，获得训练后的生成对抗网络模型；

语音去噪模块，用于通过所述训练后的生产对抗网络模型对待处理的语音识别数据进行降噪，获得目标语音识别数据。

所述终端设备12可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器120、存储器121。本领域技术人员可以理解，图12仅仅是终端设备12的示例，并不构成对终端设备12的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器120可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器121可以是所述终端设备12的内部存储单元，例如终端设备12的硬盘或内存。所述存储器121也可以是所述终端设备12的外部存储设备，例如所述终端设备12上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字卡(securedigital，sd)，闪存卡(flashcard)等。进一步地，所述存储器121还可以既包括所述终端设备12的内部存储单元也包括外部存储设备。所述存储器121用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器121还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。