语音信号处理方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及语音信号处理方法、装置、电子设备和计算机可读介质。

背景技术

基于语音交互的智能设备正在迅速融入日常生活，而智能设备之间的语音交互依赖于对语音信号的精准处理和识别。目前，在对语音信号进行处理时，通常采用的方式为：直接通过语音信号分析的方式，进行语音信号识别。

然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：

第一，由于采集的语音信号往往受环境噪声影响，会包含较多的干扰信号，直接通过语音信号分析的方式，进行语音信号识别得到的控制指令，极易出现控制指令不够精准的问题，从而导致无法依据控制指令对智能设备进行有效控制；

第二，语音信号受语速影响，语音信号往往会出现稀疏性或稠密性的特性，针对稠密性语音信号，直接对稠密语音信号进行特征提取，由于稠密语音信号较为稠密，相邻信号值较为临近，使得无法有效进行信号特征提取，从而影响后续生成的文本指令信息的准确度；

第三，常规的语音特征向量与文本指令信息之间的转换方式，强依赖于语音特征向量的向量质量，当向量质量较差时，即不能够很好地代表语音信号时，可能导致提取得到的文本指令信息不够精准，从而影响后续的智能设备精准控制。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了语音信号处理方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种用于语音信号处理的方法，该方法包括：响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号；根据上述预处理后语音信号，生成语音信号类别，其中，上述语音信号类别表征产生上述语音信号的对象类别；响应于确定上述语音信号类别为目标类别，根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息；响应于确定上述文本指令信息中包含目标唤醒词，将上述目标唤醒词从上述文本指令信息中剔除，得到候选控制指令信息；响应于确定上述候选控制指令信息满足第一选择条件，对上述候选控制指令信息执行以下第一处理操作：根据预先训练的关键信息提取模型和上述候选控制指令信息，生成上述候选控制指令信息对应的控制指令信息，其中，上述控制指令信息包括：控制对象信息和控制动作信息，上述控制对象信息包括的控制对象表征温湿度控制装置；对上述控制对象信息对应的控制对象执行上述控制动作信息对应的控制动作。

第二方面，本公开的一些实施例提供了一种语音信号处理装置，装置包括：预处理单元，被配置成响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号；第一生成单元，被配置成根据上述预处理后语音信号，生成语音信号类别，其中，上述语音信号类别表征产生上述语音信号的对象类别；第二生成单元，被配置成响应于确定上述语音信号类别为目标类别，根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息；剔除单元，被配置成响应于确定上述文本指令信息中包含目标唤醒词，将上述目标唤醒词从上述文本指令信息中剔除，得到候选控制指令信息；执行单元，被配置成响应于确定上述候选控制指令信息满足第一选择条件，对上述候选控制指令信息执行以下处理操作：根据预先训练的关键信息提取模型和上述候选控制指令信息，生成上述候选控制指令信息对应的控制指令信息，其中，上述控制指令信息包括：控制对象信息和控制动作信息，上述控制对象信息包括的控制对象表征温湿度控制装置；对上述控制对象信息对应的控制对象执行上述控制动作信息对应的控制动作。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的语音信号处理方法，避免了因环境噪声影响，造成的对语音信号识别得到的控制指令不够精准，从而导致无法依据控制指令对智能设备进行有效控制的问题。具体来说，造成对语音信号识别得到的控制指令不够精准的原因在于：由于采集的语音信号往往受环境噪声影响，噪声会干扰语音信号的质量，导致采集的语音信号会包含较多的干扰信号，直接通过语音信号分析的方式，进行语音信号识别得到的控制指令，极易出现控制指令不够精准的问题，从而导致无法依据控制指令对智能设备进行有效控制。基于此，本公开的一些实施例的语音信号处理方法，首先，响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号。通过对语音信号进行信号预处理，减少环境噪声对语音信号识别的干扰，避免了因采集的语音信号受环境噪声影响包含较多的干扰信号，所导致的语音信号识别准确率较差的问题。其次，根据上述预处理后语音信号，生成语音信号类别，其中，上述语音信号类别表征产生上述语音信号的对象类别。实践中，产生语音信号的对象往往较多，通过确定语音型号类别，可以准确地确定产生语音信号的对象。接着，响应于确定上述语音信号类别为目标类别，根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息。以此得到语音信号包含的文本指令信息。进一步，响应于确定上述文本指令信息中包含目标唤醒词，将上述目标唤醒词从上述文本指令信息中剔除，得到候选控制指令信息。最后，响应于确定上述候选控制指令信息满足第一选择条件，对上述候选控制指令信息执行以下第一处理操作：第一步，根据预先训练的关键信息提取模型和上述候选控制指令信息，生成上述候选控制指令信息对应的控制指令信息，其中，上述控制指令信息包括：控制对象信息和控制动作信息，上述控制对象信息包括的控制对象表征温湿度控制装置。第二步，对上述控制对象信息对应的控制对象执行上述控制动作信息对应的控制动作。通过此种方式，在语音信号受环境噪声影响的情况下，仍能够识别出语音信号所对应的文本控制指令，以此实现了对智能设备进行有效的控制。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的语音信号处理方法的一些实施例的流程图；

图2是根据本公开的语音信号处理装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，示出了根据本公开的语音信号处理方法的一些实施例的流程100。该语音信号处理方法，包括以下步骤：

步骤101，响应于识别到语音信号，对语音信号进行信号预处理，以生成预处理后语音信号。

在一些实施例中，响应于识别到语音信号，语音信号处理方法的执行主体(例如，计算设备)可以对上述语音信号进行信号预处理，以生成预处理后语音信号。其中，语音信号可以是连续的模拟信号。实践中，语音信号可以表征移动终端接收到的语音信息。例如，移动终端可以是手机。

作为示例，上述执行主体可以通过滤波降噪的方式对语音信号进行信号预处理，以生成预处理后语音信号。其中，上述执行主体可以对语音信号进行小波降噪处理，以生成预处理后语音信号。

需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以是上述移动终端。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目。

在一些实施例的一些可选的实现方式中，响应于识别到语音信号，上述执行主体对上述语音信号进行信号预处理，以生成预处理后语音信号，可以包括以下步骤：

第一步，对上述语音信号进行归一化处理，得到归一化处理后语音信号。

其中，上述执行主体通过归一化公式对上述语音信号进行归一化处理，得到归一化处理后语音信号。其中，归一化公式为：归一化处理后语音信号＝(语音信号－最小振幅)/(最大振幅－最小振幅)×2－1。其中，上述最小振幅表征上述语音信号的最小振幅值。上述最大振幅表征上述语音信号的最大振幅值。实践中，首先，上述执行主体可以以时间为尺度，对语音信号进行均匀采样，得到样本点集合。其中，样本点集合包括至少一个样本点。上述样本点集合中的样本点对应有振幅值。然后，上述执行主体可以对上述样本点进行遍历，以确定上述最小振幅和最大振幅。

第二步，对上述归一化处理后语音信号进行分帧处理，以生成短时音频帧信号集。

其中，上述短时音频帧信号集中的各个短时音频帧信号的帧长一致。实践中，首先，上述执行主体可以确定帧长和帧移。其中，上述帧长表征每个短时音频帧信号的信号长度。例如，帧长可以是“20毫秒”。帧长也可以表征滑动窗口的窗口大小。帧移表征滑动窗口的移动步长。实践中，上述执行主体可以以帧长为滑动窗口的窗口大小，控制滑动窗口按照帧移移动，以对归一化处理后语音信号进行分帧处理，以生成短时音频帧信号集。

第三步，对于上述短时音频帧信号集中的每个短时音频帧信号，执行以下处理步骤：

子步骤1，对上述短时音频帧信号进行加窗处理，得到窗口音频帧信号。

实践中，上述执行主体可以通过将上述短时音频帧信号与窗口函数相乘的方式进行加窗处理，得到窗口音频帧信号。其中，窗口函数是以时间为自变量的函数。例如，窗口函数可以是汉明窗口函数。

子步骤2，对上述窗口音频帧信号进行快速傅里叶变换，以生成频域信号。

子步骤3，对上述频域信号进行高斯滤波降噪，得到滤波后频域信号。

实践中，上述执行主体可以通过高斯滤波器对上述频域信号进行卷积操作来实现滤波降噪，得到滤波后频域信号。

子步骤4，对上述滤波后频域信号进行平滑处理，得到平滑处理后频域信号。

实践中，上述执行主体可以通过中值滤波对上述滤波后频域信号进行平滑处理，得到平滑处理后频域信号。

子步骤5，对上述平滑处理后频域信号进行逆傅里叶变换，以生成时域信号。

子步骤6，对上述时域信号进行去窗处理，得到去窗后时域信号。

实践中，上述执行主体可以通过将上述时域信号与反窗口函数相乘的方式进行去窗处理，得到去窗后时域信号。其中，反窗口函数是与之前子步骤1中窗口函数的倒函数。例如，子步骤1中窗口函数是汉明窗口函数，则反窗口函数公式可以是：反窗口函数＝1÷汉明窗口函数。

第四步，将得到的去窗后时域信号集合中的各个去窗后时域信号进行拼接，以生成上述预处理后语音信号。

实践中，上述执行主体可以使用OLA方法(重叠相加法，Overlap-add method)对得到的去窗后时域信号集合中的各个去窗后时域信号进行拼接，以生成上述预处理后语音信号。

步骤102，根据预处理后语音信号，生成语音信号类别。

在一些实施例中，上述执行主体可以根据预处理后语音信号，生成语音信号类别，其中，语音信号类别表征产生语音信号的对象类别。

实践中，上述执行主体可以将上述预处理后语音信号输入预先训练的信号类别生成模型，得到语音信号类别。其中，上述信号类别生成模型包括：特征提取模型和特征分类模型。其中，特征提取模型可以是用于对上述预处理后语音信号进行特征提取的模型。实践中，特征提取模型可以是卷积神经网络模型。其中，特征分类模型是以特征提取模型的输出作为输入，用于生成语音信号类别的模型。实践中，特征分类模型可以是全连接层。具体的，特征分类模型可以输出1×2的特征向量，即上述特征分类模型可以是二分类模型。

步骤103，响应于确定语音信号类别为目标类别，根据预先训练的音频信号转换模型和预处理后语音信号，生成与预处理后语音信号对应的文本指令信息。

在一些实施例中，响应于确定语音信号类别为目标类别，上述执行主体可以根据上述音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息。实践中，目标类别表征可以对移动终端进行操作的对象类别。例如，目标类别可以是“人”。其中，上述音频信号转换模型是用于将音频信号转换为文本信息的模型。实践中，上述音频信号转换模型可以是以预处理后语音信号为输入，文本指令信息为输出的语音识别模型。具体的，上述音频信号转换模型可以是OpenSeq2Seq模型。其中，上述文本指令信息是与预处理后语音信号所对应的文本信息。

作为示例，上述文本指令信息可以是“你好，请打开灯并且关闭空调！”。

实践中，上述执行主体可以将预处理后语音信号作为上述音频信号转换模型的输入，以生成与预处理后语音信号对应的文本指令信息。

可选地，上述音频信号转换模型包括：语音信号处理模型和文本转换模型。其中，语音信号处理模型是用于将语音信号转换为语音特征向量的模型。具体的，语音信号处理模型可以是线性预测编码(Linear Predictive Coding，LPC)模型。其中，文本转换模型是用于将语音特征向量转换为文本指令信息的模型。其中，文本转换模型是用于确定预处理后语音信号对应的文本指令的模型。实践中，文本转换模型可以是语义特征提取模型。例如，文本转换模型可以是基于Transformer结构的神经网络模型。

在一些实施例的一些可选的实现方式中，响应于确定上述语音信号类别为目标类别，上述执行主体根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息，可以包括以下步骤：

第一步，对上述预处理后语音信号进行分帧处理，以生成短时语音帧信号集。

需要说明的是，生成上述短时语音帧信号集的具体实现方式可以参考生成上述短时音频帧信号集的具体实现方式，在此不再赘述。

第二步，对上述短时语音帧信号集进行加窗处理，得到加窗后短时语音帧信号集。

需要说明的是，生成上述加窗后短时语音帧信号集的具体实现方式可以参考生成上述窗口音频帧信号的具体实现方式，在此不再赘述。

第三步，对上述加窗后短时语音帧信号集中的每个加窗后短时语音帧信号，确定上述加窗后短时语音帧信号的瞬时能量值。

其中，瞬时能量值表征语音信号的总信号强度大小。

实践中，上述执行主体通过将上述加窗后短时语音帧信号中各个时间点对应的振幅的平方进行求和，得到上述加窗后短时语音帧信号的瞬时能量值。

第四步，从上述加窗后短时语音帧信号集中剔除对应瞬时能量值满足剔除条件的加窗后短时语音帧信号，得到剔除后短时语音帧信号集。

其中，上述剔除条件为：瞬时能量值小于预设瞬时能量阈值。实践中，预设瞬时能量阈值可以是上述加窗后短时语音帧信号中各个时间点对应的振幅的平均值。

第五步，将上述剔除后短时语音帧信号集中的各个剔除后短时语音帧信号进行拼接，以生成去除静音后语音信号。

需要说明的是，生成上述去除静音后语音信号的具体实现方式可以参考生成上述预处理后语音信号的具体实现方式，在此不再赘述。

第六步，对上述去除静音后语音信号进行语速放缩操作，得到放缩后语音信号。

实践中，上述执行主体对上述去除静音后语音信号的高频部分进行时域拉伸，得到放缩后语音信号。

在一些实施例的一些可选的实现方式中，上述执行主体对上述去除静音后语音信号进行语速放缩操作，得到放缩后语音信号，可以包括以下步骤：

第一子步骤，对上述去除静音后语音信号进行分帧处理，以生成短时去除静音后语音帧信号集。

需要说明的是，生成上述短时去除静音后语音帧信号集的具体实现方式可以参考生成上述短时音频帧信号集的具体实现方式，在此不再赘述。

第二子步骤，对于上述短时去除静音后语音帧信号集的每个短时去除静音后语音帧信号，执行以下时间间隔放缩步骤：

子步骤1，确定上述短时去除静音后语音帧信号的时间点集合。

实践中，首先，上述执行主体对上述短时去除静音后语音帧信号进行降采样，得到去除静音后语音帧信号采样点集合。然后，上述执行主体可以将去除静音后语音帧信号采样点集合中的去除静音后语音帧信号采样点对应的时间点，确定为上述时间点集合。

子步骤2，确定上述时间点集合中的每个时间点对应的振幅，以生成振幅值，得到振幅值集合。

子步骤3，响应于确定上述振幅值集合中存在大于预设振幅阈值的振幅值，对上述短时去除静音后语音帧信号的时间点集合进行插值处理，得到放缩后短时语音帧信号。

其中，预设振幅阈值可以是“10000Hz”。实践中，上述执行主体可以通过线性插值法对上述短时去除静音后语音帧信号的时间点集合进行插值处理，得到放缩后短时语音帧信号。

第三子步骤，将得到的放缩后短时语音帧信号集合中的各个放缩后短时语音帧信号进行拼接，得到上述放缩后语音信号。

需要说明的是，生成上述放缩后语音信号的具体实现方式可以参考生成上述预处理后语音信号的具体实现方式，在此不再赘述。

第七步，根据上述语音信号处理模型和上述放缩后语音信号，生成语音特征向量。

实践中，上述执行主体将上述放缩后语音信号输入上述语音信号处理模型，以生成语音特征向量。

上述“在一些实施例的一些可选的实现方式中”的内容作为本公开的一个发明点，解决了背景技术提及的技术问题二，即“语音信号受语速影响，语音信号往往会出现稀疏性或稠密性的特性，针对稠密性语音信号，直接对稠密语音信号进行特征提取，由于稠密语音信号较为稠密，相邻信号值较为临近，使得无法有效进行信号特征提取，从而影响后续生成的文本指令信息的准确度”。实践中，当语速较快的时候，语音信号往往会出现稠密性的特性，稠密语音信号中相邻信号值较为临近且分布较为紧凑，若直接对稠密语音信号进行特征提取，会导致无法有效进行信号特征提取，从而影响后续生成的文本指令信息的准确度。基于此，本公开，首先对上述去除静音后语音信号进行分帧处理，以生成短时去除静音后语音帧信号集。有助于减少后续处理步骤的计算复杂性。接着，对于上述短时去除静音后语音帧信号集的每个短时去除静音后语音帧信号，执行以下时间间隔放缩步骤：第一步，确定上述短时去除静音后语音帧信号的时间点集合。第二步，确定上述时间点集合中的每个时间点对应的振幅，以生成振幅值，得到振幅值集合。第三步，响应于确定上述振幅值集合中存在大于预设振幅阈值的振幅值，对上述短时去除静音后语音帧信号的时间点集合进行插值处理，得到放缩后短时语音帧信号。有助于扩大短时去除静音后语音帧信号的时间尺度，放大高频语音信号，从而提高后续生成的文本指令信息的准确度。第四步，将得到的放缩后短时语音帧信号集合中的各个放缩后短时语音帧信号进行拼接，得到上述放缩后语音信号。通过此种方式，实现了对稠密性语音信号的合理放缩，侧面保证了语音信号处理模型和文本转换模型，在基于放缩后语音信号得到的文本控制指令的准确性。

在一些实施例的一些可选的实现方式中，上述执行主体根据上述语音信号处理模型和上述放缩后语音信号，生成语音特征向量，可以包括以下步骤：

第一子步骤，对上述放缩后语音信号进行预加重处理，得到加重后语音信号。

第二子步骤，对上述加重后语音信号进行分帧处理，得到语音帧信号集。

需要说明的是，生成上述语音帧信号集的具体实现方式可以参考生成上述短时音频帧信号集的具体实现方式，在此不再赘述。

第三子步骤，对于上述语音帧信号集的每个语音帧信号进行加窗处理，以生成加窗语音帧信号。

需要说明的是，生成上述加窗语音帧信号的具体实现方式可以参考生成上述窗口音频帧信号的具体实现方式，在此不再赘述。

第四子步骤，对上述加窗语音帧信号集中的每个加窗语音帧信号，执行以下步骤：

子步骤1，将上述加窗语音帧信号进行快速傅里叶变换，以生成语音频域信号。

子步骤2，根据上述语音频域信号，生成对应上述加窗语音帧信号的功率谱密度。

其中，上述功率谱密度表征信号在不同频率上的功率或能量密度。

实践中，上述执行主体根据功率谱密度计算公式和上述语音频域信号，生成对应上述加窗语音帧信号的功率谱密度。其中，功率谱密度计算公式为：

P(f)＝|F(f)|

其中，f是频率。P(f)是在频率f处的功率谱密度。F(f)是语音频域信号在频率f处的傅里叶变换结果。

子步骤3，创建滤波器序列。

其中，上述滤波器序列包括第一预设数量个的滤波器。上述滤波器序列中的滤波器可以为三角滤波器。上述滤波器序列中的每两个相邻的滤波器的中心频率间隔相同。例如，上述第一预设数量可以是13。

作为示例，上述滤波器可以是梅尔滤波器。

子步骤4，将上述功率谱密度输入上述滤波器序列中的每个三角滤波器，以生成滤波后输出结果，得到滤波后输出结果集合。

子步骤5，将上述滤波后输出结果集合中的每个滤波后输出结果进行对数处理，以生成对数化后输出结果，得到对数化后输出结果集合。

实践中，上述执行主体对上述滤波后输出结果集合中的每个滤波后输出结果取对数，以生成对数化后输出结果，得到对数化后输出结果集合。

子步骤6，将上述对数化后输出结果集合中的每个对数化后输出结果进行离散余弦变换，得到候选特征系数集合。

子步骤7，对上述候选特征系数集合进行均值归一化处理，得到特征系数。

第五子步骤，根据得到的特征系数集合和上述语音信号处理模型，生成上述语音特征向量。

实践中，上述执行主体将上述特征系数集合输入上述语音信号处理模型，以生成上述语音特征向量。

第八步，根据上述语音特征向量和上述文本转换模型，生成与上述预处理后语音信号对应的文本指令信息。

可选地，上述文本转换模型可以包括：语音信号转换编码模型、注意力机制模型和语音信号转换解码模型。

在一些实施例的一些可选的实现方式中，上述执行主体将上述语音特征向量输入上述文本转换模型，以生成与上述预处理后语音信号对应的文本指令信息，可以包括以下步骤：

第一步，对上述语音特征向量进行标准化处理，得到标准化处理后语音特征向量。

实践中，首先，上述执行主体可以确定语音特征向量中各个维度的均值和标准差。然后，上述执行主体通过标准化公式对上述语音特征向量进行标准化处理，得到上述标准化处理后语音特征向量。其中，标准化公式为：标准化处理后语音特征向量＝(语音特征向量-均值)/标准差。

第二步，对上述标准化处理后语音特征向量进行数据增强处理，以生成数据增强后语音特征向量。

实践中，上述执行主体可以通过声学遮挡技术对上述标准化处理后语音特征向量进行数据增强处理，以生成数据增强后语音特征向量。其中，声学遮挡技术是一种将语音特征向量的一部分进行遮挡或者覆盖的技术。具体的，首先，上述执行主体将上述语音特征向量中第二预设数量个语音特征向量值设定为预设遮挡值，得到遮挡后语音特征向量。其中，上述预设遮挡值可以是零。接着，上述执行主体将遮挡后语音特征向量与语音特征向量进行拼接，得到上述数据增强后语音特征向量。例如，上述第二预设数量可以是3。

第三步，将上述数据增强后语音特征向量输入上述语音信号转换编码模型，以生成编码后语音特征向量。

其中，上述语音信号转换编码模型是以上述数据增强后语音特征向量作为输入，以嵌入向量作为输出的模型。上述嵌入向量可以是上述数据增强后语音特征向量对应的语音信号特征的高级表示。实践中，上述语音信号转换编码模型的网络结构可以包括：第一卷积层、第一池化层、第一注意力机制层、第二卷积层、第二池化层、第二注意力机制层以及全连接层。上述第一卷积层可以对上述数据增强后语音特征向量进行第一卷积处理。上述第一卷积层可以由第三预设数量个的3×3的卷积核和一个ReLU激活函数组成。上述第一池化层可以对第一卷积层的输出进行最大池化处理。上述第一注意力机制层可以是基于通道注意力机制的卷积层。上述第二卷积层可以对上述数据增强后语音特征向量进行第二卷积处理。上述第二卷积层可以由第三预设数量个的1×1卷积核和一个Sigmoid激活函数组成。上述第二池化层可以对第二卷积层的输出进行平均池化处理。上述第二注意力机制层可以是基于空间注意力机制模型的卷积层。上述全连接层可以将第二注意力机制层的输出转化为编码后语音特征向量。例如，上述第三预设数量可以为64。

第四步，通过上述编码后语音特征向量和上述注意力机制模型，生成候选语音特征向量。

实践中，上述执行主体将上述编码后语音特征向量输入上述注意力机制模型，以生成候选语音特征向量。例如，上述注意力机制模型可以是自注意力机制模型。

第五步，根据上述语音信号转换解码模型和上述候选语音特征向量，生成上述预处理后语音信号对应的文本指令信息。

实践中，上述执行主体将上述候选语音特征向量输入上述语音信号转换解码模型，以生成预处理后语音信号对应的文本指令信息。其中，上述语音信号转换解码模型是用于将候选语音特征向量转化为文本指令信息的模型。实践中，上述语音信号转换解码模型可以是语音处理序列转换模型。例如，上述语音信号转换解码模型可以是基于Transducer模块的神经网络模型。

上述“在一些实施例的一些可选的实现方式中”的内容作为本公开的一个发明点，解决了背景技术提及的技术问题三，即“常规的语音特征向量与文本指令信息之间的转换方式，强依赖于语音特征向量的向量质量，当向量质量较差时，即不能够很好地代表语音信号时，可能导致提取得到的文本指令信息不够精准，从而影响后续的智能设备精准控制”。实践中，例如，在语音特征向量的生成过程中，由于不同方式在特征向量转换过程中的差异性，可能导致特征丢失的情况。又如，受限于语音信号产生所处的环境影响，得到的语音特征向量本身质量欠佳，因此，可能影响后续生成的文本指令信息的准确性。基于此，本公开首先，对上述语音特征向量进行标准化处理，得到标准化处理后语音特征向量，以实现对语音特征向量的放缩。其次，对上述标准化处理后语音特征向量进行数据增强处理，以生成数据增强后语音特征向量，以此实现对低频信号对应特征的增强。接着，将上述数据增强后语音特征向量输入上述语音信号转换编码模型，以生成编码后语音特征向量，以此在数据增强后语音特征向量基础上，捕捉更多的、针对语音信号的信号特征。最后，通过上述编码后语音特征向量和上述注意力机制模型，生成候选语音特征向量能够更好的捕捉到全局依赖关系，避免特征丢失。最后，根据上述语音信号转换解码模型和上述候选语音特征向量，生成上述预处理后语音信号对应的文本指令信息。通过此种方式可以得到精准的文本指令信息，侧面实现了针对智能设备的精准控制。

步骤104，响应于确定文本指令信息中包含目标唤醒词，将目标唤醒词从文本指令信息中剔除，得到候选控制指令信息。

在一些实施例中，响应于确定文本指令信息中包含目标唤醒词，上述执行主体可以将目标唤醒词从文本指令信息中剔除，得到候选控制指令信息。其中，目标唤醒词是用于触发移动终端(执行主体)执行第一处理操作的唤醒词。例如，目标唤醒词可以是“你好”。

步骤105，响应于确定候选控制指令信息满足第一选择条件，对候选控制指令信息执行以下第一处理操作：

其中，第一选择条件为候选控制指令信息是控制指令信息。

步骤1051，根据预先训练的关键信息提取模型和候选控制指令信息，生成候选控制指令信息对应的控制指令信息。

其中，预先训练的关键信息提取模型可以包括K个串行连接的卷积层。其中，上述控制指令信息包括：控制对象信息和控制动作信息。其中，上述控制对象信息包括：控制对象和控制对象地址。上述控制对象信息包括的控制对象表征温湿度控制装置。上述控制对象地址表征控制对象在移动终端所处的局域网内的通信地址。其中，上述控制动作信息包括：控制动作和控制动作逻辑关系。上述控制动作表征控制指令信息针对上述控制对象的控制操作。上述控制动作逻辑关系表征控制指令信息针对上述控制对象的控制操作的执行逻辑。

步骤1052，对控制对象信息对应的控制对象执行控制动作信息对应的控制动作。

实践中，上述执行主体可以按照控制动作逻辑关系对通过控制对象地址找到的控制对象执行控制动作。

在一些实施例的一些可选的实现方式中，上述方法还包括：

响应于确定上述候选控制指令信息满足第二选择条件，对上述候选控制指令信息执行以下第二处理操作：

其中，第二选择条件为候选控制指令信息是非控制指令信息。

子步骤1，根据预先训练的语言转写模型和上述候选控制指令信息，生成上述候选控制指令信息对应的语音转写信息。

其中，预先训练的语言转写模型是对文本信息进行翻译的模型。例如，语言转写模型可以是Seq2Seq模型。语音转写信息是文本信息翻译成目标语言之后的信息。

实践中，上述执行主体将候选控制指令信息输入预先训练的语言转写模型，以生成上述候选控制指令信息对应的语音转写信息。

子步骤2，在输入框中显示上述语音转写信息。

作为示例，上述输入框可以表征移动终端(执行主体)的输入区域。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的语音信号处理方法，避免了因环境噪声影响，造成的对语音信号识别得到的控制指令不够精准，从而导致无法依据控制指令对智能设备进行有效控制的问题。具体来说，造成对语音信号识别得到的控制指令不够精准的原因在于：由于采集的语音信号往往受环境噪声影响，噪声会干扰语音信号的质量，导致采集的语音信号会包含较多的干扰信号，直接通过语音信号分析的方式，进行语音信号识别得到的控制指令，极易出现控制指令不够精准的问题，从而导致无法依据控制指令对智能设备进行有效控制。基于此，本公开的一些实施例的语音信号处理方法，首先，响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号。通过对语音信号进行信号预处理，减少环境噪声对语音信号识别的干扰，避免了因采集的语音信号受环境噪声影响包含较多的干扰信号，所导致的语音信号识别准确率较差的问题。其次，根据上述预处理后语音信号，生成语音信号类别，其中，上述语音信号类别表征产生上述语音信号的对象类别。实践中，产生语音信号的对象往往较多，通过确定语音型号类别，可以准确地确定产生语音信号的对象。接着，响应于确定上述语音信号类别为目标类别，根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息。以此得到语音信号包含的文本指令信息。进一步，响应于确定上述文本指令信息中包含目标唤醒词，将上述目标唤醒词从上述文本指令信息中剔除，得到候选控制指令信息。最后，响应于确定上述候选控制指令信息满足第一选择条件，对上述候选控制指令信息执行以下第一处理操作：第一步，根据预先训练的关键信息提取模型和上述候选控制指令信息，生成上述候选控制指令信息对应的控制指令信息，其中，上述控制指令信息包括：控制对象信息和控制动作信息，上述控制对象信息包括的控制对象表征温湿度控制装置。第二步，对上述控制对象信息对应的控制对象执行上述控制动作信息对应的控制动作。通过此种方式，在语音信号受环境噪声影响的情况下，仍能够识别出语音信号所对应的文本控制指令，以此实现了对智能设备进行有效的控制。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种语音信号处理装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该语音信号处理装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的语音信号处理装置200包括：预处理单元201、第一生成单元202、第二生成单元203、剔除单元204和执行单元205。其中，预处理单元201被配置成响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号；第一生成单元202被配置成根据上述预处理后语音信号，生成语音信号类别，其中，上述语音信号类别表征产生上述语音信号的对象类别；第二生成单元203被配置成响应于确定上述语音信号类别为目标类别，根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息；剔除单元204被配置成响应于确定上述文本指令信息中包含目标唤醒词，将上述目标唤醒词从上述文本指令信息中剔除，得到候选控制指令信息；执行单元205被配置成响应于确定上述候选控制指令信息满足第一选择条件，对上述候选控制指令信息执行以下处理操作：根据预先训练的关键信息提取模型和上述候选控制指令信息，生成上述候选控制指令信息对应的控制指令信息，其中，上述控制指令信息包括：控制对象信息和控制动作信息，上述控制对象信息对应的控制对象表征智能电器；对上述控制对象信息对应的控制对象执行上述控制动作信息对应的控制动作。

可以理解的是，该语音信号处理装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于语音信号处理装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如，计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从只读存储器302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号；根据上述预处理后语音信号，生成语音信号类别，其中，上述语音信号类别表征产生上述语音信号的对象类别；响应于确定上述语音信号类别为目标类别，根据预先训练的音频信号转换模型和上述预处理后语音信号，生成与上述预处理后语音信号对应的文本指令信息；响应于确定上述文本指令信息中包含目标唤醒词，将上述目标唤醒词从上述文本指令信息中剔除，得到候选控制指令信息；响应于确定上述候选控制指令信息满足第一选择条件，对上述候选控制指令信息执行以下第一处理操作：根据预先训练的关键信息提取模型和上述候选控制指令信息，生成上述候选控制指令信息对应的控制指令信息，其中，上述控制指令信息包括：控制对象信息和控制动作信息，上述控制对象信息包括的控制对象表征温湿度控制装置；对上述控制对象信息对应的控制对象执行上述控制动作信息对应的控制动作。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括预处理单元、第一生成单元、第二生成单元、剔除单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，预处理单元还可以被描述为“响应于识别到语音信号，对上述语音信号进行信号预处理，以生成预处理后语音信号的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。