语音数据的处理方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及语音交互、深度学习等人工智能技术领域，具体涉及一种语音数据的处理方法、装置、电子设备及存储介质。

背景技术

随着人工智能技术的不断发展和完善，很多智能终端已经具备识别语音的能力。然而，在现实场景中，智能终端采集到的语音可能掺杂多种背景声音，进而影响对语音识别的准确性。因此，研究如何在复杂环境下提高语音识别的准确率，成为亟需解决的问题。

发明内容

本公开提供了一种语音数据的处理方法、装置、电子设备及存储介质。

根据本公开的第一方面，提供了一种语音数据的处理方法，包括：

获取待识别的语音数据；

对所述语音数据进行解析，以获取所述语音数据中包含的N个候选语音信号，其中，N为正整数；

在N大于1的情况下，获取每个所述候选语音信号对应的能量特征；

根据N个所述能量特征，从N个所述候选语音信号中提取目标语音信号；

对所述目标语音信号进行语音识别，以确定所述目标语音信号对应的目标文本。

根据本公开的第二方面，提供了一种语音数据的处理装置，包括：

第一获取模块，用于获取待识别的语音数据；

第二获取模块，用于对所述语音数据进行解析，以获取所述语音数据中包含的N个候选语音信号，其中，N为正整数；

第三获取模块，用于在N大于1的情况下，获取每个所述候选语音信号对应的能量特征；

提取模块，用于根据N个所述能量特征，从N个所述候选语音信号中提取目标语音信号；

第一确定模块，用于对所述目标语音信号进行语音识别，以确定所述目标语音信号对应的目标文本。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的方法。

本公开提供的语音数据的处理方法、装置、电子设备及存储介质，存在如下有益效果：

首先获取待识别的语音数据，然后对语音数据进行解析，以获取语音数据中的候选语音信号，之后获取每个候选语音信号对应的能量特征，并根据能量特征，从候选语音信号中提取目标语音信号，最后对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。由此，通过从初始的语音数据中提取出候选语音信号，并根据候选语音信号的能量特征，确定目标语音信号，最终对目标语音信号进行语音识别，实现了对语音数据中背景声音的滤除，从而提高了目标语音信号识别的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例提供的语音数据的处理方法的流程示意图；

图2是根据本公开又一实施例提供的语音数据的处理方法的流程示意图；

图3是根据本公开又一实施例提供的语音数据的处理方法的流程示意图；

图4是根据本公开一实施例提供的语音数据的处理装置的结构示意图；

图5是用来实现本公开实施例的语音数据的处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例涉及深度学习、大数据处理等人工智能技术领域。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

大数据处理技术是指通过多种渠道实现对大量数据的采集，并通过使用云计算技术来实现对数据的深度挖掘和分析，确保能够及时的找出数据之间的规律和特点，总结和归纳出数据所存在的价值。大数据技术对于了解数据特征，预测发展趋势具有十分重要的意义。

目前，很多智能终端已经具备识别语音的能力。然而，在现实场景中，智能终端采集到的语音可能掺杂多种背景声音，进而影响对语音识别的准确性。因此，本公开通过从初始的语音数据中提取出候选语音信号，并根据候选语音信号的能量特征，确定目标语音信号，最终对目标语音信号进行语音识别，实现了对语音数据中背景声音的滤除，从而提高了目标语音信号识别的准确性。

下面参考附图描述本公开的语音数据的处理方法、装置、电子设备及存储介质。

图1是根据本公开一实施例的语音数据的处理方法的流程示意图。

其中，需要说明的是，本实施例的语音数据的处理方法的执行主体为语音数据的处理装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

如图1所示，该语音数据的处理方法，可以包括以下步骤：

步骤S101，获取待识别的语音数据。

其中，待识别的语音数据，可以是任意类型的语音数据。比如，可以是实时采集的某个对话场景下的语音数据。或者，也可以是由电子设备播放的预先生成或录制的语音数据等，本公开对比不做限定。

需要说明的是，待识别的语音数据通常来自于人和机器的交互场景中。比如，用户可以通过语音对智能设备进行控制。或者，用户可以与智能设备进行语音交互。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中待识别的语音数据的限定。

步骤S102，对语音数据进行解析，以获取语音数据中包含的N个候选语音信号，其中，N为正整数。

可以理解的是，当语音数据来源于人和机器交互的现实场景中时，语音数据中可能会包含多种声音。

比如，当银行大厅的服务机器人与客户进行互动时，需要获取客户的语音，进而通过识别语音确定客户提出的问题。然而，当客户提问时，背景声音可能包括大厅内其他人的说话声，或者附近门店正在播放的音乐声。此时，服务机器人采集的语音数据中可能包含多个人的说话声以及音乐声。

因此，为了从语音数据中获取需要识别的声音，可以对语音数据进行解析，以将其包含的多种声音分离，分离后得到的每种声音信号可以作为一种候选语音信号。

比如，对银行大厅的服务机器人采集的语音数据进行解析，所得到的候选语音信号可以包括当前用户的语音信号，周围其他人的语音信号，以及附近播放的音乐信号等。

其中，对语音数据进行解析，以获取候选语音信号，可以采用任意可能的实现方式。比如，可以采用神经网络模型对语音数据进行处理，以获取候选语音信号。或者，可以基于不同类型的语音信号的音频特征从语音数据中提取候选语音信号，本公开对比不做限定。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例的候选语音信号的限定。

步骤S103，在N大于1的情况下，获取每个候选语音信号对应的能量特征。

需要说明的是，当语音数据中仅包含一种候选语音信号时，可以直接确定该语音信号为待识别的语音信号。当语音数据中包含多种候选语音信号时，需要进一步从候选语音信号中提取出待识别的语音信号。

可以理解的是，当用户与智能设备通过语音进行交互时，用户与智能设备间的距离往往较小，智能设备采集到的用户声音通常大于其他背景声音。因此，可以采用语音信号的能量特征作为区分不同语音信号的依据。

进而，本公开实施例中，可以获取每个候选语音信号对应的能量特征，以根据能量特征，从候选语音信号中提取出目标语音信号。

其中，能量特征可以为能够表征候选语音信号能量的任意形式的特征。比如，能量特征可以为表征候选语音信号的音量大小的特征，或者，能量特征可以为表征候选语音信号的音量变化的特征等，本公开对此不做限定。

步骤S104，根据N个能量特征，从N个候选语音信号中提取目标语音信号。

其中，可以对N个候选语音信号的能量特征进行对比，选择能量特征最优的候选语音信号作为目标语音信号。

比如，当能量特征为表征候选语音信号的音量大小的特征时，可以将音量最大的候选语音信号作为目标语音信号。

或者，当能量特征为表征候选语音信号的音量变化的特征时，可以将音量变化最小的候选语音信号作为目标语音信号。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中从N个候选语音信号中提取目标语音信号的限定。

步骤S105，对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。

其中，对目标语音信号进行语音识别，可以采用任意可能的实现方式。比如，可以采用神经网络模型对目标语音信号进行处理，以确定目标语音信号的文本信息。或者，可以提取目标语音信号中的文本特征，以确定目标语音信号的文本信息等，本公开对比不做限定。

本公开实施例的语音数据的处理方法，首先获取待识别的语音数据，然后对语音数据进行解析，以获取语音数据中的候选语音信号，之后获取每个候选语音信号对应的能量特征，并根据能量特征，从候选语音信号中提取目标语音信号，最后对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。由此，通过从初始的语音数据中提取出候选语音信号，并根据候选语音信号的能量特征，确定目标语音信号，最终对目标语音信号进行语音识别，实现了对语音数据中背景声音的滤除，从而提高了目标语音信号识别的准确性。

图2是根据本公开另一实施例的语音数据的处理方法的流程示意图。如图2所示，该语音数据的处理方法，可以包括以下步骤：

步骤S201，获取待识别的语音数据。

其中，步骤S201的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

步骤S202，对语音数据进行解析，以确定语音数据中包含的N个声纹特征。

步骤S203，根据N个声纹特征，从语音数据中提取N个候选语音信号。

需要说明的是，声纹特征是指说话人的声纹具有可分性强、稳定性高等特性的声学或语言特征。目前，声纹特征通常是针对人而言的，通过声纹特征可以确定说话的对象。

因此，本公开实施例中，通过对语音数据进行解析，提取语音数据中的声纹特征，可以确定语音数据中包含的人声。进而，可以根据声纹特征，将对应的人声作为候选语音信号提取出来。

比如，语音数据中包括当前用户的声音、周围两个正在对话人的声音以及播放的音乐声音。则对语音数据中的声纹特征进行解析，可以获得当前用户的声纹特征以及两个对话人的声纹特征。

进而，可以基于三种不同的声纹特征，从语音数据中提取三种语音信号，三种语音信号分别对应三个人的语音，即当前用户的语音信号，以及两个对话人的语音信号。由此，实现了对语音数据中的人声提取。

本公开实施例中，通过对语音数据中的声纹特征进行解析和确定，实现了对背景声音中的非人声的滤除，以及对语音数据中的人声信号的提取，从而获得候选语音信号。由此，为确定目标语音信号以及提高目标语音信号识别的准确性提供了支撑。

步骤S204，将每个候选语音信号划分为多个子语音信号。

步骤S205，计算每个子语音信号对应的音频能量。

可以理解的是，从语音数据中提取的候选语音信号可以具有一定时长，比如10秒、30秒或1分钟等。不同的候选语音信号在持续的时间段内可能具有不同的特点。比如，当前用户的语音信号通常是连续的、清晰的，周围对话人的语音信号通常是断续的、模糊的。因此，可以通过确定候选语音信号的音频能量，作为区分不同语音信号的依据，进而根据能量特征，从候选语音信号中提取出目标语音信号。

其中，可以将每个候选语音信号按照时长划分为多个子语音信号，然后计算每个子语音信号对应的音频能量。

比如，可以设定划分时长为1秒，当候选语音信号的总时长为10秒时，可以将候选语音信号划分为10个子语音信号，并对10个子语音信号分别计算音频能量。

其中，计算子语音信号的音频能量，可以基于语音信号的频率、振幅等音频特征进行计算，本公开对此不做限定。

步骤S206，根据每个候选语音信号中每个子语音信号对应的音频能量，确定每个候选语音信号的能量特征。

其中，候选语音信号的能量特征，可以表征为不同形式或不同维度的特征向量，本公开对此不做限定。

比如，可以将候选语音信号中每个子语音信号对应的音频能量形成一个数据集，作为候选语音信号的能量特征。

或者，可以对候选语音信号中每个子语音信号对应的音频能量按照设定规则计算，得到一个数值，作为候选语音信号的能量特征。

举例来说，可以计算候选语音信号中每个子语音信号对应的音频能量的总和，作为候选语音信号的能量特征。或者，可以计算候选语音信号中每个子语音信号对应的音频能量的总和，在候选语音信号持续时长内的平均值，作为候选语音信号的能量特征，本公开对此不做限定。

需要说明的是，从语音数据中提取的各个候选语音信号的持续时长可以是相同的，也可以是不同的。因此，当计算候选语音信号的能量特征时，可以将持续时间最长的候选语音信号的时长，作为计算其余候选语音信号的能量特征时的时长。

步骤S207，根据N个能量特征，从N个候选语音信号中提取目标语音信号。

其中，可以对N个候选语音信号的能量特征进行对比，选择能量特征最优的候选语音信号作为目标语音信号。

比如，能量特征为每个子语音信号对应的音频能量形成的数据集，可以对每个能量特征中的音频能量进行对比，并将包含音频能量最大值的能量特征对应的候选语音信号作为目标语音信号。

或者，能量特征为每个子语音信号对应的音频能量的总和，可以将总和最大的能量特征对应的候选语音信号作为目标语音信号。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中从N个候选语音信号中提取目标语音信号的限定。

步骤S208，对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。

其中，步骤S208的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

本公开实施例的语音数据的处理方法，通过将每个候选语音信号划分为多个子语音信号，并根据每个候选语音信号中每个子语音信号对应的音频能量，确定每个候选语音信号的能量特征，最后根据每个候选语音信号的能量特征，从候选语音信号中提取目标语音信号。由此，确保了获取的目标语音信号的准确性和可靠性，从而为进一步提高目标语音信号识别的准确性提供了支撑。

图3是根据本公开另一实施例的语音数据的处理方法的流程示意图。如图3所示，该语音数据的处理方法，可以包括以下步骤：

步骤S301，获取待识别的语音数据。

步骤S302，对语音数据进行解析，以确定语音数据中包含的N个声纹特征。

步骤S303，根据N个声纹特征，从语音数据中提取N个候选语音信号。

步骤S304，将每个候选语音信号划分为多个子语音信号。

步骤S305，计算每个子语音信号对应的音频能量。

其中，步骤S301-S305的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

步骤S306，根据每个候选语音信号中每个子语音信号对应的音频能量，确定每相邻子语音信号对应的音频能量变化率。

可以理解的是，当用户和智能设备进行语音交互时，用户发出的语音信号通常是连续的、平稳的。因此，当从候选语音信号中提取用户发出的目标语音信号时，可以根据语音信号的音频能量的变化率来确定。

具体的，可以将每个候选语音信号按照时长划分为多个子语音信号，然后计算每个子语音信号对应的音频能量。最后根据每个候选语音信号中每个子语音信号对应的音频能量，确定每相邻子语音信号对应的音频能量变化率。

比如，可以设定划分时长为1秒，当候选语音信号的总时长为10秒时，可以将候选语音信号划分为10个子语音信号，并对10个子语音信号分别计算音频能量。然后，依次计算第二个子语音信号相对于第一个子语音信号的音频能量变化率，第三个子语音信号相对于第二个子语音信号的音频能量变化率，以此类推，直至计算出第十个子语音信号相对于第九个子语音信号的音频能量变化率。

其中，计算子语音信号的音频能量，可以基于语音信号的频率、振幅等音频特征进行计算，本公开对此不做限定。

步骤S307，根据每个候选语音信号中每相邻子语音信号对应的音频能量变化率，确定每个候选语音信号的能量特征。

其中，候选语音信号的能量特征，可以表征为不同形式或不同维度的特征向量，本公开对此不做限定。

比如，可以将候选语音信号中每相邻子语音信号对应的音频能量变化率形成一个数据集，作为候选语音信号的能量特征。

或者，可以对候选语音信号中每相邻子语音信号对应的音频能量变化率按照设定规则计算，得到一个数值，作为候选语音信号的能量特征。

举例来说，可以计算候选语音信号中每相邻子语音信号对应的音频能量变化率的总和，作为候选语音信号的能量特征。或者，可以计算候选语音信号中每相邻子语音信号对应的音频能量变化率的平均值、方差或均方差等，作为候选语音信号的能量特征，本公开对此不做限定。

步骤S308，根据N个能量特征，从N个候选语音信号中提取目标语音信号。

其中，可以对N个候选语音信号的能量特征进行对比，选择能量特征最优的候选语音信号作为目标语音信号。

比如，能量特征为每相邻子语音信号对应的音频能量变化率的总和，可以将总和最小的能量特征对应的候选语音信号作为目标语音信号。

或者，能量特征为每相邻子语音信号对应的音频能量变化率的平均值，可以将平均值最小的能量特征对应的候选语音信号作为目标语音信号。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中从N个候选语音信号中提取目标语音信号的限定。本领域技术人员根据本功能开实施例的描述可以想到，候选语音信号的能量特征包括但不限于语音信号的音频能量或音频能量变化率。

在一些实施例中，从多个候选语音信号中提取目标语音信号时，可以根据单一形式的能量特征，也可以结合多种形式的能量特征进行综合判断。比如，首先根据候选语音信号中每个子语音信号对应的音频能量，筛选部分候选语音信号作为待确定的目标语音信号，然后根据候选语音信号中每相邻子语音信号对应的音频能量变化率，确定最终的目标语音信号等，本公开对比不做限定。

步骤S309，对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。

其中，步骤S309的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

步骤S310，对目标文本进行语义识别，以获取目标文本对应的语义。

其中，对目标文本进行语义识别，可以采用任意可能的实现方式。比如，可以采用神经网络模型对目标文本进行处理，以确定目标本文对应的语义。或者，可以计算目标文本与知识库中每个参考文本的相似度，采用相似度最高的参考文本对应的语义作为目标文本的语义等，本公开对比不做限定。

步骤S311，根据目标文本对应的语义，确定应答动作和/或应答语句。

其中，当用户通过语音控制智能设备的动作执行时，智能设备根据用户的语音指令对应的语义，可以执行相应的应答动作。比如打开音乐，打开导航等。

当用户与智能设备进行语音交互时，智能设备根据用户的语音信号对应的语义，可以输出相应的应答语句。比如回答用户提出的问题，引导用户手动操作等。

本公开实施例中，通过对目标文本进行语义识别，以获取目标文本对应的语义，进而根据目标文本对应的语义，确定相应的应答动作或应答语句，提高了语义理解及动作执行的准确性。

本公开实施例的语音数据的处理方法，通过将每个候选语音信号划分为多个子语音信号，并根据每个候选语音信号中每个子语音信号对应的音频能量，确定每相邻子语音信号对应的音频能量变化率，然后根据每个候选语音信号中每相邻子语音信号对应的音频能量变化率，确定每个候选语音信号的能量特征，最后根据每个候选语音信号的能量特征，从候选语音信号中提取目标语音信号。由此，确保了获取的目标语音信号的准确性和可靠性，从而为进一步提高目标语音信号识别的准确性提供了支撑。

根据本公开的实施例，本公开还提供了一种语音数据的处理装置。

图4是根据本公开一实施例的语音数据的处理装置的结构示意图。如图4所示，该语音数据的处理装置400可以包括：第一获取模块410、第二获取模块420、第三获取模块430、提取模块440以及第一确定模块450。

其中，第一获取模块410，用于获取待识别的语音数据。

第二获取模块420，用于对语音数据进行解析，以获取语音数据中包含的N个候选语音信号，其中，N为正整数。

第三获取模块430，用于在N大于1的情况下，获取每个候选语音信号对应的能量特征。

提取模块440，用于根据N个能量特征，从N个候选语音信号中提取目标语音信号。

第一确定模块450，用于对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。

在本公开实施例一种可能的实现方式中，第二获取模块420，可以包括：

第一确定单元，用于对语音数据进行解析，以确定语音数据中包含的N个声纹特征。

提取单元，用于根据N个声纹特征，从语音数据中提取N个候选语音信号。

在本公开实施例一种可能的实现方式中，第三获取模块430，可以包括：

第一划分单元，用于将每个候选语音信号划分为多个子语音信号。

第一计算单元，用于计算每个子语音信号对应的音频能量。

第二确定单元，用于根据每个候选语音信号中每个子语音信号对应的音频能量，确定每个候选语音信号的能量特征。

在本公开实施例一种可能的实现方式中，第三获取模块430，可以包括：

第二划分单元，用于将每个候选语音信号划分为多个子语音信号。

第二计算单元，用于计算每个子语音信号对应的音频能量。

第三确定单元，用于根据每个候选语音信号中每个子语音信号对应的音频能量，确定每相邻子语音信号对应的音频能量变化率。

第四确定单元，用于根据每个候选语音信号中每相邻子语音信号对应的音频能量变化率，确定每个候选语音信号的能量特征。

在本公开实施例一种可能的实现方式中，该语音数据的处理装置400还可以包括：

第四获取模块，用于对目标文本进行语义识别，以获取目标文本对应的语义。

第二确定模块，用于根据目标文本对应的语义，确定应答动作和/或应答语句。

需要说明的是，前述对语音数据的处理方法的实施例的解释说明，也适用于该实施例的语音数据的处理装置，其实现原理类似，此处不再赘述。

本公开实施例的语音数据的处理装置，首先获取待识别的语音数据，然后对语音数据进行解析，以获取语音数据中的候选语音信号，之后获取每个候选语音信号对应的能量特征，并根据能量特征，从候选语音信号中提取目标语音信号，最后对目标语音信号进行语音识别，以确定目标语音信号对应的目标文本。由此，通过从初始的语音数据中提取出候选语音信号，并根据候选语音信号的能量特征，确定目标语音信号，最终对目标语音信号进行语音识别，实现了对语音数据中背景声音的滤除，从而提高了目标语音信号识别的准确性。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如语音数据的处理方法。例如，在一些实施例中，语音数据的处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的语音数据的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音数据的处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。