针对高并发的语音AI节点统筹处理方法及装置与流程

针对高并发的语音ai节点统筹处理方法及装置
技术领域
1.本发明涉及语音处理领域，具体地，涉及针对高并发的语音ai节点统筹处理方法及装置。


背景技术：

2.随着人工智能的不断发展，语音请求处理向着复杂化的方向不断发展。当同时接收到请求处理的多个语音信号时，这多个语音信号通常被称为高并发语音信号。高并发语音信号具有语音信号多、语音信号复杂度强等特点。如何对高并发语音信号进行统筹处理，受到人们的广泛关注。
3.现有技术中，存在针对高并发语音信号的识别精确度不足，以及高并发语音信号的识别效率低的技术问题。


技术实现要素：

4.本技术提供了针对高并发的语音ai节点统筹处理方法及装置。解决了现有技术中针对高并发语音信号的识别精确度不足，以及高并发语音信号的识别效率低的技术问题。达到了通过多个并发处理节点对并发语音信号进行多通道并行处理，提升高并发语音信号的识别精确度，提升高并发语音信号的识别效率、识别质量的技术效果。
5.鉴于上述问题，本技术提供了针对高并发的语音ai节点统筹处理方法及装置。
6.第一方面，本技术提供了针对高并发的语音ai节点统筹处理方法，其中，所述方法应用于针对高并发的语音ai节点统筹处理装置，所述方法包括：连接第一服务器，获取批量并发语音请求；根据所述批量并发语音请求，获取每个语音请求所携带的语音信号，输出与所述批量并发语音请求对应的并发语音信号；搭建并发处理通道模型，所述并发处理通道模型包括复杂度识别模块、语音拆分模块和通道配置模块；将所述并发语音信号输入所述复杂度识别模块中，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度；根据所述语音拆分模块，以所述信号复杂度对所述并发语音信号进行拆分，获取信号拆分结果；并将所述信号拆分结果输入所述通道配置模块，生成多个并发处理节点，其中每个并发处理节点对应一个子通道；基于所述多个并发处理节点对所述并发语音信号进行多通道并行处理。
7.第二方面，本技术还提供了针对高并发的语音ai节点统筹处理装置，其中，所述装置包括：并发语音请求获取模块，所述并发语音请求获取模块用于连接第一服务器，获取批量并发语音请求；并发语音信号输出模块，所述并发语音信号输出模块用于根据所述批量并发语音请求，获取每个语音请求所携带的语音信号，输出与所述批量并发语音请求对应的并发语音信号；搭建模块，所述搭建模块用于搭建并发处理通道模型，所述并发处理通道模型包括复杂度识别模块、语音拆分模块和通道配置模块；信号处理复杂性分析模块，所述信号处理复杂性分析模块用于将所述并发语音信号输入所述复杂度识别模块中，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度；信号拆分模块，所
述信号拆分模块用于根据所述语音拆分模块，以所述信号复杂度对所述并发语音信号进行拆分，获取信号拆分结果；处理节点生成模块，所述处理节点生成模块用于并将所述信号拆分结果输入所述通道配置模块，生成多个并发处理节点，其中每个并发处理节点对应一个子通道；并行处理模块，所述并行处理模块用于基于所述多个并发处理节点对所述并发语音信号进行多通道并行处理。
8.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：通过第一服务器，获取批量并发语音请求；将批量并发语音请求中的并发语音信号输入复杂度识别模块中，根据复杂度识别模块对并发语音信号进行信号处理复杂性分析，获取信号复杂度；根据信号复杂度对并发语音信号进行拆分，获取信号拆分结果；将信号拆分结果输入通道配置模块，生成多个并发处理节点；根据多个并发处理节点对并发语音信号进行多通道并行处理。达到了通过多个并发处理节点对并发语音信号进行多通道并行处理，提升高并发语音信号的识别精确度，提升高并发语音信号的识别效率、识别质量的技术效果。
9.上述说明仅是本技术技术方案的概述，并且为了让本技术的技术方案和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
10.为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
11.图1为本技术针对高并发的语音ai节点统筹处理方法的流程示意图；图2为本技术针对高并发的语音ai节点统筹处理方法中获取信号复杂度的流程示意图；图3为本技术针对高并发的语音ai节点统筹处理方法中确定n个并发信号连接的n个子通道的流程示意图；图4为本技术针对高并发的语音ai节点统筹处理装置的结构示意图。
12.附图标记说明：并发语音请求获取模块11，并发语音信号输出模块12，搭建模块13，信号处理复杂性分析模块14，信号拆分模块15，处理节点生成模块16，并行处理模块17。
具体实施方式
13.本技术通过提供针对高并发的语音ai节点统筹处理方法及装置。解决了现有技术中针对高并发语音信号的识别精确度不足，以及高并发语音信号的识别效率低的技术问题。达到了通过多个并发处理节点对并发语音信号进行多通道并行处理，提升高并发语音信号的识别精确度，提升高并发语音信号的识别效率、识别质量的技术效果。
14.实施例一，请参阅附图1，本技术提供针对高并发的语音ai节点统筹处理方法，其中，所述方法应用于针对高并发的语音ai节点统筹处理装置，所述方法具体包括如下步骤：步骤s100：连接第一服务器，获取批量并发语音请求；步骤s200：根据所述批量并发语音请求，获取每个语音请求所携带的语音信号，输出与所述批量并发语音请求对应的并发语音信号；
具体而言，连接第一服务器，通过第一服务器接收批量并发语音请求。其中，所述第一服务器与所述针对高并发的语音ai节点统筹处理装置通信连接。第一服务器可以为现有技术中具有语音信号接收、语音信号处理功能的任意语音信号服务器。所述批量并发语音请求包括多个语音请求。每个语音请求包括并发语音信号。
15.步骤s300：搭建并发处理通道模型，所述并发处理通道模型包括复杂度识别模块、语音拆分模块和通道配置模块；步骤s400：将所述并发语音信号输入所述复杂度识别模块中，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度；进一步的，如附图2所示，本技术步骤s400还包括：步骤s410：搭建三层全连接神经网络，利用所述神经网络对所述并发语音信号进行训练，得到嵌有复杂度识别模型的复杂度识别模块；步骤s420：根据复杂度识别模块输出用于标识语音信号背景环境复杂程度的背景复杂度、用于标识语音信号所受干扰程度的干扰复杂度，以及用于标识语音信号发出声源的声源复杂度；步骤s430：以所述背景复杂度、所述干扰复杂度和所述声源复杂度进行训练，输出标识收敛的信号复杂度。
16.具体而言，基于批量并发语音请求中多个并发语音信号进行历史数据查询，获得多组构建数据。每组构建数据包括历史并发语音信号，以及历史并发语音信号对应的历史背景复杂度参数、历史干扰复杂度参数、历史声源复杂度参数。继而，将多组构建数据中随机的70％的数据信息划分为训练数据集。将多组构建数据中随机的30％的数据信息划分为测试数据集。基于全连接神经网络，对训练数据集进行交叉监督训练，获得复杂度识别模型。将测试数据集作为输入信息，输入复杂度识别模型，通过测试数据集对复杂度识别模型进行参数更新，并将复杂度识别模型嵌入至并发处理通道模型的复杂度识别模块内。全连接神经网络又称多层感知机，全连接神经网络是一种连接方式较为简单的人工神经网络结构。全连接神经网络是一种由输入层、隐藏层、输出层构成的前馈神经网络。且，隐藏层中可以有多个神经元。所述复杂度识别模型包括输入层、隐藏层、输出层。
17.进一步，将批量并发语音请求中的多个并发语音信号作为输入信息，输入并发处理通道模型内的复杂度识别模块中，通过复杂度识别模块内的复杂度识别模型对多个并发语音信号进行背景复杂度、干扰复杂度、声源复杂度识别，获得多个并发语音信号对应的多个信号复杂度。其中，每个信号复杂度包括每个并发语音信号对应的背景复杂度参数、干扰复杂度参数、声源复杂度参数。背景复杂度参数是用于表征并发语音信号的背景环境复杂程度的数据信息。背景复杂度参数越高，则，对应的并发语音信号的背景环境复杂程度越大。干扰复杂度参数是用于表征并发语音信号在传输过程中受到的干扰程度的数据信息。干扰复杂度参数越大，对应的并发语音信号在传输过程中受到的干扰程度越高。声源复杂度参数是用于表征并发语音信号的声源复杂度的数据信息。并发语音信号的声源类型越多，则，并发语音信号的声源复杂度越高，对应的声源复杂度参数越大。
18.达到了通过复杂度识别模块对批量并发语音请求中的多个并发语音信号进行信号处理复杂性分析，获得准确的多个信号复杂度，从而提高对批量并发语音请求进行去噪处理的精确性的技术效果。
19.步骤s500：根据所述语音拆分模块，以所述信号复杂度对所述并发语音信号进行拆分，获取信号拆分结果；进一步的，本技术步骤s500还包括：步骤s510：基于所述并发语音信号，获取所述信号复杂度大于预设信号复杂度的n个并发信号,其中,n为大于等于0的正整数；具体而言，将批量并发语音请求中的多个并发语音信号，以及多个并发语音信号对应的多个信号复杂度传输至并发处理通道模型内的语音拆分模块，语音拆分模块包括预设信号复杂度。预设信号复杂度包括预先设置确定的背景复杂度参数阈值、干扰复杂度参数阈值、声源复杂度参数阈值。
20.进一步，分别判断每个并发语音信号对应的信号复杂度是否大于预设信号复杂度。如果并发语音信号的背景复杂度参数、干扰复杂度参数、声源复杂度参数中的任意一个复杂度参数大于对应的背景复杂度参数阈值、干扰复杂度参数阈值、声源复杂度参数阈值时，则，该并发语音信号的信号复杂度大于预设信号复杂度，将该并发语音信号添加至n个并发信号。其中，n为大于等于0的正整数。n个并发信号包括信号复杂度大于预设信号复杂度的多个并发语音信号。
21.步骤s520：以所述n个并发信号作为第一拆分结果，设置第一叶节点；进一步的，本技术步骤s520还包括：步骤s521：根据所述并发语音信号集中各个语音信号对应的所述背景复杂度、所述干扰复杂度和所述声源复杂度，搭建三元组列表；步骤s522：连接所述三元组列表，得到与所述n个并发信号对应的n个三元组；具体而言，基于多个并发语音信号对应的多个信号复杂度，构建三元组列表。三元组列表包括多个并发语音信号对应的多个三元组。每个三元组包括每个并发语音信号对应的背景复杂度参数、干扰复杂度参数、声源复杂度参数。继而，将n个并发信号，输入三元组列表中，通过三元组列表对n个并发信号进行匹配，获得n个并发信号对应的n个三元组。
22.步骤s523：通过调用所述n个三元组，确定所述n个并发信号连接的n个子通道；进一步的，如附图3所示，本技术步骤s523还包括：步骤s5231：对所述n个三元组中进行识别，确定第一标识指标，其中，所述第一标识指标为所述背景复杂度、所述干扰复杂度和所述声源复杂度中复杂度最大的指标；步骤s5232：以所述n个并发信号，得到n个第一标识指标；步骤s5233：根据所述n个第一标识指标，获取所述第一叶节点的n个匹配子节点，其中，所述第一叶节点包括基于所述背景复杂度、所述干扰复杂度和所述声源复杂度设置的子节点；步骤s5234：以所述n个匹配子节点连接所述n个子通道进行多通道并行处理。
23.步骤s524：根据所述n个子通道对所述n个并发信号进行多通道并行处理。
24.具体而言，分别将n个三元组中，每个三元组内最大的复杂度参数设置为第一标识指标，获得n个第一标识指标。其中，每个第一标识指标包括n个三元组中，每个三元组内最大的复杂度参数。
25.进一步，将n个并发信号设置为第一拆分结果，并根据第一拆分结果、n个第一标识指标，生成第一叶节点。所述第一拆分结果包括n个并发信号。所述第一叶节点包括n个匹配
子节点。每个匹配子节点包括第一拆分结果中的一个并发信号，以及该并发信号对应的第一标识指标。继而，将n个匹配子节点输入并发处理通道模型内的通道配置模块，根据通道配置模块匹配n个匹配子节点对应的n个子通道，并通过n个子通道对n个并发信号进行多通道并行处理。其中，所述通道配置模块包括多个预设子通道，且，每个预设子通道包括预设第一标识指标、预设通道处理参数。预设第一标识指标包括预设背景复杂度参数、预设干扰复杂度参数、预设声源复杂度参数。预设通道处理参数包括预设第一标识指标对应的预设语音去噪参数、预设语音分离参数。n个子通道包括通道配置模块中，n个匹配子节点对应的n个预设子通道。多通道并行处理包括通过n个子通道对n个并发信号进行语音去噪、语音分离。
26.达到了通过通道配置模块匹配n个并发信号对应的n个子通道，从而提高对高并发语音信号进行去噪处理、噪音分离的精确度的技术效果。
27.步骤s530：以所述并发语音信号中除所述n个并发信号外的剩余并发信号作为第二拆分结果，设置第二叶节点；进一步的，本技术步骤s530还包括：步骤s531：获取所述并发语音信号中除所述n个并发信号外的剩余并发信号；具体而言，将批量并发语音请求中n个并发信号之外的多个并发语音信号设置为剩余并发信号，并将剩余并发信号添加至第二拆分结果。其中，所述剩余并发信号包括批量并发语音请求中n个并发信号之外的多个并发语音信号。所述第二拆分结果包括剩余并发信号。
28.步骤s532：对所述剩余并发信号进行信号处理量识别，若信号处理量大于预设信号处理量，对所述第二叶节点进行子节点配置，输出m个第二子节点，其中，m为大于等于0的正整数；进一步的，本技术步骤s532还包括：步骤s5321：获取所述第一服务器的数据库存储性能以及处理器并行容量；步骤s5322：根据所述数据库存储性能以及所述处理器并行容量进行负载均衡识别，生成第一约束条件，按照所述第一约束条件对所述第二叶节点进行子节点配置。
29.步骤s533：以所述m个第二子节点对所述剩余并发信号进行多通道并行处理。
30.步骤s540：按照所述第一叶节点和所述第二叶节点作为一级节点对所述通道配置模块进行配置。
31.步骤s600：并将所述信号拆分结果输入所述通道配置模块，生成多个并发处理节点，其中每个并发处理节点对应一个子通道；步骤s700：基于所述多个并发处理节点对所述并发语音信号进行多通道并行处理。
32.具体而言，通过对剩余并发信号进行信号处理量识别，获得信号处理量。对信号处理量是否大于预设信号处理量进行判断，如果信号处理量大于预设信号处理量，将剩余并发信号输入三元组列表中，通过三元组列表对剩余并发信号进行匹配，获得剩余信号三元组。其中，所述信号处理量包括剩余并发信号的信号数量。所述预设信号处理量包括预先设置确定的剩余并发信号的信号数量阈值。所述剩余信号三元组包括三元组列表中，剩余并发信号对应的三元组。
33.进一步，通过对第一服务器进行数据查询，获得数据库存储性能、处理器并行容量，并对数据库存储性能、处理器并行容量进行负载均衡识别，生成第一约束条件。其中，所述第一约束条件包括第一服务器能够同时处理的最大并发语音信号数量。示例性地，在对数据库存储性能、处理器并行容量进行负载均衡识别时，根据数据库存储性能、处理器并行容量进行历史数据查询，获得负载均衡识别数据库。负载均衡识别数据库包括多组负载均衡识别数据。每组负载均衡识别数据包括历史数据库存储性能、历史处理器并行容量、历史处理最大并发语音信号数量。将数据库存储性能、处理器并行容量作为输入信息，输入负载均衡识别数据库，获得第一约束条件。
34.进一步，基于第一约束条件、剩余信号三元组对剩余并发信号进行子节点配置，获得第二叶节点。第二叶节点包括m个第二子节点。继而，将m个第二子节点、剩余信号三元组输入并发处理通道模型内的通道配置模块，根据通道配置模块匹配m个第二子节点对应的m个子通道，并通过m个子通道对剩余并发信号进行多通道并行处理。其中，所述信号拆分结果包括第一拆分结果、第二拆分结果。所述多个并发处理节点包括m个第二子节点、n个匹配子节点。m为大于等于0的正整数。每个第二子节点包括剩余并发信号中的多个并发语音信号。m个子通道中的每个子通道包括每个第二子节点对应的通道配置模块内的预设子通道。多通道并行处理包括通过m个子通道对剩余并发信号进行语音去噪、语音分离。
35.示例性地，在基于第一约束条件、剩余信号三元组对剩余并发信号进行子节点配置时，基于剩余并发信号进行历史数据查询，获得多个节点配置数据集。每个节点配置数据集包括历史第一约束条件、历史剩余信号三元组、历史剩余并发信号、历史第二叶节点。基于卷积神经网络，将多个节点配置数据集进行不断的自我训练学习至收敛状态，获得剩余信号节点配置模型。将第一约束条件、剩余信号三元组、剩余并发信号输入剩余信号节点配置模型，获得第二叶节点。卷积神经网络是一类包含卷积计算，且具有深度结构的前馈神经网络。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。剩余信号节点配置模型包括输入层、隐含层、输出层。剩余信号节点配置模型具备按照第一约束条件、剩余信号三元组对剩余并发信号进行子节点配置的功能。
36.达到了通过多个并发处理节点对并发语音信号进行多通道并行处理，从而提高对并发语音信号进行语音去噪、语音分离的准确度，提升高并发语音信号的识别效率的技术效果。
37.综上所述，本技术所提供的针对高并发的语音ai节点统筹处理方法具有如下技术效果：1.通过第一服务器，获取批量并发语音请求；将批量并发语音请求中的并发语音信号输入复杂度识别模块中，根据复杂度识别模块对并发语音信号进行信号处理复杂性分析，获取信号复杂度；根据信号复杂度对并发语音信号进行拆分，获取信号拆分结果；将信号拆分结果输入通道配置模块，生成多个并发处理节点；根据多个并发处理节点对并发语音信号进行多通道并行处理。达到了通过多个并发处理节点对并发语音信号进行多通道并行处理，提升高并发语音信号的识别精确度，提升高并发语音信号的识别效率、识别质量的技术效果。
38.2.通过通道配置模块匹配n个并发信号对应的n个子通道，从而提高对高并发语音信号进行去噪处理、噪音分离的精确度。
39.3.通过通道配置模块匹配n个并发信号对应的n个子通道，从而提高对高并发语音信号进行去噪处理、噪音分离的精确度。
40.实施例二，基于与前述实施例中针对高并发的语音ai节点统筹处理方法，同样发明构思，本发明还提供了针对高并发的语音ai节点统筹处理装置，请参阅附图4，所述装置包括：并发语音请求获取模块11，所述并发语音请求获取模块11用于连接第一服务器，获取批量并发语音请求；并发语音信号输出模块12，所述并发语音信号输出模块12用于根据所述批量并发语音请求，获取每个语音请求所携带的语音信号，输出与所述批量并发语音请求对应的并发语音信号；搭建模块13，所述搭建模块13用于搭建并发处理通道模型，所述并发处理通道模型包括复杂度识别模块、语音拆分模块和通道配置模块；信号处理复杂性分析模块14，所述信号处理复杂性分析模块14用于将所述并发语音信号输入所述复杂度识别模块中，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度；信号拆分模块15，所述信号拆分模块15用于根据所述语音拆分模块，以所述信号复杂度对所述并发语音信号进行拆分，获取信号拆分结果；处理节点生成模块16，所述处理节点生成模块16用于并将所述信号拆分结果输入所述通道配置模块，生成多个并发处理节点，其中每个并发处理节点对应一个子通道；并行处理模块17，所述并行处理模块17用于基于所述多个并发处理节点对所述并发语音信号进行多通道并行处理。
41.进一步的，所述系统还包括：第一执行模块，所述第一执行模块用于搭建三层全连接神经网络，利用所述神经网络对所述并发语音信号进行训练，得到嵌有复杂度识别模型的复杂度识别模块；复杂度输出模块，所述复杂度输出模块用于根据复杂度识别模块输出用于标识语音信号背景环境复杂程度的背景复杂度、用于标识语音信号所受干扰程度的干扰复杂度，以及用于标识语音信号发出声源的声源复杂度；第二执行模块，所述第二执行模块用于以所述背景复杂度、所述干扰复杂度和所述声源复杂度进行训练，输出标识收敛的信号复杂度。
42.进一步的，所述系统还包括：并发信号获取模块，所述并发信号获取模块用于基于所述并发语音信号，获取所述信号复杂度大于预设信号复杂度的n个并发信号,其中,n为大于等于0的正整数；第一叶节点设置模块，所述第一叶节点设置模块用于以所述n个并发信号作为第一拆分结果，设置第一叶节点；第二叶节点设置模块，所述第二叶节点设置模块用于以所述并发语音信号中除所述n个并发信号外的剩余并发信号作为第二拆分结果，设置第二叶节点；第三执行模块，所述第三执行模块用于按照所述第一叶节点和所述第二叶节点作为一级节点对所述通道配置模块进行配置。
43.进一步的，所述系统还包括：
列表搭建模块，所述列表搭建模块用于根据所述并发语音信号集中各个语音信号对应的所述背景复杂度、所述干扰复杂度和所述声源复杂度，搭建三元组列表；三元组获取模块，所述三元组获取模块用于连接所述三元组列表，得到与所述n个并发信号对应的n个三元组；第四执行模块，所述第四执行模块用于通过调用所述n个三元组，确定所述n个并发信号连接的n个子通道；第五执行模块，所述第五执行模块用于根据所述n个子通道对所述n个并发信号进行多通道并行处理。
44.进一步的，所述系统还包括：第一标识指标获取模块，所述第一标识指标获取模块用于对所述n个三元组中进行识别，确定第一标识指标，其中，所述第一标识指标为所述背景复杂度、所述干扰复杂度和所述声源复杂度中复杂度最大的指标；第六执行模块，所述第六执行模块用于以所述n个并发信号，得到n个第一标识指标；匹配子节点获取模块，所述匹配子节点获取模块用于根据所述n个第一标识指标，获取所述第一叶节点的n个匹配子节点，其中，所述第一叶节点包括基于所述背景复杂度、所述干扰复杂度和所述声源复杂度设置的子节点；第七执行模块，所述第七执行模块用于以所述n个匹配子节点连接所述n个子通道进行多通道并行处理。
45.进一步的，所述系统还包括：剩余并发信号确定模块，所述剩余并发信号确定模块用于获取所述并发语音信号中除所述n个并发信号外的剩余并发信号；第二子节点获取模块，所述第二子节点获取模块用于对所述剩余并发信号进行信号处理量识别，若信号处理量大于预设信号处理量，对所述第二叶节点进行子节点配置，输出m个第二子节点，其中，m为大于等于0的正整数；第八执行模块，所述第八执行模块用于以所述m个第二子节点对所述剩余并发信号进行多通道并行处理。
46.进一步的，所述系统还包括：服务器特征获取模块，所述服务器特征获取模块用于获取所述第一服务器的数据库存储性能以及处理器并行容量；负载均衡识别模块，所述负载均衡识别模块用于根据所述数据库存储性能以及所述处理器并行容量进行负载均衡识别，生成第一约束条件，按照所述第一约束条件对所述第二叶节点进行子节点配置。
47.本发明实施例所提供的针对高并发的语音ai节点统筹处理装置可执行本发明任意实施例所提供的针对高并发的语音ai节点统筹处理方法，具备执行方法相应的功能模块和有益效果。
48.所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
49.本技术提供了针对高并发的语音ai节点统筹处理方法，其中，所述方法应用于针对高并发的语音ai节点统筹处理装置，所述方法包括：通过第一服务器，获取批量并发语音请求；将批量并发语音请求中的并发语音信号输入复杂度识别模块中，根据复杂度识别模块对并发语音信号进行信号处理复杂性分析，获取信号复杂度；根据信号复杂度对并发语音信号进行拆分，获取信号拆分结果；将信号拆分结果输入通道配置模块，生成多个并发处理节点；根据多个并发处理节点对并发语音信号进行多通道并行处理。解决了现有技术中针对高并发语音信号的识别精确度不足，以及高并发语音信号的识别效率低的技术问题。达到了通过多个并发处理节点对并发语音信号进行多通道并行处理，提升高并发语音信号的识别精确度，提升高并发语音信号的识别效率、识别质量的技术效果。
50.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：
1.针对高并发的语音ai节点统筹处理方法，其特征在于，所述方法包括：连接第一服务器，获取批量并发语音请求；根据所述批量并发语音请求，获取每个语音请求所携带的语音信号，输出与所述批量并发语音请求对应的并发语音信号；搭建并发处理通道模型，所述并发处理通道模型包括复杂度识别模块、语音拆分模块和通道配置模块；将所述并发语音信号输入所述复杂度识别模块中，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度；根据所述语音拆分模块，以所述信号复杂度对所述并发语音信号进行拆分，获取信号拆分结果；并将所述信号拆分结果输入所述通道配置模块，生成多个并发处理节点，其中每个并发处理节点对应一个子通道；基于所述多个并发处理节点对所述并发语音信号进行多通道并行处理。2.如权利要求1所述的方法，其特征在于，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度，方法包括：搭建三层全连接神经网络，利用所述神经网络对所述并发语音信号进行训练，得到嵌有复杂度识别模型的复杂度识别模块；根据复杂度识别模块输出用于标识语音信号背景环境复杂程度的背景复杂度、用于标识语音信号所受干扰程度的干扰复杂度，以及用于标识语音信号发出声源的声源复杂度；以所述背景复杂度、所述干扰复杂度和所述声源复杂度进行训练，输出标识收敛的信号复杂度。3.如权利要求2所述的方法，其特征在于，所述方法还包括：基于所述并发语音信号，获取所述信号复杂度大于预设信号复杂度的n个并发信号,其中,n为大于等于0的正整数；以所述n个并发信号作为第一拆分结果，设置第一叶节点；以所述并发语音信号中除所述n个并发信号外的剩余并发信号作为第二拆分结果，设置第二叶节点；按照所述第一叶节点和所述第二叶节点作为一级节点对所述通道配置模块进行配置。4.如权利要求3所述的方法，其特征在于，以所述n个并发信号作为第一拆分结果，设置第一叶节点，方法还包括：根据所述并发语音信号集中各个语音信号对应的所述背景复杂度、所述干扰复杂度和所述声源复杂度，搭建三元组列表；连接所述三元组列表，得到与所述n个并发信号对应的n个三元组；通过调用所述n个三元组，确定所述n个并发信号连接的n个子通道；根据所述n个子通道对所述n个并发信号进行多通道并行处理。5.如权利要求4所述的方法，其特征在于，确定所述n个并发信号连接的n个子通道，方法包括：对所述n个三元组中进行识别，确定第一标识指标，其中，所述第一标识指标为所述背景复杂度、所述干扰复杂度和所述声源复杂度中复杂度最大的指标；
以所述n个并发信号，得到n个第一标识指标；根据所述n个第一标识指标，获取所述第一叶节点的n个匹配子节点，其中，所述第一叶节点包括基于所述背景复杂度、所述干扰复杂度和所述声源复杂度设置的子节点；以所述n个匹配子节点连接所述n个子通道进行多通道并行处理。6.如权利要求3所述的方法，其特征在于，以所述并发语音信号中除所述n个并发信号外的剩余并发信号作为第二拆分结果，方法还包括：获取所述并发语音信号中除所述n个并发信号外的剩余并发信号；对所述剩余并发信号进行信号处理量识别，若信号处理量大于预设信号处理量，对所述第二叶节点进行子节点配置，输出m个第二子节点，其中，m为大于等于0的正整数；以所述m个第二子节点对所述剩余并发信号进行多通道并行处理。7.如权利要求6所述的方法，其特征在于，所述方法还包括：获取所述第一服务器的数据库存储性能以及处理器并行容量；根据所述数据库存储性能以及所述处理器并行容量进行负载均衡识别，生成第一约束条件，按照所述第一约束条件对所述第二叶节点进行子节点配置。8.针对高并发的语音ai节点统筹处理装置，其特征在于，所述装置用于执行权利要求1至7中任一项所述的方法，所述装置包括：并发语音请求获取模块，所述并发语音请求获取模块用于连接第一服务器，获取批量并发语音请求；并发语音信号输出模块，所述并发语音信号输出模块用于根据所述批量并发语音请求，获取每个语音请求所携带的语音信号，输出与所述批量并发语音请求对应的并发语音信号；搭建模块，所述搭建模块用于搭建并发处理通道模型，所述并发处理通道模型包括复杂度识别模块、语音拆分模块和通道配置模块；信号处理复杂性分析模块，所述信号处理复杂性分析模块用于将所述并发语音信号输入所述复杂度识别模块中，根据所述复杂度识别模块对各个信号进行信号处理复杂性分析，获取信号复杂度；信号拆分模块，所述信号拆分模块用于根据所述语音拆分模块，以所述信号复杂度对所述并发语音信号进行拆分，获取信号拆分结果；处理节点生成模块，所述处理节点生成模块用于并将所述信号拆分结果输入所述通道配置模块，生成多个并发处理节点，其中每个并发处理节点对应一个子通道；并行处理模块，所述并行处理模块用于基于所述多个并发处理节点对所述并发语音信号进行多通道并行处理。

技术总结
本发明公开了针对高并发的语音AI节点统筹处理方法及装置，涉及语音处理领域，其中，所述方法包括：获取批量并发语音请求；输出与批量并发语音请求对应的并发语音信号；将并发语音信号输入复杂度识别模块中，获取信号复杂度；根据语音拆分模块，以信号复杂度对并发语音信号进行拆分，获取信号拆分结果；并将信号拆分结果输入通道配置模块，生成多个并发处理节点，基于多个并发处理节点对并发语音信号进行多通道并行处理。解决了现有技术中针对高并发语音信号的识别精确度不足，以及高并发语音信号的识别效率低的技术问题。达到了提升高并发语音信号的识别精确度，提升高并发语音信号的识别效率、识别质量的技术效果。识别质量的技术效果。识别质量的技术效果。


技术研发人员：艾勇 王磊 张静
受保护的技术使用者：深圳博瑞天下科技有限公司
技术研发日：2023.06.19
技术公布日：2023/7/21