多人场景的语音降噪方法、装置、电子设备及存储介质

本发明公开了一种多人场景的语音降噪方法、装置、电子设备及存储介质，涉及语音信号处理技术领域。该方法包括：获取目标空间场景的音频信号和视频图像；确定与音频信号匹配的音频感知信息，以及与视频图像对应的视觉语音活动检测结果；将音频感知信息以及视觉语音活动检测结果进行融合，并在语音活动融合结果指示存在语音活动时，确定目标语音发声对象；对目标语音发声对象所对应的人脸进行定位，得到位置变化信息，更新拾音方向，并控制波束成形处理，输出降噪后的目标语音信号。本发明的方案，可以从混叠的音频信号中准确分离并增强当前有效说话人的语音，同时抑制其他说话人及环境噪声的干扰，为实现高质量语音交互与识别提供帮助。