语音处理方法、装置及XR设备

本发明提供一种语音处理方法、装置及XR设备，涉及语音处理技术领域，其中方法应用于扩展现实XR设备，包括：获取当前场景图像及用户的当前头部姿态数据；根据所述当前场景图像和所述当前头部姿态数据，确定目标注视对象；获取所述目标注视对象的实时音频数据和实时视频数据；通过语音分离模型，对所述实时音频数据和所述实时视频数据进行处理，确定所述目标注视对象的目标音频信号。本发明能够在不增加XR设备的额外硬件成本、且无需依赖目标说话对象的先验信息的前提下，准确地识别出目标说话对象的语音信号。