1.一种智慧语音LED/LCD时钟，其特征在于，包括：LED屏/LCD屏、音频输入模块、音频处理系统、音频输出模块及控制模块；所述LED屏/LCD屏、所述音频输入模块、所述音频处理系统、所述音频输出模块分别与所述控制模块电连接；所述LED屏/LCD屏用于显示时钟信息；
所述音频输入模块用于拾取用户语音指令；所述音频处理系统用于对拾取的音频信号进行处理；所述音频输出模块用于根据控制指令输出交互语音；其中，所述音频处理系统包括训练模块及判决模块；
所述训练模块包括音频分离单元、梯度单元及训练单元；
所述音频分离单元用于：
利用两步法进行语音分离：第一步、从拾取的声音信号中提取方差特征及匹配度特征；
第二步、若所述声音信号的基准参量小于规定阈值，且方差特征值小于规定阈值或匹配度特征值小于规定阈值，则当前帧为噪声帧，若所述声音信号的基准参量大于规定阈值，且所述方差特征值和所述匹配度特征值分别小于其规定阈值，则当前帧为噪声帧，获取噪声段及语音段；
所述梯度单元用于：
将所述噪声段分别与各指令语音样本进行叠加，对叠加后获取的训练信号集提取谱分布特征，并对所述谱分布特征进行阶梯量化，获取第一梯度特征、第二梯度特征、第三梯度特征及梯度特征集；
所述训练单元用于：
利用所述梯度特征集对所述第一梯度特征、第二梯度特征及第三梯度对应的第一子判决器、第二子判决器、第三子判决器进行训练；
所述判决单元用于：
利用训练完成的所述第一子判决器、第二子判决器、第三子判决器对拾取的声音信号进行投票判决；
其中，所述基准参量为该帧的对数能量与谱熵的比值，所述第一梯度特征的能量强度大于第二梯度特征的能量强度，所述第二梯度特征的能量强度大于第三梯度特征的能量强度，所述梯度特征集包括第一梯度特征子集、第二梯度特征子集及第三梯度特征子集。
2.根据权利要求1所述的智慧语音LED/LCD时钟，其特征在于，所述音频分离单元包括：
第一特征提取单元；
所述第一特征提取单元用于将输入的声音信号进行傅里叶变换，获取声音信号序列，对所述声音信号序列进行分帧加窗后进行均匀划分并获取划分后的谱分布能量方差，获取方差特征。
3.根据权利要求2所述的智慧语音LED/LCD时钟，其特征在于，所述梯度单元包括：
分类单元；
叠加单元；
所述分类单元用于对各指令的语音训练样本的信噪比进行估计，并将所述语音训练样本按照信噪比进行分类；
所述叠加单元用于根据信噪比将噪声段与各指令语音样本进行叠加，获取训练信号集。
4.根据权利要求3所述的智慧语音LED/LCD时钟，其特征在于，所述梯度单元还包括：
第二特征提取单元；
所述第二特征提取单元用于分别提取所述训练信号集中的谱分布特征。
5.一种语音处理方法，用于对权利要求1‑4任一项所述的智慧语音LED/LCD时钟拾取的用户语音进行处理，其特征在于，包括：
步骤100、训练阶段；
所述步骤100包括：
步骤110、利用两步法进行语音分离：第一步、从拾取的声音信号中提取方差特征及匹配度特征；第二步、若所述声音信号的基准参量小于规定阈值，且方差特征值小于规定阈值或匹配度特征值小于规定阈值，则当前帧为噪声帧，若所述声音信号的基准参量大于规定阈值，且所述方差特征值和所述匹配度特征值分别小于其规定阈值，则当前帧为噪声帧，获取噪声段及语音段；
步骤120、将所述噪声段分别与各指令语音样本进行叠加，对叠加后获取的训练信号集提取谱分布特征，并对所述谱分布特征进行阶梯量化，获取第一梯度特征、第二梯度特征及第三梯度特征；
步骤130、利用所述第一梯度特征、第二梯度特征及第三梯度特征获取所述训练信号集的梯度特征集，并利用所述梯度特征集对所述第一梯度特征、第二梯度特征及第三梯度对应的第一子判决器、第二子判决器、第三子判决器进行训练；
步骤200、判决分类阶段；
利用训练完成的所述第一子判决器、第二子判决器、第三子判决器对拾取的声音信号进行投票判决；
其中，所述第一梯度特征的能量强度大于第二梯度特征的能量强度，所述第二梯度特征的能量强度大于第三梯度特征的能量强度，所述梯度特征集包括第一梯度特征子集、第二梯度特征子集及第三梯度特征子集。
6.根据权利要求5所述的语音处理方法，其特征在于，所述步骤110包括：
步骤111、将输入的声音信号进行傅里叶变换，获取声音信号序列；
步骤112、对所述声音信号序列进行分帧加窗后进行均匀划分；
步骤113、计算均匀划分后的所述声音信号序列的能量方差，获取方差特征。
7.根据权利要求6所述的语音处理方法，其特征在于，所述步骤110还包括：
步骤114、获取所述声音信号的噪声帧；
步骤115、若所述噪声帧的帧数大于规定阈值，则确定为噪声段。
8.根据权利要求6所述的语音处理方法，其特征在于，所述步骤120包括：
步骤121、对各指令的语音训练样本的信噪比进行估计，并将所述语音训练样本按照信噪比进行分类；
步骤122、根据信噪比将噪声段与各指令的语音训练样本进行叠加，获取训练信号集。
9.根据权利要求8所述的语音处理方法，其特征在于，所述步骤120还包括：
步骤123、提取所述训练信号集中的谱分布特征；
步骤124、利用所述谱分布特征中的梯度特征集对判决器进行训练。