CN102541505A

CN102541505A - 语音输入方法及其系统

Info

Publication number: CN102541505A
Application number: CN2011100004475A
Authority: CN
Inventors: 吕志虎; 夏博
Original assignee: China Mobile Communications Group Co Ltd
Current assignee: China Mobile Communications Group Co Ltd
Priority date: 2011-01-04
Filing date: 2011-01-04
Publication date: 2012-07-04

Abstract

本发明公开了一种语音输入方法，包括：采集用户在移动终端输入的语音信息，其中所述移动终端与至少一个用户ID关联；根据一个所述用户ID获取基于与所述用户ID对应的用户词库生成的用户语言模型；确定与所述语音信息中的语音特征相匹配的声学特征；以及将所述声学特征和所述用户语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息，并将匹配的文本信息返回到所述移动终端；其中，所述用户词库采集自所述移动终端的用户自造词库。另外，本发明还公开了实现该方法的系统。利用该方法和系统可以实现使用方便、语音识别准确率高的精确语音输入。

Description

语音输入方法及其系统

技术领域

本发明涉及语音输入，尤其涉及一种用于移动终端的语音输入方法和系统。

背景技术

目前，移动通信设备，例如，手机、PDA等已被人们广泛使用，尤其手机已经成为人们生活中必不可少的通讯工具。文字输入作为人机交互的重要方式，其输入效率和准确性很大程度地影响了用户对移动终端的用户体验。以手机为例，其主要的文字输入方式有拼音输入法、笔画输入法、手写输入法以及语音输入法。与拼音输入法、笔画输入法和手写输入法相比，语音输入法具有使用便捷，易于掌握，输入速度快的优点。虽然语音输入法在识别准确性上还不够完美，但是，随着云计算概念的提出，且网络侧服务器的运算能力日益强大，使用云技术使语音输入法的准确性得到大幅度的提高。

目前，较为流行的语音输入系统的网络架构如图1所示，这种网络架构将主要的语音信息的处理工作转移至网络侧的服务器端，利用网络侧的强大的运算能力和丰富的资源能够使系统在无需进行特定的语音学习的情况下，一定程度上提高语音识别的速度和准确性。例如，移动终端采集语音信息，并发送至网络服务器；在网络服务器端，先进行语音特征提取，再将提取的语音特征与声学模型和语言模型进行匹配，选择最佳匹配的结果。其中，语言模型的供匹配的词汇集来源于网络的高频使用词汇。在该方式中，供匹配的词汇量的丰富程度以及在词汇表中词语的排列顺序直接地影响着语音输入法的识别准确性。每个用户都有不同的语言习惯和使用场景，因此，仅采用高频使用词汇的通用词库无法使语音识别准确性进一步提高。

有人提出了下述技术方案：手机出厂前在手机中预置一个词汇量有限的常用词库，只有在语音输入该预置常用词库中的词汇时，手机系统才能够正确识别用户的语音并转换成相应的文本。在用户输入语音后，系统对输入的语音信息进行特征提取，再将提取的特征与预置的词汇的特征逐一匹配，选出最相近的条目反馈给用户，如果相差甚远则反馈查找失败。另外，用户还可以创建常用词汇，并将所创建的词汇添加到该词库中。这样的技术方案方便了用户信息输入，提高了输入速度。但词汇量有限的常用词库并不能满足用户词汇的个性化需求，并且向词库中添加自造词汇需要专门对所添加的词汇进行大量的语音学习，过程繁琐，不利于用户体验。而且，该方案中的词库保存在手机终端，语音识别过程在手机终端完成，这大大占用了终端的资源。

用户词库已经广泛适用于拼音输入法，当用户连续输入的某词汇不在输入法的词库中时，拼音输入法将该词汇自动添加至用户词库，在后续的输入过程中，用户词库中的词汇可以作为候选词以被用户连续输入。目前多数语音输入系统中都集成有拼音输入系统，然而，语音输入法却没有应用例如拼音输入法的用户词库这样的用户信息。

发明内容

鉴于上述现有技术中存在的问题，本申请的一个实施方式提供了一种语音输入方法，包括：采集用户在移动终端输入的语音信息，其中所述移动终端与至少一个用户ID关联；根据一个所述用户ID获取基于与所述用户ID对应的用户词库生成的用户语言模型；确定与所述语音信息中的语音特征相匹配的声学特征；以及，将所述声学特征和所述用户语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息，并将匹配的文本信息返回到所述移动终端；其中，所述用户词库采集自所述移动终端的用户自造词库。

本申请的另一个实施方式还提供了一种语音输入系统，包括：信息采集模块，采集用户在移动终端输入的语音信息，其中所述移动终端与至少一个用户ID关联；词库处理模块，根据一个所述用户ID获取基于所述用户ID对应的用户词库生成的用户语言模型，其中，所述用户词库采集自所述移动终端的用户自造词库；以及语音识别模块，确定与所述语音信息中的语音特征相匹配的声学特征、将所述声学特征和所述用户语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息，并将匹配的文本信息返回到所述移动终端。

附图说明

图1为基于现有技术的语音输入系统的网络架构图；

图2为本申请一个实施方式的语音输入系统1000的示意图；

图3为本申请另一个实施方式的语音输入系统2000的示意图；

图4为本申请一个实施方式的语音输入方法流程图；

图5为本申请另一个实施方式的语音输入方法流程图。

具体实施方式

下面，结合附图对本申请的技术方案进行详细描述。

图2示出了根据本申请一个实施方式的语音输入系统1000。如图2所示，系统1000包括网络服务器1100和移动终端1200。其中，网络服务器1100包括词库处理模块1101和语音识别模块1102，移动终端1200包括信息采集模块1201。

根据本申请的一个实施方式，信息采集模块1201采集用户在移动终端1200输入的语音信息。其中，移动终端1200对应至少一个用户ID。信息采集模块1201可采用常规的语音采集技术。例如，当移动终端1200进入语音输入状态时，提示用户输入语音信息，用户输入一段语音信息后，信息采集模块1201获取当前的登录用户的用户ID，将用户输入的该段语音信息压缩然后连同用户ID信息一并通过通信网络上传至网络服务器1100。词库处理模块1101根据用户ID获取对应的用户词库，并且基于该用户ID生成对应的用户语言模型以供语音识别模块2102进行模式匹配。其中，用户词库采集自移动终端1200的用户自造词库，例如移动终端1200上的拼音输入法的用户自造词库。例如，网络服务器1100接收用户上传的数据和用户ID，然后对接收到的数据解压缩，获得用户的语音信息。词库处理模块1101则根据用户ID在数据库中查找该用户ID所对应的用户词库，并从查找到的用户词库中提取用户词汇。并且，词库处理模块1101在提取词汇时，将用户词汇信息按照分隔符进行解析，将解析后的词组生成用户语言模型。语音识别模块1102对接收到的语音信息进行特征提取，将提取的特征与声学模型进行匹配，同时将匹配的声学特征与所生成的用户语言模型进行匹配，从而获得候选的匹配的文本信息，并将该文本信息返回移动终端1200。

本实施方式的语音识别过程中的语音特征提取，语言模型及声学模型的建模方法以及模式匹配方法都属于现有的语音识别技术，在此不再赘述。

在本实施方式的语音识别的过程中，进行语言模型匹配时采用用户词库所生成的语言模型，用户词库采集自手机终端用户自造词库。与现有技术中所使用的通用词库例如网络高频词汇相比，使用用户自造词汇更符合用户个性化的输入习惯，因此，本实施方式的语音输入系统有效解决了现有技术方案中语音识别准确率不理想的问题。

图3示出了根据本申请另一个实施方式的用于移动终端的语音输入系统2000。如图3所示，系统2000包括网络服务器2100和移动终端2200。网络服务器2100包括词库处理模块2101和语音识别模块2102。移动终端2200包括信息采集模块2201。在本实施方式中，词库处理模块2101、语音识别模块2102以及信息采集模块2201与上述实施方式相应的模块相似。但是，在本实施方式中，词库处理模块2102还可以获取通用词库，并基于通用词库生成通用语言模型供语音识别模块进行模式匹配。语音识别模块2102还可以将声学特征和通用语言模型进行匹配以获得与语音信息相匹配的文本信息。如果在上述语音识别的模式匹配过程中将声学特征与生成的用户语言模型进行匹配时未获得相匹配的文本信息，则词库处理模块2101提取通用词库，并基于通用词库生成通用语言模型。语音识别模块2102将与声学模型相匹配的声学特征与通用语言模型进行匹配，从而获得候选的匹配的文本信息，并将该文本信息返回移动终端2200。这里，通用词库可以采集自网络高频词汇，但本技术方案并不限于此，作为一种选择，通用词库也可以采用其他现有的词库，或以其他方式创建通用词库。

在本申请的另一个实施方式中，系统2000还可以包括定时器2202，用于触发更新用户词库的过程。定时器2202的触发时间由用户通过移动终端2200进行设定。例如，可以设置每月、每周或每天更新网络服务器的用户词库，用户词库的更新过程也可以由用户手动触发。

作为一种选择，信息采集模块2201还可以采集移动终端2200的用户自造词库中使用频率最高的词汇，作为用户词汇集，用于更新用户词库。例如，当定时器2202触发或用户手动触发更新用户词库过程时，信息采集模块2201根据当前登陆的用户ID提取移动终端2200的与该用户ID对应的用户自造词库中使用频率最高的词汇。其中，每次上传词汇的数量可以由用户在移动终端2200进行设置。例如，可以提取用户自造词库中使用频率最高的1000个词汇，将该1000个词汇进行压缩连同用户ID一并上传至网络服务器2100。作为一种选择，可以将上传的用户词汇按照使用频率由高到低的顺序排列，并以特殊符号作为分隔符，如冒号等。当移动终端2200的用户自造词库中的词汇数量小于所设定的上传词汇数量时，则将所述用户自造词库的词汇全部上传。

根据本申请的另一个实施方式，词库处理模块2102还可以将信息采集模块2201采集到的词汇更新至与所述用户ID对应的用户词库中。网络服务器2100接收用户上传的数据和用户ID后，对接收到的数据解压缩，从而获得该用户的用户词汇信息，词库处理模块2101根据获得的用户ID在数据库中查找该用户ID所对应的用户词库，将用户词汇更新至用户词库。

作为一种选择，用户ID可以是移动终端2200的标识码，也可以是该移动终端2200的用户在网络服务器的平台注册的标识码。例如，移动终端2200如果为手机，则用户ID可以是手机号码。也可以是由手机用户在网络服务器平台注册一个标识码，这样一台手机可以由多个用户利用不同用户ID登陆。

在另一个实施方式中，可以通过多种方式实现移动终端对用户词汇信息的整理。上述实施方式对所使用的用户词汇信息进行整理时，利用了语音输入法本身集成的输入法的词库，例如拼音输入法的词库。该输入法为每一个用户ID维护一个用户自造词库，按照用户在平时进行输入时使用自造词汇的频率，对用户自造词库中的词汇进行排序，并实时地对该排序进行动态的调整。假设用户设定每次上传的词汇数量为1000，则上述动态的排序需要保证用户词汇信息的前1000个词汇是用户最常使用的信息。输入法的用户词库的生成及管理方式属于现有技术，在此不做赘述。

在本申请的另一个实施方式中，在网络侧的数据库中，每个用户词库对应一个用户词库表，在用户词库中使用用户ID作为主键，用户词库表可包括两个字段，UserID和UserVocab。其中UserID字段用来存储用户的唯一ID，UserVocab用于以文本形式存储用户上传的所有用户词汇的原始数据。当进行用户词库更新时，首先判断数据库中是否存在与上传数据中的用户ID对应的用户词库，即查找UserID字段为上传的用户ID的用户词库表，如果不存在，则创建该用户词库；如果存在，则以上传的用户词库覆盖原有用户词库进行更新。而且，对用户词汇信息不做解析而是直接存储在数据库中。

在上述实施方式中，通过用户词库更新的过程，例如可以自动将移动终端拼音输入法系统中通过用户平时的拼音输入所积累的高频自造词汇更新至用户词库中，从而免去了用户进行专门的语音学习的繁琐过程，大大提升了用户对移动终端的用户体验。

图4示出了根据本申请一个实施方式的语音输入方法的流程。如图4所示，

在步骤S101中采集用户在移动终端输入的语音信息，其中移动终端与至少一个用户ID关联。例如，当移动终端进入语音输入状态时，提示用户输入语音信息，用户输入一段语音信息后，移动终端获取当前的登录用户ID，并将用户输入的该段语音信息进行压缩然后连同用户ID信息一并通过网络上传至网络服务器。然后在步骤S102中根据一个用户ID获取基于与该用户ID对应的用户词库生成的用户语言模型。例如，网络服务器接收用户上传的数据和用户ID后，对接收到的数据解压缩，从而获得用户的语音信息，并根据用户ID在数据库中查找该用户ID所对应的用户词库，从查找到的用户词库中提取用户词汇。其中，在提取词汇时，将用户词汇信息按照分隔符进行解析，将解析后的词组生成用户语言模型。接着在步骤S103中确定与语音信息中的语音特征相匹配的声学特征，并将声学特征和用户语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息。其中，用户词库采集自移动终端的用户自造词库。网络服务器对接收到的语音信息进行特征提取，将提取的特征与声学模型进行匹配，再将匹配的声学特征与所生成的用户语言模型进行匹配，获得候选的匹配的文本信息。然后将该文本信息返回移动终端。

图5示出了根据本申请另一个实施方式的语音输入方法的流程。其中步骤S201至步骤S203与上述实施方式的步骤S101至步骤S103相同，在此不在赘述。如图4所示，如果在步骤S203中将声学特征和所述用户语言模型进行匹配时，无匹配的文本信息，则在步骤S204中采用通用语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息。然后将该文本信息返回移动终端。例如，提取通用词库，并基于通用词库生成通用语言模型，网络服务器将与声学模型相匹配的声学特征与通用语言模型进行匹配，从而获得候选的匹配的文本信息，并将该文本信息返回移动终端。

在另一个实施方式中，用户词库更新过程可由设置在移动终端上的定时器触发。例如，当移动终端定时器触发或用户手动触发更新用户词库过程时，移动终端根据当前的用户ID提取与该用户ID对应的用户自造词库中使用频率最高的词汇。其中，采集词汇的数量可以由用户在移动终端进行设置。例如，提取自造词库中使用频率最高的前1000个词，对所提取的词汇进行压缩然后连同用户ID一并上传至网络服务器。其中，上传的用户词汇按照由高到低的顺序排列，并以特殊符号作为分隔符，如冒号等。当移动终端的用户自造词库中的词汇数量小于所设定的采集词汇的数量1000时，则将所述用户自造词库的词汇全部上传。用户可以通过移动终端设置定时器的触发时间，例如，可以设置每月、每周或每天进行用户词库的更新。

然后网络服务器接收用户从移动终端上传的数据和用户ID，对所接受的数据解压缩，从而获得用户的用户词汇信息，再根据获得的用户ID在数据库中查找该用户ID所对应的用户词库，将用户词汇更新至用户词库。

以上仅为本申请示例性的实施方式，上述语音输入的方法和系统也可以应用于任何带有语音模块的移动终端设备，如手机、PDA等。本领域技术人员根据上述实施方式，在本申请权利要求限定的范围内，可以对上述实施方式进行修改。

Claims

1.一种语音输入方法，包括：

采集用户在移动终端输入的语音信息，其中所述移动终端与至少一个用户ID关联；

根据一个所述用户ID获取基于与所述用户ID对应的用户词库生成的用户语言模型；

确定与所述语音信息中的语音特征相匹配的声学特征；以及

将所述声学特征和所述用户语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息，并将匹配的文本信息返回到所述移动终端；

其中，所述用户词库采集自所述移动终端的用户自造词库。

2.如权利要求1所述的方法，其中确定与所述语音信息中的语音特征相匹配的声学特征的步骤进一步包括：

提取语音信息中的语音特征；以及

将提取的语音特征和声学模型匹配，以获得与所述语音特征相匹配的声学特征。

3.如权利要求1所述的方法，如果在将所述声学特征和所述用户语言模型进行匹配时，无匹配的文本信息，则采用通用语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息。

4.如权利要求1所述的语音输入方法，还包括：

更新所述用户词库的步骤，包括：

采集用户自造词库中使用频率最高的词汇；以及

将采集到的词汇更新至与所述用户ID对应的用户词库中。

5.如权利要求4所述的语音输入法，其中，所述用户词库更新过程由设置在所述移动终端上的定时器触发，触发时间由用户通过所述移动终端进行设定，或由用户手动触发。

6.如权利要求1-5中任意一项所述的语音输入方法，其中，所述用户ID包括所述移动终端的号码，或该移动终端的用户在服务器平台注册的标识码。

7.一种语音输入系统，包括：

信息采集模块，采集用户在移动终端输入的语音信息，其中所述移动终端与至少一个用户ID关联；

词库处理模块，根据一个所述用户ID获取基于所述用户ID对应的用户词库生成的用户语言模型，其中，所述用户词库采集自所述移动终端的用户自造词库；以及

语音识别模块，确定与所述语音信息中的语音特征相匹配的声学特征、将所述声学特征和所述用户语言模型进行匹配，从而获得与所述语音信息相匹配的文本信息，并将匹配的文本信息返回到所述移动终端。

8.如权利要求7所述的语音输入系统，其中所述语音识别模块被配置为从所述语音信息中提取语音特征，并将提取的语音特征和声学模型匹配，从而获得与所述语音特征相匹配的所述声学特征。

9.如权利要求7所述的语音输入系统，其中，所述词库处理模块还获取通用词库，在将所述声学特征和所述用户语言模型进行匹配时，如果无匹配的文本信息，则采用由通用词库生成的所述通用语言模型进行匹配，获得与所述语音信息相匹配的文本信息。

10.如权利要求7所述的语音输入系统，其中，所述词库处理模块根据一个所述用户ID从网络侧提取所述用户词库，基于提取的用户词库生成所述用户语言模型。

11.如权利要求7中所述的语音输入系统，其中，所述信息采集模块还用于采集用户自造词库中使用频率最高的词汇，以及所述词库处理模块将所述信息采集模块采集到的词汇更新至与所述用户ID对应的用户词库中。

12.如权利要求11中所述的语音输入系统，还包括：

定时器，设置在所述移动终端上，触发所述用户词库更新过程，触发时间由用户通过所述移动终端进行设定。

13.如权利要求7-12中任意一项所述的语音输入系统，其中，所述用户ID包括所述移动终端的号码，或该移动终端的用户在服务器平台注册的标识码。