CN108363765B - 音频段落识别方法以及装置 - Google Patents
音频段落识别方法以及装置 Download PDFInfo
- Publication number
- CN108363765B CN108363765B CN201810115684.8A CN201810115684A CN108363765B CN 108363765 B CN108363765 B CN 108363765B CN 201810115684 A CN201810115684 A CN 201810115684A CN 108363765 B CN108363765 B CN 108363765B
- Authority
- CN
- China
- Prior art keywords
- audio
- paragraph
- keyword information
- mark
- keyword
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000282412 Homo Species 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/685—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using automatically derived transcript of audio data, e.g. lyrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/54—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for retrieval
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开是关于一种音频段落识别方法、装置、电子设备以及存储介质，涉及计算机技术领域。该方法包括：将录制音频在预存的关键字信息库中进行匹配，若在所述关键字信息库中匹配到对应的关键字信息，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记，若查找到段落标记，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。本公开可以根据关键字信息有效的识别出录制音频的音频段落。
Description
技术领域
本公开涉及计算机技术领域，具体而言，涉及一种音频段落识别方法、装置、电子设备以及计算机可读存储介质。
背景技术
目前，通过电子设备录音来记录事件为日常生活带来了极大的便利。例如：对课堂上老师讲课内容进行音频录制，方便老师再次教学或学生复习功课；或者，在会议、观看电视直播等场合，使用电子设备录制音频方便再次播放或电子资料的存档、查阅等等。
然而，由于音频文件无法直观的看到音频内容的段落，在音频文件较长或者需要对音频某一段落进行获取、加工时，并不能快速的定位到音频中的指定位置，而是需要手动调试多次才能播放或识别对应音频内容。
因此，需要提供一种至少能够解决上述问题的技术方案。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种音频段落识别方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面，提供一种音频段落识别方法，包括：
将录制音频在预存的关键字信息库中进行匹配；
在所述关键字信息库中匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
若查找到段落标记，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。
在本公开的一种示例性实施例中，将录制音频在预存的关键字信息库中进行匹配包括：
通过对所述录制音频进行短时傅立叶变换处理转换为音波信号；
对所述音波信号进行听觉滤波器组滤波，过滤音波信号的环境噪音，提取出语音特征；
将所述语音特征在所述关键字信息库中基于最大似然函数进行匹配。
在本公开的一种示例性实施例中，在所述关键字信息库中匹配到对应的关键字信息后，所述方法还包括：
确定所述关键字信息是否为有效关键字，若是，则执行在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记所述方法的步骤；
其中，确定所述关键字信息是否为有效关键字，包括：
若在所述录制音频中匹配到多个相同关键字信息，则将各个关键字信息与关键字信息的时间码值建立模糊矩阵方程；
通过计算模糊矩阵方程得到最佳解，确定所述最佳解对应的关键字信息为有效关键字信息。
在本公开的一种示例性实施例中，所述方法还包括：
根据所述有效关键字信息以及所述段落标识进行数据训练，根据训练结果更新关键字信息库。
在本公开的一种示例性实施例中，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记，包括：
在所述预设音频范围内查找是否存在持续时间大于预设时长且信号强度小于预设强度值的音波信号，若存在，确定查找到的段落标记为所述持续时间大于预设时长且信号强度小于预设强度值的音波信号。
在本公开的一种示例性实施例中，根据分析结果识别出音频段落后，所述方法还包括：
若识别多个音频段落的关键词信息相同，则对相同关键字信息识别的所述多个音频段落增加校正标识。
在本公开的一种示例性实施例中，所述方法还包括：
当接收到根据所述校正标识触发的校正指令后，对所述校正标识对应的关键字信息的权重值Q+1；
根据各关键字信息以及对应的权重值结合所述段落标记进行数据训练，并根据训练结果更新所述关键字信息库。
在本公开的一种示例性实施例中，根据分析结果识别出音频段落后，所述方法还包括：
当接收到根据所述校正标识触发的校正指令后，取消所述校正标识对应的已识别的音频段落。
在本公开的一种示例性实施例中，所述段落标记为预设的段落字段信息。
在本公开的一种示例性实施例中，所述方法还包括：
当识别出的音频段落为多个，根据与音频段落对应的关键字信息生成与每个音频段落对应的段落目录或段落索引。
在本公开的一种示例性实施例中，根据分析结果识别出音频段落后，所述方法还包括：
根据所述音频段落完成音频剪辑。
在本公开的一种示例性实施例中，所述段落标记包括段前标记以及段尾标记，所述根据所述音频段落完成音频剪辑，包括：
根据关键字信息以及所述段前标记确定出段落起点，根据关键字信息以及所述段尾结束点；
根据所述段尾结束点以及段尾结束点的前一个段落起点进行剪辑。
在本公开的一个方面，提供一种音频段落识别装置，包括：
关键字信息匹配模块，用于将录制音频在预存的关键字信息库中进行匹配；
段落标记查找模块，用于在所述关键字信息库中匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
音频段落识别模块，用于在查找到段落标记后，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。
在本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的方法。
在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
本公开的示例性实施例中的音频段落识别方法，将录制音频在预存的关键字信息库中进行匹配，在匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记，并在查找到段落标记后，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。一方面，由于使用关键字信息和段落标记结合识别的方法，因此提高了音频段落识别的准确性；另一方面，通过识别出音频的段落信息，可以使音频的使用者快速的根据关键字信息对音频进行定位播放，极大的提高的音频使用效果和增强了用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。
图1示出了根据本公开一示例性实施例的音频段落识别方法的流程图；
图2示出了根据本公开一示例性实施例的音频段落识别装置的示意框图；
图3示意性示出了根据本公开一示例性实施例的电子设备的框图；以及
图4示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例实施例中，首先提供了一种音频段落识别方法，可以应用于计算机等电子设备；参考图1中所示，该音频段落识别方法可以包括以下步骤：
步骤S110.将录制音频在预存的关键字信息库中进行匹配；
步骤S120.在所述关键字信息库中匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
步骤S130.若查找到段落标记，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。
根据本示例实施例中的音频段落识别方法，一方面，由于使用关键字信息和段落标记结合识别的方法，因此提高了音频段落识别的准确性；另一方面，通过识别出音频的段落信息，可以使音频的使用者快速的根据关键字信息对音频进行定位播放，极大的提高的音频使用效果和增强了用户体验。
下面，将对本示例实施例中的音频段落识别方法进行进一步的说明。
在步骤S110中，将录制音频在预存的关键字信息库中进行匹配；
本示例实施方式中，录制音频可以是用户通过电子设备录制的音频文件，包括：mp3、wma等各种音频格式。例如：用户在课堂教学时，使用手机录制的一堂课的教学音频；用户参加会议时，使用录音笔录制的会议主讲人的全部发言内容的音频；用户在家观看电视直播时，使用家庭智能音响录制的美食直播节目的音频。
预存的关键字信息库可以是根据预先得知的演讲内容、会议内容等筛选出的关键字信息组成的关键字信息库，也可以是根据常用的时序、次序词语或其他可以自定义的关键字信息等组成的关键字信息库。例如：关键字信息如：“上午”“上世纪90年代”“第一章”“首先”“再次”“又如”等，也可以是用户自定义的关键字，如在七年级历史课本中章节信息：“中华文明的起源”、“国家的产生和社会的变革”等。
由于上述音频存在录音环境不同、录音设备不同、发音人不同等问题，所以音强和音色等也不相同，在将录制音频在预存的关键字信息库中进行匹配时，需要先将音频转换为统一的音波信号。
进一步的，由于声波频率相对稳定，可以利用短时傅立叶变换高时间分辨率的特性，将所述录制音频进行短时傅立叶变换处理为音波信号。
进一步的，可以对所述音波信号进行听觉滤波器组滤波，根据不同音频属性选取不同的听觉滤波器组，最大化的模拟声波信号，过滤音波信号的环境噪音，提取出语音特征。听觉滤波器组包含但不限于：共振滤波器、Roex函数滤波器、Gammatone滤波器、Gammachirp滤波器。
将所述语音特征在所述关键字信息库中进行匹配，得到在关键字信息库中与所述语音特征匹配的关键字信息。
进一步的，可以将所述语音特征在所述关键字信息库中基于最大似然函数进行匹配。对于指定的关键字信息x，关于语音特征参数θ的似然函数：
L(θ|x)＝P(X＝x|θ)
L(θ|x)等于语音特征参数θ相对关键字信息X的概率。
本示例实施方式中，在所述关键字信息库中匹配到对应的关键字信息后，所述方法还包括：确定所述关键字信息是否为有效关键字。若在所述录制音频中只匹配到一个关键字信息，则确定所述关键字信息为有效关键字信息；若在所述录制音频中匹配到多个相同关键字信息，则将各个关键字信息与关键字信息的时间码值建立模糊矩阵方程；通过计算模糊矩阵方程得到最佳解，确定所述最佳解对应的关键字信息为有效关键字信息。
即，则将各个关键字信息xij(i＝1,2,…,m,j＝1,2,…,n)与关键字信息yij(i＝1,2,…,m,j＝1,2,…,n)的时间码值建立模糊矩阵方程R：
模糊矩阵方程
λ＝MAX[R(x,y)]；
通过计算模糊矩阵方程得到最佳解λ，确定所述最佳解对应的关键字信息为有效关键字信息。找到有效关键字信息后，则执行所述有效关键字信息对应的音频的预设音频范围内查找是否有段落标记所述方法的步骤。
在步骤S120中，在所述关键字信息库中匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
本示例实施方式中，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记具体包括：在所述预设音频范围内查找是否存在持续时间大于预设时长且信号强度小于预设强度值的音波信号，若存在，确定查找到的段落标记为所述持续时间大于预设时长且信号强度小于预设强度值的音波信号。举例而言：
用户对某课堂教学录制了音频，在音频中有这样的内容：“今天我们要学习人类的历史这个章节，(停顿)第一节的内容是…”。当用户将上述课堂教学音频在预存的关键字信息库中进行匹配时，在关键字信息库中匹配了对应的关键字“第一节”，然后在关键字“第一节”的音频附近预设时间范围(例如为关键字“第一节”的前后各5s)内查找是否存在持续时间大于预设时长且信号强度小于预设强度值的音波信号。例如，预设时长为2s，预设强度值为2dB之间，那么通过查找，发现上述音频内容中，在关键字“第一节”的音频附近预设时间范围5s内存在音波信号强度小于音波平均音强(预设强度值)2dB的音波信号，且该音波信号的持续时长大于预设时长2s，即大于正常语句中词语间隔时间，也就是有一个明显的停顿时间，则判定此停顿为关键字“第一节”对应的段落标记，也就是从此段落标记开始记录“第一节”的音频信息。
本示例实施方式中，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记还包括：在所述预设音频范围内查找是否存在段落字段信息。举例而言：
用户对某课堂教学录制了音频，在音频中有这样的内容：“今天我们要学习人类的历史这个章节，首先学习第一节，本节的内容是…”。当用户将上述课堂教学音频在预存的关键字信息库中进行匹配时，在关键字信息库中匹配了对应的关键字“第一节”，然后在关键字“第一节”的音频附近预设时间范围(仍假设为关键字“第一节”的前后各5s)内查找到段落字段信息“首先”，则可以判断段落字段信息“首先”为关键字“第一节”对应的段落标记，也就是从此段落标记开始记录“第一节”的音频信息。
需要说明的是，上述示例仅为进一步理解本公开所列举的示例性描述，由于人类语言繁复，各类表达方式、语言习惯、语法都不尽相同，对于各类段落标记在此不一一列举，通过其它段落标记识别段落信息也同样属于本公开的保护范围。
本示例实施方式中，根据所述有效关键字信息以及所述段落标识进行无监督的数据训练学习，根据训练结果更新关键字信息库。如可以根据不同的音频内容选择不同的数据训练方式，将古诗学习的课堂录音与唐诗三百首的朗诵解析数据库进行数据训练，可以将更多的诗词用于作为关键字信息更新到关键字信息库中；根据韩语课堂的录音与标准韩语节目的数据库进行数据训练，可以将更多韩语特有语法的关键字如常用在句末的语气助词
作为与段落标识对应的关键字信息更新到关键字信息库中。
步骤S130.若查找到段落标记，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。
本示例实施方式中，段落标记与关键字信息为对应关系。举例而言：
用户对某课堂教学录制了音频，在音频中有这样的内容：“今天我们要学习人类的历史这个章节，首先学习第一节，首先看本节的总论…”。当用户将上述课堂教学音频在预存的关键字信息库中进行匹配时，在关键字“第一节”的音频附近预设时间范围内查找到多个段落字段信息“首先”，然而结合关键字“第一节”，分析得出只有在关键字“第一节”前面的段落字段信息“首先”可以作为段落标记，所以就以第一个“首先”为确立关键字“第一节”的音频段落真实位置。
本示例实施方式中，根据分析结果识别出音频段落后，若识别多个音频段落的关键词信息相同，则对通过相同关键词信息识别的所述多个音频段落增加校正标识，举例而言：
用户对某课堂教学录制了音频，在音频中有这样的内容：“今天我们要学习人类的历史这个章节，首先学习第一节，第一节的内容是…，以上是第一节的内容。然后学习第二节，本节是第一节内容的延续…”。以上音频中出现多次关键词“第一节”，但是并不能把每个关键词“第一节”都作为段落标记的起始信息，这是就需要对相同的多个关键词“第一次”增加校正标识，以提醒用户进行校正。或者，仅将第一次出现的关键词“第一节”或能与段落字段信息匹配的关键词“第一节”作为有效的关键词使用，而其它多次出现的关键次“第一次”则认为匹配不成功。
本示例实施方式中，通过相同关键词信息识别的所述多个音频段落增加校正标识后，当接收到根据所述校正标识触发的校正指令后，对所述校正标识对应的关键字信息的权重值Q+1；根据各关键字信息以及对应的权重值结合所述段落标记进行数据训练，并根据训练结果更新所述关键字信息库。
通过校正标识触发条件增加权重值，从而实现了关键字信息的认为纠错功能，是关键字信息库中关键字信息的主动学习更新，相较无监督的关键字信息学习，通过关键字信息的主动学习，能够实现关键字信息库更准确的成长。
本示例实施方式中，根据分析结果识别出音频段落后，当接收到根据所述校正标识触发的校正指令后，对所述关键字信息在音频中的识别进行重新定位，取消所述校正标识对应的已识别的音频段落，使用校正后的关键字信息作为有有效关键字信息。
本示例实施方式中，当识别出的音频段落为多个，根据与音频段落对应的关键字信息生成与每个音频段落对应的段落目录或段落索引。可以根据不同关键字信息对音频段落进行分类、分层生成段落目录或段落索引储存，快捷有效的找到对应的音频段落；也可以在音频文件的播放进度条上标注对应位置的段落目录或段落索引信息，使用户在音频播放过程中准确的定位到指定音频段落的位置。
本示例实施方式中，还包括根据分析结果识别出音频段落后，根据所述音频段落完成音频剪辑。可以将所述剪辑音频和关键字信息对应储存，这样就是可以实现对整个音频文件的快速索引，用户可以单独指定播放“第一章”的音频、“中华文明的起源”的音频等，既实现了音频分段高效利用，又方便了归档查找。
本示例实施方式中，段落标记包括段前标记以及段尾标记，所述根据所述音频段落完成音频剪辑，包括：根据关键字信息以及所述段前标记确定出段落起点，根据关键字信息以及所述段尾结束点；根据所述段尾结束点以及段尾结束点的前一个段落起点进行剪辑。举例而言：
用户对某课堂教学录制了音频，在音频中有这样的内容：“今天我们要学习人类的历史这个章节，首先学习第一节，本节的内容是…，以上是第一节的内容。然后学习第二节…”。以上音频中，段落字段信息“首先”是关键字“第一节”的段前标记，段落字段信息“然后”既是关键字“第二节”的段前标记，也是关键字“第一节”的段尾标记，可以根据上述段前标记和段尾标记结合，确定关键字“第一节”的音频段落，完成音频剪辑。
同时，上述示例中，段落字段信息“以上是”也可以是关键字“第一节”的段尾标记，同样也可以以此作为关键字“第一节”的段尾标记信息，确定关键字“第一节”的音频段落，完成音频剪辑。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种音频段落识别装置。参照图2所示，该音频段落识别装置200可以包括：关键字信息匹配模块210、段落标记查找模块220以及音频段落识别模块230。其中：
关键字信息匹配模块210，用于将录制音频在预存的关键字信息库中进行匹配；
段落标记查找模块220，用于在所述关键字信息库中匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
音频段落识别模块230，用于在查找到段落标记后，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落。
上述中各音频段落识别装置模块的具体细节已经在对应的音频段落识别方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了音频段落识别装置200的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图3来描述根据本发明的这种实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元310可以执行如图1中所示的步骤S110至步骤S130。
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图4所示，描述了根据本发明的实施例的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (13)
1.一种音频段落识别方法，其特征在于，所述方法包括：
将录制音频在预存的关键字信息库中进行匹配；
在所述关键字信息库中匹配到对应的关键字信息后，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
若查找到段落标记，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落；若识别多个音频段落的关键字信息相同，则对相同关键字信息识别的所述多个音频段落增加校正标识；当接收到根据所述校正标识触发的校正指令后，对所述校正标识对应的关键字信息的权重值Q加1；根据各关键字信息以及对应的权重值结合所述段落标记进行数据训练，并根据训练结果更新所述关键字信息库。
2.如权利要求1所述的方法，其特征在于，将录制音频在预存的关键字信息库中进行匹配包括：
通过对所述录制音频进行短时傅立叶变换处理转换为音波信号；
对所述音波信号进行听觉滤波器组滤波，过滤音波信号的环境噪音，提取出语音特征；
将所述语音特征在所述关键字信息库中基于最大似然函数进行匹配。
3.如权利要求1所述的方法，其特征在于，在所述关键字信息库中匹配到对应的关键字信息后，所述方法还包括：
确定所述关键字信息是否为有效关键字，若是，则执行在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记的步骤；
其中，确定所述关键字信息是否为有效关键字，包括：
若在所述录制音频中匹配到多个相同关键字信息，则将各个关键字信息与关键字信息的时间码值建立模糊矩阵方程；
通过计算模糊矩阵方程得到最佳解，确定所述最佳解对应的关键字信息为有效关键字信息。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述有效关键字信息以及所述段落标记进行数据训练，根据训练结果更新关键字信息库。
5.如权利要求2所述的方法，其特征在于，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记，包括：
在所述预设音频范围内查找是否存在持续时间大于预设时长且信号强度小于预设强度值的音波信号，若存在，确定查找到的段落标记为所述持续时间大于预设时长且信号强度小于预设强度值的音波信号。
6.如权利要求1所述的方法，其特征在于，根据分析结果识别出音频段落后，所述方法还包括：
当接收到根据所述校正标识触发的校正指令后，取消所述校正标识对应的已识别的音频段落。
7.如权利要求1所述的方法，其特征在于，所述段落标记为预设的段落字段信息。
8.如权利要求1所述的方法，其特征在于，所述方法还包括：
当识别出的音频段落为多个，根据与音频段落对应的关键字信息生成与每个音频段落对应的段落目录或段落索引。
9.如权利要求1所述的方法，其特征在于，根据分析结果识别出音频段落后，所述方法还包括：
根据所述音频段落完成音频剪辑。
10.如权利要求9所述的方法，其特征在于，所述段落标记包括段前标记以及段尾标记，所述根据所述音频段落完成音频剪辑，包括：
根据关键字信息以及所述段前标记确定出段落起点，根据关键字信息以及所述段尾标记确定出段尾结束点；
根据所述段尾结束点以及段尾结束点的前一个段落起点进行剪辑。
11.一种音频段落识别装置，其特征在于，所述装置包括：
关键字信息匹配模块，用于将录制音频在预存的关键字信息库中进行匹配；
段落标记查找模块，用于在所述关键字信息库中匹配到对应的关键字信息时，在与所述关键字信息对应的音频的预设音频范围内查找是否有段落标记；
音频段落识别模块，用于在查找到段落标记后，对所述关键字信息以及所述段落标记进行分析，根据分析结果识别出音频段落；若识别多个音频段落的关键字信息相同，则对相同关键字信息识别的所述多个音频段落增加校正标识；当接收到根据所述校正标识触发的校正指令后，对所述校正标识对应的关键字信息的权重值Q加1；根据各关键字信息以及对应的权重值结合所述段落标记进行数据训练，并根据训练结果更新所述关键字信息库。
12.一种电子设备，其特征在于，包括
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至10中任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至10中任一项所述方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810115684.8A CN108363765B (zh) | 2018-02-06 | 2018-02-06 | 音频段落识别方法以及装置 |
| PCT/CN2018/078525 WO2019153406A1 (zh) | 2018-02-06 | 2018-03-09 | 音频段落识别方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810115684.8A CN108363765B (zh) | 2018-02-06 | 2018-02-06 | 音频段落识别方法以及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108363765A CN108363765A (zh) | 2018-08-03 |
| CN108363765B true CN108363765B (zh) | 2020-12-08 |
Family
ID=63004397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810115684.8A Active CN108363765B (zh) | 2018-02-06 | 2018-02-06 | 音频段落识别方法以及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108363765B (zh) |
| WO (1) | WO2019153406A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335612A (zh) * | 2019-07-11 | 2019-10-15 | 招商局金融科技有限公司 | 基于语音识别的会议记录生成方法、装置及存储介质 |
| CN113204668A (zh) * | 2021-05-21 | 2021-08-03 | 广州博冠信息科技有限公司 | 音频裁剪方法、装置、存储介质与电子设备 |
| CN113507632B (zh) * | 2021-08-12 | 2023-02-28 | 北京字跳网络技术有限公司 | 视频的处理方法、装置、终端和存储介质 |
| CN113691966B (zh) * | 2021-08-23 | 2023-09-05 | 上海联净电子科技有限公司 | 基于信能同传的音频播放方法、系统、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107305541A (zh) * | 2016-04-20 | 2017-10-31 | 科大讯飞股份有限公司 | 语音识别文本分段方法及装置 |
| CN107369085A (zh) * | 2017-06-28 | 2017-11-21 | 深圳市佰仟金融服务有限公司 | 一种信息输出方法、装置及终端设备 |
| CN107481743A (zh) * | 2017-08-07 | 2017-12-15 | 捷开通讯(深圳)有限公司 | 移动终端、存储器及录音文件的编辑方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003141167A (ja) * | 2001-10-31 | 2003-05-16 | Toshiba Corp | コンテンツ提供システム、検索サーバ、コンテンツ提供方法 |
| US8577684B2 (en) * | 2005-07-13 | 2013-11-05 | Intellisist, Inc. | Selective security masking within recorded speech utilizing speech recognition techniques |
| CN102724598A (zh) * | 2011-12-05 | 2012-10-10 | 新奥特（北京）视频技术有限公司 | 一种拆分新闻条目的方法 |
| CN104778218A (zh) * | 2015-03-20 | 2015-07-15 | 广东欧珀移动通信有限公司 | 一种不完整歌曲处理的方法及装置 |
| CN107480152A (zh) * | 2016-06-08 | 2017-12-15 | 北京新岸线网络技术有限公司 | 一种音频分析及检索方法和系统 |
| CN106802885A (zh) * | 2016-12-06 | 2017-06-06 | 乐视控股（北京）有限公司 | 一种会议纪要自动记录方法、装置和电子设备 |
-
2018
- 2018-02-06 CN CN201810115684.8A patent/CN108363765B/zh active Active
- 2018-03-09 WO PCT/CN2018/078525 patent/WO2019153406A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107305541A (zh) * | 2016-04-20 | 2017-10-31 | 科大讯飞股份有限公司 | 语音识别文本分段方法及装置 |
| CN107369085A (zh) * | 2017-06-28 | 2017-11-21 | 深圳市佰仟金融服务有限公司 | 一种信息输出方法、装置及终端设备 |
| CN107481743A (zh) * | 2017-08-07 | 2017-12-15 | 捷开通讯(深圳)有限公司 | 移动终端、存储器及录音文件的编辑方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108363765A (zh) | 2018-08-03 |
| WO2019153406A1 (zh) | 2019-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021232725A1 (zh) | 基于语音交互的信息核实方法、装置、设备和计算机存储介质 | |
| CN108363765B (zh) | 音频段落识别方法以及装置 | |
| US10593333B2 (en) | Method and device for processing voice message, terminal and storage medium | |
| US10937413B2 (en) | Techniques for model training for voice features | |
| WO2019148586A1 (zh) | 多人发言中发言人识别方法以及装置 | |
| CN102568478B (zh) | 一种基于语音识别的视频播放控制方法和系统 | |
| CN108012173B (zh) | 一种内容识别方法、装置、设备和计算机存储介质 | |
| US10529340B2 (en) | Voiceprint registration method, server and storage medium | |
| CN109325091B (zh) | 兴趣点属性信息的更新方法、装置、设备及介质 | |
| CN111526382A (zh) | 一种直播视频文本生成方法、装置、设备及存储介质 | |
| CN103956168A (zh) | 一种语音识别方法、装置及终端 | |
| CN108305618B (zh) | 语音获取及搜索方法、智能笔、搜索终端及存储介质 | |
| CN111292751B (zh) | 语义解析方法及装置、语音交互方法及装置、电子设备 | |
| CN110019741B (zh) | 问答系统答案匹配方法、装置、设备及可读存储介质 | |
| CN109637536B (zh) | 一种自动化识别语义准确性的方法及装置 | |
| CN110070859A (zh) | 一种语音识别方法及装置 | |
| WO2020233381A1 (zh) | 基于语音识别的服务请求方法、装置及计算机设备 | |
| CN112509568A (zh) | 一种语音唤醒方法及装置 | |
| CN110647613A (zh) | 一种课件构建方法、装置、服务器和存储介质 | |
| US20070239430A1 (en) | Correcting semantic classification of log data | |
| CN104700831A (zh) | 分析音频文件的语音特征的方法和装置 | |
| CN111508497A (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN110717012A (zh) | 语术推荐方法、装置、设备和存储介质 | |
| CN111400463B (zh) | 对话响应方法、装置、设备和介质 | |
| CN115240659B (zh) | 分类模型训练方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |