CN109166570B - 一种语音切分的方法、装置、设备和计算机存储介质 - Google Patents

一种语音切分的方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN109166570B
CN109166570B CN201810816633.8A CN201810816633A CN109166570B CN 109166570 B CN109166570 B CN 109166570B CN 201810816633 A CN201810816633 A CN 201810816633A CN 109166570 B CN109166570 B CN 109166570B
Authority
CN
China
Prior art keywords
voice
time
time tag
cross correlation
segments
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
Application number
CN201810816633.8A
Other languages
English (en)
Other versions
CN109166570A (zh
Inventor
孙建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810816633.8A priority Critical patent/CN109166570B/zh
Publication of CN109166570A publication Critical patent/CN109166570A/zh
Application granted granted Critical
Publication of CN109166570B publication Critical patent/CN109166570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G10L15/05—Word boundary detection
    • 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
    • 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
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/87—Detection of discrete points within a voice signal

Abstract

本发明提供了一种语音切分的方法、装置、设备和计算机存储介质，其中方法包括：确定第一语音与第二语音的互相关度，其中所述第二语音为对所述第一语音进行录制后得到的语音，所述第一语音由两个以上的第一语音段拼接而成；基于所述互相关度对时间标签进行校准，所述时间标签包含各第一语音段在第一语音中的开始时间和结束时间；利用校准后的时间标签，对所述第二语音进行切分，得到两个以上的第二语音段。本发明能够使得校准后的时间标签与第二语音更好地对齐，从而提高对第二语音的切分准确性。

Description

一种语音切分的方法、装置、设备和计算机存储介质
【技术领域】
本发明涉及计算机应用技术领域，特别涉及一种语音切分的方法、装置、设备和计算机存储介质。
【背景技术】
随着人工智能技术的飞速发展，语音技术因其便捷、无障碍的交互方式，使其成为人工智能交互的主要方式。在近场语音识别技术逐步成熟的前提下，远场语音识别逐渐成为关注的课题。通过远场语音识别，用户能够在较远距离与智能设备进行语音交互，例如与智能电视、智能音箱等进行语音交互。
远场语音识别是通过远场声学模型实现的，在训练远场声学模型时需要大量的远场语音数据。而现阶段，远场语音产品的真实数据较少，无法满足远场声学模型的训练需求。而近场语音数据的数量较多，因此目前采用的方式是通过对近场语音数据进行重新录制的方式获得远场语音数据。具体地，将多个近场语音段按照一定的顺序拼接成长语音，进行重新录制后得到远场的长语音；然后对远场的长语音进行切分，从而得到多个语音段以供训练远场声学模型使用。其中在对远场的长语音进行切分时，目前采用的方式是基于时间标签的长语音切分方式。其中时间标签是在拼接形成长语音时，各近场语音段在长语音中的起止时间。
然而，由于录制设备存在时钟频率不稳定的问题，因此基于时间标签的长语音切分方式会造成切分不准确的问题，例如切分后得到的语音段存在截断，从而进一步导致得到的远场语音数据不符合训练要求。
【发明内容】
有鉴于此，本发明提供了一种语音切分的方法、装置、设备和计算机存储介质，以便于提高对录制语音的切分准确性。
具体技术方案如下：
本发明提供了一种语音切分的方法，该方法包括：
确定第一语音与第二语音的互相关度，其中所述第二语音为对所述第一语音进行录制后得到的语音，所述第一语音由两个以上的第一语音段拼接而成；
基于所述互相关度对时间标签进行校准，所述时间标签包含各第一语音段在第一语音中的开始时间和结束时间；
利用校准后的时间标签，对所述第二语音进行切分，得到两个以上的第二语音段。
根据本发明一优选实施方式，该方法还包括：
对两个以上的第一语音段进行排序后，拼接成所述第一语音；
对各第一语音段在第一语音中的开始时间和结束时间进行标记，生成所述时间标签；
对所述第一语音进行录制，得到所述第二语音。
根据本发明一优选实施方式，该方法还包括：
切除录制得到的所述第二语音中开始位置的静音段。
根据本发明一优选实施方式，切除所述第二语音中开始位置的静音段包括：
利用语音活动检测VAD模型对所述第二语音进行语音端点检测，将首个语音端点之前的各静音帧切除。
根据本发明一优选实施方式，所述确定第一语音与第二语音的互相关度包括：
从所述第一语音和第二语音中截取对应相同第一时段的语音；
将从第一语音中截取的语音和从第二语音中截取的语音进行互相关度计算。
根据本发明一优选实施方式，基于所述互相关度对时间标签进行校准包括：
基于所述互相关度确定所述第二语音的开始时间；
利用确定出的所述第二语音的开始时间对时间标签进行校准。
根据本发明一优选实施方式，基于所述互相关度确定所述第二语音的开始时间包括：
利用所述互相关度中最大值对应的时间位置，以及参与该相关度计算的第二语音的长度，确定所述第二语音的开始时间。
根据本发明一优选实施方式，利用确定出的所述第二语音的开始位置对时间标签进行校准包括：
利用时间标签中各时间与确定出的所述第二语音的开始位置的差值，得到校准后时间标签中对应的各时间，所述时间标签中各时间包括各第一语音段的开始时间和结束时间。
根据本发明一优选实施方式，预先将所述第二语音切分为N段子语音，所述N为1以上的正整数；
针对所述N段子语音，分别执行所述语音切分的方法。
根据本发明一优选实施方式，所述第一语音段为近场短语音数据；
所述第二语音段为远场短语音数据，作为远场声学模型的训练数据。
本发明还提供了一种语音切分的装置，该装置包括：
确定单元，用于确定第一语音与第二语音的互相关度，其中所述第二语音为对所述第一语音进行录制后得到的语音，所述第一语音由两个以上的第一语音段拼接而成；
校准单元，用于基于所述互相关度对时间标签进行校准，所述时间标签包含各第一语音段在第一语音中的开始时间和结束时间；
切分单元，用于利用校准后的时间标签，对所述第二语音进行切分，得到两个以上的第二语音段。
根据本发明一优选实施方式，该装置还包括：
拼接单元，用于对两个以上的第一语音段进行排序后，拼接成所述第一语音；
标记单元，用于对各第一语音段在第一语音中的开始时间和结束时间进行标记，生成所述时间标签；
录制单元，用于对所述第一语音进行录制，得到所述第二语音。
根据本发明一优选实施方式，该装置还包括：
切除单元，用于切除录制得到的所述第二语音中开始位置的静音段。
根据本发明一优选实施方式，所述确定单元，具体执行：
从所述第一语音和第二语音中截取对应相同第一时段的语音；
将从第一语音中截取的语音和从第二语音中截取的语音进行互相关度计算。
根据本发明一优选实施方式，所述校准单元，具体执行：
基于所述互相关度确定所述第二语音的开始时间；
利用确定出的所述第二语音的开始位置对时间标签进行校准。
本发明还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。
本发明还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述的方法。
由以上技术方案可以看出，本发明基于被录的第一语音和录制得到的第二语音之间的互相关度对时间标签进行校准，利用校准后的时间标签对第二语音进行切分，使得校准后的时间标签与第二语音更好地对齐，从而提高对第二语音的切分准确性。
【附图说明】
图1为本发明实施例提供的主要方法流程图；
图2为本发明实施例提供的对录制长语音进行切分得到远场短语音的方法流程图；
图3为本发明实施例提供的装置结构图；
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器的框图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明实施例提供的主要方法流程图，如图1中所示，该方法可以包括以下步骤：
在101中，确定第一语音与第二语音的互相关度，其中第二语音为对第一语音进行录制后得到的语音，第一语音由两个以上的第一语音段拼接而成。
在102中，基于确定出的互相关度对时间标签进行校准，其中时间标签包含各第一语音段在第一语音中的开始时间和结束时间。
在103中，利用校准后的时间标签，对第二语音进行切分，得到两个以上的第二语音段。
针对现有切分方式中存在的问题，究其原因，是由于录制设备存在时钟频率不稳定，导致时间标签与录制语音无法对齐。从图1所示的流程可以看出，本申请的核心思想在于利用拼接得到的第一语音与录制得到的第二语音之间的互相关度，对时间标签进行校准，从而使得校准后的时间标签能够更好地与第二语音对齐。图1所示的流程可以应用但不限于背景技术中所涉及的应用场景，还可以应用于诸如与语音相关的播放测试语音的切分。但在本申请后续实施例中，均以录制近场语音数据得到录制长语音后，对录制长语音进行切分得到远场短语音数据为例，对本申请所提供的方法进行详细描述。
图2为本发明实施例提供的对录制长语音进行切分得到远场短语音的方法流程图，在本实施例中，近场短语音段、近场长语音、录制长语音和远场短语音段分别对应图1所示流程中的第一语音段、第一语音、第二语音和第二语音段。如图2所示，该方法具体包括以下步骤：
在201中，对两个以上的近场短语音段进行排序后，拼接成近场长语音。
在本实施例中，当收集到大量近场短语音段后，可以按照预设的排序规则对近场短语音段进行排序，例如按照近场短语音段的文件名称进行排序。然后按顺序将近场短语音段拼接成长语音。在本发明实施例中，对语音段的拼接方式并不加以限制，采用已有的音频软件或脚本将各近场短语音段拼接起来即可。
在拼接时，各近场短语音段的前后可以有静音帧作为保护帧。
在202中，对各近场短语音段在近场长语音中的开始时间和结束时间进行标记，生成时间标签。
时间标签实际上就是对各近场短语音段在近场长语音中的时间位置进行标记。一般情况下，时间标签的标记文件中可以包括各近场短语音段的音频名称Autio_name、开始时间t_initial和结束时间t_end。格式可以如下：
Autio_name t_initial t_end
在203中，对近场长语音进行录制，得到录制长语音。
本步骤中，可以将近场长语音进行播放后，在距离播放设备较远的距离进行录制，得到录制长语音，后续该录制长语音可以作为远场语音数据。
在204中，切除录制得到的录制长语音中开始位置的静音段。
在本步骤中，可以利用VAD(Voice Activity Detection，语音活动检测)模型，对录制长语音进行语音端点检测，将首个语音端点之前的各静音帧切除。通常在录制设备在进行录制时，为了保证音频的完整性，起始位置通常会有一定长度的静音帧，在本申请中可以利用VAD模型切除该静音帧。VAD模型的具体实现在此捕捉赘述。
在205中，确定近场长语音与录制长语音在第一时段内的互相关度。
在本实施例中，可以从近场长语音和录制长语音中截取较短时段内的语音进行互相关度计算，用于较长时段内的时间标签校准。本步骤中，可以从近场长语音和录制长语音中截取对应相同第一时段的语音，将从第一语音中截取的语音和第二语音中截取的语音进行互相关度计算。
其中第一时段的长度通常依据近场短语音段的平均长度确定，其取值一般小于近场短语音段的平均长度。例如，近场短语音段的平均长度通常为1～2秒，因此可以取0.5秒作为第一时段的长度。例如：
其中，fx(t)为近场长语音中t1至t2之间的语音，fy(t)为录制长语音中t1至t2之间的语音，R为fx(t)和fy(t)的互相关函数，t为时间。
在206中，基于确定出的互相关度确定录制长语音的开始时间。
本步骤中，可以利用互相关度中最大值对应的时间位置，基于参与该互相关度计算的第二语音的长度，确定第二语音的开始时间。
假设互相关度中最大值对应的时间位置为t3，LR＝t3-t1。
依据互相关函数的计算原理，LR＝Lx+Ly-1。其中Lx为参与互相关度计算的第一语音的长度，Ly为参与互相度计算的第二语音的长度。由此可以推出录制长语音的开始时间Lx_s为：
Lx_s＝LR-Ly+1。若上述第一时段的长度为0.5秒，则Ly的取值为0.5秒。
需要说明的是，互相关函数的计算原理可能会存在差异，基于不同互相关函数的计算原理，对录制长语音的开始时间的推导公式会存在差别，在此实施例中不做一一穷举，但均在本发明的精神和原则之内，均包含在本发明保护的范围之内。
在207中，利用确定出的开始时间对时间标签进行校准。
本步骤中，可以利用时间标签中各时间与确定出的录制长语音的开始位置的差值，得到校准后时间标签中对应的各时间，其中时间标签中各时间包括近场短语音段的开始时间和结束时间。
例如，时间标签中的各矫正后的t_initial’和t_end’分别为：
t_initial’＝t_initial-Lx_s
t_end’＝t_end-Lx_s
在208中，利用校准后的时间标签，对录制长语音进行切分，得到两个以上的远场短语音段。
对时间标签进行校准后，就可以按照校准后时间标签中包含的各语音段的开始时间和结束时间进行切分，得到两个以上的远场短语音段。该远场短语音段由于是就校准后时间标签进行切分得到的，其相对于现有切分方式更加准确，将其作为训练数据训练的远场声学模型的识别准确性也更高。
由于在音频录制过程中录制设备的时钟频率误差是在一定时间段内累加的，近场长语音与录制长语音之间的误差不大，但互相关度的计算量比较大。因而可以预先将录制长语音切分为N段子语音，N为1以上的正整数，然后针对N段子语音分别执行上述语音切分的方法流程。其中，子语音的长度可以依据录制设备的时钟频率误差进行确定，时钟频率误差大的，子语音的长度取得短一些，时钟频率误差小的，子语音的长度取得长一些。
例如，对于录制长语音而言，可以每500秒基于该500秒内的子语音进行基于互相关的时间标签校准和切分。这种方式能够在提高切分准确度的同时，尽量减小算法的计算量。
以上是对本发明所提供方法进行的描述，下面结合实施例对本发明提供的装置进行详细描述。
图3为本发明实施例提供的装置结构图，该装置用于执行上述方法流程，该装置可以位于本地终端的应用，或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者，还可以位于服务器端，本发明实施例对此不进行特别限定。如图3所示，该装置可以包括：确定单元01、校准单元02和切分单元03，还可以进一步包括：拼接单元04、标记单元05、录制单元06和切除单元07。其中各组成单元的主要功能如下：
确定单元01负责确定第一语音与第二语音的互相关度，其中第二语音为对第一语音进行录制后得到的语音，第一语音由两个以上的第一语音段拼接而成。
校准单元02负责基于互相关度对时间标签进行校准，时间标签包含各第一语音段在第一语音中的开始时间和结束时间。
切分单元03负责利用校准后的时间标签，对第二语音进行切分，得到两个以上的第二语音段。
关于上述第一语音和第二语音的生成，由拼接单元04对两个以上的第一语音段进行排序后，拼接成第一语音。例如按照第一语音段的文件名称进行排序后，按照顺序将第一语音段拼接成第一语音。在拼接时，各第一语音段的前后可以有静音帧作为保护帧。
标记单元05负责对各第一语音段在第一语音中的开始时间和结束时间进行标记，生成时间标签。录制单元06对第一语音进行录制，得到第二语音。
切除单元07负责切除录制得到的第二语音中开始位置的静音段，具体地，可以利用VAD模型对第二语音进行语音端点检测，将首个语音端点之前的各静音帧切除。
具体地，确定单元01确定第一语音与第二语音的互相关度时，可以从第一语音和第二语音中截取对应相同第一时段的语音，将从第一语音中截取的语音和从第二语音中截取的语音进行互相关度计算。其中，第一时段的长度通常依据第一语音段的平均长度确定，其取值一般小于第一语音段的平均长度。
校准单元02在基于互相关度对时间标签进行校准时，可以基于互相关度确定第二语音的开始时间；利用确定出的第二语音的开始位置对时间标签进行校准。
其中，校准单元02可以利用互相关度中最大值对应的时间位置，以及参与该相关度计算的第二语音的长度，确定第二语音的开始时间。利用时间标签中各时间与确定出的第二语音的开始位置的差值，得到校准后时间标签中对应的各时间，时间标签中各时间包括各第一语音段的开始时间和结束时间。
另外，可以预先将第二语音切分为N段子语音，N为1以上的正整数，针对该N段子语音，该装置分别执行上述语音切分。其中，子语音的长度可以依据录制设备的时钟频率误差进行确定，时钟频率误差大的，子语音的长度取得短一些，时钟频率误差小的，子语音的长度取得长一些。
作为其中一种该装置的应用场景，上述第一语音段可以为近场短语音段，第一语音为近场长语音，第二语音为录制长语音，第二语音段为远场短语音段，作为远场声学模型的训练数据。
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器的框图。图4显示的计算机系统/服务器012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4所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042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。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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022进行。并且，计算机系统/服务器012还可以通过网络适配器020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020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机系统/服务器012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。
处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。例如，被上述一个或多个处理器执行本发明实施例所提供的方法流程。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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。
计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
计算机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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (17)

1.一种语音切分的方法，其特征在于，该方法包括：
确定第一语音与第二语音的互相关度，其中所述第二语音为对所述第一语音进行录制后得到的语音，所述第一语音由两个以上的第一语音段拼接而成；
基于所述互相关度对时间标签进行校准，所述时间标签包含各第一语音段在第一语音中的开始时间和结束时间；
利用校准后的时间标签，对所述第二语音进行切分，得到两个以上的第二语音段。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：
对两个以上的第一语音段进行排序后，拼接成所述第一语音；
对各第一语音段在第一语音中的开始时间和结束时间进行标记，生成所述时间标签；
对所述第一语音进行录制，得到所述第二语音。
3.根据权利要求2所述的方法，其特征在于，该方法还包括：
切除录制得到的所述第二语音中开始位置的静音段。
4.根据权利要求3所述的方法，其特征在于，切除所述第二语音中开始位置的静音段包括：
利用语音活动检测VAD模型对所述第二语音进行语音端点检测，将首个语音端点之前的各静音帧切除。
5.根据权利要求1所述的方法，其特征在于，所述确定第一语音与第二语音的互相关度包括：
从所述第一语音和第二语音中截取对应相同第一时段的语音；
将从第一语音中截取的语音和从第二语音中截取的语音进行互相关度计算。
6.根据权利要求1所述的方法，其特征在于，基于所述互相关度对时间标签进行校准包括：
基于所述互相关度确定所述第二语音的开始时间；
利用确定出的所述第二语音的开始时间对时间标签进行校准。
7.根据权利要求6所述的方法，其特征在于，基于所述互相关度确定所述第二语音的开始时间包括：
利用所述互相关度中最大值对应的时间位置，以及参与该互相关度计算的第二语音的长度，确定所述第二语音的开始时间。
8.根据权利要求6所述的方法，其特征在于，利用确定出的所述第二语音的开始位置对时间标签进行校准包括：
利用时间标签中各时间与确定出的所述第二语音的开始位置的差值，得到校准后时间标签中对应的各时间，所述时间标签中各时间包括各第一语音段的开始时间和结束时间。
9.根据权利要求1所述的方法，其特征在于，预先将所述第二语音切分为N段子语音，所述N为1以上的正整数；
针对所述N段子语音，分别执行所述语音切分的方法。
10.根据权利要求1至9任一项所述的方法，其特征在于，所述第一语音段为近场短语音数据；
所述第二语音段为远场短语音数据，作为远场声学模型的训练数据。
11.一种语音切分的装置，其特征在于，该装置包括：
确定单元，用于确定第一语音与第二语音的互相关度，其中所述第二语音为对所述第一语音进行录制后得到的语音，所述第一语音由两个以上的第一语音段拼接而成；
校准单元，用于基于所述互相关度对时间标签进行校准，所述时间标签包含各第一语音段在第一语音中的开始时间和结束时间；
切分单元，用于利用校准后的时间标签，对所述第二语音进行切分，得到两个以上的第二语音段。
12.根据权利要求11所述的装置，其特征在于，该装置还包括：
拼接单元，用于对两个以上的第一语音段进行排序后，拼接成所述第一语音；
标记单元，用于对各第一语音段在第一语音中的开始时间和结束时间进行标记，生成所述时间标签；
录制单元，用于对所述第一语音进行录制，得到所述第二语音。
13.根据权利要求12所述的装置，其特征在于，该装置还包括：
切除单元，用于切除录制得到的所述第二语音中开始位置的静音段。
14.根据权利要求11所述的装置，其特征在于，所述确定单元，具体执行：
从所述第一语音和第二语音中截取对应相同第一时段的语音；
将从第一语音中截取的语音和从第二语音中截取的语音进行互相关度计算。
15.根据权利要求11所述的装置，其特征在于，所述校准单元，具体执行：
基于所述互相关度确定所述第二语音的开始时间；
利用确定出的所述第二语音的开始位置对时间标签进行校准。
16.一种语音切分的设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一项所述的方法。
17.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一项所述的方法。
CN201810816633.8A 2018-07-24 2018-07-24 一种语音切分的方法、装置、设备和计算机存储介质 Active CN109166570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810816633.8A CN109166570B (zh) 2018-07-24 2018-07-24 一种语音切分的方法、装置、设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810816633.8A CN109166570B (zh) 2018-07-24 2018-07-24 一种语音切分的方法、装置、设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN109166570A CN109166570A (zh) 2019-01-08
CN109166570B true CN109166570B (zh) 2019-11-26

Family

ID=64898224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810816633.8A Active CN109166570B (zh) 2018-07-24 2018-07-24 一种语音切分的方法、装置、设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN109166570B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853622B (zh) * 2019-10-22 2024-01-12 深圳市本牛科技有限责任公司 语音断句方法及系统
CN110942764B (zh) * 2019-11-15 2022-04-22 北京达佳互联信息技术有限公司 一种流式语音识别方法
CN111161712A (zh) * 2020-01-22 2020-05-15 网易有道信息技术（北京）有限公司 语音数据处理方法、装置、存储介质和计算设备
CN112599152B (zh) * 2021-03-05 2021-06-08 北京智慧星光信息技术有限公司 语音数据标注方法、系统、电子设备及存储介质
CN115295021B (zh) * 2022-09-29 2022-12-30 杭州兆华电子股份有限公司 一种定位录音中有效信号的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1478233A (zh) * 2001-10-22 2004-02-25 ���ṫ˾ 信号处理方法及设备
CN1969487A (zh) * 2004-04-30 2007-05-23 弗劳恩霍夫应用研究促进协会 水印嵌入
US7280965B1 (en) * 2003-04-04 2007-10-09 At&T Corp. Systems and methods for monitoring speech data labelers
CN102160113A (zh) * 2008-08-11 2011-08-17 诺基亚公司 多声道音频编码器和解码器
CN107452372A (zh) * 2017-09-22 2017-12-08 百度在线网络技术（北京）有限公司 远场语音识别模型的训练方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6937977B2 (en) * 1999-10-05 2005-08-30 Fastmobile, Inc. Method and apparatus for processing an input speech signal during presentation of an output audio signal
CN101093660B (zh) * 2006-06-23 2011-04-13 凌阳科技股份有限公司 一种基于双峰值检测的音符切分方法及其装置
US8751226B2 (en) * 2006-06-29 2014-06-10 Nec Corporation Learning a verification model for speech recognition based on extracted recognition and language feature information
DE102007045741A1 (de) * 2007-06-27 2009-01-08 Siemens Ag Verfahren und Vorrichtung zum Codieren und Decodieren von Multimediadaten
US9111536B2 (en) * 2011-03-07 2015-08-18 Texas Instruments Incorporated Method and system to play background music along with voice on a CDMA network
CN103780919B (zh) * 2012-10-23 2018-05-08 中兴通讯股份有限公司 一种实现多媒体播放的方法、移动终端及系统
CN103646654B (zh) * 2013-12-12 2017-03-15 深圳市金立通信设备有限公司 一种录音数据分享方法及终端
JP6394103B2 (ja) * 2014-06-20 2018-09-26 富士通株式会社 音声処理装置、音声処理方法および音声処理プログラム
US9653094B2 (en) * 2015-04-24 2017-05-16 Cyber Resonance Corporation Methods and systems for performing signal analysis to identify content types
CN105845129A (zh) * 2016-03-25 2016-08-10 乐视控股（北京）有限公司 一种在音频中切分句子的方法和系统及视频文件的字幕自动生成方法和系统
GB201614958D0 (en) * 2016-09-02 2016-10-19 Digital Genius Ltd Message text labelling
CN106448702B (zh) * 2016-09-14 2019-10-01 努比亚技术有限公司 一种录音数据处理装置、移动终端及方法
CN106782506A (zh) * 2016-11-23 2017-05-31 语联网（武汉）信息技术有限公司 一种将录音音频分割成段的方法
CN108021675B (zh) * 2017-12-07 2021-11-09 北京慧听科技有限公司 一种多设备录音的自动切分对齐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1478233A (zh) * 2001-10-22 2004-02-25 ���ṫ˾ 信号处理方法及设备
US7280965B1 (en) * 2003-04-04 2007-10-09 At&T Corp. Systems and methods for monitoring speech data labelers
CN1969487A (zh) * 2004-04-30 2007-05-23 弗劳恩霍夫应用研究促进协会 水印嵌入
CN102160113A (zh) * 2008-08-11 2011-08-17 诺基亚公司 多声道音频编码器和解码器
CN107452372A (zh) * 2017-09-22 2017-12-08 百度在线网络技术（北京）有限公司 远场语音识别模型的训练方法和装置

Also Published As

Publication number Publication date
CN109166570A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109166570B (zh) 一种语音切分的方法、装置、设备和计算机存储介质
CN108877770B (zh) 用于测试智能语音设备的方法、装置和系统
JP7029613B2 (ja) インターフェイススマートインタラクティブ制御方法、装置、システム及びプログラム
CN108683937B (zh) 智能电视的语音交互反馈方法、系统及计算机可读介质
CN110069608B (zh) 一种语音交互的方法、装置、设备和计算机存储介质
CN108564966B (zh) 语音测试的方法及其设备、具有存储功能的装置
KR101987756B1 (ko) 미디어 재생 방법 및 미디어 장치
CN108012173B (zh) 一种内容识别方法、装置、设备和计算机存储介质
JP6906584B2 (ja) デバイスをウェイクアップするための方法及び装置
CN108363556A (zh) 一种基于语音与增强现实环境交互的方法和系统
CN110234032A (zh) 一种语音技能创建方法及系统
CN108573393A (zh) 评论信息处理方法、装置、服务器及存储介质
CN110134869A (zh) 一种信息推送方法、装置、设备和存储介质
CN109815147A (zh) 测试案例生成方法、装置、服务器和介质
CN108108419A (zh) 一种信息推荐方法、装置、设备和介质
CN107895019A (zh) 一种信息推荐方法、装置、服务器及存储介质
CN111899859A (zh) 手术器械清点方法及装置
CN107957908A (zh) 一种麦克风共享方法、装置、计算机设备及存储介质
CN110110236A (zh) 一种信息推送方法、装置、设备和存储介质
CN108829370B (zh) 有声资源播放方法、装置、计算机设备及存储介质
CN110471740A (zh) 执行机器学习任务的方法、装置、设备和计算机存储介质
CN109509469A (zh) 语音控制体温检测方法、装置、系统及存储介质
EP4102498A1 (en) Method for determining voice response speed, related device and computer program product
CN109936717A (zh) 视频通信方法和设备
CN109684103A (zh) 一种接口调用方法、装置、服务器及存储介质

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