CN109410918A - 用于获取信息的方法及装置 - Google Patents

Abstract

本申请实施例公开了用于获取信息的方法。该方法的一具体实施方式包括：从待处理语音信号中获取语音特征音频序列，上述语音特征音频序列用于表征待处理语音信号对应的文字；将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，上述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，上述拼音单元用于识别单个文字；根据上述拼音信息查找对应上述待处理语音信号的文字信息。该实施方式降低了获取拼音信息的数据处理量和存储空间，提高了获取文字信息的准确性。

Description

用于获取信息的方法及装置

技术领域

本申请实施例涉及语音识别技术领域，具体涉及用于获取信息的方法及装置。

背景技术

语音识别技术能够将语音信号转换为文字信息，进而对文字信息进行处理，以实现对应的数据处理。用户可以通过语音信号对带有语音识别功能的智能设备实现远距离操控。尤其对于不易手动输入信息或用户无法输入信息的场合，语音识别技术极大地提高了信息交流的效率。

发明内容

本申请实施例提出了用于获取信息的方法及装置。

第一方面，本申请实施例提供了一种用于获取信息的方法，该方法包括：从待处理语音信号中获取语音特征音频序列，上述语音特征音频序列用于表征待处理语音信号对应的文字；将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，上述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，上述拼音单元用于识别单个文字；根据上述拼音信息查找对应上述待处理语音信号的文字信息。

在一些实施例中，上述将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，包括：从上述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列；将上述初始语音帧序列中相邻的第二设定数量帧的初始语音帧合并为二次语音帧序列。

在一些实施例中，上述拼音单元包括声母音素、与声母音素匹配的韵母音素、音调标识，上述音调标识用于指示由声母音素和韵母音素组成的拼音信息的发音特征，以及，上述将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，包括：获取上述二次语音帧序列的语音幅值波形图；从上述语音幅值波形图中筛选出对应幅值极值的尖峰语音帧，得到尖峰语音帧序列；对于上述尖峰语音帧序列中的尖峰语音帧，从上述拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元，并通过该目标拼音单元确定该尖峰语音帧对应的目标拼音信息；按照目标拼音信息对应的尖峰语音帧在上述尖峰语音帧序列中的顺序对目标拼音信息进行排序，得到对应上述语音特征音频序列的拼音信息。

在一些实施例中，上述拼音单元集合通过以下步骤构建：获取声母音素集合和韵母音素集合；对于上述声母音素集合中的声母音素，从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元。

在一些实施例中，上述从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元，包括：从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素得到韵母音素子集合；确定该声母音素与韵母音素子集合中韵母音素组成的拼音信息的音调标识得到音调标识集合；将该声母音素、韵母音素子集合中韵母音素和音调标识集合中的音调标识组合成对应该声母音素的拼音单元。

第二方面，本申请实施例提供了一种用于获取信息的装置，该装置包括：语音特征音频序列获取单元，被配置成从待处理语音信号中获取语音特征音频序列，上述语音特征音频序列用于表征待处理语音信号对应的文字；拼音信息获取单元，被配置成将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，上述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，上述拼音单元用于识别单个文字；文字信息获取单元，被配置成根据上述拼音信息查找对应上述待处理语音信号的文字信息。

在一些实施例中，上述拼音信息获取单元包括：初始语音帧序列获取子单元，被配置成从上述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列；二次语音帧序列获取子单元，被配置成将上述初始语音帧序列中相邻的第二设定数量帧的初始语音帧合并为二次语音帧序列。

在一些实施例中，上述拼音单元包括声母音素、与声母音素匹配的韵母音素、音调标识，上述音调标识用于指示由声母音素和韵母音素组成的拼音信息的发音特征，以及，上述拼音信息获取单元包括：语音幅值波形图获取子单元，被配置成获取上述二次语音帧序列的语音幅值波形图；尖峰语音帧序列获取子单元，被配置成从上述语音幅值波形图中筛选出对应幅值极值的尖峰语音帧，得到尖峰语音帧序列；目标拼音信息获取子单元，被配置成对于上述尖峰语音帧序列中的尖峰语音帧，从上述拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元，并通过该目标拼音单元确定该尖峰语音帧对应的目标拼音信息；拼音信息获取子单元，被配置成按照目标拼音信息对应的尖峰语音帧在上述尖峰语音帧序列中的顺序对目标拼音信息进行排序，得到对应上述语音特征音频序列的拼音信息。

在一些实施例中，上述拼音单元集合构建单元，被配置成构建拼音单元集合，上述拼音单元集合构建单元包括：音素集合获取子单元，被配置成获取声母音素集合和韵母音素集合；拼音单元获取子单元，被配置成对于上述声母音素集合中的声母音素，从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元。

在一些实施例中，上述拼音单元获取子单元包括：韵母音素子集合获取模块，被配置成从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素得到韵母音素子集合；音调标识集合获取模块，被配置成确定该声母音素与韵母音素子集合中韵母音素组成的拼音信息的音调标识得到音调标识集合；拼音单元获取模块，被配置成将该声母音素、韵母音素子集合中韵母音素和音调标识集合中的音调标识组合成对应该声母音素的拼音单元。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于获取信息的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于获取信息的方法。

本申请实施例提供的用于获取信息的方法及装置，本技术方案首先从待处理语音信号中提取语音特征音频序列；然后将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息；最后根据上述拼音信息查找对应上述待处理语音信号的文字信息。本技术方案降低了获取拼音信息的数据处理量和存储空间，提高了获取文字信息的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于获取信息的方法的一个实施例的流程图；

图3是根据本申请的用于获取信息的方法的一个应用场景的示意图；

图4是根据本申请的拼音单元集合构建方法的一个实施例的流程图；

图5是根据本申请的用于获取信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于获取信息的方法或用于获取信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种语音处理应用，例如音频采集应用、音频过滤应用、音频识别应用、音频播放应用、音频发送工具等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持音频采集的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发来的待处理语音信号进行语音处理的服务器。服务器可以对接收到的待处理语音信号等数据进行分析等处理，删除待处理语音信号中的噪音信号，并将语音识别结果反馈给终端设备。

需要说明的是，本申请实施例所提供的用于获取信息的方法可以由终端设备101、102、103单独执行，或者也可以由终端设备101、102、103和服务器105共同执行。相应地，用于获取信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于获取信息的方法的一个实施例的流程200。该用于获取信息的方法包括以下步骤：

步骤201，从待处理语音信号中获取语音特征音频序列。

在本实施例中，用于获取信息的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以通过有线连接方式或者无线连接方式获取到待处理语音信号。其中，待处理语音信号为包含采集语音得到的音频信号，例如可以是各种音频模拟信号。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

现有语音识别方法在将语音信号转换为文字信息的过程中，需要消耗大量的计算资源和存储空间，并且经常需要智能设备联网才能进行。因此，现有的语音识别方法在进行语音识别过程中会降低智能设备的数据处理能力，不易应用到处理能力较小或内存空间较小的智能设备(例如可以是嵌入式系统)中，并且，得到的文字信息的准确性不高。

为此，本申请的执行主体首先通过语音识别等方法从待处理语音信号中提取语音特征音频序列。其中，上述语音特征音频序列可以用于表征待处理语音信号对应的文字。语音特征音频序列可以是包含带有时间信息和幅值信息的音频帧序列，通常可以是音频数字信号。

步骤202，将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息。

执行主体通过语音识别方法得到语音特征音频序列后，可以将语音特征音频序列导入拼音识别模型，得到语音特征音频序列的拼音信息。其中，上述拼音识别模型可以用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息。现有语音识别方法中，为了识别语音信号对应的是哪个字，首先需要将语音特征音频序列识别为多种可能的声母音素和韵母音素。然后，再对相邻的声母音素和韵母音素进行多种匹配和修正，最后才能确定出对应的拼音信息。例如，语音特征音频序列包含有实际文字为“零一”的音频信息。现有语音识别方法对语音特征音频序列中的“零一”音频信息进行处理时，可以得到“sil”、“l”、“ing”、“sil”、“y”、“i”和“sil”等多种基本发音信息。之后，现有语音识别方法需要对上述的多种基本发音信息进行多种排列组合，以尽可能准确地识别出真正的发音。例如，对多种基本发音信息排列组合结果可以是：“sil-l+ing”、“l-ing+sil”、“ing-l+ing”、“l-ing+l”、“i-l+ing”、“l-ing+y”、“i-y+i”、“y-i+y”、“ing-y+i”、“y-i+l”、“sil-y+i”、“y-i+sil”等。其中，“sil”可以表示实际语音中可能存储的停顿；“-”可以表示“-”左右两侧的基本发音信息可以作为整体考虑；“+”可以表示“+”左右两侧的基本发音信息为组合关系。可见，现有的语音识别方法需要对上述的每种排列组合结果进行匹配，最后才能得到结果。现有语音识别方法会从语音特征音频序列中获取到大量信息，并且对这些大量信息进行对应的数据处理。因此，现有语音识别方法需要占用执行主体大量的存储空间的数据处理量，并且，语音识别结果可能并不准确。

为此，本申请的执行主体可以通过拼音识别模型来获得对应语音特征音频序列的拼音信息。拼音识别模型中的拼音单元集合可以包含有多个拼音单元，每个拼音单元可以用于识别单个文字。例如：“树木”、“大厦”、“我们去旅游”、“听听相声”等不是单字，“人”、“花”、“海”等包含一个字的词就属于本申请所说的单字文字(即单字)。多个拼音单元可以包含所有声母音素和韵母音素的实际组合。因此，拼音识别模型可以拼音单元集合匹配出对应语音特征音频序列的拼音信息。

在本实施例的一些可选的实现方式中，上述将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，可以包括以下步骤：

第一步，从上述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列。

为了进一步降低从待处理语音信号获取到文字信息的数据处理量，减小对存储空间的占用，本申请的执行主体还可以从上述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列。如此，即获取到了足够多的有用信息，又减小了数据大小，加快了执行主体从待处理语音信号获取到文字信息的效率。

第二步，将上述初始语音帧序列中相邻的第二设定数量帧的初始语音帧合并为二次语音帧序列。

进一步地，执行主体还可以对上述初始语音帧序列中相邻的第二设定数量帧合并为一帧初始语音帧，得到二次语音帧序列，进一步减小了数据量。

在本实施例的一些可选的实现方式中，上述拼音单元可以包括声母音素、与声母音素匹配的韵母音素、音调标识。其中，上述音调标识可以用于指示由声母音素和韵母音素组成的拼音信息的发音特征。通常：音调标识可以用“1”、“2”、“3”和“4”分别拼音信息发“一声”、“二声”、“三声”和“四声”。音调标识还可以是其他表达形式，此处不再一一赘述。以及，

上述将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息还可以包括以下步骤：

第一步，获取上述二次语音帧序列的语音幅值波形图。

执行主体可以获取上述二次语音帧序列的语音幅值波形图。其中，语音幅值波形图可以是包含多个音频幅值的曲线或由多个矩形条构成的音频幅值图。

第二步，从上述语音幅值波形图中筛选出对应幅值极值的尖峰语音帧，得到尖峰语音帧序列。

通常，每个字的发音包含了一定时间长度的音频信息，从待处理语音信号到二次语音帧序列后，数据量减少了，但还是包含了一定时间长度的音频信息。实际中，每个字对应的最大音频信息最能够代表该字的发音。为了准确确定每个字的音频信息，执行主体可以首先获取上述二次语音帧序列的语音幅值波形图，然后再对语音幅值波形图求极值，确定出语音幅值波形图包含的多个尖峰语音帧，得到尖峰语音帧序列。其中，尖峰语音帧可以认为是带有每个字最重要的音频信息。

第三步，对于上述尖峰语音帧序列中的尖峰语音帧，从上述拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元，并通过该目标拼音单元确定该尖峰语音帧对应的目标拼音信息。

得到尖峰语音帧序列后，执行主体可以从拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元。由于拼音单元本身同时包含了声母音素、与声母音素匹配的韵母音素和音调标识，因此能够以单个字为基准来对尖峰语音帧序列进行识别，且识别准确性很高。由于每拼音单元都有对应的声母音素、与声母音素匹配的韵母音素和音调标识，因此，执行主体可以通过目标拼音单元确定该尖峰语音帧对应的目标拼音信息。

第四步，按照目标拼音信息对应的尖峰语音帧在上述尖峰语音帧序列中的顺序对目标拼音信息进行排序，得到对应上述语音特征音频序列的拼音信息。

执行主体可以按照目标拼音信息对应的尖峰语音帧在上述尖峰语音帧序列中的顺序对目标拼音信息进行排序，然后再以每个拼音信息为单位对相邻的拼音信息进行匹配，得到上述语音特征音频序列的拼音信息。如此，大大提高了获取拼音信息的准确率。

步骤203，根据上述拼音信息查找对应上述待处理语音信号的文字信息。

得到拼音信息后，执行主体可以根据拼音信息查询电子词典等可以查询文字的应用，以得到对应拼音信息的文字信息。

继续参见图3，图3是根据本实施例的用于获取信息的方法的应用场景的一个示意图。在图3的应用场景中，用户向终端设备102发出语音信号。终端设备102接收到该语音信号后，首先从语音信号中提取语音特征音频序列；然后将语音特征音频序列导入拼音识别模型，得到拼音信息；最后查询对应拼音信息的文字，得到对应语音信号的文字信息。之后，终端设备102还可以将文字信息显示在终端设备102的屏幕上。

本申请的上述实施例提供的方法首先从待处理语音信号中提取语音特征音频序列；然后将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息；最后根据上述拼音信息查找对应上述待处理语音信号的文字信息。本技术方案降低了获取拼音信息的数据处理量和存储空间，提高了获取文字信息的效率和准确率。

进一步参考图4，其示出了拼音单元集合构建方法的又一个实施例的流程400。该拼音单元集合构建方法的流程400，包括以下步骤：

步骤401，获取声母音素集合和韵母音素集合。

在本实施例中，拼音单元集合构建方法运行于其上的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取声母音素集合和韵母音素集合。

本实施例的执行主体可以通过电子字典、电子词典等应用查询到全部的声母音素集合和韵母音素集合。声母音素集合包含了拼音信息中可能的全部的声母音素。韵母音素集合包含了拼音信息中可能的全部的韵母音素。

步骤402，对于上述声母音素集合中的声母音素，从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元。

拼音信息包括声母音素和韵母音素，并且声母音素在韵母音素之前。为此，执行主体可以以声母音素集合中的每个声母音素为起点来确定与该声母音素的韵母音素，进而可以得到对应该声母音素的所有可能的拼音单元。

在本实施例的一些可选的实现方式中，上述从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元，可以包括以下步骤：

第一步，从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素得到韵母音素子集合。

对于某一声母音素而言，其通常可以与多个韵母音素匹配成实际中的拼音信息。例如，声母音素为“zh”，则对应的韵母音素可以是：“i”、“a”、“e”、“ong”、“ui”、“eng”等。执行主体可以将与该声母音素具有匹配关系的韵母音素组合成韵母音素子集合。

第二步，确定该声母音素与韵母音素子集合中韵母音素组成的拼音信息的音调标识得到音调标识集合。

拼音信息可以是“一声”、“二声”、“三声”或“四声”的发音。执行主体可以通过查询电子字典等方式确定由声母音素和韵母音素组成的拼音信息包含有哪几种发音，进而可以为拼音信息设置音调标识。音调标识可以用于指示拼音信息的发音。

第三步，将该声母音素、韵母音素子集合中韵母音素和音调标识集合中的音调标识组合成对应该声母音素的拼音单元。

得到声母音素集合中每个声母音素的韵母音素子集合、声母音素和韵母音素组成的拼音信息的音调标识集合后，执行主体可以对声母音素、韵母音素子集合内的韵母音素、音调标识集合中的音调标识进行各种组合，得到对应声母音素的拼音单元。由此，可以包含所有的拼音信息及拼音信息的发音情况。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于获取信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于获取信息的装置500可以包括：语音特征音频序列获取单元501、拼音信息获取单元502和文字信息获取单元503。其中，语音特征音频序列获取单元501被配置成从待处理语音信号中获取语音特征音频序列，上述语音特征音频序列用于表征待处理语音信号对应的文字；拼音信息获取单元502被配置成将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，上述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，上述拼音单元用于识别单个文字；文字信息获取单元503被配置成根据上述拼音信息查找对应上述待处理语音信号的文字信息。

在本实施例的一些可选的实现方式中，上述拼音信息获取单元502可以包括：初始语音帧序列获取子单元(图中未示出)和二次语音帧序列获取子单元(图中未示出)。其中，初始语音帧序列获取子单元被配置成从上述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列；二次语音帧序列获取子单元被配置成将上述初始语音帧序列中相邻的第二设定数量帧的初始语音帧合并为二次语音帧序列。

在本实施例的一些可选的实现方式中，上述拼音单元可以包括声母音素、与声母音素匹配的韵母音素、音调标识，上述音调标识可以用于指示由声母音素和韵母音素组成的拼音信息的发音特征，以及，上述拼音信息获取单元502可以包括：语音幅值波形图获取子单元(图中未示出)、尖峰语音帧序列获取子单元(图中未示出)、目标拼音信息获取子单元(图中未示出)和拼音信息获取子单元(图中未示出)。其中，语音幅值波形图获取子单元被配置成获取上述二次语音帧序列的语音幅值波形图；尖峰语音帧序列获取子单元被配置成从上述语音幅值波形图中筛选出对应幅值极值的尖峰语音帧，得到尖峰语音帧序列；目标拼音信息获取子单元被配置成对于上述尖峰语音帧序列中的尖峰语音帧，从上述拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元，并通过该目标拼音单元确定该尖峰语音帧对应的目标拼音信息；拼音信息获取子单元被配置成按照目标拼音信息对应的尖峰语音帧在上述尖峰语音帧序列中的顺序对目标拼音信息进行排序，得到对应上述语音特征音频序列的拼音信息。

在本实施例的一些可选的实现方式中，上述装置还包括拼音单元集合构建单元(图中未示出)，被配置成构建拼音单元集合。上述拼音单元集合构建单元可以包括：音素集合获取子单元(图中未示出)和拼音单元获取子单元(图中未示出)。其中，音素集合获取子单元被配置成获取声母音素集合和韵母音素集合；拼音单元获取子单元被配置成对于上述声母音素集合中的声母音素，从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元。

在本实施例的一些可选的实现方式中，上述拼音单元获取子单元可以包括：韵母音素子集合获取模块(图中未示出)、音调标识集合获取模块(图中未示出)和拼音单元获取模块(图中未示出)。其中，韵母音素子集合获取模块被配置成从上述韵母音素集合中筛选出与该声母音素匹配的韵母音素得到韵母音素子集合；音调标识集合获取模块被配置成确定该声母音素与韵母音素子集合中韵母音素组成的拼音信息的音调标识得到音调标识集合；拼音单元获取模块被配置成将该声母音素、韵母音素子集合中韵母音素和音调标识集合中的音调标识组合成对应该声母音素的拼音单元。

本实施例还提供了一种服务器，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于获取信息的方法。

本实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于获取信息的方法。

下面参考图6，其示出了适于用来实现本申请实施例的服务器(例如，图1中的服务器105)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，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。而在本申请中，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。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括语音特征音频序列获取单元、拼音信息获取单元和文字信息获取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，文字信息获取单元还可以被描述为“用于通过拼音信息获取文字信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：从待处理语音信号中获取语音特征音频序列，上述语音特征音频序列用于表征待处理语音信号对应的文字；将上述语音特征音频序列导入拼音识别模型，得到对应上述语音特征音频序列的拼音信息，上述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，上述拼音单元用于识别单个文字；根据上述拼音信息查找对应上述待处理语音信号的文字信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于获取信息的方法，包括：

从待处理语音信号中获取语音特征音频序列，所述语音特征音频序列用于表征待处理语音信号对应的文字；

将所述语音特征音频序列导入拼音识别模型，得到对应所述语音特征音频序列的拼音信息，所述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，所述拼音单元用于识别单个文字；

根据所述拼音信息查找对应所述待处理语音信号的文字信息。

2.根据权利要求1所述的方法，其中，所述将所述语音特征音频序列导入拼音识别模型，得到对应所述语音特征音频序列的拼音信息，包括：

从所述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列；

将所述初始语音帧序列中相邻的第二设定数量帧的初始语音帧合并为二次语音帧序列。

3.根据权利要求2所述的方法，其中，所述拼音单元包括声母音素、与声母音素匹配的韵母音素、音调标识，所述音调标识用于指示由声母音素和韵母音素组成的拼音信息的发音特征，以及，

所述将所述语音特征音频序列导入拼音识别模型，得到对应所述语音特征音频序列的拼音信息，包括：

获取所述二次语音帧序列的语音幅值波形图；

从所述语音幅值波形图中筛选出对应幅值极值的尖峰语音帧，得到尖峰语音帧序列；

对于所述尖峰语音帧序列中的尖峰语音帧，从所述拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元，并通过该目标拼音单元确定该尖峰语音帧对应的目标拼音信息；

按照目标拼音信息对应的尖峰语音帧在所述尖峰语音帧序列中的顺序对目标拼音信息进行排序，得到对应所述语音特征音频序列的拼音信息。

4.根据权利要求1所述的方法，其中，所述拼音单元集合通过以下步骤构建：

获取声母音素集合和韵母音素集合；

对于所述声母音素集合中的声母音素，从所述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元。

5.根据权利要求4所述的方法，其中，所述从所述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元，包括：

从所述韵母音素集合中筛选出与该声母音素匹配的韵母音素得到韵母音素子集合；

确定该声母音素与韵母音素子集合中韵母音素组成的拼音信息的音调标识得到音调标识集合；

将该声母音素、韵母音素子集合中韵母音素和音调标识集合中的音调标识组合成对应该声母音素的拼音单元。

6.一种用于获取信息的装置，包括：

语音特征音频序列获取单元，被配置成从待处理语音信号中获取语音特征音频序列，所述语音特征音频序列用于表征待处理语音信号对应的文字；

拼音信息获取单元，被配置成将所述语音特征音频序列导入拼音识别模型，得到对应所述语音特征音频序列的拼音信息，所述拼音识别模型用于通过拼音单元集合匹配出对应语音特征音频序列的拼音信息，所述拼音单元用于识别单个文字；

文字信息获取单元，被配置成根据所述拼音信息查找对应所述待处理语音信号的文字信息。

7.根据权利要求6所述的装置，其中，所述拼音信息获取单元包括：

初始语音帧序列获取子单元，被配置成从所述语音特征音频序列中每间隔第一设定数量帧提取一帧初始语音帧，得到初始语音帧序列；

二次语音帧序列获取子单元，被配置成将所述初始语音帧序列中相邻的第二设定数量帧的初始语音帧合并为二次语音帧序列。

8.根据权利要求7所述的装置，其中，所述拼音单元包括声母音素、与声母音素匹配的韵母音素、音调标识，所述音调标识用于指示由声母音素和韵母音素组成的拼音信息的发音特征，以及，

所述拼音信息获取单元包括：

语音幅值波形图获取子单元，被配置成获取所述二次语音帧序列的语音幅值波形图；

尖峰语音帧序列获取子单元，被配置成从所述语音幅值波形图中筛选出对应幅值极值的尖峰语音帧，得到尖峰语音帧序列；

目标拼音信息获取子单元，被配置成对于所述尖峰语音帧序列中的尖峰语音帧，从所述拼音单元集合中匹配出与该尖峰语音帧对应的目标拼音单元，并通过该目标拼音单元确定该尖峰语音帧对应的目标拼音信息；

拼音信息获取子单元，被配置成按照目标拼音信息对应的尖峰语音帧在所述尖峰语音帧序列中的顺序对目标拼音信息进行排序，得到对应所述语音特征音频序列的拼音信息。

9.根据权利要求6所述的装置，其中，所述装置还包括拼音单元集合构建单元，被配置成构建拼音单元集合，所述拼音单元集合构建单元包括：

音素集合获取子单元，被配置成获取声母音素集合和韵母音素集合；

拼音单元获取子单元，被配置成对于所述声母音素集合中的声母音素，从所述韵母音素集合中筛选出与该声母音素匹配的韵母音素，得到对应该声母音素的拼音单元。

10.根据权利要求9所述的装置，其中，所述拼音单元获取子单元包括：

韵母音素子集合获取模块，被配置成从所述韵母音素集合中筛选出与该声母音素匹配的韵母音素得到韵母音素子集合；

音调标识集合获取模块，被配置成确定该声母音素与韵母音素子集合中韵母音素组成的拼音信息的音调标识得到音调标识集合；

拼音单元获取模块，被配置成将该声母音素、韵母音素子集合中韵母音素和音调标识集合中的音调标识组合成对应该声母音素的拼音单元。

11.一种服务器，包括：

一个或多个处理器；

存储器，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1至5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一所述的方法。