CN109712610A - 用于识别语音的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于识别语音的方法和装置。该方法的一具体实施方式包括：响应于检测到平均能量大于预设的起点门限的第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果；响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时；若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配；若不匹配，则停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。该实施方式能够提高有停顿的语音的识别响应速度。

Description

用于识别语音的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别语音的方法和装置。

背景技术

在一个语音识别的应用场景中，并不是每一个意图在表达出来的时候都是连贯不停顿的一句话。因此，一个通用的全场景端点检测算法就无法满足用户的实际需求，因为对同一个用户来说，不同的意图对应的说话语速和停顿的时间是不一样的。

现有技术通常通过设置和调整语音端点检测的通用参数，来对语音数据进行切分，再输送给语音引擎，在实际应用过程中，根据大多数用户的使用习惯，在快速响应和慢速响应的两种场景的平衡下，选择一个较为平衡的语音端点检测参数值，以适应普遍场景的交互需求。一个平衡的VAD(Voice Activity Detection，语音活动检测)语音端点检测尾点的超时时间参数不能同时兼顾对用户说话时不停顿和带停顿的两个互斥场景的识别响应时间的体验。

举个例子，在车载场景的两个典型的语音指令：“打开车窗”和“打电话给138XXX…”，只能选择统一缩短VAD的尾点检测时长，或者统一增加VAD的尾点检测时长。如果在说出“打电话给”后，停顿的时间较长，想要适应这种场景，只能调整增加VAD尾点检测的等待时间，但对VAD尾点检测时间的增加必然会导致“打开车窗”指令的响应速度变慢的问题。

发明内容

本公开的实施例提出了用于识别语音的方法和装置。

第一方面，本公开的实施例提供了一种用于识别语音的方法，包括：响应于检测到平均能量大于预设的起点门限的第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果；响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时；若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配；若不匹配，则停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在一些实施例中，该方法还包括：若匹配，则重新开始计时并获取预定加时时间；若重新开始计时之后的预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在一些实施例中，该方法还包括：若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，记录当前时间与重新开始计时的时间差作为停顿时间；将停顿时间与预设的语句集合中匹配的语句进行关联存储。

在一些实施例中，获取预定加时时间包括：获取与预设的语句集合中匹配的语句关联存储的停顿时间作为预定加时时间。

在一些实施例中，该方法还包括：根据所接收的语音帧识别用户的身份；将停顿时间与用户的身份进行关联存储。

在一些实施例中，获取预定加时时间包括：通过语音识别出用户的身份；获取与用户的身份关联存储的停顿时间作为预定加时时间。

在一些实施例中，该方法还包括：若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，继续向识别引擎发送语音帧。

第二方面，本公开的实施例提供了一种用于识别语音的装置，包括：起点检测单元，被配置成响应于检测到平均能量大于预设的起点门限的第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果；尾点检测单元，被配置成响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时；匹配单元，被配置成若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配；停止单元进一步被配置成若不匹配，则停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在一些实施例中，该装置还包括：加时单元，被配置成：若匹配，则重新开始计时并获取预定加时时间；停止单元进一步被配置成若重新开始计时之后的预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在一些实施例中，该装置还包括记录单元，被配置成：若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，记录当前时间与重新开始计时的时间差作为停顿时间；将停顿时间与预设的语句集合中匹配的语句进行关联存储。

在一些实施例中，加时单元进一步被配置成：获取与预设的语句集合中匹配的语句关联存储的停顿时间作为预定加时时间。

在一些实施例中，记录单元进一步被配置成：根据所接收的语音帧识别用户的身份；将停顿时间与用户的身份进行关联存储。

在一些实施例中，加时单元进一步被配置成：通过语音识别出用户的身份；获取与用户的身份关联存储的停顿时间作为预定加时时间。

在一些实施例中，起点检测单元进一步被配置成：若重新开始计时之后的所述预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，继续向识别引擎发送语音帧。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的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，其中，程序被处理器执行时实现如第一方面中任一的方法。

本方案为了适应用户说话带停顿和不带停顿的两个场景，提出了一种动态自适应语音尾点参数的快慢返回策略，对普通的语音指令，设置一个较短的VAD尾点检测超时时间，超时时间到达即结束识别流程，使得系统普遍能够快速响应用户的需求。对于带停顿的指令，根据这类指令拥有固定前缀的特征，将这些固定前缀加入一个白名单，在识别过程中，由于识别引擎的处理时长<20ms，那么在实时识别到中间结果的同时，可以动态根据识别的实时结果来调整VAD尾点检测的超时时间，从而增加带停顿类指令的响应时间，达到适应带停顿类指令的用户需求的目的。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于识别语音的方法的一个实施例的流程图；

图3是根据本公开的用于识别语音的方法的一个应用场景的示意图；

图4是根据本公开的用于识别语音的方法的又一个实施例的流程图；

图5是根据本公开的用于识别语音的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备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公开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，本公开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公开。

图1示出了可以应用本公开的用于识别语音的方法或用于识别语音的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括麦克风101、控制器102、语音识别服务器103、语义理解服务器104。网络用以在控制器102、语音识别服务器103、语义理解服务器104之间提供通信链路的介质。网络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。

用户可以使用麦克风101向控制器102输入语音。然后控制器102通过网络与语音识别服务器103、语义理解服务器104交互，以接收或发送消息等。麦克风101可以是安装在无人车等移动装置上的语音输入设备，麦克风101还可以是手机、电脑等的内置设备。控制器可以是车载设备也可以是手机、电脑等的内置设备。控制器102具有接收和发送信息的功能。

语音识别服务器103，用于接收控制器102发送的语音，并将语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。语音识别服务器102上安装有语音识别系统。语音识别系统一般分训练和解码两阶段。训练，即通过大量标注的语音数据训练声学模型。解码，即通过声学模型和语言模型将训练集外的语音数据识别成文字，训练的声学模型好坏直接影响识别的精度。

语义理解服务器103，用于接收控制器102发送的文字结果，并根据文字结果进行语义分析。语义分析指运用各种方法，学习与理解一段文本所表示的语义内容，任何对语言的理解都可以归为语义分析的范畴。一段文本通常由词、句子和段落来构成，根据理解对象的语言单位不同，语义分析又可进一步分解为词汇级语义分析、句子级语义分析以及篇章级语义分析。一般来说，词汇级语义分析关注的是如何获取或区别单词的语义，句子级语义分析则试图分析整个句子所表达的语义，而篇章语义分析旨在研究自然语言文本的内在结构并理解文本单元(可以是句子从句或段落)间的语义关系。简单地讲，语义分析的目标就是通过建立有效的模型和系统，实现在各个语言单位(包括词汇、句子和篇章等)的自动语义分析，从而实现理解整个文本表达的真实语义。

需要说明的是，语音识别服务器103、语义理解服务器104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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于识别语音的方法一般由控制器102执行，相应地，用于识别语音的装置一般设置于控制器102中。

应该理解，图1中的麦克风、控制器、语音识别服务器、语义理解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麦克风、控制器、语音识别服务器、语义理解服务器。

继续参考图2，示出了根据本公开的用于识别语音的方法的一个实施例的流程200。该用于识别语音的方法，包括以下步骤：

步骤201，响应于检测到平均能量大于预设的起点门限的第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果。

在本实施例中，用于识别语音的方法的执行主体(例如图1所示的控制器)可以通过有线连接方式或者无线连接方式从麦克风实时获取连续的语音帧。每获取一个语音帧就计算该语音帧的平均能量。平均能量的计算方法可采用现有技术，在此不再赘述。这里涉及语音端点检测技术，语音端点检测技术是指在噪声环境中检测出人在开始说话到说话结束的一段语音，即检测人说一句话的起点和尾点。每一次的语音识别流程中，在语音识别引擎开始处理之前，需要通过语音端点检测技术来对语音数据进行切分。每获取到一个语音帧就计算该语音帧的平均能量，然后将该语音帧的平均能量和预设的起点门限进行比较。如果该语音帧的平均能量大于预设的起点门限，则认为该语音帧为待识别的语音的起始帧。将从起始帧开始包括之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果。而不是等到检测到尾点后才将从起点到尾点的一段语音一起发给识别引擎。识别引擎用于进行语音识别，得到文字结果。识别引擎可以是本地的，也可以是云端的。语音识别的过程包括：输入语音、语音端点检测、提取声学特征、信号处理、识别网络匹配、识别解码、置信度判决、识别文本结果。

步骤202，响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时。

在本实施例中，每获取到第一个语音帧之后的语音帧就计算该语音帧的平均能量，然后将该语音帧的平均能量和预设的尾点门限进行比较。如果该语音帧的平均能量小于预设的尾点门限，则认为该语音帧是尾点语音帧。此时还不能认为这段语音已经结束，可能只是短暂的停顿而已。因此会设置一个尾点超时时间，在尾点超时时间如果出现平均能量大于尾点门限的语音帧，则说明这段语音还没结束，要继续进行语音识别。

步骤203，若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配。

在本实施例中，如果在尾点超时时间截止时，还没检测到平均能量大于等于预设的尾点门限的语音帧，并不意味着这段语音真的结束，还要判断是否有停顿。可根据已经识别出的中间识别结果来判断是否是停顿。预先设置语句集合作为白名单，如果中间识别结果与白名单中的语句的相似度超过预定的阈值，即为匹配，则认为这段语音还没结束，还要继续进行语音识别。预设的语句集合可包括“打电话给”、“我想听”、“我要听”、“导航去”等用户在人机交互时可能因为思考而造成的停顿。停顿时不一定有停顿词，比如“嗯”、“那个那个”等。

步骤204，若匹配，则重新开始计时并获取预定加时时间。

在本实施例中，如果确定出中间识别结果与预设的语句集合匹配，则说明语音出现了停顿，而不是结束，因此需要继续识别。为了防止误判而一直检测，需要设置预定加时时间。此时由于语音帧的平均能量低于尾点门限，是一段空白的内容，因此不需要进行语音识别。

步骤205，若重新开始计时之后的预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在本实施例中，如果重新开始计时之后的预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，则说明不是停顿，而是真的结束。结束语音识别，将已经识别出的中间识别结果作为最终结果输出。可输出到显示器或者输出到理解文本结果并转换成指令执行的设备中。

在本实施例的一些可选的实现方式中，若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，继续向识别引擎发送语音帧。说明语音还没结束，要继续向识别引擎发送语音帧，直到出现平均能量大于等于预设的尾点门限的语音帧时，再继续执行步骤202-206。

步骤206，若不匹配，则停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在本实施例中，如果中间识别结果与预设的语句集合中的任一语句的相似度都不高于预定阈值，则认为不匹配。认为此时不是停顿，而是真的结束。结束语音识别，将已经识别出的中间识别结果作为最终结果输出。可输出到显示器或者输出到理解文本结果并转换成指令执行的设备中。

继续参见图3，图3是根据本实施例的用于识别语音的方法的应用场景的一个示意图。在图3的应用场景中，在控制打电话的语音交互过程中，用户刚说出“打”时，计算出语音帧的平均能量，且检测到该语音帧的平均能量大于预设的起点门限，将它作为第一个语音帧。将第一个语音帧和第一个语音帧之后的语音帧连续向识别引擎发送，进行语音识别。如果用户说话时在说出特定的词“打电话给”后停顿了，则此时的语音帧的平均能量小于预设的尾点门限，此时已经得到语音的中间识别结果“打电话给”。如果预定的尾点超时时间内的语音帧的平均能量都小于预设的尾点门限的语音帧，则将中间识别结果“打电话给”与预设的语句集合匹配。匹配成功，则调整尾点检测的超时时间。如果在加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，则继续进行语音识别。识别出“爸爸”后，检测到平均能量小于预设的尾点门限，在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧。将“爸爸”与预设的语句集合匹配，匹配失败，则说明语音输入结束，停止向识别引擎发送语音帧，将中间识别结果“打电话给爸爸”作为最终结果输出。

本公开的上述实施例提供的方法通过对普通的语音指令，设置一个较短的VAD尾点检测超时时间，超时时间到达即结束识别流程，使得系统普遍能够快速响应用户的需求；对于带停顿的指令，根据这类指令拥有固定前缀的特征，将这些固定前缀加入一个白名单，在识别过程中，由于识别引擎的处理时长<20ms，那么在实时识别到中间结果的同时，可以动态根据识别的实时结果来调整VAD尾点检测的超时时间，从而增加带停顿类指令的响应时间，达到适应带停顿类指令的用户需求的目的。

进一步参考图4，其示出了用于识别语音的方法的又一个实施例的流程400。该用于识别语音的方法的流程400，包括以下步骤：

步骤401，响应于检测到平均能量大于预设的起点门限的第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果。

步骤402，响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时。

步骤403，若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配。

步骤404，若匹配，则重新开始计时并获取预定加时时间。

步骤401-404与步骤201-204基本相同，因此不再赘述。

步骤405，若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，记录当前时间与重新开始计时的时间差作为停顿时间。

在本实施例中，若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，说明语音输入还没结束，前面的平均能量低的语音帧只是停顿。此时记录当前时间与重新开始计时的时间差作为停顿时间。

步骤406，将停顿时间与预设的语句集合中匹配的语句进行关联存储。

在本实施例中，将停顿时间与预设的语句集合中匹配的语句进行关联存储，例如，将停顿0.3s与“打电话给”关联存储。

在本实施例的一些可选的实现方式中，获取预定加时时间包括：获取与预设的语句集合中匹配的语句关联存储的停顿时间作为预定加时时间。可在之后的语音识别过程中利用关联存储的停顿时间确定加时时间。若识别到“打电话给”时，将已经存储的0.3s作为加时时间。

在本实施例的一些可选的实现方式中，该方法还包括：根据所接收的语音帧识别用户的身份。将停顿时间与用户的身份进行关联存储。因为不同人的语言习惯不同，停顿时间不同。因此可针对不同的人来设置加时时间。用户可事先注册自己的声学特征，然后在语音识别过程中通过声学特征确定用户身份，并将停顿时间与用户的身份进行关联存储。当以后再识别出该用户的声音时，可将用户的身份关联存储的停顿时间作为预定加时时间。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别语音的方法的流程400体现了确定加时时间的步骤。由此，本实施例描述的方案可以针对不同预设语句、不同的用户的说话习惯动态调整加时时间。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别语音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，本实施例的用于识别语音的装置500包括：起点检测单元501、尾点检测单元502、匹配单元503和停止单元504。其中，起点检测单元501，被配置成响应于检测到平均能量大于预设的起点门限的第一语音帧第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果。尾点检测单元502，被配置成响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时。匹配单元503，被配置成若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配。停止单元504，被配置成若不匹配，则停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在本实施例中，用于识别语音的装置500的起点检测单元501、尾点检测单元502、匹配单元503和停止单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，该装置还包括：加时单元505，被配置成若匹配，则重新开始计时并获取预定加时时间；停止单元进一步被配置成若重新开始计时之后的预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

在本实施例的一些可选的实现方式中，该装置还包括记录单元(附图中未示出)，被配置成：若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，记录当前时间与重新开始计时的时间差作为停顿时间；将停顿时间与预设的语句集合中匹配的语句进行关联存储。

在本实施例的一些可选的实现方式中，加时单元505进一步被配置成：获取与预设的语句集合中匹配的语句关联存储的停顿时间作为预定加时时间。

在本实施例的一些可选的实现方式中，记录单元进一步被配置成：根据所接收的语音帧识别用户的身份；将停顿时间与用户的身份进行关联存储。

在本实施例的一些可选的实现方式中，加时单元505进一步被配置成：通过语音识别出用户的身份；获取与用户的身份关联存储的停顿时间作为预定加时时间。

在本实施例的一些可选的实现方式中，起点检测单元进一步被配置成：若重新开始计时之后的预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，继续向识别引擎发送语音帧。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的控制器)600的结构示意图。图6示出的控制器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：响应于检测到平均能量大于预设的起点门限的第一个语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果；响应于在第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时；若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测中间识别结果是否与预设的语句集合匹配；若不匹配，则停止向识别引擎发送语音帧，将中间识别结果作为最终结果输出。

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公开的实施例的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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开的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：一种处理器包括起点检测单元、尾点检测单元、匹配单元和停止单元。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，能量计算单元还可以被描述为“实时获取连续的语音帧，以及计算每个语音帧的平均能量的单元”。

以上描述仅为本公开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，本公开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所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。例如上述特征与本公开中公开的(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 (16)

1.一种用于识别语音的方法，包括：

响应于检测到平均能量大于预设的起点门限的第一个语音帧，将所述第一个语音帧和所述第一个语音帧之后的语音帧发送给识别引擎，得到语音识别的中间识别结果；

响应于在所述第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时；

若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测所述中间识别结果是否与预设的语句集合匹配；

若不匹配，则停止向所述识别引擎发送语音帧，将所述中间识别结果作为最终结果输出。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若匹配，则重新开始计时并获取预定加时时间；

若重新开始计时之后的所述预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，停止向所述识别引擎发送语音帧，将所述中间识别结果作为最终结果输出。

3.根据权利要求2所述的方法，其中，所述方法还包括：

若重新开始计时之后的所述预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，记录当前时间与重新开始计时的时间差作为停顿时间；

将所述停顿时间与预设的语句集合中匹配的语句进行关联存储。

4.根据权利要求3所述的方法，其中，所述获取预定加时时间包括：

获取与预设的语句集合中匹配的语句关联存储的停顿时间作为预定加时时间。

5.根据权利要求3所述的方法，其中，所述方法还包括：

根据所接收的语音帧识别用户的身份；

将所述停顿时间与所述用户的身份进行关联存储。

6.根据权利要求5所述的方法，其中，所述获取预定加时时间包括：

通过语音识别出用户的身份；

获取与所述用户的身份关联存储的停顿时间作为预定加时时间。

7.根据权利要求2所述的方法，其中，所述方法还包括：

若重新开始计时之后的所述预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，继续向识别引擎发送语音帧。

8.一种用于识别语音的装置，包括：

起点检测单元，被配置成响应于检测到平均能量大于预设的起点门限的第一个语音帧，将所述第一个语音帧和所述第一个语音帧之后的语音帧实时发送给识别引擎，得到语音识别的中间识别结果；

尾点检测单元，被配置成响应于在所述第一个语音帧之后的语音帧中检测到平均能量小于预设的尾点门限的语音帧，开始计时；

匹配单元，被配置成若在预定的尾点超时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，检测所述中间识别结果是否与预设的语句集合匹配；

停止单元，被配置成若不匹配，则停止向所述识别引擎发送语音帧，将所述中间识别结果作为最终结果输出。

9.根据权利要求8所述的装置，其中，所述装置还包括：

加时单元，被配置成若匹配，则重新开始计时并获取预定加时时间；

所述停止单元进一步被配置成若重新开始计时之后的所述预定加时时间内未检测到平均能量大于等于预设的尾点门限的语音帧，停止向所述识别引擎发送语音帧，将所述中间识别结果作为最终结果输出。

10.根据权利要求9所述的装置，其中，所述装置还包括记录单元，被配置成：

若重新开始计时之后的所述预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，记录当前时间与重新开始计时的时间差作为停顿时间；

将所述停顿时间与预设的语句集合中匹配的语句进行关联存储。

11.根据权利要求10所述的装置，其中，所述加时单元进一步被配置成：

获取与预设的语句集合中匹配的语句关联存储的停顿时间作为预定加时时间。

12.根据权利要求10所述的装置，其中，所述记录单元进一步被配置成：

根据所接收的语音帧识别用户的身份；

将所述停顿时间与所述用户的身份进行关联存储。

13.根据权利要求12所述的装置，其中，所述加时单元进一步被配置成：

通过语音识别出用户的身份；

获取与所述用户的身份关联存储的停顿时间作为预定加时时间。

14.根据权利要求9所述的装置，其中，起点检测单元进一步被配置成：

若重新开始计时之后的所述预定加时时间内检测到平均能量大于等于预设的尾点门限的语音帧，继续向识别引擎发送语音帧。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。