CN109754783B - 用于确定音频语句的边界的方法和装置 - Google Patents

Abstract

本公开实施例公开了用于确定音频语句的边界的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：将视频资源中的至少三个连续语句拼接成组合句，根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号，将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列，从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句，以及利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。该实施方式实现了对视频资源中的语句的音频的精准切分。

Description

用于确定音频语句的边界的方法和装置

技术领域

本公开实施例涉及计算机技术领域，具体涉及语音技术领域，尤其涉及用于确定音频语句的边界的方法和装置。

背景技术

近年来，语音识别技术飞速发展，尤其是基于深度学习的语音识别技术使得语音识别性能得到了大幅度的提升。

连续语句的语音识别是语音识别技术中的一个重要应用场景。通常对于连续语句，首先需要划分各句子的边界，确定每个语句对应的音频信号的边界，然后分别对划分得到的每个语句进行识别。

视频资源中通常包含具有对应文本信息的多个语句的音频信息。并且，视频资源的字幕通常会标注每个语句的起始时间。但是字幕文件的生成通常会考虑观看者的观看习惯或阅读速度，字幕出现的时间与对应语句的音频的播放时间可能存在差异。

发明内容

本公开的实施例提出了用于确定音频语句的边界的方法、装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种用于确定音频语句的边界的方法，包括：将视频资源中的至少三个连续语句拼接成组合句；根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号；将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列；从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句；以及利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。

在一些实施例中，上述方法还包括：根据目标语句的语音边界，从音频文件中提取出目标语句的音频信号；将目标语句对应的文本作为目标语句的音频信号对应的文本标注信息，生成语音训练数据。

在一些实施例中，上述根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号，包括：基于字幕文件中各语句的起始时间，确定组合句的起始时间和结束时间；根据组合句的起始时间和结束时间从音频文件中确定出组合句对应的音频信号。

在一些实施例中，上述基于字幕文件中各语句的起始时间，确定组合句的起始时间和结束时间，包括：基于字幕文件，获取组合句中的第一个语句的起始时间作为组合句的起始时间，获取组合句中的最后一个语句的起始时间之后预设时间段的时间作为组合句的结束时间。

在一些实施例中，上述基于字幕文件中各语句的起始时间，确定组合句的起始时间和结束时间，包括：获取字幕文件中组合句中的第一个语句的起始时间作为组合句的起始时间，获取字幕文件中组合句中的最后一个语句的下一个语句的起始时间作为组合句的结束时间。

在一些实施例中，上述利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界，包括：抽取出组合句对应的音素标签序列中与目标语句对应的声韵母序列匹配的子序列，将子序列中的第一个音素标签对应的语音帧确定为目标语句的起始帧，将子序列中的最后一个音素标签对应的语音帧确定为目标语句的结束帧。

第二方面，本公开的实施例提供了一种用于确定音频语句的边界的装置，包括：拼接单元，被配置为将视频资源中的至少三个连续语句拼接成组合句；提取单元，被配置为根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号；解码单元，被配置为将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列；转换单元，被配置为从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句；以及匹配单元，被配置为利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。

在一些实施例中，上述装置还包括：切分单元，被配置为根据目标语句的语音边界，从音频文件中提取出目标语句的音频信号；生成单元，被配置为将目标语句对应的文本作为目标语句的音频信号对应的文本标注信息，生成语音训练数据。

在一些实施例中，上述提取单元进一步被配置为按照如下方式从视频资源的音频文件中提取出组合句对应的音频信号：基于字幕文件中各语句的起始时间，确定组合句的起始时间和结束时间；根据组合句的起始时间和结束时间从音频文件中确定出组合句对应的音频信号。

在一些实施例中，上述提取单元进一步被配置为按照如下方式确定组合句的起始时间和结束时间：基于字幕文件，获取组合句中的第一个语句的起始时间作为组合句的起始时间，获取组合句中的最后一个语句的起始时间之后预设时间段的时间作为组合句的结束时间。

在一些实施例中，上述提取单元进一步被配置为按照如下方式确定组合句的起始时间和结束时间：获取字幕文件中组合句中的第一个语句的起始时间作为组合句的起始时间，获取字幕文件中组合句中的最后一个语句的下一个语句的起始时间作为组合句的结束时间。

在一些实施例中，上述匹配单元进一步被配置为利用目标语句对应的声韵母序列，按照如下方式对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界：抽取出组合句对应的音素标签序列中与目标语句对应的声韵母序列匹配的子序列，将子序列中的第一个音素标签对应的语音帧确定为目标语句的起始帧，将子序列中的最后一个音素标签对应的语音帧确定为目标语句的结束帧。

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，用于存储一个或多个程序，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提供的用于确定音频语句的边界的方法。

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第一方面提供的用于确定音频语句的边界的方法。

本公开上述实施例的用于确定音频语句的边界的方法和装置、电子设备及计算机可读介质，通过将视频资源中的至少三个连续语句拼接成组合句，根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号，将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列，从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句，以及利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界，实现了对视频资源中的语句的音频的精准切分，能够得到时间边界准确的音频语句切分结果。

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确定音频语句的边界的方法的一个实施例的流程图；

图3是本公开的实施例所处理的视频资源中的字幕文件的一个示意图；

图4是根据本公开的用于确定音频语句的边界的方法的另一个实施例的流程图；

图5是本公开的用于确定音频语句的边界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的实施例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申请。

图1示出了可以应用本公开的实施例的用于确定音频语句的边界的方法或用于确定音频语句的边界的装置的示例性系统架构。

如图1所示，系统架构100中可以包括终端设备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，可以是语音交互设备，例如智能音箱、智能家电等；也可以是安装有各种语音交互应用的其他电子设备，包括但不限于智能手机、平板电脑、智能手表、电子书阅读器等等。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。

服务器105可以是对终端设备101、102、103提供语音服务的语音服务器。语音服务器可以对接收到的语音服务请求进行解析和处理，得到处理结果后反馈至终端设备101、102、103。语音服务器105还可以从终端设备101、102、103获取音频和/或视频资源，对于音频和/或视频资源进行自动标注处理，生成语音识别模型的训练数据。

服务器105可以是硬件，也可以是软件。当服务器105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105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，本公开实施例所提供的用于确定音频语句的边界的方法可以由终端设备101、102、103或服务器105执行，相应地，用于确定音频语句的边界的装置可以设置于终端设备101、102、103或服务器105中。

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，其示出了根据本公开的用于确定音频语句的边界的方法的一个实施例的流程200。该用于确定音频语句的边界的方法，包括以下步骤：

步骤201，将视频资源中的至少三个连续语句拼接成组合句。

在本实施例中，用于确定音频语句的边界的方法的执行主体(例如图1所示的服务器)可以获取视频资源。视频资源可以包括字幕文件和音频文件。其中字幕文件可以包括视频资源中的每个语句的起始时间和每个语句对应的文本。音频文件可以包括视频资源中的音频信号。

视频资源中的音频信号是时间连续的，可以根据字幕文件中各语句的起始时间确定各语句对应的音频信号的起始时间。实践中，一些场景中字幕文件可以包括各语句对应的音频信号的结束时间，这时可以根据字幕文件中各语句的结束时间确定各语句对应的音频信号的结束时间。通常字幕文件中的时间的精确度为秒级的，则根据字幕文件确定的各语句的起始时间和结束时间也是秒级的。

另一些场景中字幕文件中并不记录各语句的结束时间，则无法准确定位出语句对应的音频信号的结束时间。

在本实施例中，为了更精准地划分各语句对应的音频信号的起始时间和结束时间，可以首先将视频资源中的至少三个连续语句拼接为一个组合句。

例如，请参考图3，其示出了一个视频的字幕文件，其中第一列为视频的名称，第二列是语句的编号，第三列为对应语句的起始时间(精度为秒)，第四列为语句对应的文本内容。以三个连续语句拼接形成组合句为例，可以将编号1018、1022、1024的语句拼接为一个组合句，记为1022A；将编号1022、1024、1026的语句拼接为一个组合句，记为1024A；将编号1024、1026、1028的语句拼接为一个组合句，记为1026A。

需要说明的是，还可以超过三个的连续语句拼接成组合句，例如将图3所示编号分别为1018、1022、1024、1026的四个连续语句拼接为一个组合句，或者将编号分别为1002、1018、1022、1024、1026的五个连续语句拼接为一个组合句，等等。

步骤202，根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号。

可以根据视频资源的字幕文件，提取出上述组合句对应的音频信号。具体来说，可以根据字幕文件确定组合句对应的文本，然后利用文本到语音的转换技术将组合句对应的文本转换为组合句的语音信号模板，然后将组合句的语音信号模板与视频资源的音频信号进行匹配。将与组合句的语音信号模板匹配的音频信号中的片段确定为视频资源的音频文件中组合句对应的音频信号。

视频资源的字幕文件记录了每个语句的起始时间。在本实施例的一些可选的实现方式中，可以基于字幕文件中各语句的起始时间，确定组合句的起始时间和结束时间，然后根据组合句的起始时间和结束时间从视频资源的音频文件中确定出组合句对应的音频信号。

具体来说，在上述可选实现方式中，可以按照如下方式确定组合句的起始时间和结束时间：基于字幕文件，获取组合句中的第一个语句的起始时间作为组合句的起始时间，获取组合句中的最后一个语句的起始时间之后预设时间段的时间作为组合句的结束时间。在这里，将组合句中第一个语句的起始时间作为组合句的起始时间可以保证组合中的第一个语句的下一语句被完整保留在组合句中。上述预设时间段可以是预先设定的时间长度，例如为2秒，将该预设时间段叠加在组合句中的最后一个语句的起始时间之后，用以确保组合句中的最后一个语句的上一个语句被完整保留在组合句中。

或者，在上述可选实现方式中，还可以按照如下方式确定组合句的起始时间和结束时间：获取字幕文件中组合句中的第一个语句的起始时间作为组合句的起始时间，获取字幕文件中组合句中的最后一个语句的下一个语句的起始时间作为组合句的结束时间。在这里，将组合句中的最后一个语句的下一个语句的起始时间作为组合句中的最后一个语句的结束时间，也作为组合句的结束时间，可以保证组合句中非边缘的语句被完整保留在组合句中。

步骤203，将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列。

在本实施例中，可以将步骤202提取出的组合句对应的音频信号输入解码器进行解码。解码器可以是语音解码器，可以对音频信号中的每一个语音帧的语音状态进行估计。在这里，每个语音帧的长度可以为10毫秒。

解码时可以采Viterbi(维特比)算法进行解码，可以首先提取各语音帧的声学特征，然后基于各语音帧的声学特征，采用隐马尔可夫模型构建状态序列，基于状态转移概率和似然概率依次估算各语音帧对应的语音帧的状态。其中各语音帧的状态为语音帧对应的音素标签。在这里，音素标签是音素的标签，示例性的汉语的音素标签为：a，o，e，i，b，p，m，f，等等。

在解码后，可以得到各语音帧的音素标签，从而得到组合句对应的音素标签序列。例如，得到的音素标签序列为“0，0，0，0，a，a，a，a，0，0，0，b，b，0，0，0，c，c，c，0，0，0，d，d，0，0，e，e，0，0，0，f，f，f，…”，其中每个元素对应一个语音帧。“0”表示静音帧的音素标签，对应语句中的停顿。

步骤204，从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列。

目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句，即位于组合句的中间部分的语句。例如一个组合句由A、B、C、D四个语句拼接形成，其中A、D是位于组合句边缘的语句，B、C是组合句中不在边缘的语句，可以将B或C作为目标语句。在本实施例中，在拼接形成组合句时，可以指定其中一个非边缘语句作为目标语句，或者将其中各个非边缘语句作为目标语句。

可以从字幕文件中提取出目标语句对应的文本，然后，可以将目标语句对应的文本转换为拼音，并将拼音的声韵母分开，形成目标语句对应的声韵母序列。例如，对于图3中编号为1002的语句“不见得是特务”，其对应的声韵母序列为“b，j，ian，d，e，sh，i，t，e，w，u”。

步骤205，利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。

在本实施例中，可以根据步骤204获得的目标语句对应的声韵母序列对步骤203得到的组合句对应的音素标签序列进行匹配。上述音素标签序列中，多个连续相同的音素标签可以对应同一个发音单元，其中一个发音单元可以是一个声母或一个韵母。例如在音素标签序列“0，0，0，0，a，a，a，a，0，0，0，b，b，0，0，0”中，“a，a，a，a”对应一个发音单元，“b，b”对应一个发音单元。在匹配时，可以从目标语句对应的声韵母序列中的第一个元素开始，依次与组合句对应的音素标签序列中的音素标签进行匹配，在上述音素标签序列中顺序匹配到目标语句对应的声韵母序列中的第一个声韵母元素之后，可以跳过静音帧，判断下一个发音单元的音素标签是否与上述声韵母序列中的第二个声韵母元素匹配，依此执行音素标签序列与目标语句对应的声韵母序列中的各元素的匹配。

之后，可以根据匹配结果确定目标语句的语音边界。具体可以抽取出组合句对应的音素标签序列中与目标语句对应的声韵母序列匹配的子序列。将子序列中的第一个非静音帧音素标签在上述音素标签序列中邻接的前一个静音帧的时间作为目标语句的起始时间，将子序列中的最后一个非静音帧音素标签在上述音素标签序列中邻接的后一个静音帧的时间作为目标语句的结束时间。

在本实施例的一些可选的实现方式中，还可以按照如下方式执行确定出目标语句的语音边界的步骤205：抽取出组合句对应的音素标签序列中与目标语句对应的声韵母序列匹配的子序列，将子序列中的第一个音素标签对应的语音帧确定为目标语句的起始帧，将子序列中的最后一个音素标签对应的语音帧确定为目标语句的结束帧。

可以将上述子序列中与目标语句对应的声韵母序列匹配的第一个非静音帧音素标签和最后一个非静音帧音素标签分别确定为目标语句的起始语音帧和结束语音帧，也可以将该第一个非静音帧音素标签和该最后一个非静音帧音素标签对应的时间确定为目标语句的时间边界。

这样就得到了目标语句的语音边界。由于语音帧的长度一般为毫秒级，通过这种方法确定出的目标语句的语音边界可以达到毫秒级的精度。

作为示例，假设目标语句的声韵母序列为“b，c，d，e”，组合句对应的音素标签序列为“0，0，0，0，a，a，a，a，0，0，0，b，b，0，0，0，c，c，c，0，0，0，d，d，0，0，e，e，0，0，0，f，f，f，…”，则组合句对应的音素标签序列中的子序列“b，b，0，0，0，c，c，c，0，0，0，d，d，0，0，e，e”与目标语句的声韵母序列匹配成功。这时，可以将与目标语句的声韵母序列匹配的第一个音素标签“b”的前一个静音帧“0”和与目标语句的声韵母序列匹配的最后一个因素标签“d”的后一个静音帧分别作为目标语句的起始语音帧和结束语音帧。

可选地，在执行目标语句对应的声韵母序列与组合句对应的音素标签序列之间的匹配时，可以采用模糊匹配的方法，以避免步骤203中解码的微小差错导致匹配失败。

对于组合句中位于边缘的语句，可以将该位于边缘的语句与其相邻的其他语句组合形成新的组合句，使得该语句在新的组合句中不位于边缘，对新的组合句执行上述步骤201-步骤205的方法，则可以得到该语句的语音边界。

上述实施例的用于确定音频语句的边界的方法，通过将视频资源中的至少三个连续语句拼接成组合句，根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号，将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列，从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句，以及利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界，实现了对视频资源中的语句的音频的精准切分，能够得到时间边界准确的音频语句切分结果。

上述音频语句的切分结果可以应用于视频资源中音频的后期处理，例如可以应用于修正音频中的错误，还可以作为自然语音信号数据，应用于语音解析、语音合成等技术中。

继续参考图4，其示出了根据本公开的用于确定音频语句的边界的方法的另一个实施例的流程图。如图4所示，本实施例的用于确定音频语句的边界的方法的流程400，包括以下步骤：

步骤401，将视频资源中的至少三个连续语句拼接成组合句。

在本实施例中，视频资源可以包括字幕文件和音频文件。其中字幕文件可以包括视频资源中的每个语句的起始时间和每个语句对应的文本。音频文件可以包括视频资源中的音频信号。

可以随机地从视频资源中选择至少三个连续语句拼接成组合句，或者从视频资源的第一个语句开始，依次对至少三个连续语句进行拼接形成组合句。

步骤402，根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号。

可以根据字幕文件中所记录的组合句中的第一个语句的起始时间，和组合句中的最后一个语句的起始时间，确定组合句的起始时间和结束时间，进而从视频资源的音频文件中提取出组合句对应的音频信号。

步骤403，将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列。

可以采用Viterbi算法对组合句对应的音频信号解码，将组合句对应的音频信号与解码得出的音素标签序列中的音素标签对齐。

步骤404，从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列。

其中，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句。目标语句可以是指定的语句。当组合句是由三个连续语句拼接形成时，目标语句为三个连续语句中位于的中间的语句。

可以从字幕文件中提取出指定的目标语句对应的文本内容，并将其转换为拼音序列，之后再切分为声韵母序列。

步骤405，利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。

可以利用目标语句对应的声韵母序列在组合语句对应的音素标签序列中查找与该声韵母标签序列匹配的子序列。可以将查找出的子序列的边界帧作为目标语句的语音边界。

上述步骤401至步骤405分别与前述实施例的步骤201至步骤205一致，步骤401至步骤405的具体实现方式可以分别参考前述实施例中步骤201至步骤205的描述，此处不再赘述。

步骤406，根据目标语句的语音边界，从音频文件中提取出目标语句的音频信号。

在确定目标语句的语音边界后，从视频资源的音频文件中提取出对应的音频片段作为以目标语句的音频信号。

上述目标语句的语音边界可以用起始语音帧和结束语音帧表示，则可以提取出视频资源的音频文件中该起始语音帧和结束语音帧之间(包含该起始语音帧和结束语音帧)的音频信号，作为目标语句的音频信号。

上述目标语句的额语音边界也可以用起始时间和结束时间表示，则可以提取出视频资源的音频文件中该起始时间和结束时间之间(包含该起始时间和结束时间)的音频信号，作为目标语句的音频信号。

步骤407，将目标语句对应的文本作为目标语句的音频信号对应的文本标注信息，生成语音训练数据。

在本实施例中，还可以将从视频资源的字幕文件获取的目标语句对应的文本作为目标语句的音频信号对应的文本标注信息。该文本标注信息是目标语句的音频信号对应的文本标注。可以将该文本标注信息作为目标语句对应的音频信号的语音识别结果的标注信息，将包含语音识别结果的标注信息的音频信号作为语音训练数据，加入语音训练数据库中。

上述语音训练数据可以用于训练基于机器学习的语音识别模型。在训练时，可以将音频信号作为待训练的语音识别模型的输入，将音频信号对应的文本标注信息作为待训练的语音识别模型对音频信号识别的期望输出结果，迭代调整语音识别模型的参数。

基于深度学习的语音识别技术依赖于大规模的训练数据，例如其中声学模型基于大量级的训练样本训练得出。传统的语音数据的标注需要花费较多的时间和人力。从带字幕的视频资源中提取语音训练数据，可以极大地节约语音训练数据的获取成本和周期。并且，视频资源种类和场景丰富，可以满足各种场景下的语音识别需求。

字幕文件的时间精确度通常为秒级，例如图3所示字幕文件中每个语句的起始时间精确到秒，而为了保证长句的边界不会切分错误，语音训练数据需要精确到语音帧的级别，通常为10毫秒左右。因此基于字幕文件的语句边界切分的精确度不能满足语音训练数据的边界切分要求。在视频中，字幕和音频往往不同步，字幕文件中语句的边界也不够准确，由此得到的语音训练数据的边界切分的准确度难以保障。

通过采用本实施例的用于确定音频语句的边界的方法流程400，可以生成在语音帧级别切分得到的语音训练数据，有效提升了语音训练数据中语句边界切分的精确度，从而能够保证基于语音训练数据训练得出的语音识别模型能够精确地切分较长的语句，帮助提升语音识别模型的准确度。

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确定音频语句的边界的装置的一个实施例，该装置实施例与图2和图4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，本实施例的用于确定音频语句的边界的装置500包括：拼接单元501、提取单元502、解码单元503、转换单元504以及匹配单元505。其中，拼接单元501被配置为将视频资源中的至少三个连续语句拼接成组合句；提取单元502被配置为根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号；解码单元503被配置为将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列；转换单元504被配置为从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句；匹配单元505被配置为利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。

在一些实施例中，上述装置500还可以包括：切分单元，被配置为根据目标语句的语音边界，从音频文件中提取出目标语句的音频信号；生成单元，被配置为将目标语句对应的文本作为目标语句的音频信号对应的文本标注信息，生成语音训练数据。

在一些实施例中，上述提取单元502可以进一步被配置为按照如下方式从视频资源的音频文件中提取出组合句对应的音频信号：基于字幕文件中各语句的起始时间，确定组合句的起始时间和结束时间；根据组合句的起始时间和结束时间从音频文件中确定出组合句对应的音频信号。

在一些实施例中，上述提取单元502可以进一步被配置为按照如下方式确定组合句的起始时间和结束时间：基于字幕文件，获取组合句中的第一个语句的起始时间作为组合句的起始时间，获取组合句中的最后一个语句的起始时间之后预设时间段的时间作为组合句的结束时间。

在一些实施例中，上述提取单元502可以进一步被配置为按照如下方式确定组合句的起始时间和结束时间：获取字幕文件中组合句中的第一个语句的起始时间作为组合句的起始时间，获取字幕文件中组合句中的最后一个语句的下一个语句的起始时间作为组合句的结束时间。

在一些实施例中，上述匹配单元505可以进一步被配置为利用目标语句对应的声韵母序列，按照如下方式对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界：抽取出组合句对应的音素标签序列中与目标语句对应的声韵母序列匹配的子序列，将子序列中的第一个音素标签对应的语音帧确定为目标语句的起始帧，将子序列中的最后一个音素标签对应的语音帧确定为目标语句的结束帧。

应当理解，装置500中记载的诸单元与参考图2和图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

本公开上述实施例的用于确定音频语句的边界的装置500，通过将视频资源中的连续三个语句拼接为组合句，对组合句进行解码得到对应的音素标签序列，利用组合句中的目标语句对应的声韵母序列与组合句的音素标签序列匹配得出目标语句的语音边界，实现了对视频资源中的语句的音频的精准切分，能够得到时间边界准确的音频语句切分结果。

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中的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例，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。

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。

在一些实施例中，上述电子设备600的输入装置606可以包括声音采集装置，该声音采集装置用于获取声音信号，并且该声音采集装置包括放水的麦克风。这样，电子设备600可以应用于湿度较大的场景中，例如卫生间、厨房。

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，本公开的实施例所描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：将视频资源中的至少三个连续语句拼接成组合句；根据视频资源的字幕文件从视频资源的音频文件中提取出组合句对应的音频信号；将组合句对应的音频信号输入解码器进行解码，得到组合句对应的音素标签序列；从字幕文件中提取出组合句中的目标语句对应的文本，将目标语句对应的文本转换为声韵母序列，目标语句为组成组合句的至少三个连续语句中不在组合句边缘的语句；以及利用目标语句对应的声韵母序列对组合句对应的音素标签序列进行匹配，以确定目标语句的语音边界。

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，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：一种处理器包括拼接单元、提取单元、解码单元、转换单元以及匹配单元。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，拼接单元还可以被描述为“将视频资源中的至少三个连续语句拼接成组合句的单元”。

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 (14)

1.一种用于确定音频语句的边界的方法，包括：

将视频资源中的至少三个连续语句拼接成组合句；

根据所述视频资源的字幕文件从所述视频资源的音频文件中提取出所述组合句对应的音频信号，所述字幕文件包括所述视频资源中的每个语句的起始时间和每个语句对应的文本；

将所述组合句对应的音频信号输入解码器进行解码，得到所述组合句对应的音素标签序列；

从所述字幕文件中提取出所述组合句中的目标语句对应的文本，将所述目标语句对应的文本转换为声韵母序列，所述目标语句为组成所述组合句的至少三个连续语句中不在所述组合句边缘的语句；以及

利用所述目标语句对应的声韵母序列对所述组合句对应的音素标签序列进行匹配，以确定所述目标语句的语音边界。

2.根据权利要求1所述的方法，其中，所述方法还包括：

根据所述目标语句的语音边界，从所述音频文件中提取出所述目标语句的音频信号；

将所述目标语句对应的文本作为所述目标语句的音频信号对应的文本标注信息，生成语音训练数据。

3.根据权利要求1所述的方法，其中，所述根据所述视频资源的字幕文件从所述视频资源的音频文件中提取出所述组合句对应的音频信号，包括：

基于所述字幕文件中各语句的起始时间，确定所述组合句的起始时间和结束时间；

根据所述组合句的起始时间和结束时间从所述音频文件中确定出所述组合句对应的音频信号。

4.根据权利要求3所述的方法，其中，所述基于所述字幕文件中各语句的起始时间，确定所述组合句的起始时间和结束时间，包括：

基于所述字幕文件，获取所述组合句中的第一个语句的起始时间作为所述组合句的起始时间，获取所述组合句中的最后一个语句的起始时间之后预设时间段的时间作为所述组合句的结束时间。

5.根据权利要求3所述的方法，其中，所述基于所述字幕文件中各语句的起始时间，确定所述组合句的起始时间和结束时间，包括：

获取所述字幕文件中所述组合句中的第一个语句的起始时间作为所述组合句的起始时间，获取所述字幕文件中所述组合句中的最后一个语句的下一个语句的起始时间作为所述组合句的结束时间。

6.根据权利要求1-5任一项所述的方法，其中，所述利用所述目标语句对应的声韵母序列对所述组合句对应的音素标签序列进行匹配，以确定所述目标语句的语音边界，包括：

抽取出所述组合句对应的音素标签序列中与所述目标语句对应的声韵母序列匹配的子序列，将所述子序列中的第一个音素标签对应的语音帧确定为所述目标语句的起始帧，将所述子序列中的最后一个音素标签对应的语音帧确定为所述目标语句的结束帧。

7.一种用于确定音频语句的边界的装置，包括：

拼接单元，被配置为将视频资源中的至少三个连续语句拼接成组合句；

提取单元，被配置为根据所述视频资源的字幕文件从所述视频资源的音频文件中提取出所述组合句对应的音频信号，所述字幕文件包括所述视频资源中的每个语句的起始时间和每个语句对应的文本；

解码单元，被配置为将所述组合句对应的音频信号输入解码器进行解码，得到所述组合句对应的音素标签序列；

转换单元，被配置为从所述字幕文件中提取出所述组合句中的目标语句对应的文本，将所述目标语句对应的文本转换为声韵母序列，所述目标语句为组成所述组合句的至少三个连续语句中不在所述组合句边缘的语句；以及

匹配单元，被配置为利用所述目标语句对应的声韵母序列对所述组合句对应的音素标签序列进行匹配，以确定所述目标语句的语音边界。

8.根据权利要求7所述的装置，其中，所述装置还包括：

切分单元，被配置为根据所述目标语句的语音边界，从所述音频文件中提取出所述目标语句的音频信号；

生成单元，被配置为将所述目标语句对应的文本作为所述目标语句的音频信号对应的文本标注信息，生成语音训练数据。

9.根据权利要求7所述的装置，其中，所述提取单元进一步被配置为按照如下方式从所述视频资源的音频文件中提取出所述组合句对应的音频信号：

基于所述字幕文件中各语句的起始时间，确定所述组合句的起始时间和结束时间；

根据所述组合句的起始时间和结束时间从所述音频文件中确定出所述组合句对应的音频信号。

10.根据权利要求9所述的装置，其中，所述提取单元进一步被配置为按照如下方式确定所述组合句的起始时间和结束时间：

基于所述字幕文件，获取所述组合句中的第一个语句的起始时间作为所述组合句的起始时间，获取所述组合句中的最后一个语句的起始时间之后预设时间段的时间作为所述组合句的结束时间。

11.根据权利要求9所述的装置，其中，所述提取单元进一步被配置为按照如下方式确定所述组合句的起始时间和结束时间：

获取所述字幕文件中所述组合句中的第一个语句的起始时间作为所述组合句的起始时间，获取所述字幕文件中所述组合句中的最后一个语句的下一个语句的起始时间作为所述组合句的结束时间。

12.根据权利要求7-11任一项所述的装置，其中，所述匹配单元进一步被配置为利用所述目标语句对应的声韵母序列，按照如下方式对所述组合句对应的音素标签序列进行匹配，以确定所述目标语句的语音边界：

抽取出所述组合句对应的音素标签序列中与所述目标语句对应的声韵母序列匹配的子序列，将所述子序列中的第一个音素标签对应的语音帧确定为所述目标语句的起始帧，将所述子序列中的最后一个音素标签对应的语音帧确定为所述目标语句的结束帧。

13.一种电子设备，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1-6中任一所述的方法。

14.一种计算机可读介质，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1-6中任一所述的方法。

Images