一种录入语音处理方法、终端及计算机可读存储介质
技术领域
本发明涉及通信技术领域,更具体地说,涉及一种录入语音处理方法、终端及计算机可读存储介质。
背景技术
随着智能设备的普及和自然语言处理技术的发展,语音识别的应用领域越来越广泛,相对于其他的文本输入方式,语音识别所实现的语音输入方式更为符合人们的日常习惯,也使得输入过程更为高效。但是在语音识别的实际应用中,由于用户录入的语音时,用户自身的原因(例如发音问题,录入结束太快),语音识别的识别结果往往与用户的输入不一致,终端并不能准确识别出用户表达的意图,导致用户的体验满意度不高的问题。
发明内容
本发明要解决的技术问题在于现有终端在录入语音时,终端并不能准确识别出用户表达的意图,导致用户的体验满意度不高的问题,针对该技术问题,提供一种录入语音处理方法、终端及计算机可读存储介质。
为解决上述技术问题,本发明提供一种录入语音处理方法,所述录入语音处理方法包括:
对获取的录入语音进行语音识别处理,判断所述录入语音是否清晰;
如否,对所述录入语音中的模糊语音进行增强识别处理,对所述模糊语音对应的信息进行补充;
将处理后的录入语音转换为文字信息。
可选的,所述对获取的录入语音进行语音识别处理之前,包括:
判断所述录入语音对应的时长是否大于预设时长阈值;
如是,对获取的录入语音进行语音识别处理。
可选的,所述判断录入语音是否清晰包括:
判断所述录入语音中的发音是否准确;
或/和,
判断所述录入语音中的音量是否大于预设音量阈值;
或/和,
判断所述录入语音中的语速是否小于预设语速阈值;
如否,确定所述录入语音不清晰。
可选的,所述对所述录入语音中的模糊语音进行增强识别处理,对所述模糊语音对应的信息进行补充包括:
当所述模糊语音的音量小于所述预设音量阈值,对所述模糊语音进行降噪处理,并提高所述模糊语音的音量;
当所述模糊语音的语速大于所述预设语速阈值,降低所述模糊语音的语速;
确定所述模糊语音对应的文字信息,将所述文字信息作为补充文字。
可选的,当所述模糊语音的发音不准确,所述对所述录入语音中的模糊语音进行增强识别处理,对所述模糊语音对应的信息进行补充,包括:
基于所述模糊语音的发音,将所述模糊语音转换为拼音信息;
确定所述拼音信息对应的文字信息;
根据所述模糊语音的前后语音信息,确定与所述拼音信息匹配的补充文字。
可选的,当所述模糊语音的发音不准确,所述对所述录入语音中的模糊语音进行增强识别处理,对所述模糊语音对应的信息进行补充,包括:
基于所述模糊语音的发音,将所述模糊语音转换为拼音信息;
确定所述拼音信息对应的文字信息,根据各所述文字信息对应的使用频率,将使用频率最高的文字信息作为与所述模糊语音对应的补充文字。
可选的,当所述模糊语音的发音不准确,所述对所述录入语音中的模糊语音进行增强识别处理,对所述模糊语音对应的信息进行补充,包括:
获取所述录入语音中非模糊语音对应的至少两个关键字;
根据所述关键字,与预先存储的关键字与内容模板对应关系,确定所述录入语音的表述内容;
根据所述模糊语音的发音和所述表述内容,与所述模糊语音对应的补充文字。
可选的,当所述录入语音为待发送的语音信息时,所述将处理后的录入语音转换为文字信息之后,包括:
同时发送所述文字信息和所述录入语音。
进一步地,本发明还提供了一种终端,所述终端包括处理器、存储器及通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的连接通信;
所述处理器用于执行所述存储器中存储的一个或者多个程序,以实现如上所述的录入语音处理方法中的步骤。
进一步地,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的录入语音处理方法中的步骤。
有益效果
本发明提供一种录入语音处理方法、终端及计算机可读存储介质,针对现有终端在录入语音时,终端并不能准确识别出用户表达的意图,导致用户的体验满意度不高的问题,对获取的录入语音进行语音识别处理,判断录入语音是否清晰;如否,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充;将处理后的录入语音转换为文字信息。即当录入语音不清晰时,对录入语音中的模糊语音进行增强识别处理、信息补充处理,终端能准确有效地识别出该录入语音所表达的内容,提高用户的体验感和满意度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为实现本发明各个实施例一个可选的移动终端的硬件结构示意图;
图2为如图1所示的移动终端的无线通信系统示意图;
图3为本发明第一实施例提供的录入语音处理方法基本流程图;
图4为本发明第二实施例提供的录入语音处理方法细化流程图;
图5为本发明第三实施例提供的录入语音处理方法细化流程图;
图6为本发明第四实施例提供的终端的结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1,其为实现本发明各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。
进一步的,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理系统与处理器110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络系统进行描述。
请参阅图2,图2为本发明实施例提供的一种通信网络系统架构图,该通信网络系统为通用移动通信技术的LTE系统,该LTE系统包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
具体地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中,eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体)2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033,SGW(Serving Gate Way,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。其中,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035可以提供UE 201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于LTE系统,也可以适用于其他无线通信系统,例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等,此处不做限定。
基于上述移动终端硬件结构以及通信网络系统,提出本发明方法各个实施例。
第一实施例
为了解决现有终端在录入语音时,终端并不能准确识别出用户表达的意图,导致用户的体验满意度不高的问题,本实施例提供一种录入语音处理方法,如图3所示,图3为本实施例提供的录入语音处理方法基本流程图,该录入语音处理方法包括:
S301、对获取的录入语音进行语音识别处理,判断录入语音是否清晰,如否,转S302,如是,结束。
可以理解的是,终端可以录入用户的语音信息,该语音信息为本实施例中的录入语音。在对录入语音进行语音识别处理之前,需要获取录入语音,其获取方式可以是实时获取,即终端当前正在录入用户的语音信息,用户录入结束后,终端获取到录入语音;获取方式也可以是终端之前存储的录入语音,当然该录入语音可以是终端录入的,也可以是其他终端录入的。
应当理解的是,该录入语音对应一个时长,当时长过短时,用户自身表达的内容就不清楚完整,为了减少终端的功耗,在对获取的录入语音进行语音识别处理之前,还可以对录入语音的时长进行判断,具体的,判断录入语音对应的时长是否大于预设时长阈值;如是,判断录入语音是否清晰;其中该预设时长阈值可以由用户设置,也可以由终端设置;例如该预设时长阈值为5s、10s、30s等;当录入语音的时长大于预设时长阈值时,表示该录入语音并不是用户误录制,且用户表达的意思完整,此时,进一步对录入语音进行处理。
当获取录入语音后,通过语音识别技术对录入语音进行识别处理,即对录入语音中每个字进行识别,确定该录入语音表达的意思,当然语音识别技术为现有技术,在此不在一一赘述。由于用户自身或录入时外界环境的因素,该录入语音可能并不清晰,终端不能顺利进行语音识别;在本实施例中,需要判断录入语音是否清晰,具体包括以下至少一种方式:
方式一:判断录入语音中的发音是否准确,当存在发音不准确的语音时,表示该录入语音不清晰,在一些实施例中,也可以是判定该录入语音中存在预设个字的发音不准确时,确定该录入语音不清晰。可以理解的是,录入语音可以对应的是普通话,也可以是对应的方言(例如四川话,湖南话等),而方言的发音与普通话的发音相同,语音识别出的文字也不同;由于方言的发音误差率较大,本实施例以判断录入语音中的每个字的发音是否为普通话标准发音为例进行说明。
方式二:判断录入语音中的音量是否大于预设音量阈值,如否,确定该录入语音不清晰;当终端录入用户的语音时,由于用户说话的音量太小或外界音量太大,终端并不能准确识别出录入语音,因此本实施例通过音量的判断确定录入语音是否清晰;在一些实施例中,也可以是判定一段时间内的录入语音中的音量小于预设音量阈值时,例如录入语音中存在3秒内的音量小于预设音量阈值,确定该录入语音不清晰。在本实施例中,可设置预设音量阈值对应该终端可识别出语音的音量,例如该预设音量阈值为70-110dB。
方式三:判断录入语音中语速是否小于语速阈值,如否,确定录入语音不清晰。在本实施例中,当用户说话的语速太快时,终端在语音识别时,识别不准确,且容易漏识别。在本实施例中语速阈值为终端能识别到每个字的语速,例如可以是每分钟为300左右、250等。
当然,当录入语音中存在发音、音量问题,或发音、语速问题、或音量、语速问题时,确定录入语音不清晰;在一些实施例中,也可以是录入语音同时存在发音、音量、语速问题时,确定录入语音不清楚。
S302、对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充。
值得注意的是,由于录入语音并不清晰,则该录入语音中存在模糊语音,其中模糊语音包括发音不准确,和/或音量太小,和/或语速太快的语音。为了清楚的识别该录入语音表达的意思,需要对该录入语音中模糊语音进行增强识别处理,对模糊语音对应的信息进行补充;具体的,当模糊语音的音量小于预设音量阈值,对模糊语音进行降噪处理,并提供模糊语音的音量;当模糊语音的语速大于预设语速阈值,降低模糊语音的语速;即终端后期对模糊语音的语速、音量进行调整,进一步确定模糊语音对应的文字信息,将文字信息作为补充文字。
当模糊语音的发音不准确时,还可以对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,具体的,基于模糊语音的发音,将模糊语音转换为拼音信息;确定拼音信息对应的文字信息;根据模糊语音的前后语音信息,确定与拼音信息匹配的补充文字。由于模糊语音的发音不准确,则转换得到的拼音信息可以包括多个,该多个拼音信息存在相似性,进而根据拼音信息对应的至少一个对应的文字信息,当然该文字信息可以是方言拼音对应的文字信息,例如模糊语音的拼音信息为“pu”,其对应的文字信息为“铺”、“噗”、“潽”(表示液体沸腾溢出)等,拼音信息为“po”,其对应的文字信息为“婆”、“陂”等,获取该模糊语音的前后语音信息,例如“pu”的前面的语音为“水”,后面的语音信息为“出”,则确定与拼音信息匹配的补充文字为“潽”,该模糊语音及前后语音的表达内容为“水潽出”。
在本实施例中,还提供一种对模糊语音对应的进行补充的方法,具体包括:基于模糊语音的发音,将模糊语音转换为拼音信息;确定拼音信息对应的文字信息(包括方言发音对应的文字信息),根据各文字信息对应的使用频率,将使用频率最高的文字信息作为与模糊语音对应的补充文字。例如模糊语音对应的拼音信息为“hua fei”,该拼音信息对应的文字信息包括“话费”、“划分”、“化肥”、“发挥”等,获取用户平时的说话习惯,如通过用户语音通话、信息编辑等方式获取用户说话习惯,确定各文字信息对应的使用频率;假设使用频率分别为一周2次,3次,1次,6次,则将使用频率最高的文字信息“发挥”作为该“hua fei”的补充文字,即将该模糊语音识别为“发挥”。
在一些实施例中,对模糊语音对应的信息进行补充还可以是获取录入语音中非模糊语音对应的至少两个关键字;根据关键字,与预先存储的关键字与内容模板对应关系,确定录入语音的表述内容;根据模糊语音的发音和表述内容,与模糊语音对应的补充文字。在终端在预先存储有关键字与内容模块的对应关系表,该对应关系表可以是终端根据多个用户表述内容确定出的,也可以是由用户自定义设置的;例如如表1所示,表1为本实施例提供的一种关键字与内容模块的对应关系表。
表1
上述表1只是为了更好的理解,对关键字与内容模板对应关系表进行的示例性说明,表1的上述内容可以根据实际需求进行灵活调整,对关键字与内容模板对应关系表并不构成限定。
在本实施例中,录入语音中非模糊语音包括能识别出的语音,通过对非模糊语音的关键字进行提取,进而根据该关键字推论得到录音语音所表达的意思,此时根据模糊语音的发音和确定出的内容模板,确定模糊语音的补充文字;例如获取的非模糊语音对应的至少两个关键字为“加班”、“吃饭”,根据表1确定的录入语音的表述内容为“今天加班,不回家吃饭或你自己先吃,不用等我”;同时模糊语音的发音为“fei jia”,根据表述内容和发音,则可以确定出该模糊语音的补充文字为“回家”。
当然,为了保证模糊语音的补充文字的准确性,实施例中,可以采用至少两种方式确定补充文字,例如基于述模糊语音的前后语音信息,确定与拼音信息匹配的第一补充文字后;基于各文字信息对应的使用频率,将使用频率最高的文字信息作为与模糊语音对应的第二补充文字,将第一补充文件与第二补充文字进行对比,当相同时,确定出模糊语音的最终补充文字,若不同时,采用另外的确定方式确定出补充文字,再次进行对比。当然确定补充文字各确定方式的先后顺序可以是任意顺序,再次不进行限定。
S303、将处理后的录入语音转换为文字信息。
在本实施例,对录音语音中的模糊语音进行增强识别处理,且进行补充处理之后,终端能完全识别出该录入语音所表达的内容,此次将处理的录入语音转换为文字信息,方便用户确认理解。
在本实施例中,当该录入语音为待发送的语音信息时,将处理后的录入语音转换为文字信息之后,同时发送文字信息和录入语音;进而接收方接收到文字信息和录入语音后,能清晰识别发送方表达的意图。例如用户A通过“微信”发送实时语音,经过本实施例提供的录入语音处理方法的各步骤后转换为文字信息,同时将文字信息和录入语音发送并显示给用户B。
本实施例提供了一种录入语音处理方法,当录入语音的时长大于预设时长后,对获取的录入语音进行语音识别处理,通过判断录入语音的发音、音量、语速等方面是否合适,来判断录入语音是否清晰;如否,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,具体提供了三种方式,基于模糊语音的前后语音信息、模糊语音对应的文字信息的使用频率、非模糊语音的关键字,确定模糊语音的意思,清楚识别出用户表达的内容,进而将处理后的录入语音转换为文字信息,最后同时发送文字信息和录入语音,使得接收方能够明白发送方想要表达的意图,提高用户的体验感和满意度。
第二实施例
为了更好的理解本发明提供的录入语音处理方法,本实施例以一个较为具体的例子对录入语音处理方法进行说明,如图4所示,图4为本发明第二实施例提供的录入语音处理方法细化流程图,该录入语音处理方法包括:
S401、判断录入语音对应的时长是否大于预设时长阈值,如是,转S402,如否,转S401。
在本实施例中,用户通过语音告知对方消息,具体的,用户在终端中录入语音,终端通过网络将录入语音发送给接收方;但当录入语音时长过短时,终端,例如1s、2s时,用户自身表达的内容可能不清楚,为了减少终端的功耗,通过判断录入语音对应的时长是否大于预设时长阈值,来初步判断用户自身表达的意思是否完整,其中预设时长阈值可以根据实际使用需求进行灵活设置,例如本实施例中的录入语音对应的预设时长阈值为10s。
S402、对获取的录入语音进行语音识别处理,判断录入语音是否清晰,如否,转S403,如是,转S407。
当获取录入语音后,通过语音识别技术对录入语音进行识别处理,在识别处理过程中,终端可确定该录入语音是否清晰。例如在本实施例中,判断录入语音中的发音是否准确,判断录入语音中的音量是否大于预设音量阈值,判断录入语音中的语速是否小于预设语速阈值,录入语音中的发音、音量、语速中至少一个存在问题时,即终端确定录入语音的发音不准确、录入语音中的音量太小、录入语音中的语速太快中至少一个问题时,表示该录入语音不清晰。
S403、对录入语音中的模糊语音进行增强识别处理。
在本实施例中,假设录入语音存在发音、音量、语速三种问题,先对模糊语音(模糊语音包括发音不准确,和/或音量太小,和/或语速太快的语音)的音量进行调整,例如当模糊语音的音量小于预设音量阈值,对模糊语音进行降噪处理,并提高模糊语音的音量,然后降低模糊语音的语速;再次基础上,对模糊语音进行识别、补充处理。
S404、对模糊语音对应的信息进行补充。
由于有些模糊语音可能存在发音问题,终端初步识别时,并不能准确的识别出模糊语音对应的文字信息,因此对模糊语音对应的信息进行补充,例如基于模糊语音的发音,将模糊语音转换为拼音信息,该拼音信息可以是一个,也可以是多个;确定拼音信息对应的文字信息;根据模糊语音的前后语音信息,从确定出的文字信息中选择与拼音信息匹配的补充文字;例如模糊语音的拼音信息为“pu”,其对应的文字信息为“铺”、“噗”、“潽”(表示液体沸腾溢出)等,拼音信息为“po”,其对应的文字信息为“婆”、“陂”等,获取该模糊语音的前后语音信息,例如“pu”的前面的语音为“水”,后面的语音信息为“出”,则根据前后文意思,选择与拼音信息匹配的补充文字为“潽”,该模糊语音及前后语音的表达内容为“水潽出”。
S405、将处理后的录入语音转换为文字信息。
S406、同时将文字信息和录入语音发送给接收方。
S407、将录入语音转换为文字信息,并发送给接收方。
本实施例提供了一种以一个较为具体的例子对录入语音处理方法进行说明,当录入语音的时长大于预设时长后,对获取的录入语音进行语音识别处理,判断录入语音是否清晰;如否,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,清楚识别出用户表达的内容,进而将处理后的录入语音转换为文字信息,最后同时发送文字信息和录入语音,使得接收方能够明白发送方想要表达的意图,提高用户的体验感和满意度。
第三实施例
本实施例提供一种录入语音处理方法,如图5所示,该录入语音处理方法包括:
S501、对获取的录入语音进行语音识别处理,判断录入语音是否清晰,如否,转S502,如是,转S508。
本实施例以判断录入语音中的发音是否准确为例,来判断录入语音是否清晰;当录入语音中存在发音不准确的语音时,则取得该录入语音不清晰。
S502、通过第一补充方式对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,得到第一补充文字。
在本实施例中,该模糊语音对应于发音不准确的语音。步骤S502的具体过程为:基于模糊语音的发音,将模糊语音转换为拼音信息;确定拼音信息对应的文字信息,根据各文字信息对应的使用频率,将使用频率最高的文字信息作为与模糊语音对应的补充文字。可以理解的是,本实施例中的模糊语音可能对应的方言发音,将将模糊语音转换为拼音信息,该拼音信息可以是一个,也可以是多个,本实施例以一个拼音信息为例进行说明,值得注意的是,该拼音信息还可能是方言对应的拼音,进而确定出对应的文字信息可能是方言的音译文字。例如模糊语音对应的拼音信息为“hua jia”,该拼音信息对应的文字信息包括“画家”、“花甲”、“回家”(该回家假设是“hua jia”对应的某方言的音译文字)等,获取用户平时的说话习惯,如通过用户语音通话、信息编辑等方式获取用户说话习惯,假设确定出各文字信息对应的使用频率分别为一周1次,2次,7次,则将使用频率最高的文字信息“回家”作为该“hua jia”的第一补充文字。
S503、通过第二补充方式对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,得到第二补充文字。
在本实施例中,步骤S503的具体过程为:获取录入语音中非模糊语音对应的至少两个关键字;根据关键字,与预先存储的关键字与内容模板对应关系,确定录入语音的表述内容;根据模糊语音的发音和表述内容,与模糊语音对应的补充文字。在终端在预先存储有关键字与内容模块的对应关系表,该对应关系表可以是终端根据多个用户表述内容确定出的,也可以是由用户自定义设置的。
例如获取的非模糊语音对应的至少两个关键字为“加班”、“吃饭”,根据第一实施例中的表1确定的录入语音的表述内容为“今天加班,不回家吃饭或你自己先吃,不用等我”;同时模糊语音的发音为“hua jia”,根据表述内容和发音,则可以确定出该模糊语音的第二补充文字为“回家”。
S504、对第一补充文字和第二补充文字是否相同,如否,转S505,如是,转S506。
本实施例中,第一补充文字和第二补充文字相同。
S505、根据该模糊语音的前后语音,选择匹配的补充文字。
假设第一补充文字为“画家”,第二补充文字为“回家”,由于模糊语音的前后语音为“吃”,则选择与“吃”更匹配的第二补充文字“回家”。
S506、将处理后的录入语音转换为文字信息。
S507、同时将文字信息和录入语音发送给接收方。
S508、将录入语音转换为文字信息,并发送给接收方。
本实施例提供了一种录入语音处理方法,对获取的录入语音进行语音识别处理,当确定该录入语音存在发音不准确的问题时,确定该录入语音不清晰,通过两种不同的方式对该发音不准确的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,得到两种补充文字,当两种补充文字相同时,进而将处理后的录入语音转换为文字信息,最后同时发送文字信息和录入语音;当两种补充文字相同时,根据该模糊语音的前后语音,选择匹配的补充文字;使得接收方能够明白发送方想要表达的意图,提高用户的体验感和满意度。
第四实施例
本实施例提供一种终端,请参见图6所示,本实施例提供的终端包括处理器601、存储器602及通信总线603。
其中,本实施例中的通信总线603用于实现处理器601和存储器602之间的连接通信,处理器601则用于执行存储器602中存储的一个或者多个第一程序,以实现以下步骤:
对获取的录入语音进行语音识别处理,判断录入语音是否清晰;
如否,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充;
将处理后的录入语音转换为文字信息。
在本实施例中,处理器601在实现对获取的录入语音进行语音识别处理之前,还可以判断录入语音对应的时长是否大于预设时长阈值;如是,对获取的录入语音进行语音识别处理。
值得注意的是,本实施例中判断录入语音是否清晰包括以下三种中的至少一种:判断录入语音中的发音是否准确、判断录入语音中的音量是否大于预设音量阈值、判断录入语音中的语速是否小于预设语速阈值;如否,确定录入语音不清晰。
在本实施例中,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充包括:当模糊语音的音量小于预设音量阈值,对模糊语音进行降噪处理,并提高模糊语音的音量;当模糊语音的语速大于预设语速阈值,降低模糊语音的语速;确定模糊语音对应的文字信息,将文字信息作为补充文字。
当模糊语音的发音不准确,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充,包括以下三种方式:
方式一:基于模糊语音的发音,将模糊语音转换为拼音信息;确定拼音信息对应的文字信息;根据模糊语音的前后语音信息,确定与拼音信息匹配的补充文字。
方式二:基于模糊语音的发音,将模糊语音转换为拼音信息;确定拼音信息对应的文字信息,根据各文字信息对应的使用频率,将使用频率最高的文字信息作为与模糊语音对应的补充文字。
方式三:获取录入语音中非模糊语音对应的至少两个关键字;根据关键字,与预先存储的关键字与内容模板对应关系,确定录入语音的表述内容;根据模糊语音的发音和表述内容,与模糊语音对应的补充文字。
在本实施例中,当录入语音为待发送的语音信息时,处理器601将处理后的录入语音转换为文字信息之后,还可以同时发送文字信息和录入语音。
值得注意的是,为了不累赘说明,在本实施例中并未完全阐述第一实施例、第二实施例、第三实施例中的所有示例,应当明确的是,第一实施例、第二实施例、第三实施例中的所有示例均适用于本实施例。
本实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述各实施例中的录入语音处理方法中的步骤。
本实施例提供一种终端和计算机可读存储介质,用于实现上述各实施例中的录入语音处理方法,录入语音处理方法包括对获取的录入语音进行语音识别处理,判断录入语音是否清晰;如否,对录入语音中的模糊语音进行增强识别处理,对模糊语音对应的信息进行补充;将处理后的录入语音转换为文字信息。即当录入语音不清晰时,对录入语音中的模糊语音进行增强识别处理、信息补充处理,终端能准确有效地识别出该录入语音所表达的内容,提高用户的体验感和满意度。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。