CN110491388A - 一种音频数据的处理方法和终端 - Google Patents

一种音频数据的处理方法和终端 Download PDF

Info

Publication number
CN110491388A
CN110491388A CN201810464236.9A CN201810464236A CN110491388A CN 110491388 A CN110491388 A CN 110491388A CN 201810464236 A CN201810464236 A CN 201810464236A CN 110491388 A CN110491388 A CN 110491388A
Authority
CN
China
Prior art keywords
data
networked terminals
audio data
view
view networked
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.)
Pending
Application number
CN201810464236.9A
Other languages
English (en)
Inventor
彭郑君
彭宇龙
朱紫萱
刘帅
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.)
Visionvera Information Technology Co Ltd
Original Assignee
Visionvera Information 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 Visionvera Information Technology Co Ltd filed Critical Visionvera Information Technology Co Ltd
Priority to CN201810464236.9A priority Critical patent/CN110491388A/zh
Publication of CN110491388A publication Critical patent/CN110491388A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/57—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 for processing of video signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/60—Network streaming of media packets
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/15—Conference systems
    • H04N7/155—Conference systems involving storage of or access to video conference sessions
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L2015/088—Word spotting

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明实施例提供了一种音频数据的处理方法和终端，其中，所述音频数据的处理方法应用于视联网中，所述视联网包括视联网终端和视联网服务器；所述方法包括：所述视联网终端获取音频数据；所述视联网终端对所述音频数据进行特征提取，得到特征信息；所述视联网终端对所述特征信息进行模式识别，得到文本数据；所述视联网终端将所述文本数据发送至所述视联网服务器，所述视联网服务器用于存储所述文本数据，并供所述视联网中的视联网终端读取所述文本数据。本发明实施例节省了发送数据所消耗的带宽，以及，存储数据所占用的存储空间。而且，缩短了回顾时间。

Description

一种音频数据的处理方法和终端
技术领域
本发明涉及视联网技术领域，特别是涉及一种音频数据的处理方法和一种终端。
背景技术
随着视联网科技的快速发展，视联网视频会议在工作、学习等方面广泛普及。
目前，视联网视频会议主要记录的是音视频数据，将音视频数据发送并存储在视联网服务器中。一方面、发送音视频数据需要消耗大量的带宽；另一方面、音视频数据在视联网服务器中占用大量的存储空间，而且，进行视联网视频会议回顾操作需要播放视联网服务器中存储的音视频数据，回顾操作耗时较长。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种音频数据的处理方法和相应的一种终端。
为了解决上述问题，本发明实施例公开了一种音频数据的处理方法，所述音频数据的处理方法应用于视联网中，所述视联网包括视联网终端和视联网服务器；所述方法包括：所述视联网终端获取音频数据；所述视联网终端对所述音频数据进行特征提取，得到特征信息；所述视联网终端对所述特征信息进行模式识别，得到文本数据；所述视联网终端将所述文本数据发送至所述视联网服务器，所述视联网服务器用于存储所述文本数据，并供所述视联网中的视联网终端读取所述文本数据。
可选地，所述视联网终端对所述特征信息进行模式识别，得到文本数据，包括：所述视联网终端将所述特征信息识别为音素状态，所述音素状态为起始音状态、持续音状态和结束音状态中的一种，所述起始音状态、持续音状态和结束音状态组成一个音素；所述视联网终端根据预置的声学模型数据库确定与所述音素状态匹配的词组或单词，所述声学模型包括音素状态、音素与词组的第一对应关系，以及，所述第一对应关系的概率，或者音素状态、音素与单词的第二对应关系，以及，所述第二对应关系的概率；所述视联网终端将所述与所述音素状态匹配的词组或单词组成为所述文本数据。
可选地，所述视联网终端根据预置的声学模型数据库确定与所述音素状态匹配的词组或单词，包括：所述视联网终端根据所述第一对应关系和所述第一对应关系的概率，或者所述第二对应关系和所述第二对应关系的概率，确定满足预设条件的词组或单词，所述预设条件为所述第一对应关系的概率或所述第二对应关系的概率大于或等于预设阈值，或者所述第一对应关系的概率或所述第二对应关系的概率为最大值；所述视联网终端将所述满足预设条件的词组或单词确定为所述与所述音素状态匹配的词组或单词。
可选地，所述视联网终端对所述音频数据进行特征提取，得到特征信息，包括：所述视联网终端对所述音频数据的波形进行分析，得到所述特征信息，所述特征信息包括声音强度信息、声音响度信息和声音音高信息中的一种或多种。
可选地，在所述视联网终端对所述音频数据的波形进行分析，得到所述特征信息之前，所述方法还包括：所述视联网终端对所述音频数据进行预处理操作，所述预处理操作包括声道转换操作、预加重操作、重采样操作、组帧操作、加窗操作中的一种或多种。
可选地，在所述视联网终端对所述音频数据进行特征提取，得到特征信息之后，所述方法还包括：所述视联网终端根据所述特征信息识别所述音频数据的源用户信息。
可选地，在所述视联网终端对所述特征信息进行模式识别，得到文本数据之后，所述方法还包括：所述视联网终端按照预置的会议纪要模板，将所述文本数据转换为会议纪要数据。
可选地，在所述视联网终端按照预置的会议纪要模板，将所述文本数据为转换为会议纪要数据之后，所述方法还包括：所述视联网终端按照视联网协议将所述会议纪要数据发送至所述视联网服务器，所述视联网服务器还用于存储所述会议纪要数据，并供所述视联网中的视联网终端读取所述会议纪要数据。
本发明实施例还公开了一种终端，所述终端应用于视联网中，所述视联网包括视联网终端和视联网服务器；所述视联网终端包括：数据获取模块，用于获取音频数据；特征提取模块，用于对所述音频数据进行特征提取，得到特征信息；模式识别模块，用于对所述特征信息进行模式识别，得到文本数据；数据发送模块，用于将所述文本数据发送至所述视联网服务器，所述视联网服务器用于存储所述文本数据，并供所述视联网中的视联网终端读取所述文本数据。
可选地，所述模式识别模块，包括：特征信息识别子模块，用于将所述特征信息识别为音素状态，所述音素状态为起始音状态、持续音状态和结束音状态中的一种，所述起始音状态、持续音状态和结束音状态组成一个音素；词组或单词确定子模块，用于根据预置的声学模型数据库确定与所述音素状态匹配的词组或单词，所述声学模型包括音素状态、音素与词组的第一对应关系，以及，所述第一对应关系的概率，或者音素状态、音素与单词的第二对应关系，以及，所述第二对应关系的概率；文本数据组成子模块，用于将所述与所述音素状态匹配的词组或单词组成为所述文本数据。
可选地，所述词组或单词确定子模块，用于根据所述第一对应关系和所述第一对应关系的概率，或者所述第二对应关系和所述第二对应关系的概率，确定满足预设条件的词组或单词，所述预设条件为所述第一对应关系的概率或所述第二对应关系的概率大于或等于预设阈值，或者所述第一对应关系的概率或所述第二对应关系的概率为最大值；将所述满足预设条件的词组或单词确定为所述与所述音素状态匹配的词组或单词。
可选地，所述特征提取模块，用于对所述音频数据的波形进行分析，得到所述特征信息，所述特征信息包括声音强度信息、声音响度信息和声音音高信息中的一种或多种。
可选地，所述视联网终端还包括：数据预处理模块，用于在所述特征提取模块对所述音频数据的波形进行分析，得到所述特征信息之前，对所述音频数据进行预处理操作，所述预处理操作包括声道转换操作、预加重操作、重采样操作、组帧操作、加窗操作中的一种或多种。
可选地，所述视联网终端还包括：用户识别模块，用于在所述特征提取模块对所述音频数据进行特征提取，得到特征信息之后，根据所述特征信息识别所述音频数据的源用户信息。
可选地，所述视联网终端还包括：数据转换模块，用于在所述模式识别模块对所述特征信息进行模式识别，得到文本数据之后，按照预置的会议纪要模板，将所述文本数据转换为会议纪要数据。
可选地，所述数据发送模块，还用于在所述数据转换模块按照预置的会议纪要模板，将所述文本数据为转换为会议纪要数据之后，按照视联网协议将所述会议纪要数据发送至所述视联网服务器，所述视联网服务器还用于存储所述会议纪要数据，并供所述视联网中的视联网终端读取所述会议纪要数据。
本发明实施例包括以下优点：
本发明实施例应用视联网的特性，视联网中的视联网终端获取视联网视频会议中的音频数据，视联网终端对音频数据进行特征提取，得到特征信息，视联网终端对特征信息进行模式识别，得到文本数据，视联网终端将文本数据发送至视联网中的视联网服务器，视联网服务器用于存储文本数据，并供视联网中的视联网终端读取文本数据。
本发明实施例中的视联网终端将视联网视频会议中的音频数据经过一系列处理，转化为表示视联网视频会议记录的文本数据，进而将文本数据发送至视联网服务器，在视联网服务器上存储文本数据，并供视联网中的视联网终端读取文本数据。与发送音视频数据至视联网服务器，在视联网服务器上存储音视频数据相比，节省了发送数据所消耗的带宽，以及，存储数据所占用的存储空间。而且，与回顾音视频数据相比，缩短了回顾时间。
附图说明
图1是本发明的一种视联网的组网示意图；
图2是本发明的一种节点服务器的硬件结构示意图；
图3是本发明的一种接入交换机的硬件结构示意图；
图4是本发明的一种以太网协转网关的硬件结构示意图；
图5是本发明的一种音频数据的处理方法实施例的步骤流程图；
图6是本发明的一种视联网视频会议中语音识别会议纪要的方法实施例的步骤流程图；
图7是本发明的一种终端实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
视联网是网络发展的重要里程碑，是一个实时网络，能够实现高清视频实时传输，将众多互联网应用推向高清视频化，高清面对面。
视联网采用实时高清视频交换技术，可以在一个网络平台上将所需的服务，如高清视频会议、视频监控、智能化监控分析、应急指挥、数字广播电视、延时电视、网络教学、现场直播、VOD点播、电视邮件、个性录制(PVR)、内网(自办)频道、智能化视频播控、信息发布等数十种视频、语音、图片、文字、通讯、数据等服务全部整合在一个系统平台，通过电视或电脑实现高清品质视频播放。
为使本领域技术人员更好地理解本发明实施例，以下对视联网进行介绍：
视联网所应用的部分技术如下所述：
网络技术(Network Technology)
视联网的网络技术创新改良了传统以太网(Ethernet)，以面对网络上潜在的巨大视频流量。不同于单纯的网络分组包交换(Packet Switching)或网络电路交换(CircuitSwitching)，视联网技术采用Packet Switching满足Streaming需求。视联网技术具备分组交换的灵活、简单和低价，同时具备电路交换的品质和安全保证，实现了全网交换式虚拟电路，以及数据格式的无缝连接。
交换技术(Switching Technology)
视联网采用以太网的异步和包交换两个优点，在全兼容的前提下消除了以太网缺陷，具备全网端到端无缝连接，直通用户终端，直接承载IP数据包。用户数据在全网范围内不需任何格式转换。视联网是以太网的更高级形态，是一个实时交换平台，能够实现目前互联网无法实现的全网大规模高清视频实时传输，将众多网络视频应用推向高清化、统一化。
服务器技术(Server Technology)
视联网和统一视频平台上的服务器技术不同于传统意义上的服务器，它的流媒体传输是建立在面向连接的基础上，其数据处理能力与流量、通讯时间无关，单个网络层就能够包含信令及数据传输。对于语音和视频业务来说，视联网和统一视频平台流媒体处理的复杂度比数据处理简单许多，效率比传统服务器大大提高了百倍以上。
储存器技术(Storage Technology)
统一视频平台的超高速储存器技术为了适应超大容量和超大流量的媒体内容而采用了最先进的实时操作系统，将服务器指令中的节目信息映射到具体的硬盘空间，媒体内容不再经过服务器，瞬间直接送达到用户终端，用户等待一般时间小于0.2秒。最优化的扇区分布大大减少了硬盘磁头寻道的机械运动，资源消耗仅占同等级IP互联网的20％，但产生大于传统硬盘阵列3倍的并发流量，综合效率提升10倍以上。
网络安全技术(Network Security Technology)
视联网的结构性设计通过每次服务单独许可制、设备与用户数据完全隔离等方式从结构上彻底根除了困扰互联网的网络安全问题，一般不需要杀毒程序、防火墙，杜绝了黑客与病毒的攻击，为用户提供结构性的无忧安全网络。
服务创新技术(Service Innovation Technology)
统一视频平台将业务与传输融合在一起，不论是单个用户、私网用户还是一个网络的总合，都不过是一次自动连接。用户终端、机顶盒或PC直接连到统一视频平台，获得丰富多彩的各种形态的多媒体视频服务。统一视频平台采用“菜谱式”配表模式来替代传统的复杂应用编程，可以使用非常少的代码即可实现复杂的应用，实现“无限量”的新业务创新。
视联网的组网如下所述：
视联网是一种集中控制的网络结构，该网络可以是树型网、星型网、环状网等等类型，但在此基础上网络中需要有集中控制节点来控制整个网络。
如图1所示，视联网分为接入网和城域网两部分。
接入网部分的设备主要可以分为3类：节点服务器，接入交换机，终端(包括各种机顶盒、编码板、存储器等)。节点服务器与接入交换机相连，接入交换机可以与多个终端相连，并可以连接以太网。
其中，节点服务器是接入网中起集中控制功能的节点，可控制接入交换机和终端。节点服务器可直接与接入交换机相连，也可以直接与终端相连。
类似的，城域网部分的设备也可以分为3类：城域服务器，节点交换机，节点服务器。城域服务器与节点交换机相连，节点交换机可以与多个节点服务器相连。
其中，节点服务器即为接入网部分的节点服务器，即节点服务器既属于接入网部分，又属于城域网部分。
城域服务器是城域网中起集中控制功能的节点，可控制节点交换机和节点服务器。城域服务器可直接连接节点交换机，也可直接连接节点服务器。
由此可见，整个视联网络是一种分层集中控制的网络结构，而节点服务器和城域服务器下控制的网络可以是树型、星型、环状等各种结构。
形象地称，接入网部分可以组成统一视频平台(虚线圈中部分)，多个统一视频平台可以组成视联网；每个统一视频平台可以通过城域以及广域视联网互联互通。
视联网设备分类
1.1本发明实施例的视联网中的设备主要可以分为3类：服务器，交换机(包括以太网网关)，终端(包括各种机顶盒，编码板，存储器等)。视联网整体上可以分为城域网(或者国家网、全球网等)和接入网。
1.2其中接入网部分的设备主要可以分为3类：节点服务器，接入交换机(包括以太网网关)，终端(包括各种机顶盒，编码板，存储器等)。
各接入网设备的具体硬件结构为：
节点服务器：
如图2所示，主要包括网络接口模块201、交换引擎模块202、CPU模块203、磁盘阵列模块204；
其中，网络接口模块201，CPU模块203、磁盘阵列模块204进来的包均进入交换引擎模块202；交换引擎模块202对进来的包进行查地址表205的操作，从而获得包的导向信息；并根据包的导向信息把该包存入对应的包缓存器206的队列；如果包缓存器206的队列接近满，则丢弃；交换引擎模202轮询所有包缓存器队列，如果满足以下条件进行转发：1)该端口发送缓存未满；2)该队列包计数器大于零。磁盘阵列模块204主要实现对硬盘的控制，包括对硬盘的初始化、读写等操作；CPU模块203主要负责与接入交换机、终端(图中未示出)之间的协议处理，对地址表205(包括下行协议包地址表、上行协议包地址表、数据包地址表)的配置，以及，对磁盘阵列模块204的配置。
接入交换机：
如图3所示，主要包括网络接口模块(下行网络接口模块301、上行网络接口模块302)、交换引擎模块303和CPU模块304；
其中，下行网络接口模块301进来的包(上行数据)进入包检测模块305；包检测模块305检测包的目的地址(DA)、源地址(SA)、数据包类型及包长度是否符合要求，如果符合，则分配相应的流标识符(stream-id)，并进入交换引擎模块303，否则丢弃；上行网络接口模块302进来的包(下行数据)进入交换引擎模块303；CPU模块204进来的数据包进入交换引擎模块303；交换引擎模块303对进来的包进行查地址表306的操作，从而获得包的导向信息；如果进入交换引擎模块303的包是下行网络接口往上行网络接口去的，则结合流标识符(stream-id)把该包存入对应的包缓存器307的队列；如果该包缓存器307的队列接近满，则丢弃；如果进入交换引擎模块303的包不是下行网络接口往上行网络接口去的，则根据包的导向信息，把该数据包存入对应的包缓存器307的队列；如果该包缓存器307的队列接近满，则丢弃。
交换引擎模块303轮询所有包缓存器队列，在本发明实施例中分两种情形：
如果该队列是下行网络接口往上行网络接口去的，则满足以下条件进行转发：1)该端口发送缓存未满；2)该队列包计数器大于零；3)获得码率控制模块产生的令牌；
如果该队列不是下行网络接口往上行网络接口去的，则满足以下条件进行转发：1)该端口发送缓存未满；2)该队列包计数器大于零。
码率控制模块208是由CPU模块204来配置的，在可编程的间隔内对所有下行网络接口往上行网络接口去的包缓存器队列产生令牌，用以控制上行转发的码率。
CPU模块304主要负责与节点服务器之间的协议处理，对地址表306的配置，以及，对码率控制模块308的配置。
以太网协转网关：
如图4所示，主要包括网络接口模块(下行网络接口模块401、上行网络接口模块402)、交换引擎模块403、CPU模块404、包检测模块405、码率控制模块408、地址表406、包缓存器407和MAC添加模块409、MAC删除模块410。
其中，下行网络接口模块401进来的数据包进入包检测模块405；包检测模块405检测数据包的以太网MAC DA、以太网MAC SA、以太网length or frame type、视联网目的地址DA、视联网源地址SA、视联网数据包类型及包长度是否符合要求，如果符合则分配相应的流标识符(stream-id)；然后，由MAC删除模块410减去MAC DA、MAC SA、length or frame type(2byte)，并进入相应的接收缓存，否则丢弃；
下行网络接口模块401检测该端口的发送缓存，如果有包则根据包的视联网目的地址DA获知对应的终端的以太网MAC DA，添加终端的以太网MAC DA、以太网协转网关的MACSA、以太网length or frame type，并发送。
以太网协转网关中其他模块的功能与接入交换机类似。
终端：
主要包括网络接口模块、业务处理模块和CPU模块；例如，机顶盒主要包括网络接口模块、视音频编解码引擎模块、CPU模块；编码板主要包括网络接口模块、视音频编码引擎模块、CPU模块；存储器主要包括网络接口模块、CPU模块和磁盘阵列模块。
1.3城域网部分的设备主要可以分为3类：节点服务器，节点交换机，城域服务器。其中，节点交换机主要包括网络接口模块、交换引擎模块和CPU模块；城域服务器主要包括网络接口模块、交换引擎模块和CPU模块构成。
2、视联网数据包定义
2.1接入网数据包定义
接入网的数据包主要包括以下几部分：目的地址(DA)、源地址(SA)、保留字节、payload(PDU)、CRC。
如下表所示，接入网的数据包主要包括以下几部分：
DA SA Reserved Payload CRC
其中：
目的地址(DA)由8个字节(byte)组成，第一个字节表示数据包的类型(例如各种协议包、组播数据包、单播数据包等)，最多有256种可能，第二字节到第六字节为城域网地址，第七、第八字节为接入网地址；
源地址(SA)也是由8个字节(byte)组成，定义与目的地址(DA)相同；
保留字节由2个字节组成；
payload部分根据不同的数据报的类型有不同的长度，如果是各种协议包的话是64个字节，如果是单组播数据包话是32+1024＝1056个字节，当然并不仅仅限于以上2种；
CRC有4个字节组成，其计算方法遵循标准的以太网CRC算法。
2.2城域网数据包定义
城域网的拓扑是图型，两个设备之间可能有2种、甚至2种以上的连接，即节点交换机和节点服务器、节点交换机和节点交换机、节点交换机和节点服务器之间都可能超过2种连接。但是，城域网设备的城域网地址却是唯一的，为了精确描述城域网设备之间的连接关系，在本发明实施例中引入参数：标签，来唯一描述一个城域网设备。
本说明书中标签的定义和MPLS(Multi-Protocol Label Switch，多协议标签交换)的标签的定义类似，假设设备A和设备B之间有两个连接，那么数据包从设备A到设备B就有2个标签，数据包从设备B到设备A也有2个标签。标签分入标签、出标签，假设数据包进入设备A的标签(入标签)是0x0000，这个数据包离开设备A时的标签(出标签)可能就变成了0x0001。城域网的入网流程是集中控制下的入网过程，也就意味着城域网的地址分配、标签分配都是由城域服务器主导的，节点交换机、节点服务器都是被动的执行而已，这一点与MPLS的标签分配是不同的，MPLS的标签分配是交换机、服务器互相协商的结果。
如下表所示，城域网的数据包主要包括以下几部分：
DA SA Reserved 标签 Payload CRC
即目的地址(DA)、源地址(SA)、保留字节(Reserved)、标签、payload(PDU)、CRC。其中，标签的格式可以参考如下定义：标签是32bit，其中高16bit保留，只用低16bit，它的位置是在数据包的保留字节和payload之间。
基于视联网的上述特性，提出了本发明实施例的核心构思之一，遵循视联网的协议，视联网中的视联网终端获取音频数据，对音频数据进行特征提取，得到特征信息，再对特征信息进行模式识别，得到文本数据，发送文本数据至视联网中的视联网服务器，视联网服务器用于存储文本数据，并供视联网中的视联网终端读取文本数据。
参照图5，示出了本发明的一种音频数据的处理方法实施例的步骤流程图，该方法可以应用于视联网中，视联网中包括视联网终端和视联网服务器，该方法具体可以包括如下步骤：
步骤501，视联网终端获取音频数据。
在具体实现中，视联网终端可以为机顶盒(Set Top Box，STB)，通常称作机顶盒或机上盒，是一个连接电视机与外部信号源的设备，它可以将压缩的数字信号转成电视内容，并在电视机上显示出来。
一般而言，机顶盒可以连接摄像头和麦克风，用于采集视频数据和音频数据等多媒体数据，也可以连接电视机，用于播放视频数据和音频数据等多媒体数据。
在视频会议等应用场景中，视联网终端可以通过麦克风采集到音频数据，还可以接收其他终端发送的音频数据。
步骤502，视联网终端对音频数据进行特征提取，得到特征信息。
在本发明的优选实施例中，视联网终端可以对音频数据的波形进行分析，得到特征信息，其中，特征信息可以包括声音强度信息、声音响度信息和声音音高信息中的一种或多种。
在本发明的优选实施例中，视联网终端在对音频数据进行特征提取，得到特征信息之前，或视联网终端在对音频数据的波形进行分析，得到特征信息之前，视联网终端可以对音频数据进行预处理操作。预处理操作可以包括声道转换操作、预加重操作、重采样操作、组帧操作、加窗操作中的一种或多种。其中，声道转换操作的主要目的是在特征提取得到的特征信息不需要区分声道的情况下，将来自多个声道且存在差别的音频数据转换为单声道的音频数据，具体的声道转换操作可以为取多个声道的音频数据的平均值，得到单声道的音频数据。预加重操作即保留人声频率范围内的音频数据，人声频率范围是85Hz～1100Hz。重采样操作即将不同采样率的音频数据转换为同一采样率的音频数据，例如，通过麦克风采样得到的音频数据的采样率与通过HDMI传输的音频数据的采样率不相同，可以对麦克风采样得到的音频数据进行重采样操作，对HDMI传输的音频数据进行重采样操作，得到采样率相同的音频数据。又例如，采样率为44.1K和32K的音频数据的采样率过高，不便进行波形分析，可以统一对采样率为44.1K和32K的音频数据进行重采样操作，得到一个采样率较低(如16K)的音频数据。组帧操作的主要目的是将音频数据按照一定的帧长进行分组，分组后的一组音频数据就是一帧音频数据，组帧操作的一个前提条件是音频数据的采样率相同。加窗操作与组帧操作同时执行，对每一帧音频数据，选择一个窗函数，窗函数的宽度即帧长，也就是说，利用窗函数确定组帧操作的每一帧的帧长。
步骤503，视联网终端对特征信息进行模式识别，得到文本数据。
本发明实施例中，模式识别即将特征提取得到的特征信息与声学模型进行匹配。声学模型主要用于指示特征信息对应于某个词组或单词的概率。
在具体应用中，首先，视联网终端可以将特征信息识别为音素状态，其中，音素状态为起始音状态、持续音状态和结束音状态中的一种，通过起始音状态、持续音状态和结束音状态可以组成一个音素。在语音学领域中，音素作为最基本的发声单元。其次，视联网终端根据预置的声学模型数据库确定与音素状态匹配的词组或单词。声学模型数据库中存储有一个或多个声学模型，声学模型可以包括音素状态、音素与词组的第一对应关系，以及，第一对应关系的概率，或者音素状态、音素与单词的第二对应关系，以及，第二对应关系的概率，例如，声学模型S1中包括音素状态yz1、音素y1与词组c1的第一对应关系d1，即音素状态yz1、音素y1与词组c1三者之间存在第一对应关系d1，声学模型S1中还包括第一对应关系d1的概率g1，即音素状态yz1、音素y1与词组c1三者之间相互对应的概率g1。又例如，声学模型S2中包括音素状态yz2、音素y2与单词c2的第二对应关系d2，即音素状态yz2、音素y2与单词c2三者之间存在第二对应关系d2，声学模型S2中还包括第二对应关系d2的概率g2，即音素状态yz2、音素y2与单词c2三者之间相互对应的概率g2。视联网终端在根据预置的声学模型数据库确定与音素状态匹配的词组或单词的过程中，具体可以根据第一对应关系和第一对应关系的概率，或者第二对应关系和第二对应关系的概率，确定满足预设条件的词组或单词，将满足预设条件的词组或单词确定为与音素状态匹配的词组或单词，其中，预设条件为第一对应关系的概率或第二对应关系的概率大于或等于预设阈值，预设阈值可以根据实际情况进行设定，本发明实施例对此不做限制，或者第一对应关系的概率或第二对应关系的概率为最大值。然后，视联网终端将与音素状态匹配的词组或单词组成为文本数据。
在本发明的优选实施例中，在视联网终端对音频数据进行特征提取，得到特征信息之后，视联网终端可以根据特征信息识别音频数据的源用户信息。在视频会议等应用场景中，视联网终端可以根据特征信息识别音频数据属于哪个会议发言人。具体地，视联网终端可以对音频数据的波形进行分析，源用户或者会议发言人的发音器官和发音习惯的差异都会反映在音频数据的波形中，通过对波形进行分析，可以确定对多个音频数据按照源用户或者会议发言人进行区分。
在本发明的优选实施例中，在视联网终端识别得到音频数据的源用户信息之后，可以将源用户信息与用户信息数据库中存储的用户信息进行对比，若用户信息数据库中存在与源用户信息相同或相似的用户信息，则可以将用户信息数据库中与源用户信息相同或相似的用户信息的具体信息提取出来，其中，具体信息可以包括但不限于：姓名、性别、公司、部门、职位等等。若用户信息数据库中不存在与源用户信息相同或相似的用户信息，则可以在用户信息数据库中新建源用户信息，并填入源用户信息的详细信息。
需要说明的是，上述视联网终端可以根据特征信息识别音频数据的源用户信息的执行过程，可以在视联网终端对特征信息进行模式识别的过程中执行。也就是说，视联网终端对特征信息进行模式识别，得到的文本数据具体为某个源用户信息对应的文本数据，或者某个会议发言人的文本数据。
在视频会议等应用场景中，在视联网终端对特征信息进行模式识别，得到文本数据之后，可以按照预置的会议纪要模板，将文本数据转换为会议纪要数据。其中，会议纪要模板包括但不限于：会议名称、会议地点、主席名称、参会方、会议内容等各项参数。文本数据按照会议发言人的姓名或者编号，以及，发言时间等为转换关键点，按照会议内容中的预设格式添加至会议内容中。
步骤504，视联网终端将文本数据发送至视联网服务器，视联网服务器用于存储文本数据，并供视联网中的视联网终端读取文本数据。
本发明实施例中，视联网终端可以按照视联网协议将文本数据发送至视联网服务器中。本实际应用中，视联网为具有集中控制功能的网络，包括主控服务器和下级网络设备，该下级网络设备包括终端，视联网的核心构思之一在于，通过由主控服务器通知交换设备针对当次服务的下行通信链路配表，然后基于该配置的表进行数据包的传送。
即，视联网中的通信方法包括：
主控服务器配置当次服务的下行通信链路；将源终端发送的当次服务的数据包，按照下行通信链路传送至目标终端(如视联网终端)。
在本发明实施例中，配置当次服务的下行通信链路包括：通知当次服务的下行通信链路所涉及的交换设备配表。
进一步而言，按照下行通信链路传送包括：查询所配置的表，交换设备对所接收的数据包通过相应端口进行传送。
如前所述，视联网包括接入网部分，在接入网中，该主控服务器为节点服务器，下级网络设备包括接入交换机和终端。
在具体实现中，服务包括单播通信服务和组播通信服务。对于接入网中的单播通信服务而言，主控服务器配置当次服务的下行通信链路的步骤可以包括以下步骤：
子步骤S11，主控服务器依据源终端发起的服务请求协议包，获取当次服务的下行通信链路信息，下行通信链路信息包括，参与当次服务的主控服务器和接入交换机的下行通信端口信息。
子步骤S12，主控服务器依据下行通信端口信息，在其内部的数据包地址表中设置当次服务的数据包所导向的下行端口；并依据接入交换机的下行通信端口信息，向相应的接入交换机发送端口配置命令。
子步骤S13，接入交换机依据端口配置命令在其内部的数据包地址表中，设置当次服务的数据包所导向的下行端口。
对于接入网中的组播通信服务(如视频会议)而言，主控服务器获取当次服务的下行通信链路信息的步骤可以包括以下子步骤：
子步骤S21，主控服务器获得目标终端发起的申请组播通信服务的服务请求协议包，服务请求协议包中包括服务类型信息、服务内容信息和目标终端的接入网地址；其中，服务内容信息中包括服务号码。
子步骤S22，主控服务器依据服务号码在预置的内容-地址映射表中，提取源终端的接入网地址。
子步骤S23，主控服务器获取源终端对应的组播地址，并分配给目标终端；以及，依据服务类型信息、源终端和目标终端的接入网地址，获取当次组播服务的通信链路信息。
也就是说，视联网终端按照下行通信链路将文本数据发送至视联网服务器。
在本发明的优选实施例中，在视联网终端按照预置的会议纪要模板，将文本数据为转换为会议纪要数据之后，视联网终端按照视联网协议将会议纪要数据发送至视联网服务器，视联网服务器还用于存储会议纪要数据，并供视联网中的视联网终端读取会议纪要数据。
例如，视联网终端Z1将会议纪要数据J1发送至视联网服务器F，视联网服务器F对会议纪要数据J1进行存储。视联网终端Z2和Z3向视联网服务器F发送读取会议纪要数据J1的申请指令q1，视联网服务器F按照主控服务器为视联网终端Z2和Z3配置的下行通信链路，将会议纪要数据J1作为申请指令q1的数据包发送至视联网终端Z2和Z3，供视联网终端Z2和Z3对会议纪要数据J1进行回顾操作。
基于上述实施例中音频数据的处理方法的内容，下面介绍一种视联网视频会议中语音识别会议纪要的方法，如图6所示，该方法具体可以包括如下步骤：
步骤601，视联网终端从会议数据中提取出音频数据。
会议数据即视联网会议过程中的音视频数据。
步骤602，视联网终端对音频数据进行预处理操作。
步骤603，视联网终端对经过预处理操作的音频数据进行特征提取，得到特征信息。
步骤604，视联网终端根据特征信息进行模式识别，得到识别结果。
识别结果即文本数据。
步骤605，视联网终端将识别结果转换为会议纪要数据。
会议纪要数据仍然为文本数据。
步骤606，视联网终端将会议纪要数据发送至视联网服务器。
视联网服务器对会议纪要数据进行存储，并供视联网中的视联网终端回顾会议纪要数据。
本发明实施例应用视联网的特性，视联网中的视联网终端获取视联网视频会议中的音频数据，视联网终端对音频数据进行特征提取，得到特征信息，视联网终端对特征信息进行模式识别，得到文本数据，视联网终端将文本数据发送至视联网中的视联网服务器，视联网服务器用于存储文本数据，并供视联网中的视联网终端读取文本数据。
本发明实施例中的视联网终端将视联网视频会议中的音频数据经过一系列处理，转化为表示视联网视频会议记录的文本数据，进而将文本数据发送至视联网服务器，在视联网服务器上存储文本数据，并供视联网中的视联网终端读取文本数据。与发送音视频数据至视联网服务器，在视联网服务器上存储音视频数据相比，节省了发送数据所消耗的带宽，以及，存储数据所占用的存储空间。而且，与回顾音视频数据相比，缩短了回顾时间。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图7，示出了本发明的一种终端实施例的结构框图，该终端可以应用于视联网中，视联网包括视联网终端和视联网服务器，视联网终端具体可以包括如下模块：
数据获取模块701，用于获取音频数据。
特征提取模块702，用于对音频数据进行特征提取，得到特征信息。
模式识别模块703，用于对特征信息进行模式识别，得到文本数据。
数据发送模块704，用于将文本数据发送至视联网服务器，视联网服务器用于存储文本数据，并供视联网中的视联网终端读取文本数据。
在本发明的优选实施例中，模式识别模块703，包括：
特征信息识别子模块7031，用于将特征信息识别为音素状态，音素状态为起始音状态、持续音状态和结束音状态中的一种，起始音状态、持续音状态和结束音状态组成一个音素。
词组或单词确定子模块7032，用于根据预置的声学模型数据库确定与音素状态匹配的词组或单词，声学模型包括音素状态、音素与词组的第一对应关系，以及，第一对应关系的概率，或者音素状态、音素与单词的第二对应关系，以及，第二对应关系的概率。
文本数据组成子模块7033，用于将与音素状态匹配的词组或单词组成为文本数据。
在本发明的优选实施例中，词组或单词确定子模块7032，用于根据第一对应关系和第一对应关系的概率，或者第二对应关系和第二对应关系的概率，确定满足预设条件的词组或单词，预设条件为第一对应关系的概率或第二对应关系的概率大于或等于预设阈值，或者第一对应关系的概率或第二对应关系的概率为最大值；将满足预设条件的词组或单词确定为与音素状态匹配的词组或单词。
在本发明的优选实施例中，特征提取模块702，用于对音频数据的波形进行分析，得到特征信息，特征信息包括声音强度信息、声音响度信息和声音音高信息中的一种或多种。
在本发明的优选实施例中，视联网终端还包括：数据预处理模块705，用于在特征提取模块702对音频数据的波形进行分析，得到特征信息之前，对音频数据进行预处理操作，预处理操作包括声道转换操作、预加重操作、重采样操作、组帧操作、加窗操作中的一种或多种。
在本发明的优选实施例中，视联网终端还包括：用户识别模块706，用于在特征提取模块702对音频数据进行特征提取，得到特征信息之后，根据特征信息识别音频数据的源用户信息。
在本发明的优选实施例中，视联网终端还包括：数据转换模块707，用于在模式识别模块703对特征信息进行模式识别，得到文本数据之后，按照预置的会议纪要模板，将文本数据转换为会议纪要数据。
在本发明的优选实施例中，数据发送模块704，还用于在数据转换模块707按照预置的会议纪要模板，将文本数据为转换为会议纪要数据之后，按照视联网协议将会议纪要数据发送至视联网服务器，视联网服务器还用于存储会议纪要数据，并供视联网中的视联网终端读取会议纪要数据。
对于终端实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、终端、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种音频数据的处理方法和一种终端，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (16)

1.一种音频数据的处理方法，其特征在于，所述音频数据的处理方法应用于视联网中，所述视联网包括视联网终端和视联网服务器；
所述方法包括：
所述视联网终端获取音频数据；
所述视联网终端对所述音频数据进行特征提取，得到特征信息；
所述视联网终端对所述特征信息进行模式识别，得到文本数据；
所述视联网终端将所述文本数据发送至所述视联网服务器，所述视联网服务器用于存储所述文本数据，并供所述视联网中的视联网终端读取所述文本数据。
2.根据权利要求1所述的音频数据的处理方法，其特征在于，所述视联网终端对所述特征信息进行模式识别，得到文本数据，包括：
所述视联网终端将所述特征信息识别为音素状态，所述音素状态为起始音状态、持续音状态和结束音状态中的一种，所述起始音状态、持续音状态和结束音状态组成一个音素；
所述视联网终端根据预置的声学模型数据库确定与所述音素状态匹配的词组或单词，所述声学模型包括音素状态、音素与词组的第一对应关系，以及，所述第一对应关系的概率，或者音素状态、音素与单词的第二对应关系，以及，所述第二对应关系的概率；
所述视联网终端将所述与所述音素状态匹配的词组或单词组成为所述文本数据。
3.根据权利要求2所述的音频数据的处理方法，其特征在于，所述视联网终端根据预置的声学模型数据库确定与所述音素状态匹配的词组或单词，包括：
所述视联网终端根据所述第一对应关系和所述第一对应关系的概率，或者所述第二对应关系和所述第二对应关系的概率，确定满足预设条件的词组或单词，所述预设条件为所述第一对应关系的概率或所述第二对应关系的概率大于或等于预设阈值，或者所述第一对应关系的概率或所述第二对应关系的概率为最大值；
所述视联网终端将所述满足预设条件的词组或单词确定为所述与所述音素状态匹配的词组或单词。
4.根据权利要求1-3中任一项所述的音频数据的处理方法，其特征在于，所述视联网终端对所述音频数据进行特征提取，得到特征信息，包括：
所述视联网终端对所述音频数据的波形进行分析，得到所述特征信息，所述特征信息包括声音强度信息、声音响度信息和声音音高信息中的一种或多种。
5.根据权利要求4所述的音频数据的处理方法，其特征在于，在所述视联网终端对所述音频数据的波形进行分析，得到所述特征信息之前，所述方法还包括：
所述视联网终端对所述音频数据进行预处理操作，所述预处理操作包括声道转换操作、预加重操作、重采样操作、组帧操作、加窗操作中的一种或多种。
6.根据权利要求1-3中任一项所述的音频数据的处理方法，其特征在于，在所述视联网终端对所述音频数据进行特征提取，得到特征信息之后，所述方法还包括：
所述视联网终端根据所述特征信息识别所述音频数据的源用户信息。
7.根据权利要求1-3中任一项所述的音频数据的处理方法，其特征在于，在所述视联网终端对所述特征信息进行模式识别，得到文本数据之后，所述方法还包括：
所述视联网终端按照预置的会议纪要模板，将所述文本数据转换为会议纪要数据。
8.根据权利要求7所述的音频数据的处理方法，其特征在于，在所述视联网终端按照预置的会议纪要模板，将所述文本数据为转换为会议纪要数据之后，所述方法还包括：
所述视联网终端按照视联网协议将所述会议纪要数据发送至所述视联网服务器，所述视联网服务器还用于存储所述会议纪要数据，并供所述视联网中的视联网终端读取所述会议纪要数据。
9.一种终端，其特征在于，所述终端应用于视联网中，所述视联网包括视联网终端和视联网服务器；
所述视联网终端包括：
数据获取模块，用于获取音频数据；
特征提取模块，用于对所述音频数据进行特征提取，得到特征信息；
模式识别模块，用于对所述特征信息进行模式识别，得到文本数据；
数据发送模块，用于将所述文本数据发送至所述视联网服务器，所述视联网服务器用于存储所述文本数据，并供所述视联网中的视联网终端读取所述文本数据。
10.根据权利要求9所述的终端，其特征在于，所述模式识别模块，包括：
特征信息识别子模块，用于将所述特征信息识别为音素状态，所述音素状态为起始音状态、持续音状态和结束音状态中的一种，所述起始音状态、持续音状态和结束音状态组成一个音素；
词组或单词确定子模块，用于根据预置的声学模型数据库确定与所述音素状态匹配的词组或单词，所述声学模型包括音素状态、音素与词组的第一对应关系，以及，所述第一对应关系的概率，或者音素状态、音素与单词的第二对应关系，以及，所述第二对应关系的概率；
文本数据组成子模块，用于将所述与所述音素状态匹配的词组或单词组成为所述文本数据。
11.根据权利要求10所述的终端，其特征在于，所述词组或单词确定子模块，用于根据所述第一对应关系和所述第一对应关系的概率，或者所述第二对应关系和所述第二对应关系的概率，确定满足预设条件的词组或单词，所述预设条件为所述第一对应关系的概率或所述第二对应关系的概率大于或等于预设阈值，或者所述第一对应关系的概率或所述第二对应关系的概率为最大值；将所述满足预设条件的词组或单词确定为所述与所述音素状态匹配的词组或单词。
12.根据权利要求9-11中任一项所述的终端，其特征在于，所述特征提取模块，用于对所述音频数据的波形进行分析，得到所述特征信息，所述特征信息包括声音强度信息、声音响度信息和声音音高信息中的一种或多种。
13.根据权利要求12所述的终端，其特征在于，所述视联网终端还包括：
数据预处理模块，用于在所述特征提取模块对所述音频数据的波形进行分析，得到所述特征信息之前，对所述音频数据进行预处理操作，所述预处理操作包括声道转换操作、预加重操作、重采样操作、组帧操作、加窗操作中的一种或多种。
14.根据权利要求9-11中任一项所述的终端，其特征在于，所述视联网终端还包括：
用户识别模块，用于在所述特征提取模块对所述音频数据进行特征提取，得到特征信息之后，根据所述特征信息识别所述音频数据的源用户信息。
15.根据权利要求9-11中任一项所述的终端，其特征在于，所述视联网终端还包括：
数据转换模块，用于在所述模式识别模块对所述特征信息进行模式识别，得到文本数据之后，按照预置的会议纪要模板，将所述文本数据转换为会议纪要数据。
16.根据权利要求15所述的终端，其特征在于，所述数据发送模块，还用于在所述数据转换模块按照预置的会议纪要模板，将所述文本数据为转换为会议纪要数据之后，按照视联网协议将所述会议纪要数据发送至所述视联网服务器，所述视联网服务器还用于存储所述会议纪要数据，并供所述视联网中的视联网终端读取所述会议纪要数据。
CN201810464236.9A 2018-05-15 2018-05-15 一种音频数据的处理方法和终端 Pending CN110491388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810464236.9A CN110491388A (zh) 2018-05-15 2018-05-15 一种音频数据的处理方法和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810464236.9A CN110491388A (zh) 2018-05-15 2018-05-15 一种音频数据的处理方法和终端

Publications (1)

Publication Number Publication Date
CN110491388A true CN110491388A (zh) 2019-11-22

Family

ID=68545290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810464236.9A Pending CN110491388A (zh) 2018-05-15 2018-05-15 一种音频数据的处理方法和终端

Country Status (1)

Country Link
CN (1) CN110491388A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090070102A1 (en) * 2007-03-14 2009-03-12 Shuhei Maegawa Speech recognition method, speech recognition system and server thereof
CN104322139A (zh) * 2012-09-20 2015-01-28 东莞宇龙通信科技有限公司 终端、服务器和信息推送方法
CN104836981A (zh) * 2015-05-06 2015-08-12 华为技术有限公司 智能会议的协作方法和会议终端
CN105976812A (zh) * 2016-04-28 2016-09-28 腾讯科技（深圳）有限公司 一种语音识别方法及其设备
CN107331384A (zh) * 2017-06-12 2017-11-07 平安科技（深圳）有限公司 语音识别方法、装置、计算机设备及存储介质
CN107979736A (zh) * 2016-10-21 2018-05-01 北京视联动力国际信息技术有限公司 一种视频会议的查看方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090070102A1 (en) * 2007-03-14 2009-03-12 Shuhei Maegawa Speech recognition method, speech recognition system and server thereof
CN104322139A (zh) * 2012-09-20 2015-01-28 东莞宇龙通信科技有限公司 终端、服务器和信息推送方法
CN104836981A (zh) * 2015-05-06 2015-08-12 华为技术有限公司 智能会议的协作方法和会议终端
CN105976812A (zh) * 2016-04-28 2016-09-28 腾讯科技（深圳）有限公司 一种语音识别方法及其设备
CN107979736A (zh) * 2016-10-21 2018-05-01 北京视联动力国际信息技术有限公司 一种视频会议的查看方法和装置
CN107331384A (zh) * 2017-06-12 2017-11-07 平安科技（深圳）有限公司 语音识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108418778A (zh) 一种互联网与视联网通信的方法、装置及交互系统
CN108881798A (zh) 一种利用桥接服务器进行跨视联网会议方法和系统
CN109788232A (zh) 一种视频会议的会议记要记录方法、装置和系统
CN108173804A (zh) 一种通过视联网访问互联网的方法及视联猫客户端
CN108965224A (zh) 一种视频点播的方法和装置
CN108881957A (zh) 一种多媒体文件的混合方法和装置
CN108810444A (zh) 视频会议的处理方法、会议调度端和协转服务器
CN110136703A (zh) 一种模糊回答方法和视联网系统
CN108616487A (zh) 基于视联网的混音方法和装置
CN109818776A (zh) 微服务模块异常定位方法和装置
CN109068089A (zh) 一种会议数据生成方法和装置
CN110473545A (zh) 一种基于会议室的会议处理方法和装置
CN108989273A (zh) 一种获取视频流的方法和装置
CN108234922B (zh) 一种录播方法及装置
CN109547728A (zh) 一种录播源入会以及会议录播的方法和系统
CN110505204A (zh) 一种即时语音通信方法、装置、电子设备及可读存储介质
CN109547731A (zh) 一种视频会议的展示方法和系统
CN110505430A (zh) 一种会议控制的方法和装置
CN109788235A (zh) 一种基于视联网的会议记录信息的处理方法和系统
CN109976933A (zh) 一种日志处理方法和装置
CN109040656A (zh) 一种视频会议的处理方法和系统
CN108881819A (zh) 一种音频数据的传输方法和装置
CN108630215A (zh) 一种基于视联网的回声抑制方法及装置
CN108881818A (zh) 一种视频数据的传输方法和装置
CN108965930A (zh) 一种视频数据处理的方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191122

RJ01 Rejection of invention patent application after publication