CN111681660B - 语音识别方法、装置、电子设备和计算机可读介质 - Google Patents

语音识别方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN111681660B
CN111681660B CN202010507998.XA CN202010507998A CN111681660B CN 111681660 B CN111681660 B CN 111681660B CN 202010507998 A CN202010507998 A CN 202010507998A CN 111681660 B CN111681660 B CN 111681660B
Authority
CN
China
Prior art keywords
syllable
recognition
word
sequence
determining
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.)
Active
Application number
CN202010507998.XA
Other languages
English (en)
Other versions
CN111681660A (zh
Inventor
蔡猛
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202010507998.XA priority Critical patent/CN111681660B/zh
Publication of CN111681660A publication Critical patent/CN111681660A/zh
Application granted granted Critical
Publication of CN111681660B publication Critical patent/CN111681660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G10L15/26—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
    • G10L15/02—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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • 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
    • G10L2015/027—Syllables 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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G10L2015/0631—Creating reference templates; Clustering
    • G10L2015/0633—Creating reference templates; Clustering using lexical or orthographic knowledge sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开的实施例公开了语音识别方法、装置、设备和介质。该方法的一具体实施方式包括：对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；对该识别字序列进行映射，得到映射音节序列；确定该识别音节序列和该映射音节序列的编辑距离；根据该编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为该识别字的起止时间。该实施方式在实现了识别字序列中的字与所对应的起止时间的准确匹配的基础上，减少了匹配起止时间的复杂度。

Description

语音识别方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及语音识别方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网技术的发展，丰富多样的语音信息可以通过各种电子设备进行呈现。人们通过各种电子设备可以看到语音信息翻译成文字后的信息。目前相关语音信息翻译成文字后的信息的方法存在复杂度较高、精准度不够的问题。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了语音识别方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种语音识别方法，该方法包括：对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；对上述识别字序列进行映射，得到映射音节序列；确定上述识别音节序列和上述映射音节序列的编辑距离；根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
第二方面，本公开的一些实施例提供了一种语音识别装置，装置包括：识别单元，被配置成对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；映射单元，被配置成对上述识别字序列进行映射，得到映射音节序列；第一确定单元，被配置成确定上述识别音节序列和上述映射音节序列的编辑距离；第二确定单元，被配置成根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
第三方面，本公开的一些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，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一所描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，通过对目标语音片段进行识别得到的识别字序列、识别音节序列和识别音节的起止时间可以作为语音识别方法的样本数据。然后，可以通过对上述识别字序列映射得到的上述映射音节序列作为上述识别音节序列的对比目标。最后，通过确定上述识别音节序列与上述音节序列之间的上述编辑距离，得到每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。在这里，上述实施例中包括的方法通过求取编辑距离的方法来准确将识别音节的起止时间与识别字序列中识别字对应起来，除此之外，对识别字序列进行映射，得到映射音节序列的步骤使得可以高效的匹配上述识别字序列中的字所对应的起止时间，从而，提高了用户体验。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1-3是根据本公开的一些实施例的语音识别方法的一个应用场景的示意图；
图4是根据本公开的语音识别方法的一些实施例的流程图；
图5是根据本公开的语音识别方法的另一些实施例的流程图；
图6是根据本公开的语音识别装置的一些实施例的结构示意图；
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1-3是根据本公开一些实施例的语音识别方法的一个应用场景的示意图。
如图1所示，电子设备101可以对用户输入的目标语音片段102进行识别得到识别字序列“湿漉漉的地面”103、识别音节序列“shi lu de di mian”104和识别音节的起止时间“00:00shi00:01 00:02lu00:0400:05de00:06 00:07di00:08 00:09mian00:10”105。
继续参见图2，上述电子设备101可以将上述识别字序列“湿漉漉的地面”103映射得到映射音节序列“shi lu lu de de mian”104′。
最后参见图3，上述电子设备101可以确定上述映射音节序列“shi lu lu de demian”104′与上述识别音节序列“shi lu de di mian”104的编辑距离的值为2。根据上述编辑距离为2，上述电子设备101可以得到上述映射音节序列“shi lu lu de de mian”104′到上述识别音节序列“shi lu de di mian”104之间的操作次数为2。根据该操作次数为2，上述电子设备101可以得到上述映射音节序列“shi lu lu de de mian”104′与上述识别音节的起止时间“00:00shi00:0100:02lu00:0400:05de00:06 00:07di00:08 00:09mian00:10”105相对应。从而，上述电子设备101可以得到上述识别字序列“湿漉漉的地面”103中字“湿”106、“漉”107、“漉”108、“的”109、“地”110、“面”111分别对应的起止时间为“00:00shi00:01”106′、“00:02lu00:03”107′、“00:04lu00:05”108′、“00:06de00:07”109′“00:08di00:09”110′“00:10mian00:11”111′。
需要说明的是，语音识别方法可以是由电子设备101来执行。上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备101体现为软件时，可以实现成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。
应该理解，图1中的电子设备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电子设备。
继续参考图4，示出了根据本公开的语音识别方法的一些实施例的流程400。该语音识别方法，包括以下步骤：
步骤401，对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间。
在一些实施例中，上述执行主体(例如图1所示的电子设备101)可以通过各种方法对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间。其中，上述识别字序列、上述识别音节序列和上述识别音节的起止时间和上述目标语音片段是相对应的。
作为示例，用于语音识别方法的执行主体可以通过预先训练的语音识别模型对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间。其中，上述目标语音片段可以是存储在本地的语音片段，还可以是从网络上下载的语音片段。上述语音识别模型可以包括但不限于以下至少一项：HMM(Hidden Markov Model，隐马尔可夫模型)，CTC(Connectionist temporal classification，连接时序分类)。
步骤402，对上述识别字序列进行映射，得到映射音节序列。
在一些实施例中，基于步骤401中得到的识别字序列，上述执行主体可以根据预设的音节字典，对上述目标词序列中的每个词进行映射得到对应的音节，从而得到映射音节序列。其中，上述音节字典可以是表征字与音节之间的对应关系的列表。上述音节字典可以是预先创建后存储在本地的。
作为示例，首先可以基于上述音节字典，训练深度学习网络模型，得到预先训练的深度学习网络模型，然后，可以将上述识别字序列输入至上述预先训练的深度学习网络模型，得到上述映射音节序列。其中，上述深度学习可以包括以下之一：seq2seq+注意机制网络模型，Transformer网络模型。
步骤403，确定上述识别音节序列和上述映射音节序列的编辑距离。
在一些实施例中，上述执行主体可以通过动态规划方法来确定上述识别音节序列目标音节序列与上述映射音节序列的编辑距离。作为示例，可以通过编辑距离算法来确定上述识别音节序列与上述映射音节序列的编辑距离。
在一些实施例的可选的实现方式中，上述编辑距离是从一个字符串转换成另一个字符串所需要的操作数。即可以是用于衡量两个字符串之间的相似度，是两个字符串之间的操作数，即从一个字符转换成另一个字符所需要的操作数。
可选的，上述操作数可以包括操作次数与每次操作数对应的操作。其中，上述操作可以包括但不限于以下至少一项：插入，删除和置换。
作为示例，上述识别音节序列可以是“shi lu de di mian”，上述映射音节序列是“shi lu lu de de mian”，进而可以通过动态规划算法求得上述识别音节序列插入“lu”和置换“di”为“de”来得到上述映射音节序列。进而编辑距离可以是操作数2。第一操作为插入操作，第二操作为置换。
在一些实施例的可选的实现方式中，上述编辑距离为最小编辑距离。
步骤404，根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
在一些实施例中，根据上述编辑距离，上述执行主体可以确定从上述映射音节序列到上述识别音节序列的操作。上述操作可以表征上述映射音节序列中的映射音节与上述识别音节序列中的识别音节之间的转换关系。根据上述对应关系，上述执行主体可以确定上述识别字序列中的字与上述识别音节序列中的识别音节的对应关系。进而上述执行主体可以确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。作为示例，上述执行主体可以根据上述编辑距离，通过各种方式确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
作为示例，上述识别音节序列可以是“shi lu de di mian”，上述映射音节序列是“shi lu lu de demian”，进而可以通过动态规划算法求得上述识别音节序列插入“lu”和置换“di”为“de”来得到上述映射音节序列。进而可以通过确定上述映射音节序列中的映射音节与上述识别音节序列中的识别音节之间的转换关系得到识别字的起止时间。
在一些实施例的可选的实现方式中，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间可以包括以下步骤：
第一步，根据上述编辑距离，确定上述字组对应的起止时间。
第二步，根据上述起止时间和上述字组所包括的识别字的数量，确定上述字组中的每个识别字的起止时间。作为示例，可以通过起止时间确定字组消耗的时间段，通过上述识别字的数量，确定每个识别字消耗的时间，最后通过起止时间，确定上述字组中的每个识别字的起止时间。
在这里，上述步骤解决了识别字序列中有字组时出现的无法精确匹配起止时间的问题。进而，提高了用户的体验。
作为另一示例，识别字序列“哎呀呀”。识别音节序列“00：01ai00:0200:03ya00:04”。“哎”所对应音节“ai”和起止时间“00：01-00:02”。上述执行主体可以首先去除非叠字“哎”所对应的起止时间“00：01-00:02”。之后将剩余的时间“00:03-00:04”平分给字组“呀呀”，得到子组中第一识别字“呀”所对应的起止时间“00:03-00:035”。第二识别字“呀”所对应的起止时间“00:035-00:04”。
本公开的一些实施例提供的方法，首先，通过对目标语音片段进行识别得到的识别字序列、识别音节序列和识别音节的起止时间可以作为语音识别方法的样本数据。然后，可以通过对上述识别字序列映射得到的上述映射音节序列作为上述识别音节序列的对比目标。最后，通过确定上述识别音节序列与上述音节序列之间的偏差，即上述编辑距离，得到每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。在这里，上述实施例中包括的方法准确、高效的匹配上述识别字序列中的字所对应的起止时间。从而，提高了用户体验。
进一步参考图5，其示出了语音识别方法的另一些实施例的流程500。该语音识别方法的流程500，包括以下步骤：
步骤501，对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间。
在一些实施例中，步骤501的具体实现及所带来的技术效果可以参考图4对应的那些实施例中的步骤401，在此不再赘述。
步骤502，根据预设的音节字典，确定上述识别字序列中是否存在多音字。
在一些实施例中，根据预设的音节字典，上述执行主体可以将上述识别字序列中的字在上述音节字典中进行遍历。从而上述执行主体可以确定上述识别字序列中是否存在多音字。其中，上述多音字可以是在上述音节字典中进行遍历时对应多个音节的字。
步骤503，响应于确定存在，取上述音节字典中与上述多音字对应的至少两个音节中的任一音节作为上述多音字对应的映射音节。
在一些实施例中，在确定上述识别字序列中存在多音字时，上述执行主体可以取上述音节字典中与上述多音字对应的至少两个音节中的任一音节作为上述多音字对应的映射音节。
作为示例，上述执行主体可以将识别字序列“我的祖国”中的词“我”、“的”、“祖”和“国”在上述音节字典中进行遍历，得到遍历后的音节序列“wo di/de zu guo”其中，字“的”在上述音节字典中遍历后对应的音节分别有“di”和“de”。上述执行主体随机取音节“di”作为多音字“的”所对应的音节。进而上述执行主体可以得到映射音节序列“wo di zu guo”。
步骤504，根据预设的音节字典，确定上述识别字序列中是否存在字组，上述字组包括至少两个相同且相邻的识别字。
在一些实施例中，上述执行主体可以根据预设的音节字典，确定上述识别字序列中是否存在字组，上述字组包括至少两个相同且相邻的识别字。作为示例，上述字组可以是“呀呀”，上述字组包括两个相同且相邻的识别字“呀”。
步骤505，响应于确定上述识别字序列中存在字组，确定上述字组所包括的识别字的数量和每个识别字在上述音节字典中对应的音节。
在一些实施例中，上述执行主体响应于确定上述识别字序列中存在字组，确定上述字组所包括的识别字的数量和每个识别字在上述音节字典中对应的音节。作为示例，响应于确定上述识别字序列“哎呀呀”存在字组“呀呀”，确定上述字组“呀呀”所包括的识别字“呀”的数量和识别字“呀”在音节字典中对应的音节。
步骤506，确定上述识别音节序列和上述映射音节序列的编辑距离。
步骤507，根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
在一些实施例中，步骤506-507的具体实现及所带来的技术效果可以参考图4对应的那些实施例中的步骤403-404，在此不再赘述。
从图5中可以看出，与图4对应的一些实施例的描述相比，图5对应的一些实施例中的语音识别方法的流程500补充了对上述识别字序列中出现多音字怎么处理的步骤。由此，这些实施例描述的方案可以引入更多的多音字相关的信息，从而更快速、精确的实现对多音字所对应的起止时间的匹配。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种语音识别装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的语音识别装置600包括：识别单元601、映射单元602、第一确定单元603和第二确定单元604。其中，识别单元601被配置成对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；映射单元602被配置成对上述识别字序列进行映射，得到映射音节序列；第一确定单元603被配置成确定上述识别音节序列和上述映射音节序列的编辑距离；第二确定单元604被配置成根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
在一些实施例的可选的实现方式中，语音识别装置600的映射单元602可以进一步被配置成根据预设的音节字典，确定上述识别字序列中是否存在多音字；响应于确定存在，取上述音节字典中与上述多音字对应的至少两个音节中的一个音节作为上述多音字对应的映射音节。
在一些实施例的可选的实现方式中，语音识别装置600的映射单元602可以进一步被配置成根据预设的音节字典，确定上述识别字序列中是否存在字组，上述字组包括至少两个相同且相邻的识别字；响应于确定存在，确定上述字组所包括的识别字的数量和每个识别字在上述音节字典中对应的音节。
在一些实施例的可选的实现方式中，语音识别装置600的第二确定单元604可以进一步被配置成根据上述编辑距离，确定上述字组对应的起止时间；根据上述起止时间和上述字组所包括的识别字的数量，确定上述字组中的每个识别字的起止时间。
在一些实施例的可选的实现方式中，上述编辑距离是从一个字符串转换成另一个字符串所需要的操作数。
在一些实施例的可选的实现方式中，上述操作数包括操作次数和与每次操作数对应的操作。其中，上述操作包括以下至少一项：插入，删除和置换。
在一些实施例的可选的实现方式中，上述编辑距离为最小编辑距离。
可以理解的是，该装置600中记载的诸单元与参考图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、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)700的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7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7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如存储卡等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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7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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；对上述识别字序列进行映射，得到映射音节序列；确定上述识别音节序列和上述映射音节序列的编辑距离；根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
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一些实施例的操作的计算机程序代码，上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。
描述于本公开的一些实施例中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：一种处理器包括识别单元、映射单元、第一确定单元和第二确定单元。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，识别单元还可以被描述为“对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种语音识别方法，包括：对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；对上述识别字序列进行映射，得到映射音节序列；确定上述识别音节序列和上述映射音节序列的编辑距离；根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
根据本公开的一个或多个实施例，上述对上述识别字序列进行映射，得到映射音节序列，包括：根据预设的音节字典，确定上述识别字序列中是否存在多音字；响应于确定存在，取上述音节字典中与上述多音字对应的至少两个音节中的任一音节作为上述多音字对应的映射音节。
根据本公开的一个或多个实施例，上述对上述识别字序列进行映射，得到映射音节序列，包括：根据预设的音节字典，确定上述识别字序列中是否存在字组，上述字组包括至少两个相同且相邻的识别字；响应于确定存在，确定上述字组所包括的识别字的数量和每个识别字在上述音节字典中对应的音节。
根据本公开的一个或多个实施例，上述确定上述目标词序列中每个词所对应的音节以及起止时间，包括：根据上述编辑距离，确定上述字组对应的起止时间和时间段；根据上述时间段和上述字组所包括的识别字的数量，确定上述字组中的每个识别字的起止时间。
根据本公开的一个或多个实施例，上述编辑距离是从一个字符串转换成另一个字符串所需要的操作数。
根据本公开的一个或多个实施例，上述操作数包括操作次数和与每次操作数对应的操作。其中，上述操作包括以下至少一项：插入，删除和置换。
根据本公开的一个或多个实施例，上述编辑距离为最小编辑距离。
根据本公开的一个或多个实施例，提供了一种语音识别装置，包括：识别单元，被配置成对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；映射单元，被配置成对上述识别字序列进行映射，得到映射音节序列；第一确定单元，被配置成确定上述识别音节序列和上述映射音节序列的编辑距离；第二确定单元，被配置成根据上述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为上述识别字的起止时间。
根据本公开的一个或多个实施例，映射单元可以进一步被配置成根据预设的音节字典，确定上述识别字序列中是否存在多音字；响应于确定存在，取上述音节字典中与上述多音字对应的至少两个音节中的任一音节作为上述多音字对应的映射音节。
根据本公开的一个或多个实施例，映射单元可以进一步被配置成根据预设的音节字典，确定上述识别字序列中是否存在字组，上述字组包括至少两个相同且相邻的识别字；响应于确定存在，确定上述字组所包括的识别字的数量和每个识别字在上述音节字典中对应的音节。
根据本公开的一个或多个实施例，第二确定单元可以进一步被配置成根据上述编辑距离，确定上述字组对应的起止时间和时间段；根据上述时间段和上述字组所包括的识别字的数量，确定上述字组中的每个识别字的起止时间。
根据本公开的一个或多个实施例，上述编辑距离是从一个字符串转换成另一个字符串所需要的操作数。
根据本公开的一个或多个实施例，上述操作数包括操作次数和与每次操作数对应的操作。其中，上述操作包括以下至少一项：插入，删除和置换。
根据本公开的一个或多个实施例，上述编辑距离为最小编辑距离。
根据本公开的一个或多个实施例，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上述任一的方法。
根据本公开的一个或多个实施例，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上述任一的方法。
以上描述仅为本公开的一些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，本公开的实施例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的实施例中公开的(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 (8)

1.一种语音识别方法，包括：
对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；
对所述识别字序列进行映射，得到映射音节序列；
确定所述识别音节序列和所述映射音节序列的编辑距离；
根据所述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为所述识别字的起止时间；其中，
所述对所述识别字序列进行映射，得到映射音节序列，包括：
根据预设的音节字典，确定所述识别字序列中是否存在字组，所述字组包括至少两个相同且相邻的识别字；
响应于确定所述识别字序列中存在字组，确定所述字组所包括的识别字的数量和每个识别字在所述音节字典中对应的音节；
所述确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为所述识别字的起止时间，包括：
根据所述编辑距离，确定所述字组对应的起止时间；
根据所述起止时间和所述字组所包括的识别字的数量，确定所述字组中的每个识别字的起止时间。
2.根据权利要求1所述的方法，其中，所述对所述识别字序列进行映射，得到映射音节序列，包括：
根据预设的音节字典，确定所述识别字序列中是否存在多音字；
响应于确定所述识别字序列中存在多音字，取所述音节字典中与所述多音字对应的至少两个音节中的一个音节作为所述多音字对应的映射音节。
3.根据权利要求1所述的方法，其中，所述编辑距离是从一个字符串转换成另一个字符串所需要的操作数。
4.根据权利要求3所述的方法，其中，所述操作数包括操作次数和与每次操作数对应的操作，其中，所述操作包括以下至少一项：插入、删除和置换。
5.根据权利要求3所述的方法，其中，所述编辑距离为最小编辑距离。
6.一种语音识别装置，包括：
识别单元，被配置成对目标语音片段进行识别，得到识别字序列、识别音节序列和识别音节的起止时间；
映射单元，被配置成对所述识别字序列进行映射，得到映射音节序列；
第一确定单元，被配置成确定所述识别音节序列和所述映射音节序列的编辑距离；
第二确定单元，被配置成根据所述编辑距离，确定每个识别字对应的识别音节以及将所对应的识别音节的起止时间确定为所述识别字的起止时间；其中，
所述映射单元，还被配置成根据预设的音节字典，确定所述识别字序列中是否存在字组，所述字组包括至少两个相同且相邻的识别字；
响应于确定所述识别字序列中存在字组，确定所述字组所包括的识别字的数量和每个识别字在所述音节字典中对应的音节；
所述第二确定单元，还被配置成根据所述编辑距离，确定所述字组对应的起止时间；
根据所述起止时间和所述字组所包括的识别字的数量，确定所述字组中的每个识别字的起止时间。
7.一种电子设备，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1-5中任一所述的方法。
8.一种计算机可读介质，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1-5中任一所述的方法。
CN202010507998.XA 2020-06-05 2020-06-05 语音识别方法、装置、电子设备和计算机可读介质 Active CN111681660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010507998.XA CN111681660B (zh) 2020-06-05 2020-06-05 语音识别方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010507998.XA CN111681660B (zh) 2020-06-05 2020-06-05 语音识别方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN111681660A CN111681660A (zh) 2020-09-18
CN111681660B true CN111681660B (zh) 2023-06-13

Family

ID=72435202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010507998.XA Active CN111681660B (zh) 2020-06-05 2020-06-05 语音识别方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN111681660B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016994A (zh) * 2016-01-27 2017-08-04 阿里巴巴集团控股有限公司 语音识别的方法及装置
CN107657947A (zh) * 2017-09-20 2018-02-02 百度在线网络技术（北京）有限公司 基于人工智能的语音处理方法及其装置
CN110516248A (zh) * 2019-08-27 2019-11-29 出门问问(苏州)信息科技有限公司 语音识别结果纠错方法、装置、存储介质和电子设备
CN110675855A (zh) * 2019-10-09 2020-01-10 出门问问信息科技有限公司 一种语音识别方法、电子设备及计算机可读存储介质
CN110675896A (zh) * 2019-09-30 2020-01-10 北京字节跳动网络技术有限公司 用于音频的文字时间对齐方法、装置、介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102651413B1 (ko) * 2018-10-17 2024-03-27 삼성전자주식회사 전자 장치 및 전자 장치의 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016994A (zh) * 2016-01-27 2017-08-04 阿里巴巴集团控股有限公司 语音识别的方法及装置
CN107657947A (zh) * 2017-09-20 2018-02-02 百度在线网络技术（北京）有限公司 基于人工智能的语音处理方法及其装置
CN110516248A (zh) * 2019-08-27 2019-11-29 出门问问(苏州)信息科技有限公司 语音识别结果纠错方法、装置、存储介质和电子设备
CN110675896A (zh) * 2019-09-30 2020-01-10 北京字节跳动网络技术有限公司 用于音频的文字时间对齐方法、装置、介质及电子设备
CN110675855A (zh) * 2019-10-09 2020-01-10 出门问问信息科技有限公司 一种语音识别方法、电子设备及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李艳玲等.中文口语理解中关键语义类模糊匹配方法的研究.小型微型计算机系统.2014,第35卷(第09期),2182. *

Also Published As

Publication number Publication date
CN111681660A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN113470619B (zh) 语音识别方法、装置、介质及设备
CN111883117B (zh) 语音唤醒方法及装置
WO2022037419A1 (zh) 音频内容识别方法、装置、设备和计算机可读介质
CN112509562B (zh) 用于文本后处理的方法、装置、电子设备和介质
US20240029709A1 (en) Voice generation method and apparatus, device, and computer readable medium
CN113468344B (zh) 实体关系抽取方法、装置、电子设备和计算机可读介质
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN113407767A (zh) 确定文本相关性的方法、装置、可读介质及电子设备
CN111508478B (zh) 语音识别方法和装置
CN112309384B (zh) 一种语音识别方法、装置、电子设备及介质
CN116863935A (zh) 语音识别方法、装置、电子设备与计算机可读介质
CN114765025A (zh) 语音识别模型的生成方法、识别方法、装置、介质及设备
CN112017685B (zh) 语音生成方法、装置、设备和计算机可读介质
CN111968657B (zh) 语音处理方法、装置、电子设备和计算机可读介质
CN113590756A (zh) 信息序列生成方法、装置、终端设备和计算机可读介质
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN111681660B (zh) 语音识别方法、装置、电子设备和计算机可读介质
WO2021151354A1 (zh) 一种单词识别方法、装置、计算机设备和存储介质
CN111754984B (zh) 文本选取的方法、装置、设备和计算机可读介质
CN111460214B (zh) 分类模型训练方法、音频分类方法、装置、介质及设备
CN113345426B (zh) 一种语音意图识别方法、装置及可读存储介质
CN111933122B (zh) 语音识别方法、装置、电子设备和计算机可读介质
CN114238976B (zh) 文件的检测方法、装置、可读介质和电子设备
CN111797932B (zh) 图像分类方法、装置、设备和计算机可读介质

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
GR01 Patent grant
GR01 Patent grant