CN112017630B - 一种语种识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例公开了一种语种识别方法、装置、电子设备及存储介质，其中该方法包括：对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据第一预设数量的第一语种识别结果确定音频数据的最终识别语种；其中，第一预设数量基于当前识别等级确定，当前识别等级用于表征当前语种识别的重要程度。通过进行人声音频帧进行定位，能够过滤得到音频数据中的有效人声片段，提高了音频数据质量，有利于提高语种识别准确率；通过综合与当前语种识别的重要程度相应数量的人声音频帧组，来确定音频数据的最终识别语种，可进一步提高语种识别准确率。

Description

一种语种识别方法、装置、电子设备及存储介质

技术领域

本公开实施例涉及计算机技术领域，尤其涉及一种语种识别方法、装置、电子设备及存储介质。

背景技术

随着互联网以及通信技术的不断发展，通过通信类应用进行信息沟通已成为用户进行信息交流的重要方式之一。

基于通信类应用进行通信过程中，随着参与信息交流的用户的数量的增加，各个用户所使用、所熟悉的语言种类也存在着差异。因而，为了用户之间交流的便捷性，存在着识别各路音频数据语种的需求，进而，为后续处理(例如语音识别处理)做准备。

发明内容

本公开实施例提供了一种语种识别方法、装置、电子设备及存储介质，提高了通信场景下的语种识别准确率。

第一方面，本公开实施例提供了一种语种识别方法，包括：

对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；

对所述第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种；

其中，所述第一预设数量基于当前识别等级确定，所述当前识别等级用于表征当前语种识别的重要程度。

第二方面，本公开实施例还提供了一种语种识别装置，包括：

音频帧定位模块，用于对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；

语种识别模块，用于对所述第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种；

其中，所述第一预设数量基于当前识别等级确定，所述当前识别等级用于表征当前语种识别的重要程度。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

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本公开实施例任一所述的语种识别方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的语种识别方法。

本公开实施例的技术方案，后端服务器根据用于表征当前语种识别的重要程度的当前识别等级，来确定第一预设数量；对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据第一预设数量的第一语种识别结果确定音频数据的最终识别语种。本公开实施例的技术方案，通过进行人声音频帧进行定位，能够过滤得到音频数据中的有效人声片段，提高了音频数据质量，有利于提高语种识别准确率；通过综合与当前语种识别的重要程度相应数量的人声音频帧组，来确定音频数据的最终识别语种，可进一步提高语种识别准确率。

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为本公开实施例一所提供的一种语种识别方法的流程示意图；

图2为本公开实施例二所提供的一种语种识别方法中进行人声音频帧定位的流程示意图；

图3为本公开实施例三所提供的一种语种识别方法的流程示意图；

图4为本公开实施例四所提供的一种语种识别装置结构示意图；

图5为本公开实施例五所提供的一种电子设备结构示意图。

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。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

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”。

实施例一

图1为本公开实施例一所提供的一种语种识别方法流程示意图，本公开实施例尤其适用于基于通信类应用进行通信的场景下的语种识别，该方法可以由语种识别装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可安装于电子设备中，例如安装于通信类应用的后端服务器中。

如图1所示，本实施例提供的语种识别方法，包括：

S110、对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组。

本公开实施例中，音频数据可以为用于语种识别的后端服务器，从通信类应用的流媒体服务器拉取的音频数据。其中，流媒体服务器的音频数据可以为，参加通信的客户端在通信过程中实时上传的音频数据，且可以将每一个客户端上传的音频数据作为一路音频数据。针对每一路音频数据，用于语种识别的后端服务器可分别进行人声音频帧定位以及语种识别。

其中，进行人声音频帧定位，可以认为是，从音频数据中筛选出包含人声的人声音频帧的操作。其中，每一组人声音频帧组例如可以是，基于一种定位方式来进行人声音频帧定位，所得到的定位结果。其中，定位方式可以认为是，用于定位音频数据中人声音频帧的一系列处理操作的组合，可以理解，若这一系列处理操作中任意一项操作方式和或/操作参数发生变化，则可认为定位方式发生了变化。通过不同的定位方式，对音频数据进行处理，可以得到不同的人声音频帧组。

其中，第一预设数量基于当前识别等级确定，当前识别等级用于表征当前语种识别的重要程度。在一种具体实施方式中，若当前识别等级提高，则根据当前识别等级确定的第一预设数量可以调大，若当前识别等级降低，则根据当前识别等级确定的第一预设数量可以调小。

通过根据当前语种识别的重要程度，来确定定位方式的数量，得到相同数量的人声音频帧组，可以优化语种识别策略，即可以实现在高识别等级时，增大用于进行语种识别的人声音频帧组数量，以提高语种识别准确率，在低识别等级时，减少用于进行语种识别的人声音频帧组的数量，以降低资源消耗。

在本实施例的一些可选的实现方式中，对音频数据进行人声音频帧定位，包括：于每接收到通信范围内的单位时间的音频数据时，对最近接收的第二预设数量个单位时间的音频数据进行分帧；基于第一预设数量的人声音频帧定位方式，对分帧后的音频帧中的人声音频帧进行定位。

其中，针对通信范围内的每路音频数据，可以按流式实时进行人声音频帧定位，即每次接收单位时间的音频数据，就进行一次人声音频帧定位，其中单位时间例如可以是1s。由于单位时间内的音频数据较短，存在单位时间内的音频数据不存在人声，或者噪音较大等不满足语种识别要求的情况，通常需要对多个单位时间的音频数据进行分帧，进而进行人声音频帧定位。例如，音频数据是1秒、1秒接收的，每接收到1秒音频数据，就对最近接收的5秒的音频数据进行分帧，以进行语种识别。

其中，第一预设数量的人声音频帧定位方式(即定位方式)各不相同。在这些可选的实现方式中，通过针对某一路音频数据，采用第一预设数量的人声音频帧定位方式，对分帧后的音频帧中的人声音频帧进行定位，可以得到第一预设数量的人声音频帧组，以用于对该路音频数据的语种识别，提高识别准确率。

在本实施例的一些进一步的实现方式中，人声音频帧定位方式的类型包含下述至少一种：噪音音频帧过滤类型，人声识别类型，以及综合噪音音频帧过滤和人声识别的综合类型。

其中，噪音音频帧过滤类型的定位方式，可以认为是，将音频数据中的噪音音频帧进行识别并过滤，将过滤后的音频帧作为人声音频帧的定位方式；人声识别类型的定位方式，可以认为是，对音频数据中的人声音频帧直接识别的定位方式。虽然各人声音频帧组所对应的定位方式不同，但是定位方式的类型可以相同。

示例性的，利用极端梯度提升(eXtreme Gradient Boosting，XGBoost)模型和梯度提升学习器(Gradient Boosting Machines，GBM)模型都可以实现人声识别，以实现人声音频帧定位，虽然上述两种方式为不同的人声音频帧定位方式，但是这两种方式都属于人声识别类型。

其中，选取的人声音频帧定位方式，可以包含噪音音频帧过滤类型，人声识别类型以及综合类型中的一种或多种类型，且每种类型中可以包括一种或多种定位方式，各类型的所有定位方式的数量和为第一预设数量。

相关技术中，基于语音端点检测(Voice Activity Detection，VAD)进行有效音频段提取，从而实现对音频数据进行人声定位。在基于通信类应用进行通信的场景中，受网络、设备或环境等因素的影响，音频数据的质量较差。而VAD方法中包含的定位方式较为固定，基于现有的VAD方法中提供的噪音过滤方法并不能很好地对上述通信场景下的音频数据进行过滤，导致通信场景下音频数据的识别准确率较低。而在这些可选的实现方式中，通过至少一种定位方式的类型，以及各类型中的至少一种定位方式，来进行人声音频帧定位，可以实现对音频数据中人声的定位，有利于得到音频数据中的有效人声片段，提高了音频数据质量，有利于提高语种识别准确率。

S120、对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据第一预设数量的第一语种识别结果确定音频数据的最终识别语种。

本公开实施例中，可基于通用的语种识别(Language Identification，LID)技术来进行语种识别，例如可以是基于卷积神经网络(Convolutional Neural Networks，CNN)或者循环神经网络(Recurrent Neural Network，RNN)等预训练的神经网络模型来进行语种识别。此外，其他可用语种识别的方式也可应用于本实施例中，在此不做穷举。

本实施例中，将经过人声音频帧定位的各组有效人声片段输入LID模型中，以使LID模型进行语种识别，得到第一预设数量的第一语种识别结果。基于预设决策逻辑，根据第一预设数量的第一语种识别结果，来确定音频数据的最终识别语种。其中，预设决策逻辑可以是，将同一识别结果的数量最大值，对应的第一语种识别结果作为最终识别语种；也可以是根据加权法以及第一预设数量的第一语种识别结果，确定最终识别语种。

通过基于不同定位方式进行人声音频帧进行定位，能够过滤得到音频数据中的有效人声片段，提高了音频数据质量，有利于提高语种识别准确率；通过综合与当前语种识别的重要程度相应数量的人声音频帧组，来确定音频数据的最终识别语种，可进一步提高语种识别准确率。

在本实施例的一些可选的实现方式中，当前识别等级基于以下至少一者确定：通信范围内的通信持续时间；通信持续时间内，最终识别语种的识别稳定性；以及，通信持续时间内，语种识别的处理资源剩余量。

其中，通信范围可以认为是参加通信的客户端所组成的范围，例如由参加音视频会议的客户端组成的范围；通信持续时间为通信范围中首个客户端加入通信范围的时刻到当前时刻的时段，例如从首个客户端加入音视频会议的时刻到当前时刻。其中，最终识别语种的识别稳定性根据连续多次的最终识别语种确定，例如若通信持续时间内，针对某一路音频数据，若连续多次得到的最终识别语种相同，则可以认为该路音频数据的最终识别语种的识别稳定性高，若最终识别语种发生变化，则可以认为该路音频数据的最终识别语种的识别稳定性低。其中，语种识别的处理资源剩余量包括用于进行语种识别的计算资源和存储资源的剩余量。

由于本实施例提供的语种识别方法，需要针对每路音频数据，按流式输入进行频繁地语种识别，资源消耗量较大。在这些可选的实现方式中，通过根据识别等级，采用相应的第一预设数量的定位方式进行人声音频帧定位，可以实现在识别等级降低时，减少定位方式的数量，从而可以实现识别方法的升降级调整，在一定程度上节省资源消耗。

在本实施例的一些进一步的实现方式中，当前识别等级与通信持续时间负相关；和/或，与最终识别语种的识别稳定性负相关；和/或，与处理资源剩余量正相关。

通常通信最初的一段时间，对各客户端上传的音频数据的语种检测最为重要，因此当前识别等级与通信持续时间负相关可以是，针对每路音频数据，将通信持续时间小于预设时间内的识别等级设置为高等级，且当通信持续时间大于等于预设时间时，可以随着客户端通信范围内的通信持续时间增长，将各路音频数据的当前识别等级调低。

其中，当前识别等级与最终识别语种的识别稳定性负相关，可以理解为，针对某一路音频数据，随着该路音频数据的最终识别语种的识别稳定性提高，将该路音频数据的当前识别等级调低，并且当该路音频数据的最终语种识别发送变化时，可认为该路音频数据的识别稳定性降低，此时可将概率音频数据的当前识别等级调高。

其中，当前识别等级与处理资源剩余量正相关，可以理解为，针对每路音频数据，随着语种识别的处理资源剩余量减少，将各路音频数据的当前识别等级调低。

此外，用于语种检测的后端服务器，可综合通信持续时长、识别稳定性和处理资源剩余量中的一种或多种因素，进行当前识别等级的确定。在一种具体的实施方式中，可以为各因素设置等级确定的优先级，并综合各因素优先级，以及各因素当前情况进行当前识别等级的确定。

示例性的，假设综合识别稳定性和处理资源剩余量确定当前识别等级，且处理资源剩余量的等级确定的优先级较高时，若处理资源剩余量匮乏，但是稳定性降低，则优先考虑处理资源不足以支持当前识别等级升级，因此可以暂时不升级当前识别等级，直至处理资源剩余量满足语种识别处理需求时，升级当前识别等级。

在这些可选的实现方式中，通过基于通信持续时间、最终识别语种的识别稳定性负相关，和/或处理资源剩余量，对当前识别等级进行调整的升降级，能够实现语种识别精度和资源消耗之间的平衡。

在本实施例的一些可选的实现方式中，对第一预设数量的人声音频帧组进行语种识别，包括：针对各人声音频帧组，判断定位的人声音频帧之间是否时序相邻；若是，则对时序相邻的人声音频帧进行拼接，并于拼接得到的音频段的时长大于等于预设时长时，基于预先训练的语种识别模型对拼接得到的音频段进行语种识别。

其中，在对各路音频数据进行分帧操作时，可以按音频数据的时序将各音频帧进行编号。相应的，针对每组人声音频帧组，可判断定位为人声音频帧的各帧之间是否编号相邻，若相邻则认为定位的人声音频帧之间时序相邻。

针对各人声音频帧组，将时序相邻的人声音频帧进行拼接，可以得到一段或多段音频段，进而可判断各音频段的时长是否大于预设时长，其中预设时长可根据LID模型支持的最短可识别音频段时长进行设置，例如可以为1s。

当各音频段的时长皆小于等于预设时长时，则可以对该人声音频帧组进行丢弃，以根据其他人声音频帧组进行语种识别。当音频段中存在两个以上的音频段大于等于预设时长时，可以选取其中最长的一段音频段进行语种识别，也可以将大于等于预设时长的音频段皆进行语种识别，并根据语种识别结果确定本组人声音频帧组对应的第一语种识别结果。

在这些可选的实现方式中，通过对时长大于等于预设时长拼接音频段进行识别，可在一定程度上提高语种识别精度。

在本实施例的一些可选的实现方式中，语种识别方法，应用于实时通信服务器，且实时通信服务器包括即时通讯服务器、多媒体会议服务器、视频直播服务器和群聊互动服务器中的至少一种。

在这些可选的实现方式中，用于进行语种识别的后端服务器可以是实时通信服务器，且实时通信服务器包括但不限于即时通讯服务器、多媒体会议服务器、视频直播服务器和群聊互动服务器，从而能够实现在客户端间进行实时互动过程中进行语种识别，以为实时互动过程中字幕生成奠定基础，可提高用户的互动体验。

本公开实施例的技术方案，后端服务器根据用于表征当前语种识别的重要程度的当前识别等级，来确定第一预设数量；对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据第一预设数量的第一语种识别结果确定音频数据的最终识别语种。本公开实施例的技术方案，通过进行人声音频帧进行定位，能够过滤得到音频数据中的有效人声片段，提高了音频数据质量，有利于提高语种识别准确率；通过综合与当前语种识别的重要程度相应数量的人声音频帧组，来确定音频数据的最终识别语种，可进一步提高语种识别准确率。

实施例二

本实施例与上述实施例中提供的语种识别方法中各个可选方案可以结合。本实施例提供的语种识别方法对人声音频帧的定位步骤进行了优化，能够根据不同类型的定位方式对音频数据进行预处理，得到各组高质量的人声音频帧定位结果(即人声音频帧组)，进而通过综合多个人声音频帧组进行语种识别，可在很大程度上提高语种识别的准确率。

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含噪音音频帧过滤类型，则对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：从属于噪音音频过滤类型的噪音音频帧过滤方式中选取第三预设数量的噪音音频帧过滤方式；根据第三预设数量的噪音音频帧过滤方式分别对音频数据进行噪音音频帧过滤，将过滤后的音频帧定位为人声音频帧；将基于相同噪音音频帧过滤方式定位的人声音频帧作为一组人声音频帧，得到第三预设数量的人声音频帧组；其中，第三预设数量小于等于第一预设数量。

其中，属于噪音音频过滤类型的噪音音频帧过滤方式，包括但不限于基于能量的噪音音频帧过滤、基于幅值的噪音音频帧过滤和基于频率的噪音音频帧过滤的方式。

具体的，若选取的过滤方式为基于能量的噪音音频帧过滤，则根据选取的过滤方式分别对音频数据进行噪音音频帧过滤，可以是：将分帧后的音频帧内采样点的音频信号的平方和作为音频帧的能量；将音频帧的能量小于预设能量的音频帧作为噪音音频帧，并对噪音音频帧进行过滤。

若选取的过滤方式为基于幅值的噪音音频帧过滤，则根据选取的过滤方式分别对音频数据进行噪音音频帧过滤，可以是：判断分帧后的音频帧内采样点在时域的信号谱线的幅值是否小于预设幅值；若是，则将音频帧作为噪音音频帧，并对噪音音频帧进行过滤。

若选取的过滤方式为基于频率的噪音音频帧过滤，则根据选取的过滤方式分别对音频数据进行噪音音频帧过滤，可以是：判断分帧后的音频帧内采样点在频域的信号谱线的形态特征是否与预设噪音形态特征相匹配；若是，则将音频帧作为噪音音频帧，并对噪音音频帧进行过滤。其中，预设噪音形态特征例如为啸叫形态特征，具体可以为，分布在不同频率点出现较高的响应，而其他频点，表现为较为平稳的直线特征。

与传统的采用VAD进行过滤和语种识别相比，在这些可选的实现方式中，通过属于噪音音频过滤类型的噪音音频帧过滤方式对音频帧进行过滤，只进行了基础的有效声音识别，即对能量、幅值较小或频谱上呈现啸叫等特征的声音进行过滤，从而可实现更适用于通信场景的、严格的边界检测，有利于提高语种识别效率。

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含人声识别类型，则对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：从预先训练的具有不同神经网络结构的人声识别模型中选取第四预设数量的人声识别模型；将音频数据在频域的信号分别输入第四预设数量的人声识别模型，基于第四预设数量的人声识别模型分别对音频数据进行人声识别，并将识别为人声的音频帧定位为人声音频帧；将基于相同人声识别模型定位的人声音频帧作为一组人声音频帧，得到第四预设数量的人声音频帧组；其中，第四预设数量小于等于第一预设数量。

其中，人声识别模型又可以称为帧检测(Frame detection)模型，主要用来识别音频数据中哪些数据帧为人声数据帧，哪些数据帧为噪音数据帧。其中，若不同人声识别模型中具有的神经网络结构不同，则不同人声识别模型对应不同的人声音频帧定位方式，且神经网络模型包括但不限于XGBoost模型、GBM模型和Yolo模型等。在这些可选的实现方式中，通过人声识别模型能够实现人声音频帧的直接定位。

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含综合类型，则对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：从属于噪音音频帧过滤类型的的噪音音频帧过滤方式中选取第五预设数量的噪音音频帧过滤方式；根据第五预设数量的噪音音频帧过滤方式分别对音频数据进行噪音音频帧过滤；从预先训练的具有不同神经网络结构的人声识别模型中选取第六预设数量的人声识别模型；将每组过滤后的音频帧在频域的信号分别输入第六预设数量的人声识别模型，基于第六预设数量的人声识别模型分别对每组过滤后的音频帧进行人声识别，并将识别为人声的音频帧定位为人声音频帧；将基于相同噪音音频帧过滤方式和人声识别模型定位的人声音频帧作为一组人声音频帧，得到第五预设数量乘以第六预设数量的乘积个人声音频帧组；其中，第五预设数量乘以第六预设数量的乘积小于等于第一预设数量。

在这些可选的实现方式中，通过先进行噪音音频帧过滤，可以对音频数据经过最原始的过滤，再进行人声识别，可以定位到音频中的有效人声片段，从而使得语种识别的稳定性和准确率大大提高。

此外，除了上述“将每组过滤后的音频帧在频域的信号分别输入第六预设数量的人声识别模型，以进行人声识别”的实施方式之外，还可以是：在根据第五预设数量的噪音音频帧过滤方式，分别对音频数据进行噪音音频帧过滤之后，指定每种过滤方式对应的至少一种人声识别模型；并针对每种过滤方式过滤的音频帧，根据指定的人声识别模型进行人声识别。这样，可以得到小于第五预设数量乘以第六预设数量的乘积的人声音频帧组，从而在很大程度上节省了资源消耗。

其中，当前识别等级对应的人声音频帧定位方式的类型，可包括上述三种类型中的任一种、任两种或全部。且每种类型中可以包括一种或多种定位方式，各类型的所有定位方式的数量和为第一预设数量。能够实现根据不同类型的定位方式对音频数据进行预处理，得到各组高质量的人声音频帧定位结果，有利于提高语种识别准确率。

图2为本公开实施例二所提供的一种语种识别方法中进行人声音频帧定位的流程示意图。

如图2所示，人声音频帧定位方式的类型包括，噪音音频帧过滤类型(可称为VAD0)，人声识别类型(可称为frame detection)和综合噪音音频帧过滤和人声识别的综合类型(可称为VAD0+frame detection)，这三种类型。

参见图2，音频数据wave stream以1s的增量按流式分别传入VAD0、framedetection和VAD0+frame detection类型的人声音频帧定位方式。并且，VAD0方式中选取了1种综合基于能量+频率的噪音音频帧过滤的方式，得到1组人声音频帧组；framedetection方式中选取了XGBoost模型和GBM模型2种人声识别模型，得到2组人声音频帧组；VAD0+frame detection方式中选取了1种综合基于能量+频率的噪音音频帧过滤的方式，以及XGBoost模型和Yolo模型2种人声识别模型，得到1*2＝2组人声音频帧组。也就是说，通过对音频数据wave stream进行人声音频帧定位，共得到5组人声音频帧组。

将5组人声音频帧组分别输入LID模型进行语种识别，得到5个第一语种识别结果。通过根据5个第一语种识别结果确定该路音频数据的最终识别语种，可以提高语种识别的准确率。

本公开实施例的技术方案，对人声音频帧的定位步骤进行了优化，能够根据不同类型的定位方式对音频数据进行预处理，得到各组高质量的人声音频帧定位结果(即人声音频帧组)，进而通过综合多个人声音频帧组进行语种识别，可在很大程度上提高语种识别的准确率。

实施例三

图3为本公开实施例三所提供的一种语种识别方法的流程示意图。本实施例与上述实施例中提供的语种识别方法中各个可选方案可以结合。本实施例提供的语种识别方法对确定最终识别语种的步骤进行了优化，通过先根据第一预设数量的第一语种识别结果确定初步识别语种，再根据历史的初步识别语种确定的最终识别语种，能够综合历史多段音频数据的识别结果，来确定本次语种识别结果，进一步提高了语种识别的稳定性和准确率。

如图3所示，本实施例提供的语种识别方法，包括：

S310、对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；

S320、对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果；

S330、根据第一预设数量的第一语种识别结果，确定音频数据的初步识别语种；

S340、基于历史确定的初步识别语种确定最终识别语种。

传统的语种识别方法，通常为根据单次输入的音频数据即时得到语种识别结果。利用现有的语种识别方法，对通信场景下的音频数据进行语种识别时，通常为根据客户端实时上传的音频数据中某一次输入的音频数据进行识别，容易导致识别准确率偏低。

在实现本公开实施例提供的语种识别方法过程中，发明人发现通信场景下，可接收的语种识别响应延迟较长，因此可以无需依照传统的识别方法，在输入一段音频数据之后马上得结果，而是可以在通信过程中，根据实时积累的多段音频进行各路音频数据的持续语种识别，并通过对多段音频数据的识别结果综合确定各路音频数据的最终识别语种。也就是说，可以首先根据第一预设数量的第一语种识别结果，确定音频数据的初步识别语种，然后综合历史确定的初步识别语种确定最终识别语种，从而可以大大提高识别稳定性和准确率。

在本实施例的一些可选的实现方式中，根据第一预设数量的第一语种识别结果，确定音频数据的初步识别语种，包括：将第一预设数量的第一语种识别结果的置信度概率，映射为第一语种识别数组；根据第一预设数量的第一语种识别结果分别对应的第一识别权重，和第一语种识别数组确定第二语种识别数组；根据第二语种识别数组，确定音频数据的初步识别语种。

本实施例中，通过LID模型对人声音频帧组进行语种识别，可以得到该人声音频帧分别属于各可识别语种的置信度概率数值，即第一语种识别结果的置信度概率。示例性的，当可识别语种包括中文、英文、法文和日文时，通过LID模型对某一组人声音频帧组进行语种识别后，第一语种识别结果的置信度概率可以是，中文对应的置信度概率为0.05，英文对应的置信度概率为0.75，法文对应的置信度概率为0.15，日文对应的置信度概率为0.05。

其中，将第一语种识别结果的置信度概率，映射为第一语种识别数组的映射方式，可以为线性映射，也可以为非线性映射，例如可以是计算置信度概率的softmax值(即各置信度概率的指数与所有置信度概率的指数和的比值)来进行映射，具体可根据实际应用场景下的经验映射方式或实验映射方式进行设置。

其中，第一语种识别数组和第二语种识别数组的行数可以为1，列数可以为可识别语种的总数量。其中，第一语种识别数组和第二语种识别数组中每个维度(即每列)的数值分别表征一种语种的概率值，且第一语种识别数组和第二语种识别数组中相同维度对应的语种相同其中每个维度的数值对应一个语种的概率值。示例性的，第一语种识别数组[0.050.75 0.15 0.05]中各维度数值0.05、0.75、0.15和0.05可分别对应中文、英文、法文和日文的概率值。

本实施例中，确定第一语种识别结果分别对应的第一识别权重的步骤，可以包括：首先，可预先为各定位方式设置权重，例如将定位精度较高的综合类型的人声音频帧定位方式设置为较高的权重，将其他人声音频帧定位方式设置为较低的权重；然后，可建立各定位方式和第一语种识别数组的对应关系，例如为，利用定位方式对音频数据进行定位，得到对应的人声音频帧组，通过LID模型对人声音频帧组进行语种识别，确定第一语种识别数组，即各定位方式和第一语种识别数组可以通过人声音频帧组建立对应关系；最后，可将各定位方式预设的权重，作为对应的第一语种识别数组的权重。

在确定各第一识别权重之后，可根据加权法确定第二语种识别数组，具体可以是：将各第一语种识别结果对应的第一语种识别数组和第一识别权重相乘，得到第一预设数量的乘积数组；将第一预设数量的乘积数组相加，得到第二语种识别数组。其中，根据第二语种识别数组，确定音频数据的初步识别语种，可以是将数组中数值最大的维度对应的语种，作为初步识别语种。

在本实施例的一些可选的实现方式中，基于历史确定的初步识别语种确定最终识别语种，包括：若最近确定的第七预设数量的初步识别语种相同，则将相同的初步识别语种确定为最终识别语种。

其中，第七预设数量可以根据实际应用场景下的经验值进行设置，例如为2、3或5。本实施例中，每接收到单位时间的音频数据，皆可触发一次语种识别操作，若当前确定的初步识别语种，与最近确定的第七预设数量的初步识别语种相同，则将相同的初步识别语种确定为最终识别语种。从而提高了语种识别的稳定性和准确率。

在本实施例的一些可选的实现方式中，基于历史确定的初步识别语种确定最终识别语种，包括：根据最近确定的第八预设数量个初步识别语种分别对应的第二识别权重，和第二语种识别数组确定第三语种识别数组；根据第三语种识别数组，确定音频数据的最终识别语种。

本实施例提供了另一种基于历史确定的初步识别语种确定最终识别语种的方式，即再次根据加权法确定第三语种识别数组，具体可以是：将各第二语种识别数组和第二识别权重相乘，得到第八预设数量的乘积数组；将第八预设数量的乘积数组相加，得到第三语种识别数组。其中，根据第三语种识别数组，确定音频数据的最终识别语种，可以是将数组中数值最大的维度对应的语种，作为最终识别语种。

其中，第三语种识别数组和第二语种识别数组中每个维度(即每列)的数值分别表征一种语种的概率值，且第三语种识别数组和第二语种识别数组中相同维度对应的语种相同其中每个维度的数值对应一个语种的概率值。

其中，第二识别权重的设置方式可以是，当前时刻确定的第二语种识别数组的第二识别权重设置为最大值，按距当前时刻由近到远的顺序，将第二识别权重依次调低。其中第八预设数量可以和第七预设数量相同，也可以不同，且第八预设数量同样可以根据实际应用场景下的经验值进行设置。

本实施例中，通过先后“根据第一预设数量的第一语种识别数组进行加权，以及根据第八预设数量的第二语种识别数组进行加权”这两层加权算法，来进行语种识别，可以大大提高语种识别的稳定性和准确率。

本公开实施例的技术方案，首先根据第一预设数量的第一语种识别结果，确定音频数据的初步识别语种，然后综合历史确定的初步识别语种确定最终识别语种，从而可以大大提高识别稳定性和准确率。

实施例四

图4为本公开实施例四所提供的一种语种识别装置结构示意图。本实施例提供的语种识别装置适用于基于通信类应用进行通信的场景下的语种识别。

如图4所示，语种识别装置，包括：

音频帧定位模块410，用于对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；

语种识别模块420，用于对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据第一预设数量的第一语种识别结果确定音频数据的最终识别语种；

其中，第一预设数量基于当前识别等级确定，当前识别等级用于表征当前语种识别的重要程度。

在本实施例的一些可选的实现方式中，当前识别等级基于以下至少一者确定：通信范围内的通信持续时间；通信持续时间内，最终识别语种的识别稳定性；以及，通信持续时间内，语种识别的处理资源剩余量；其中，通信范围为参加通信的客户端所组成的范围，通信持续时间为通信范围中首个客户端加入通信范围的时刻到当前时刻的时段；最终识别语种的识别稳定性根据连续多次的最终识别语种确定；语种识别的处理资源剩余量包括用于进行语种识别的计算资源和存储资源的剩余量。

在本实施例的一些进一步的实现方式中，当前识别等级与通信持续时间负相关；和/或，与最终识别语种的识别稳定性负相关；和/或，与处理资源剩余量正相关。

在本实施例的一些可选的实现方式中，音频帧定位模块，包括：

分帧子模块，用以于每接收到通信范围内的单位时间的音频数据时，对最近接收的第二预设数量个单位时间的音频数据进行分帧；

定位子模块，用以基于第一预设数量的人声音频帧定位方式，对分帧后的音频帧中的人声音频帧进行定位。

在本实施例的一些可选的实现方式中，人声音频帧定位方式的类型包含下述至少一种：噪音音频帧过滤类型，人声识别类型，以及综合噪音音频帧过滤和人声识别的综合类型。

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含噪音音频帧过滤类型，则音频帧定位模块，用于从属于噪音音频过滤类型的噪音音频帧过滤方式中选取第三预设数量的噪音音频帧过滤方式；根据第三预设数量的噪音音频帧过滤方式分别对音频数据进行噪音音频帧过滤，将过滤后的音频帧定位为人声音频帧；将基于相同噪音音频帧过滤方式定位的人声音频帧作为一组人声音频帧，得到第三预设数量的人声音频帧组；其中，第三预设数量小于等于第一预设数量。

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含人声识别类型，则音频帧定位模块，用于从预先训练的具有不同神经网络结构的人声识别模型中选取第四预设数量的人声识别模型；将音频数据在频域的信号分别输入第四预设数量的人声识别模型，基于第四预设数量的人声识别模型分别对音频数据进行人声识别，并将识别为人声的音频帧定位为人声音频帧；将基于相同人声识别模型定位的人声音频帧作为一组人声音频帧，得到第四预设数量的人声音频帧组；其中，第四预设数量小于等于第一预设数量。

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含综合类型，则音频帧定位模块，用于从属于噪音音频帧过滤类型的的噪音音频帧过滤方式中选取第五预设数量的噪音音频帧过滤方式；根据第五预设数量的噪音音频帧过滤方式分别对音频数据进行噪音音频帧过滤；从预先训练的具有不同神经网络结构的人声识别模型中选取第六预设数量的人声识别模型；将每组过滤后的音频帧在频域的信号分别输入第六预设数量的人声识别模型，基于第六预设数量的人声识别模型分别对每组过滤后的音频帧进行人声识别，并将识别为人声的音频帧定位为人声音频帧；将基于相同噪音音频帧过滤方式和人声识别模型定位的人声音频帧作为一组人声音频帧，得到第五预设数量乘以第六预设数量的乘积个人声音频帧组；其中，第五预设数量乘以第六预设数量的乘积小于等于第一预设数量。

在本实施例的一些可选的实现方式中，语种识别模块，用于针对各人声音频帧组，判断定位的人声音频帧之间是否时序相邻；若是，则对时序相邻的人声音频帧进行拼接，并于拼接得到的音频段的时长大于等于预设时长时，基于预先训练的语种识别模型对拼接得到的音频段进行语种识别。

在本实施例的一些可选的实现方式中，语种识别模块，包括：

初步语种识别子模块，用于根据第一预设数量的第一语种识别结果，确定音频数据的初步识别语种；

最终语种识别子模块，用以基于历史确定的初步识别语种确定最终识别语种。

在本实施例的一些可选的实现方式中，初步语种识别子模块，用于将第一预设数量的第一语种识别结果的置信度概率，映射为第一语种识别数组；根据第一预设数量的第一语种识别结果分别对应的第一识别权重，和第一语种识别数组确定第二语种识别数组；根据第二语种识别数组，确定音频数据的初步识别语种；其中，第一语种识别数组和第二语种识别数组中每个维度的数值分别表征一种语种的概率值，且第一语种识别数组和第二语种识别数组中相同维度对应的语种相同。

在本实施例的一些可选的实现方式中，最终语种识别子模块，用于若最近确定的第七预设数量的初步识别语种相同，则将相同的初步识别语种确定为最终识别语种。

在本实施例的一些可选的实现方式中，最终语种识别子模块，用于根据最近确定的第八预设数量个初步识别语种分别对应的第二识别权重，和第二语种识别数组确定第三语种识别数组；根据第三语种识别数组，确定音频数据的最终识别语种；其中，第三语种识别数组中每个维度的数值分别表征一种语种的概率值，且第三语种识别数组和第二语种识别数组中相同维度对应的语种相同。

在本实施例的一些可选的实现方式中，语种识别装置应用于实时通信服务器，且实时通信服务器包括即时通讯服务器、多媒体会议服务器、视频直播服务器和群聊互动服务器中的至少一种。

本公开实施例所提供的语种识别装置，可执行本公开任意实施例所提供的语种识别方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

实施例五

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端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5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从存储装置508加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。

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，其包括承载在非暂态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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施例提供的电子设备与上述实施例提供的语种识别方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

实施例六

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的语种识别方法。

需要说明的是，本公开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(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、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(Hyper Text 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：

对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；对第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据第一预设数量的第一语种识别结果确定音频数据的最终识别语种；其中，第一预设数量基于当前识别等级确定，当前识别等级用于表征当前语种识别的重要程度。

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操作的计算机程序代码，上述程序设计语言包括但不限于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。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定，例如，音频帧定位模块还可以被描述为“人声音频帧定位模块”。

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(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，【示例一】提供了一种语种识别方法，该方法包括：

对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组；

对所述第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种；

其中，所述第一预设数量基于当前识别等级确定，所述当前识别等级用于表征当前语种识别的重要程度。

根据本公开的一个或多个实施例，【示例二】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述当前识别等级基于以下至少一者确定：

通信范围内的通信持续时间；

所述通信持续时间内，所述最终识别语种的识别稳定性；以及，

所述通信持续时间内，语种识别的处理资源剩余量；

其中，所述通信范围为参加通信的客户端所组成的范围，所述通信持续时间为所述通信范围中首个客户端加入所述通信范围的时刻到当前时刻的时段；

所述最终识别语种的识别稳定性根据连续多次的最终识别语种确定；

所述语种识别的处理资源剩余量包括用于进行语种识别的计算资源和存储资源的剩余量。

根据本公开的一个或多个实施例，【示例三】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述当前识别等级与所述通信持续时间负相关；和/或，

与所述最终识别语种的识别稳定性负相关；和/或，

与所述处理资源剩余量正相关。

根据本公开的一个或多个实施例，【示例四】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述对音频数据进行人声音频帧定位，包括：

于每接收到通信范围内的单位时间的音频数据时，对最近接收的第二预设数量个单位时间的音频数据进行分帧；

基于第一预设数量的人声音频帧定位方式，对分帧后的音频帧中的人声音频帧进行定位。

根据本公开的一个或多个实施例，【示例五】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述人声音频帧定位方式的类型包含下述至少一种：

噪音音频帧过滤类型，人声识别类型，以及综合所述噪音音频帧过滤和所述人声识别的综合类型。

根据本公开的一个或多个实施例，【示例六】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含所述噪音音频帧过滤类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从属于噪音音频过滤类型的噪音音频帧过滤方式中选取第三预设数量的噪音音频帧过滤方式；

根据第三预设数量的噪音音频帧过滤方式分别对所述音频数据进行噪音音频帧过滤，将过滤后的音频帧定位为人声音频帧；

将基于相同噪音音频帧过滤方式定位的人声音频帧作为一组人声音频帧，得到第三预设数量的人声音频帧组；

其中，所述第三预设数量小于等于所述第一预设数量。

根据本公开的一个或多个实施例，【示例七】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含所述人声识别类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从预先训练的具有不同神经网络结构的人声识别模型中选取第四预设数量的人声识别模型；

将所述音频数据在频域的信号分别输入第四预设数量的人声识别模型，基于第四预设数量的人声识别模型分别对所述音频数据进行人声识别，并将识别为人声的音频帧定位为人声音频帧；

将基于相同人声识别模型定位的人声音频帧作为一组人声音频帧，得到第四预设数量的人声音频帧组；

其中，所述第四预设数量小于等于所述第一预设数量。

根据本公开的一个或多个实施例，【示例八】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，若人声音频帧定位方式的类型包含所述综合类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从属于噪音音频帧过滤类型的的噪音音频帧过滤方式中选取第五预设数量的噪音音频帧过滤方式；

根据第五预设数量的噪音音频帧过滤方式分别对所述音频数据进行噪音音频帧过滤；

从预先训练的具有不同神经网络结构的人声识别模型中选取第六预设数量的人声识别模型；

将每组过滤后的音频帧在频域的信号分别输入第六预设数量的人声识别模型，基于第六预设数量的人声识别模型分别对每组过滤后的音频帧进行人声识别，并将识别为人声的音频帧定位为人声音频帧；

将基于相同噪音音频帧过滤方式和人声识别模型定位的人声音频帧作为一组人声音频帧，得到第五预设数量乘以第六预设数量的乘积个人声音频帧组；

其中，所述第五预设数量乘以第六预设数量的乘积小于等于所述第一预设数量。

根据本公开的一个或多个实施例，【示例九】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述对所述第一预设数量的人声音频帧组进行语种识别，包括：

针对各人声音频帧组，判断定位的人声音频帧之间是否时序相邻；

若是，则对时序相邻的人声音频帧进行拼接，并于拼接得到的音频段的时长大于等于预设时长时，基于预先训练的语种识别模型对所述拼接得到的音频段进行语种识别。

根据本公开的一个或多个实施例，【示例十】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种，包括：

根据所述第一预设数量的第一语种识别结果，确定所述音频数据的初步识别语种；

基于历史确定的初步识别语种确定最终识别语种。

根据本公开的一个或多个实施例，【示例十一】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述根据所述第一预设数量的第一语种识别结果，确定所述音频数据的初步识别语种，包括：

将所述第一预设数量的第一语种识别结果的置信度概率，映射为第一语种识别数组；

根据所述第一预设数量的第一语种识别结果分别对应的第一识别权重，和所述第一语种识别数组确定第二语种识别数组；

根据所述第二语种识别数组，确定所述音频数据的初步识别语种；

其中，所述第一语种识别数组和所述第二语种识别数组中每个维度的数值分别表征一种语种的概率值，且第一语种识别数组和所述第二语种识别数组中相同维度对应的语种相同。

根据本公开的一个或多个实施例，【示例十二】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述基于历史确定的初步识别语种确定最终识别语种，包括：

若最近确定的第七预设数量的初步识别语种相同，则将相同的初步识别语种确定为最终识别语种。

根据本公开的一个或多个实施例，【示例十三】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，所述基于历史确定的初步识别语种确定最终识别语种，包括：

根据最近确定的第八预设数量个初步识别语种分别对应的第二识别权重，和所述第二语种识别数组确定第三语种识别数组；

根据所述第三语种识别数组，确定所述音频数据的最终识别语种；

其中，所述第三语种识别数组中每个维度的数值分别表征一种语种的概率值，且第三语种识别数组和所述第二语种识别数组中相同维度对应的语种相同。

根据本公开的一个或多个实施例，【示例十四】提供了一种语种识别方法，还包括：

在本实施例的一些可选的实现方式中，应用于实时通信服务器，且所述实时通信服务器包括即时通讯服务器、多媒体会议服务器、视频直播服务器和群聊互动服务器中的至少一种。

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，本公开中所涉及的公开范围，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公开构思的情况下，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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (16)

1.一种语种识别方法，其特征在于，包括：

对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，所述第一预设数量的人声音频帧组对应的定位方式各不相同；

对所述第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种；

其中，所述第一预设数量基于当前识别等级确定，所述当前识别等级用于表征当前语种识别的重要程度；

所述对所述第一预设数量的人声音频帧组进行语种识别，包括：

针对各人声音频帧组，判断定位的人声音频帧之间是否时序相邻；

若是，则对时序相邻的人声音频帧进行拼接，并于拼接得到的音频段的时长大于等于预设时长时，基于预先训练的语种识别模型对所述拼接得到的音频段进行语种识别。

2.根据权利要求1所述的方法，其特征在于，所述当前识别等级基于以下至少一者确定：

通信范围内的通信持续时间；

所述通信持续时间内，所述最终识别语种的识别稳定性；以及，

所述通信持续时间内，语种识别的处理资源剩余量；

其中，所述通信范围为参加通信的客户端所组成的范围，所述通信持续时间为所述通信范围中首个客户端加入所述通信范围的时刻到当前时刻的时段；

所述最终识别语种的识别稳定性根据连续多次的最终识别语种确定；

所述语种识别的处理资源剩余量包括用于进行语种识别的计算资源和存储资源的剩余量。

3.根据权利要求2所述的方法，其特征在于，所述当前识别等级与所述通信持续时间负相关；和/或，

与所述最终识别语种的识别稳定性负相关；和/或，

与所述处理资源剩余量正相关。

4.根据权利要求1所述的方法，其特征在于，所述对音频数据进行人声音频帧定位，包括：

于每接收到通信范围内的单位时间的音频数据时，对最近接收的第二预设数量个单位时间的音频数据进行分帧；

基于第一预设数量的人声音频帧定位方式，对分帧后的音频帧中的人声音频帧进行定位。

5.根据权利要求4所述的方法，其特征在于，所述人声音频帧定位方式的类型包含下述至少一种：

噪音音频帧过滤类型，人声识别类型，以及综合所述噪音音频帧过滤和所述人声识别的综合类型。

6.根据权利要求5所述的方法，其特征在于，若人声音频帧定位方式的类型包含所述噪音音频帧过滤类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从属于噪音音频过滤类型的噪音音频帧过滤方式中选取第三预设数量的噪音音频帧过滤方式；

根据第三预设数量的噪音音频帧过滤方式分别对所述音频数据进行噪音音频帧过滤，将过滤后的音频帧定位为人声音频帧；

将基于相同噪音音频帧过滤方式定位的人声音频帧作为一组人声音频帧，得到第三预设数量的人声音频帧组；

其中，所述第三预设数量小于等于所述第一预设数量。

7.根据权利要求5所述的方法，其特征在于，若人声音频帧定位方式的类型包含所述人声识别类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从预先训练的具有不同神经网络结构的人声识别模型中选取第四预设数量的人声识别模型；

将所述音频数据在频域的信号分别输入第四预设数量的人声识别模型，基于第四预设数量的人声识别模型分别对所述音频数据进行人声识别，并将识别为人声的音频帧定位为人声音频帧；

将基于相同人声识别模型定位的人声音频帧作为一组人声音频帧，得到第四预设数量的人声音频帧组；

其中，所述第四预设数量小于等于所述第一预设数量。

8.根据权利要求5所述的方法，其特征在于，若人声音频帧定位方式的类型包含所述综合类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从属于噪音音频帧过滤类型的的噪音音频帧过滤方式中选取第五预设数量的噪音音频帧过滤方式；

根据第五预设数量的噪音音频帧过滤方式分别对所述音频数据进行噪音音频帧过滤；

从预先训练的具有不同神经网络结构的人声识别模型中选取第六预设数量的人声识别模型；

将每组过滤后的音频帧在频域的信号分别输入第六预设数量的人声识别模型，基于第六预设数量的人声识别模型分别对每组过滤后的音频帧进行人声识别，并将识别为人声的音频帧定位为人声音频帧；

将基于相同噪音音频帧过滤方式和人声识别模型定位的人声音频帧作为一组人声音频帧，得到第五预设数量乘以第六预设数量的乘积个人声音频帧组；

其中，所述第五预设数量乘以第六预设数量的乘积小于等于所述第一预设数量。

9.根据权利要求1所述的方法，其特征在于，所述根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种，包括：

根据所述第一预设数量的第一语种识别结果，确定所述音频数据的初步识别语种；

基于历史确定的初步识别语种确定最终识别语种。

10.根据权利要求9所述的方法，其特征在于，所述根据所述第一预设数量的第一语种识别结果，确定所述音频数据的初步识别语种，包括：

将所述第一预设数量的第一语种识别结果的置信度概率，映射为第一语种识别数组；

根据所述第一预设数量的第一语种识别结果分别对应的第一识别权重，和所述第一语种识别数组确定第二语种识别数组；

根据所述第二语种识别数组，确定所述音频数据的初步识别语种；

其中，所述第一语种识别数组和所述第二语种识别数组中每个维度的数值分别表征一种语种的概率值，且第一语种识别数组和所述第二语种识别数组中相同维度对应的语种相同。

11.根据权利要求9所述的方法，其特征在于，所述基于历史确定的初步识别语种确定最终识别语种，包括：

若最近确定的第七预设数量的初步识别语种相同，则将相同的初步识别语种确定为最终识别语种。

12.根据权利要求10所述的方法，其特征在于，所述基于历史确定的初步识别语种确定最终识别语种，包括：

根据最近确定的第八预设数量个初步识别语种分别对应的第二识别权重，和所述第二语种识别数组确定第三语种识别数组；

根据所述第三语种识别数组，确定所述音频数据的最终识别语种；

其中，所述第三语种识别数组中每个维度的数值分别表征一种语种的概率值，且第三语种识别数组和所述第二语种识别数组中相同维度对应的语种相同。

13.根据权利要求1-12任一所述的方法，其特征在于，应用于实时通信服务器，且所述实时通信服务器包括即时通讯服务器、多媒体会议服务器、视频直播服务器和群聊互动服务器中的至少一种。

14.一种语种识别装置，其特征在于，包括：

音频帧定位模块，用于对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，所述第一预设数量的人声音频帧组对应的定位方式各不相同；

语种识别模块，用于对所述第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种；

其中，所述第一预设数量基于当前识别等级确定，所述当前识别等级用于表征当前语种识别的重要程度；

语种识别模块，还用于针对各人声音频帧组，判断定位的人声音频帧之间是否时序相邻；若是，则对时序相邻的人声音频帧进行拼接，并于拼接得到的音频段的时长大于等于预设时长时，基于预先训练的语种识别模型对拼接得到的音频段进行语种识别。

15.一种电子设备，其特征在于，所述电子设备包括：

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1-13中任一所述的语种识别方法。

16.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-13中任一所述的语种识别方法。

Images