CN112037792B - 一种语音识别方法、装置、电子设备及存储介质 - Google Patents
一种语音识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112037792B CN112037792B CN202010842909.7A CN202010842909A CN112037792B CN 112037792 B CN112037792 B CN 112037792B CN 202010842909 A CN202010842909 A CN 202010842909A CN 112037792 B CN112037792 B CN 112037792B
- Authority
- CN
- China
- Prior art keywords
- industry
- text information
- word
- communication range
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000013598 vector Substances 0.000 claims abstract description 267
- 230000006854 communication Effects 0.000 claims abstract description 207
- 238000004891 communication Methods 0.000 claims abstract description 203
- 238000012512 characterization method Methods 0.000 claims abstract description 125
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 66
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 101150054987 ChAT gene Proteins 0.000 description 4
- 101100203187 Mus musculus Sh2d3c gene Proteins 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
Abstract
本公开实施例公开了一种语音识别方法、装置、电子设备及存储介质，其中该方法包括：于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取字幕文本信息的关键词；根据关键词的词向量确定字幕文本信息的表征向量，并从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量；基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。能够实现在包含特定领域专业术语的通信场景下，选取与该领域专业术语相匹配的行业专属词库，以进行语音识别，从而提高了语音识别精度，提升了用户体验。
Description
技术领域
本公开实施例涉及计算机技术领域，尤其涉及一种语音识别方法、系统、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。当客户端间进行包含音频数据的通信时，服务器可通过自动语音识别(Automatic Speech Recognition，ASR)技术将音频数据转写为文字，并将转写的文字下发至对应客户端，以使客户端显示音频数据对应的字幕。现有的ASR模型选用词库通常为通用词库，基于通用词库在包含特定领域专业术语的通信场景下进行语音识别进行时，识别精度较低，用户体验较差。
发明内容
本公开实施例提供了一种语音识别方法、装置、电子设备及存储介质，提高了音频数据的识别精度，提升了用户体验。
第一方面，本公开实施例提供了一种语音识别方法，包括：
于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取所述字幕文本信息的关键词；
根据所述关键词的词向量确定所述字幕文本信息的表征向量，并从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量；
基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
第二方面，本公开实施例还提供了一种语音识别装置，包括：
关键词提取模块，用以于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取所述字幕文本信息的关键词；
行业表征向量选取模块，用于根据所述关键词的词向量确定所述字幕文本信息的表征向量，并从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量；
语音识别模块，用于基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
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音识别方法。
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音识别方法。
本公开实施例的技术方案，于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取字幕文本信息的关键词；根据关键词的词向量确定字幕文本信息的表征向量，并从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量；基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。能够实现在包含特定领域专业术语的通信场景下，选取与该领域专业术语相匹配的行业专属词库，以进行语音识别，从而提高了语音识别精度，提升了用户体验。
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为本公开实施例一所提供的一种语音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音识别方法的流程示意图；
图3为本公开实施例三提供的一种语音识别装置结构示意图；
图4为本公开实施例四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音识别方法流程示意图，本公开实施例适用于在包含特定领域专业术语的通信场景下，进行语音识别的情形。该方法可以由语音识别装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于通信类应用的后端服务器中。
如图1所示，本实施例提供的语音识别方法，包括：
S110、于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取字幕文本信息的关键词。
本公开实施例中，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，在多媒体会议场景下，多媒体会议的各参会客户端可组成一个通信范围。不同通信范围，其通信内容所涉及的行业领域可能不同；同一通信范围，随着通信过程的持续，其通信内容所涉及的行业领域可能发生变化。通过在各通信范围的通信过程中，于当前条件满足词库选取条件时，就获取的字幕文本信息，有助于在后续选取各通信范围的目标行业专属词库时，动态更新与通信范围当前最匹配的目标行业专属词库，从而提高语音识别精度。
本实施例中，参加通信的客户端在通信过程中，可以实时上传音频数据至通信类应用的流媒体服务器；相应的，通信类应用的后端服务器，可从流媒体服务器拉取各通信范围内的客户端上传的音频数据，并基于ASR技术将音频数据转写为字幕文本信息，以获取到各通信范围的字幕文本信息。
在本公开实施例一些可选的实现方式中，通信类应用的后端服务器，还可进一步响应于通信范围内客户端发送的开启字幕请求，从流媒体服务器拉取该客户端所属通信范围内的音频数据，以获取该客户端所属通信范围内的字幕文本信息。在这些可选的实现方式中，当后端服务器未接收到通信范围内客户端发送的开启字幕请求时，可无需为该通信范围的客户端提供语音识别服务，从而可在一定程度上节省后端服务器的资源消耗。
本实施例中，在后端服务器获取到各通信范围内的字幕文本信息之后，可以对各通信范围内的字幕文本信息进行信息挖掘，提取字幕文本信息中的关键词。其中，关键词可以认为是，字幕文本信息中所包含的行业领域的专业术语，可以用于确定通信范围涉及的行业领域。其中，后端服务器可以基于自然语言处理(Natural Language Processing，NLP)算法，提取字幕文本信息的至少一个关键词。
在本公开实施例一些可选的实现方式中，提取字幕文本信息的关键词，可以进一步包括：将字幕文本信息中词性为预设词性的词语信息进行抽取，并从抽取的词语信息中过滤预设常用词，将过滤后的词语信息作为关键词。
其中，将字幕文本信息中词性为预设词性的词语信息进行抽取，可以是，基于NLP算法中词性标注算法，对字幕文本信息中的词语进行词性标注；将词性标注结果中，与预设词性相同的词语进行抽取。其中，词性标注算法例如可以是隐马尔可夫模型(HiddenMarkov Model，HMM)或条件随机场(Conditional random fields，CRFs)等。其中，预设词性例如可以是名词、动词等词性。
其中，预设常用词可以是预设词性下的通用词汇。示例性的，当预设词性为名词词性时，预设常用词例如可以是“客户”、“同事”等通用词汇。其中，从抽取的词语信息中过滤预设常用词，可以是，将抽取的词语信息中，属于预设常用词的词语信息进行删除。过滤后的词语信息，可以认为是行业领域的专业词汇。
在这些可选的实现方式中，通过对字幕文本信息中预设词性的文本信息进行抽取并过滤，能够实现字幕文本信息中关键词的提取。
通过获取通信范围内的字幕文本信息，提取字幕文本信息中表征涉及领域的关键词，有助于后续根据关键词的词向量确定字幕文本信息的表征向量，为确定与通信范围涉及的行业领域相关的行业专属词库奠定基础。
S120、根据关键词的词向量确定字幕文本信息的表征向量，并从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量。
本公开实施例中，当关键词为一个时，可以将该关键词的词向量作为字幕文本信息的表征向量；当关键词为多个时，可以综合多个关键词的词向量确定字幕文本信息的表征向量。其中，综合多个关键词的词向量确定字幕文本信息的表征向量的方式，例如可以为多个关键词配置权重，基于加权法综合多个关键词的词向量。
本实施例中，预设行业表征向量可以通过下述方式来设置：筛选若干行业领域的专业术语；将相同行业领域的专业术语构建为一个行业专属词库，得到若干个行业专属词库；基于若干行业专属词库中的专业术语，进行词转向量(word to vector，Word2vec)模型训练，可输出各专业术语的词向量；根据行业专属词库中的专业术语的词向量，确定相应行业专属词库的表征向量，并将行业专属词库的表征向量作为行业表征向量。其中，根据相同行业领域的专业术语的词向量，确定相应行业专属词库的表征向量，例如可以是将相同行业领域的专业术语的词向量的平均值，作为相应行业专属词库的表征向量。
在本公开实施例一些可选的实现方式中，根据关键词的词向量确定字幕文本信息的表征向量，包括：对至少一个关键词进行词向量加载，将加载的词向量的平均向量作为字幕文本信息的表征向量。
其中，对至少一个关键词进行词向量加载，包括：判断预设语料库中是否包含至少一个关键词；若是，则根据预先配置的语料库-词向量库的对应关系，从预设词向量库中读取关键词的词向量；若否，则利用预先训练的词向量模型，将至少一个关键词转化为词向量；其中，词向量模型基于预设语料库训练得到。
其中，预设语料库例如可以是，在预设行业表征向量的设置过程中构建的若干个行业专属词库。其中，词向量库例如可以通过如下方式构建：在预设行业表征向量的设置过程中，将相同行业专属词库中专业术语的词向量，构建为一个词向量库，得到若干个预设词向量库。其中，语料库-词向量库的对应关系例如可以通过如下方式进行配置：在预设行业表征向量的设置过程中，通过配置各专业术语与各专业术语的词向量的对应关系，实现配置语料库-词向量库的对应关系。其中，预先训练的词向量模型例如可以是，在预设行业表征向量的设置过程中，经过Word2vec模型训练后，所输出的Word2vec模型。
在这些可选的实现方式中，通过设置预设语料库、预先配置的语料库-词向量库的对应关系，以及预先训练的词向量模型，能够实现当关键词属于预设语料库时，直接根据语料库-词向量库对应关系，从词向量库中读取关键词的词向量，从而提升获取关键词的词向量的效率；当关键词语不属于预设语料库时，根据词向量模型将关键词转化为词向量，从而保证词向量的顺利生成。
在本公开实施例一些可选的实现方式中，从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量，包括：分别计算字幕文本信息的表征向量与候选预设行业表征向量的相似度，并将最大相似度对应的预设行业表征向量作为目标行业表征向量。
其中，分别计算字幕文本信息的表征向量与候选预设行业表征向量的相似度，例如可以是，分别计算字幕文本信息的表征向量与候选预设行业表征向量的余弦相似度、欧氏距离或曼哈顿距离等。在这些可选的实现方式中，通过将最大相似度对应的预设行业表征向量作为目标行业表征向量，能够用于确定与通信范围涉及的行业领域，最为匹配的行业专属词库，以提高通信范围内音频数据的识别精度。
S130、基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。
本公开实施例中，后端服务器可在预设行业表征向量时，将构建的若干个行业专属词库进行存储，并可在确定各通信范围的目标行业表征向量时，从已存储的若干个行业专属词库中选取目标行业表征向量。针对每一个通信范围，后端服务器还可将选取的目标行业表征向量对应的行业专属词库，加载至通信范围对应的存储空间中，以实现根据通信范围对应的存储空间中的行业专属词库，对该通信范围内的音频数据进行语音识别，避免了语音识别过程中，通信范围间的行业专属词库出现误用。
其中，基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别，例如可以是，首先，根据行业专属词库与用于语音识别的原始词库相结合，以用作语音识别过程中的字典；进而，根据预先训练的声学模型、字典和语言模型对音频数据进行文字输出，实现语音识别。
通过基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别，能够实现在包含特定领域专业术语的通信场景下，选取与该领域专业术语相匹配的行业专属词库，以进行语音识别，从而提高了语音识别精度，提升了用户体验。
在本公开实施例一些可选的实现方式中，基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别，包括：将目标行业表征向量对应的行业专属词库发送至语音识别引擎；将拉取的通信范围内的音频数据发送至语音识别引擎，以使语音识别引擎将行业专属词库配置为通信范围的热词，根据通信范围的热词，对通信范围内的音频数据进行语音识别。
后端服务器通常利用语音识别引擎(可称为ASR引擎)，进行各通信范围的语音识别。针对各通信范围，后端服务器可以将通信范围对应的存储空间中的行业专属词库发送至ASR引擎，也可将拉取的通信范围内的音频数据发送至ASR引擎。ASR引擎可以将行业专属词库中的专业术语，配置为通信范围的热词，配置的热词内容可实时生效。
其中，根据通信范围的热词，对通信范围内的音频数据进行语音识别，例如可以是，首先，利用预先训练的声学模型输出通信范围内的音频数据的音素信息(例如汉语的拼音，或英语的音标等信息)；然后，从原始词库以及配置热词中查找与音素信息相匹配的词语；最后，将查找到的相匹配的词语输入预先训练的语言模型，以使语言模型输入相匹配的词语的相互关联的概率(其中设置为热词的概率可相应提高)，并将概率最高的相关联词语输出为语音识别结果。
在这些可选的实现方式中，通过将通信范围涉及行业领域的行业专属词库内的词语配置为热词，有利于将音频数据中作为行业领域专业术语的热词识别出来，能有效提升通信范围语音识别的准确率。
在本公开实施例一些可选的实现方式中，语音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，后端服务器可为实时通信服务器，例如为即时通讯服务器、多媒体会议服务器、视频直播服务器或群聊互动服务器。实时通信服务器在为客户端提供通信服务的同时，还可以为各通信客户端提供开启字幕服务。当通信范围内存在客户端请求开启字幕服务，且通信范围涉及某些行业领域的专业术语时，实时通信服务器可基于本实施例提供的语音识别方法，对客户端所属的通信范围内的音频数据进行语音识别，从而可提高语音识别精度，提升了用户体验。
本公开实施例的技术方案，于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取字幕文本信息的关键词；根据关键词的词向量确定字幕文本信息的表征向量，并从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量；基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。能够实现在包含特定领域专业术语的通信场景下，选取与该领域专业术语相匹配的行业专属词库，以进行语音识别，从而提高了语音识别精度，提升了用户体验。
实施例二
本公开实施例与上述实施例中所提供的语音识别方法中各个可选方案可以结合。本实施例所提供的语音识别方法，能够基于与关键词语的相似词语，对通信范围的音频数据进行语音识别，丰富了识别方案；还能够对用于语音识别的行业专属词库和/或相似词语进行更新，能够实现根据更新后的语音识别的行业专属词库和/或相似词语进行语音识别，进一步提高了语种识别精度。
图2为本公开实施例二所提供的一种语音识别方法的流程示意图。如图2所示，本实施例提供的语音识别方法，包括：
S210、于通信范围内积累的字幕文本信息的条数首次达到第一预设数值时，获取第一预设数值条通信范围内的字幕文本信息，并提取字幕文本信息的关键词。
本公开实施例中，首个客户端加入通信范围的时刻，可以作为该通信范围的通信起始时刻。针对每个通信范围，后端服务器从通信起始时刻起，对通信范围内的字幕文本信息进行计数。当通信范围内积累的字幕文本信息的条数首次达到第一预设数值时，可首次获取积累的第一预设数值条字幕文本信息，并提取字幕文本信息的关键词。
其中，第一预设数值可根据经验值或实验值进行预先设置，例如可以是30条或50条。其中，第一预设数值条通信范围内的字幕文本信息，可认为是，在ASR引擎为通信范围配置热词之前，基于原始词库对音频数据进行语音识别得到的字幕文本信息。
S220、根据关键词的词向量确定字幕文本信息的表征向量。
S231、从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量。
S241、基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。
S232、从预设语料库中选取与关键词的词向量的相似的词向量，并将相似的词向量对应的词语作为关键词的相似词语。
本实施例与上述实施例公开的预设语料库为相同语料库，例如皆可以是，在预设行业表征向量的设置过程中构建的若干个行业专属词库。针对每个关键词，后端服务器可计算关键词的词向量与各行业专属词库中词语的词向量的相似度(例如余弦相似度等)，并可从大于预设阈值的相似度中，选取预设数量个相似度，并将选取的相似度对应的词语，作为关键词的相似词语。
其中，预设阈值越高，选取的相似词语与关键词越相关，且预设阈值可根据经验值或实验值进行设置，例如可以为0.7、0.8或0.9。其中，预设个数也可根据经验值或实验值进行设置，例如可以为1个或2个。其中，当大于预设阈值的相似度的数量小于预设个数，可选取全部大于预设阈值的相似度所对应的词语，作为关键词的相似词语。
S242、基于相似词语，对拉取的通信范围内的音频数据进行语音识别。
本实施例中，针对各通信范围，后端服务器也可以将相似词语存储至通信范围对应的存储空间中，并通信范围对应的存储空间中的相似词语发送至ASR引擎，并将拉取的通信范围内的音频数据发送至ASR引擎。ASR引擎可以将相似词语配置为通信范围的热词，以使ASR引擎可以根据相似词语进行通信范围的语音识别，提高语音识别精度。
本公开实施例中，S231-S241步骤和S232-S242步骤可都执行，也可执行任意一条分支流程(也即，仅执行S231-S241步骤而不执行S232-S242步骤，或者，仅执行S232-S242步骤而不执行S231-S241步骤)。当S231-S241步骤和S232-S242步骤都执行时，S231-S241步骤和S232-S242步骤的执行顺序并无严格的时序要求，且ASR引擎可以将行业专属词库中的词语和相似词语，皆配置为通信范围的热词。根据更为丰富的热词，对通信范围内的音频数据进行语音识别，可进一步提升通信范围语音识别的识别精度。
S250、从首次确定行业专属词库开始，每隔预设时间，获取通信范围内在预设时间内的字幕文本信息；和/或，通信范围内每积累第二预设数值条字幕文本信息时，获取第二预设数值条通信范围内的字幕文本信息。
本实施例中，若基于行业专属词库，或者基于行业专属词库和相似词语，进行语音识别时，则可从首次确定行业专属词库开始，循环获取字幕文本信息，直至通信结束。此外，若只基于相似词语进行语音识别时，则可以从首次确定相似词语开始，循环获取字幕文本信息，直至通信结束。
其中，循环获取的字幕文本信息，可以认为是，在ASR引擎为通信范围配置热词之后，基于原始词库和热词，对音频数据进行语音识别得到的字幕文本信息。其中，预设时间可根据经验值或实验值进行预先设置，例如可以是3分钟或5分钟；其中，第二预设数值也可根据经验值或实验值进行预先设置，且可以和第一预设数值相同，也可以不同。
通过后端服务器在各通信范围的通信过程中，循环获取字幕文本信息，能够实现动态更新目标行业专属词库和/或相似词语，以根据通信范围当前所涉及的行业领域中的专业术语，对音频数据进行识别，从而提高语音识别精度。
S261、于当前条件满足词库选取条件时，选取最新的目标行业表征向量。
本公开实施例中，“通信范围内积累的字幕文本信息的条数首次达到第一预设数值”，以及“从首次确定行业专属词库开始(或从首次确定相似词语开始)，每隔预设时间，和/或，通信范围内每积累第二预设数值条字幕文本信息”，皆可以认为是，当前条件满足词库选取条件。每于当前条件满足词库选取条件时，后台服务器可获取字幕文本信息，并可重复S220和S231步骤，选取最新的目标行业表征向量。
S271、利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库。
本公开实施例中，对应的行业专属词库进行更新的方式，可以是覆盖更新或增量更新。通过更新行业专属词库，能够根据通信范围当前最匹配的行业专属词库，对音频数据进行识别，从而提高语音识别精度。
在本公开实施例一些可选的实现方式中，利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库，可以包括：判断最新选取的目标行业表征向量，与前一次选取的目标行业表征向量是否相同；若否，则利用最新选取的目标行业表征向量对应的行业专属词库，替换前一次选取的目标行业表征向量对应的行业专属词库。在这些可选的实现方式中，通过覆盖更新行业专属词库，可以在一定程度上节省通信范围对应的存储空间开销。
S281、基于更新后的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。
S262、于当前条件满足词库选取条件时，选取到最新的相似词语。
本实施例中，“通信范围内积累的字幕文本信息的条数首次达到第一预设数值”，以及“从首次确定行业专属词库开始(或从首次确定相似词语开始)，每隔预设时间，和/或，通信范围内每积累第二预设数值条字幕文本信息”，皆可以认为是，当前条件满足词库选取条件。每于当前条件满足词库选取条件时，后台服务器可获取字幕文本信息，并可重复S220和S232步骤，选取到最新的相似词语。
S272、利用最新选取的相似词语，更新前一次确定的相似词语。
本公开实施例中，对应的相似词语进行更新的方式，可以是覆盖更新或增量更新。通过更新相似词语，能够根据通信范围当前最匹配的相似词语，对音频数据进行识别，从而提高语音识别精度。
在本公开实施例一些进一步的实现方式中，利用最新选取的相似词语，更新前一次确定的相似词语，包括：将最新确定的相似词语，与前一次确定的相似词语中相同的词语进行去重；将去重后最新确定的相似词语，以及前一次确定的相似词语，作为更新后的相似词语。在这些可选的实现方式中，由于相似词语的数量较少，占用空间较少，通过增量更新相似词语，可以提高热词丰富程度，在一定程度上提高语音识别精度。
S282、基于更新后的相似词语，对拉取的通信范围内的音频数据进行语音识别。
本公开实施例中，若S231-S241步骤和S232-S242步骤都执行，则S261-S281步骤和S262-S282步骤也都执行，且S261-S281步骤和S262-S282步骤的执行顺序并无严格的时序要求。若只执行S231-S241步骤，则相应只执行S261-S281步骤。若只执行S232-S242步骤，则相应只执行S262-S282步骤。
本公开实施例的技术方案，能够基于与关键词语的相似词语，对通信范围的音频数据进行语音识别，丰富了识别方案；还能够对用于语音识别的行业专属词库和/或相似词语进行更新，能够实现根据更新后的语音识别的行业专属词库和/或相似词语进行语音识别，进一步提高了语种识别精度。此外，本公开实施例提供的语音识别方法与上述实施例提供的语音识别方法属于同一技术构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
实施例三
图3为本公开实施例三所提供的一种语音识别装置结构示意图。本实施例提供的语音识别装置适用于在包含特定领域专业术语的通信场景下，进行语音识别的情形。
如图3所示，语音识别装置包括：
关键词提取模块310，用以于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取字幕文本信息的关键词；
行业表征向量选取模块320，用于根据关键词的词向量确定字幕文本信息的表征向量，并从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量；
语音识别模块330，用于基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。
在本公开实施例一些可选的实现方式中，关键词提取模块，包括：
字幕获取子模块，用以于通信范围内积累的字幕文本信息的条数首次达到第一预设数值时，获取第一预设数值条通信范围内的字幕文本信息；或者，从首次确定行业专属词库开始，每隔预设时间，获取通信范围内在预设时间内的字幕文本信息；和/或，通信范围内每积累第二预设数值条字幕文本信息时，获取第二预设数值条通信范围内的字幕文本信息。
在本公开实施例一些可选的实现方式中，关键词提取模块，包括：
关键词提取子模块，用于将字幕文本信息中词性为预设词性的词语信息进行抽取，并从抽取的词语信息中过滤预设常用词，将过滤后的词语信息作为关键词。
在本公开实施例一些可选的实现方式中，行业表征向量选取模块，包括：
字幕表征向量确定子模块，用于对至少一个关键词进行词向量加载，将加载的词向量的平均向量作为字幕文本信息的表征向量。
在本公开实施例一些可选的实现方式中，字幕表征向量确定子模块，包括：
加载单元，用于判断预设语料库中是否包含至少一个关键词；若是，则根据预先配置的语料库-词向量库的对应关系，从预设词向量库中读取关键词的词向量；若否，则利用预先训练的词向量模型，将至少一个关键词转化为词向量；其中，词向量模型基于预设语料库训练得到。
在本公开实施例一些可选的实现方式中，行业表征向量选取模块，包括：
行业表征向量选取子模块，用于分别计算字幕文本信息的表征向量与候选预设行业表征向量的相似度，并将最大相似度对应的预设行业表征向量作为目标行业表征向量。
在本公开实施例一些可选的实现方式中，语音识别模块，包括：
词库发送子模块，用于将目标行业表征向量对应的行业专属词库发送至语音识别引擎；
音频数据发送子模块，用于将拉取的通信范围内的音频数据发送至语音识别引擎，以使语音识别引擎将行业专属词库配置为通信范围的热词，根据通信范围的热词，对通信范围内的音频数据进行语音识别。
在本公开实施例一些可选的实现方式中，语音识别装置，还包括：
相似词语选取模块，用于从预设语料库中选取与关键词的词向量的相似的词向量，并将相似的词向量对应的词语作为关键词的相似词语；
相应的，语音识别模块，还用于基于相似词语，对拉取的通信范围内的音频数据进行语音识别。
在本公开实施例一些可选的实现方式中，行业表征向量选取模块，还用于每于当前条件满足词库选取条件时，选取最新的目标行业表征向量；
词库更新模块，用于利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库；
相应的，语音识别模块，用于基于更新后的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。
在本公开实施例一些进一步的实现方式中，词库更新模块，具体用于：判断最新选取的目标行业表征向量，与前一次选取的目标行业表征向量是否相同；若否，则利用最新选取的目标行业表征向量对应的行业专属词库，替换前一次选取的目标行业表征向量对应的行业专属词库。
在本公开实施例一些可选的实现方式中，相似词语选取模块，用于每于当前条件满足词库选取条件时，选取到最新的相似词语；
相似词语更新模块，用于利用最新选取的相似词语，更新前一次确定的相似词语；
相应的，语音识别模块，用于基于更新后的相似词语，对拉取的通信范围内的音频数据进行语音识别。
在本公开实施例一些进一步的实现方式中，相似词语更新模块，具体用于将最新确定的相似词语，与前一次确定的相似词语中相同的词语进行去重；将去重后最新确定的相似词语，以及前一次确定的相似词语，作为更新后的相似词语。
在本公开实施例一些可选的实现方式中，语音识别装置，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音识别装置，可执行本公开任意实施例所提供的语音识别方法，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。
实施例四
下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)400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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从存储装置408加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的语音识别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音识别方法属于同一公开构思，未在本公开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。
实施例五
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音识别方法。
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：
于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取字幕文本信息的关键词；根据关键词的词向量确定字幕文本信息的表征向量，并从预设行业表征向量中选取与字幕文本信息的表征向量的相似的目标行业表征向量；基于目标行业表征向量对应的行业专属词库，对拉取的通信范围内的音频数据进行语音识别。
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，数据生成模块还可以被描述为“视频数据生成模块”。
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】提供了一种语音识别方法，该方法包括：
于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取所述字幕文本信息的关键词；
根据所述关键词的词向量确定所述字幕文本信息的表征向量，并从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量；
基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
根据本公开的一个或多个实施例，【示例二】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，包括：
于所述通信范围内积累的字幕文本信息的条数首次达到第一预设数值时，获取所述第一预设数值条通信范围内的字幕文本信息；或者，
从首次确定所述行业专属词库开始，每隔预设时间，获取通信范围内在预设时间内的字幕文本信息；和/或，所述通信范围内每积累第二预设数值条字幕文本信息时，获取所述第二预设数值条通信范围内的字幕文本信息。
根据本公开的一个或多个实施例，【示例三】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述提取所述字幕文本信息的关键词，包括：
将所述字幕文本信息中词性为预设词性的词语信息进行抽取，并从抽取的词语信息中过滤预设常用词，将过滤后的词语信息作为关键词。
根据本公开的一个或多个实施例，【示例四】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述根据所述关键词的词向量确定所述字幕文本信息的表征向量，包括：
对至少一个关键词进行词向量加载，将加载的词向量的平均向量作为所述字幕文本信息的表征向量。
根据本公开的一个或多个实施例，【示例五】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述对至少一个关键词进行词向量加载，包括：
判断预设语料库中是否包含所述至少一个关键词；
若是，则根据预先配置的语料库-词向量库的对应关系，从预设词向量库中读取所述关键词的词向量；
若否，则利用预先训练的词向量模型，将所述至少一个关键词转化为词向量；其中，所述词向量模型基于所述预设语料库训练得到。
根据本公开的一个或多个实施例，【示例六】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量，包括：
分别计算所述字幕文本信息的表征向量与候选预设行业表征向量的相似度，并将最大相似度对应的预设行业表征向量作为目标行业表征向量。
根据本公开的一个或多个实施例，【示例七】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别，包括：
将所述目标行业表征向量对应的行业专属词库发送至语音识别引擎；
将拉取的所述通信范围内的音频数据发送至所述语音识别引擎，以使所述语音识别引擎将所述行业专属词库配置为所述通信范围的热词，根据所述通信范围的热词，对所述通信范围内的音频数据进行语音识别。
根据本公开的一个或多个实施例，【示例八】提供了一种语音识别方法，还包括：
从预设语料库中选取与所述关键词的词向量的相似的词向量，并将所述相似的词向量对应的词语作为所述关键词的相似词语；
基于所述相似词语，对拉取的所述通信范围内的音频数据进行语音识别。
根据本公开的一个或多个实施例，【示例九】提供了一种语音识别方法，还包括：
于当前条件满足词库选取条件时，选取最新的目标行业表征向量；
利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库；
相应的，所述基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别，包括：
基于更新后的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
根据本公开的一个或多个实施例，【示例十】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库，包括：
判断最新选取的目标行业表征向量，与前一次选取的目标行业表征向量是否相同；
若否，则利用最新选取的目标行业表征向量对应的行业专属词库，替换前一次选取的目标行业表征向量对应的行业专属词库。
根据本公开的一个或多个实施例，【示例十一】提供了一种语音识别方法，还包括：
于当前条件满足词库选取条件时，选取到最新的相似词语；
利用最新选取的相似词语，更新前一次确定的相似词语；
相应的，所述基于所述相似词语，对拉取的所述通信范围内的音频数据进行语音识别，包括：
基于更新后的相似词语，对拉取的所述通信范围内的音频数据进行语音识别。
根据本公开的一个或多个实施例，【示例十二】提供了一种语音识别方法，还包括：
在本公开实施例一些可选的实现方式中，所述利用最新选取的相似词语，更新前一次确定的相似词语，包括：
将最新确定的相似词语，与前一次确定的相似词语中相同的词语进行去重；
将去重后最新确定的相似词语，以及前一次确定的相似词语，作为更新后的相似词语。
根据本公开的一个或多个实施例，【示例十三】提供了一种语音识别方法，还包括：
在本公开实施例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 (14)
1.一种语音识别方法，其特征在于，包括：
于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取所述字幕文本信息的关键词；其中，所述通信范围是参加通信的客户端所组成的范围，所述字幕文本信息是基于ASR技术对通信范围内的音频数据进行转写得到的；
所述于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，包括：
于所述通信范围内积累的字幕文本信息的条数首次达到第一预设数值时，获取所述第一预设数值条通信范围内的字幕文本信息；或者，
从首次确定行业专属词库开始，每隔预设时间，获取通信范围内在预设时间内的字幕文本信息；和/或，所述通信范围内每积累第二预设数值条字幕文本信息时，获取所述第二预设数值条通信范围内的字幕文本信息；
所述提取所述字幕文本信息的关键词，包括：
将所述字幕文本信息中词性为预设词性的词语信息进行抽取，并从抽取的词语信息中过滤预设常用词，将过滤后的词语信息作为关键词；
根据所述关键词的词向量确定所述字幕文本信息的表征向量，并从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量；
基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述关键词的词向量确定所述字幕文本信息的表征向量，包括：
对至少一个关键词进行词向量加载，将加载的词向量的平均向量作为所述字幕文本信息的表征向量。
3.根据权利要求2所述的方法，其特征在于，所述对至少一个关键词进行词向量加载，包括：
判断预设语料库中是否包含所述至少一个关键词；
若是，则根据预先配置的语料库-词向量库的对应关系，从预设词向量库中读取所述关键词的词向量；
若否，则利用预先训练的词向量模型，将所述至少一个关键词转化为词向量；其中，所述词向量模型基于所述预设语料库训练得到。
4.根据权利要求1所述的方法，其特征在于，所述从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量，包括：
分别计算所述字幕文本信息的表征向量与候选预设行业表征向量的相似度，并将最大相似度对应的预设行业表征向量作为目标行业表征向量。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别，包括：
将所述目标行业表征向量对应的行业专属词库发送至语音识别引擎；
将拉取的所述通信范围内的音频数据发送至所述语音识别引擎，以使所述语音识别引擎将所述行业专属词库配置为所述通信范围的热词，根据所述通信范围的热词，对所述通信范围内的音频数据进行语音识别。
6.根据权利要求1所述的方法，其特征在于，还包括：
从预设语料库中选取与所述关键词的词向量的相似的词向量，并将所述相似的词向量对应的词语作为所述关键词的相似词语；
基于所述相似词语，对拉取的所述通信范围内的音频数据进行语音识别。
7.根据权利要求1所述的方法，其特征在于，还包括：
于当前条件满足词库选取条件时，选取最新的目标行业表征向量；
所述当前条件满足词库选取条件，包括：所述通信范围内积累的字幕文本信息的条数首次达到第一预设数值，或者，从首次确定所述行业专属词库开始，每隔预设时间，和/或，所述通信范围内每积累第二预设数值条字幕文本信息；
利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库；
相应的，所述基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别，包括：
基于更新后的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
8.根据权利要求7所述的方法，其特征在于，所述利用最新选取的目标行业表征向量对应的行业专属词库，更新前一次选取的目标行业表征向量对应的行业专属词库，包括：
判断最新选取的目标行业表征向量，与前一次选取的目标行业表征向量是否相同；
若否，则利用最新选取的目标行业表征向量对应的行业专属词库，替换前一次选取的目标行业表征向量对应的行业专属词库。
9.根据权利要求6所述的方法，其特征在于，还包括：
于当前条件满足词库选取条件时，选取到最新的相似词语；
所述当前条件满足词库选取条件，包括：所述通信范围内积累的字幕文本信息的条数首次达到第一预设数值，或者，从首次确定所述相似词语开始，每隔预设时间，和/或，所述通信范围内每积累第二预设数值条字幕文本信息；
利用最新选取的相似词语，更新前一次确定的相似词语；
相应的，所述基于所述相似词语，对拉取的所述通信范围内的音频数据进行语音识别，包括：
基于更新后的相似词语，对拉取的所述通信范围内的音频数据进行语音识别。
10.根据权利要求9所述的方法，其特征在于，所述利用最新选取的相似词语，更新前一次确定的相似词语，包括：
将最新确定的相似词语，与前一次确定的相似词语中相同的词语进行去重；
将去重后最新确定的相似词语，以及前一次确定的相似词语，作为更新后的相似词语。
11.根据权利要求1-10任一项所述的方法，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。
12.一种语音识别装置，其特征在于，包括：
关键词提取模块，用以于当前条件满足词库选取条件时，获取通信范围内的字幕文本信息，并提取所述字幕文本信息的关键词；其中，所述通信范围是参加通信的客户端所组成的范围，所述字幕文本信息是基于ASR技术对通信范围内的音频数据进行转写得到的；
所述关键词提取模块，包括：
字幕获取子模块，用以于通信范围内积累的字幕文本信息的条数首次达到第一预设数值时，获取第一预设数值条通信范围内的字幕文本信息；或者，从首次确定行业专属词库开始，每隔预设时间，获取通信范围内在预设时间内的字幕文本信息；和/或，通信范围内每积累第二预设数值条字幕文本信息时，获取第二预设数值条通信范围内的字幕文本信息；
关键词提取子模块，用于将字幕文本信息中词性为预设词性的词语信息进行抽取，并从抽取的词语信息中过滤预设常用词，将过滤后的词语信息作为关键词；
行业表征向量选取模块，用于根据所述关键词的词向量确定所述字幕文本信息的表征向量，并从预设行业表征向量中选取与所述字幕文本信息的表征向量的相似的目标行业表征向量；
语音识别模块，用于基于所述目标行业表征向量对应的行业专属词库，对拉取的所述通信范围内的音频数据进行语音识别。
13.一种电子设备，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1-11中任一所述的语音识别方法。
14.一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1-11中任一所述的语音识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010842909.7A CN112037792B (zh) | 2020-08-20 | 2020-08-20 | 一种语音识别方法、装置、电子设备及存储介质 |
| PCT/CN2021/112754 WO2022037526A1 (zh) | 2020-08-20 | 2021-08-16 | 一种语音识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010842909.7A CN112037792B (zh) | 2020-08-20 | 2020-08-20 | 一种语音识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112037792A CN112037792A (zh) | 2020-12-04 |
| CN112037792B true CN112037792B (zh) | 2022-06-17 |
Family
ID=73579934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010842909.7A Active CN112037792B (zh) | 2020-08-20 | 2020-08-20 | 一种语音识别方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112037792B (zh) |
| WO (1) | WO2022037526A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161739B (zh) * | 2019-12-28 | 2023-01-17 | 科大讯飞股份有限公司 | 语音识别方法及相关产品 |
| CN112037792B (zh) * | 2020-08-20 | 2022-06-17 | 北京字节跳动网络技术有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
| CN112509567B (zh) * | 2020-12-25 | 2024-05-10 | 阿波罗智联(北京)科技有限公司 | 语音数据处理的方法、装置、设备、存储介质及程序产品 |
| CN113077789A (zh) * | 2021-03-29 | 2021-07-06 | 南北联合信息科技有限公司 | 语音实时转化方法、系统、计算机设备及存储介质 |
| CN113241070B (zh) * | 2021-04-28 | 2024-02-27 | 北京字跳网络技术有限公司 | 热词召回及更新方法、装置、存储介质和热词系统 |
| CN113377904B (zh) * | 2021-06-04 | 2024-05-10 | 百度在线网络技术（北京）有限公司 | 行业动作识别方法、装置、电子设备及存储介质 |
| CN114996506A (zh) * | 2022-05-24 | 2022-09-02 | 腾讯科技（深圳）有限公司 | 语料生成方法、装置、电子设备和计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999003092A2 (en) * | 1997-07-07 | 1999-01-21 | Motorola Inc. | Modular speech recognition system and method |
| CN103700370A (zh) * | 2013-12-04 | 2014-04-02 | 北京中科模识科技有限公司 | 一种广播电视语音识别系统方法及系统 |
| WO2018049960A1 (zh) * | 2016-09-14 | 2018-03-22 | 厦门幻世网络科技有限公司 | 一种为文本信息匹配资源的方法及装置 |
| CN109727598A (zh) * | 2018-12-28 | 2019-05-07 | 浙江省公众信息产业有限公司 | 大噪音语境下的意图识别方法 |
| WO2019171128A1 (en) * | 2018-03-06 | 2019-09-12 | Yogesh Chunilal Rathod | In-media and with controls advertisement, ephemeral, actionable and multi page photo filters on photo, automated integration of external contents, automated feed scrolling, template based advertisement post and actions and reaction controls on recognized objects in photo or video |
| CN111274783A (zh) * | 2020-01-14 | 2020-06-12 | 广州供电局有限公司 | 一种基于语义相似分析的围串标智能识别方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2058800B1 (en) * | 2007-10-24 | 2010-09-01 | Harman Becker Automotive Systems GmbH | Method and system for recognizing speech for searching a database |
| CN102867511A (zh) * | 2011-07-04 | 2013-01-09 | 余喆 | 自然语音识别方法和装置 |
| CN103514170B (zh) * | 2012-06-20 | 2017-03-29 | 中国移动通信集团安徽有限公司 | 一种语音识别的文本分类方法和装置 |
| CN103236260B (zh) * | 2013-03-29 | 2015-08-12 | 京东方科技集团股份有限公司 | 语音识别系统 |
| CN106683662A (zh) * | 2015-11-10 | 2017-05-17 | 中国电信股份有限公司 | 一种语音识别方法和装置 |
| US20180143970A1 (en) * | 2016-11-18 | 2018-05-24 | Microsoft Technology Licensing, Llc | Contextual dictionary for transcription |
| KR101965880B1 (ko) * | 2017-03-30 | 2019-04-04 | 엘지전자 주식회사 | 음성 인식 방법 |
| CN108847241B (zh) * | 2018-06-07 | 2022-09-13 | 平安科技（深圳）有限公司 | 将会议语音识别为文本的方法、电子设备及存储介质 |
| CN109190125A (zh) * | 2018-09-14 | 2019-01-11 | 广州达美智能科技有限公司 | 医学语言文本的处理方法、装置和存储介质 |
| KR20200074349A (ko) * | 2018-12-14 | 2020-06-25 | 삼성전자주식회사 | 음성을 인식하기 위한 방법 및 장치 |
| CN109410923B (zh) * | 2018-12-26 | 2022-06-10 | 中国联合网络通信集团有限公司 | 语音识别方法、装置、系统及存储介质 |
| CN110544477A (zh) * | 2019-09-29 | 2019-12-06 | 北京声智科技有限公司 | 一种语音识别方法、装置、设备及介质 |
| CN112037792B (zh) * | 2020-08-20 | 2022-06-17 | 北京字节跳动网络技术有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
-
2020
- 2020-08-20 CN CN202010842909.7A patent/CN112037792B/zh active Active
-
2021
- 2021-08-16 WO PCT/CN2021/112754 patent/WO2022037526A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999003092A2 (en) * | 1997-07-07 | 1999-01-21 | Motorola Inc. | Modular speech recognition system and method |
| CN103700370A (zh) * | 2013-12-04 | 2014-04-02 | 北京中科模识科技有限公司 | 一种广播电视语音识别系统方法及系统 |
| WO2018049960A1 (zh) * | 2016-09-14 | 2018-03-22 | 厦门幻世网络科技有限公司 | 一种为文本信息匹配资源的方法及装置 |
| WO2019171128A1 (en) * | 2018-03-06 | 2019-09-12 | Yogesh Chunilal Rathod | In-media and with controls advertisement, ephemeral, actionable and multi page photo filters on photo, automated integration of external contents, automated feed scrolling, template based advertisement post and actions and reaction controls on recognized objects in photo or video |
| CN109727598A (zh) * | 2018-12-28 | 2019-05-07 | 浙江省公众信息产业有限公司 | 大噪音语境下的意图识别方法 |
| CN111274783A (zh) * | 2020-01-14 | 2020-06-12 | 广州供电局有限公司 | 一种基于语义相似分析的围串标智能识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 面向未来的交互信息技术――听觉视觉双模态语音识别(AVSR)(下);徐彦君等;《电子商务》;19990201(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022037526A1 (zh) | 2022-02-24 |
| CN112037792A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112037792B (zh) | 一种语音识别方法、装置、电子设备及存储介质 | |
| CN113505198B (zh) | 关键词驱动的生成式对话回复方法、装置及电子设备 | |
| CN110990598B (zh) | 资源检索方法、装置、电子设备及计算机可读存储介质 | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN112906381B (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
| CN113889113A (zh) | 分句方法、装置、存储介质及电子设备 | |
| CN111883117A (zh) | 语音唤醒方法及装置 | |
| CN111625649A (zh) | 文本处理方法、装置、电子设备及介质 | |
| CN111681661B (zh) | 语音识别的方法、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 | |
| CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
| CN111078849A (zh) | 用于输出信息的方法和装置 | |
| CN115967833A (zh) | 视频生成方法、装置、设备计存储介质 | |
| CN113053362A (zh) | 语音识别的方法、装置、设备和计算机可读介质 | |
| CN112242143B (zh) | 一种语音交互方法、装置、终端设备及存储介质 | |
| CN113643706B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN111460214B (zh) | 分类模型训练方法、音频分类方法、装置、介质及设备 | |
| CN113033190B (zh) | 字幕生成方法、装置、介质及电子设备 | |
| CN114881008A (zh) | 一种文本生成方法、装置、电子设备及介质 | |
| CN111666449B (zh) | 视频检索方法、装置、电子设备和计算机可读介质 | |
| CN113420723A (zh) | 获取视频热点的方法、装置、可读介质和电子设备 | |
| CN113986958A (zh) | 文本信息的转换方法、装置、可读介质和电子设备 | |
| CN112562733A (zh) | 媒体数据处理方法及装置、存储介质、计算机设备 | |
| CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 | |
| CN117034959A (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Country or region after: China Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. Country or region before: China Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Country or region after: China Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20240506 Address after: Room 201-2031, floor 2, building 1, building 2 and building 3, qinchunjiayuan, Xisanqi, Haidian District, Beijing 100096 Patentee after: Beijing Feishu Technology Co.,Ltd. Country or region after: China Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Douyin Vision Co.,Ltd. Country or region before: China |