CN112309384A - 一种语音识别方法、装置、电子设备及介质 - Google Patents

Abstract

本公开实施例公开了一种语音识别方法、装置、电子设备及介质。该方法包括：获取客户端接收的用户的当前语音信息；根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；确定所述当前语音文本是否存在语音文本缺失；响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。本公开实施例的技术方案，解决了语音识别不连续无法获取准确的语音信息的问题，以实现提高语音识别的准确率。

Description

一种语音识别方法、装置、电子设备及介质

技术领域

本公开实施例涉及语音识别技术领域，尤其涉及一种语音识别方法、装置、电子设备及介质。

背景技术

语音交互是基于语音输入的新一代交互模式，通过说话就可以得到反馈结果。在使用语音交互时，通常需要一个客户端作为接收端用来接收用户输入的语音，还需要一个远端作为处理端对用户输入的语音进行识别，通过处理端解析处理后的语音作为控制指令发送至客户端，客户端根据控制指令执行与用户输入的语音相应的操作。但是，当网络环境不好或语音采集条件较差时，对语音交互中语音识别的实时性和准确性较差，且降低了语音交互控制效果。

发明内容

本公开提供一种语音识别方法、装置、电子设备及介质，以实现提高语音识别的准确率。

第一方面，本公开实施例提供了一种语音识别方法，该方法包括：

获取客户端接收的用户的当前语音信息；

根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

确定所述当前语音文本是否存在语音文本缺失；

响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

第二方面，本公开实施例还提供了一种语音识别装置，该装置包括：

语音信息获取模块，用于获取客户端接收的用户的当前语音信息；

语音文本确定模块，用于根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

文本缺失确定模块，用于确定所述当前语音文本是否存在语音文本缺失；

待补齐语音文本确定模块，用于响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

目标语音文本确定模块，用于根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

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，通过获取客户端接收的用户的当前语音信息；根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；确定所述当前语音文本是否存在语音文本缺失；响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本，解决了在语音交互中语音识别信号不连续无法获取准确的语音信息的问题，以实现提高语音识别的准确率。

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是本公开实施例一所提供的一种语音识别方法的流程图；

图2是本公开实施例二所提供的一种语音识别方法的流程图；

图3是本公开实施例三所提供的一种语音识别装置的结构示意图；

图4为本公开实施例三所提供的一种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。

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的流程图，本实施例可适用于对用户的语音信息进行准确识别的情况，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。

如图1所述，本实施例的方法包括：

S110、获取客户端接收的用户的当前语音信息。

其中，客户端可以为但不限于为内嵌于移动终端(例如，平板电脑、智能手机等)或是穿戴设备(例如，智能手表、运动手环等)中。

具体的，在使用语音交互功能时，用户通过对客户端输入当前语音信息，示例性的，客户端为平板电脑或是智能手机，在用户使用平板电脑或智能手机时，平板电脑或智能手机时获取用户输入的当前语音信息。

S120、根据所述当前语音信息确定所述当前语音信息的当前语音文本。

其中，当前语音文本可以为句子或是词语，可以包含中文或是英文等不同国家的语言，当前语音文本用于控制客户端根据当前语音文本的内容执行相应的操作。

具体的，在使用语音交互功能时，用户通过对客户端输入当前语音信息，由客户端将当前语音信息发送至服务端进行处理，由服务端对当前语音信息进行语音识别处理，生成与当前语音信息对应的当前语音文本，也就是说，当前语音文本的语音识别是由服务端通过语音识别技术将用户的语音转换为文本的形式。可以理解的是语音识别技术可以采用现有的语音识别技术，例如，自动语音识别技术(Automatic Speech Recognition，简称ASR)，本公开实施例对此不进行任何限制。

可以理解的是在语音交互功能的使用中，在服务端根据客户端发送的用户的语音信息确定与语音信息对应的语音文本后，通常将与语音信息对应的语音文本反馈给客户端，进而由客户端根据语音文本执行与语音文本对应的相应操作。

示例性的，客户端为平板电脑或是智能手机，在用户使用平板电脑或智能手机时，用户发出语音信息并由平板电脑或智能手机将语音信息发送至其的后台服务端中，由平板电脑或智能手机的后台服务端确定用户的当前语音文本，例如，当前语音文本为“打开微信中的朋友圈”，则平板电脑或智能手机执行微信应用软件的打开，并在打开微信应用软件后进入朋友圈的界面。

S130、确定所述当前语音文本是否存在语音文本缺失。

具体的，判断所述当前语音文本是否存在语音文本缺失，包括：将所述当前语音文本发送给所述客户端，以使所述客户端接收到的所述当前语音文本执行与所述当前语音文本对应的操作；确定所述客户端是否执行与所述当前语音文本对应的操作；根据确定出的是否执行所述操作的结果，确定所述当前语音文本是否存在语音文本缺失。

S140、响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本。

其中，预先存储的历史语音文本包括历史语音文本本身的内容以及历史语音文本中包含的语句内容的字词特征信息，字词特征信息可以根据语句内容确定具有一定关联性的语句内容中字或词，字词特征信息可以以字词对或是其他可以表现其关联关系的形式进行存储。待补齐语音文本是指当前语音文本中空缺的文字内容，即服务端未识别出的字或是词的内容。

具体的，在确定当前语音文本中存在语音文本缺失时，通过当前语音文本的语句内容在预先存储的历史语音文本中查找确定当前语音文本的待补齐语音文本内容，首先确定当前语音文本的字词特征信息，根据待补齐语音文本内容的字词特征信息在历史语音文本中查找相同的字词特征信息对应的文本内容，再通过待补齐语音文本内容与其上下文信息的关系，进而确定待补齐语音文本内容。可选的，预先存储的历史语音文本的字词特征信息是通过将历史语音文本输入到预先建立好的深度学习网络模型中学习得到的，深度学习网络模型包括机器学习模型或马尔科夫概率模型。

S150、根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

具体的，将待补齐语音文本与当前语音文本进行拟合，得到具有完整用户语音信息的目标语音文本。目标语音文本是具有完整的可以被客户端识别，并可以实现辅助客户端根据目标语音文本对应的内容执行与目标语音文本内容相对应的操作，可以理解的是在目标语音文本确定后，服务端将目标语音文本发送至客户端，以使客户端执行与目标语音文本相应的操作。

需要说明的是由于在语音交互功能使用时用户可能处于弱检测环境下，将会导致用户的语音信息接收不完整的情况，用户语音信息的不完整将会使得服务端识别到的语音文本是不完整的，则客户端无法根据服务端反馈的不完整的语音文本执行与语音文本对应的相应操作，而在本公开实施例的技术方案中，基于上述语音交互的使用场景提出了对当前语音信息进行存在语音文本缺失的情况，进而将可能存在语音文本缺失的当前语音信息实时对语音信息进行完整的补充，以获得完整的用户语音信息，对语音交互功能中的客户端达到良好的控制效果。

本公开实施例的技术方案，通过获取客户端接收的用户的当前语音信息；根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；确定所述当前语音文本是否存在语音文本缺失；响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本，解决了在语音交互中语音识别信号不连续无法获取准确的语音信息的问题，以实现提高语音识别的准确率。

实施例二

作为上述实施例一优选实施例，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图。

如图2所示，所述方法包括：

S210、获取客户端接收的用户的当前语音信息，并根据所述当前语音信息确定所述当前语音信息的当前语音文本。

S220、将所述当前语音文本发送给所述客户端，以使所述客户端根据接收到的所述当前语音文本执行与所述当前语音文本对应的操作。

S230、确定所述客户端是否执行与所述当前语音文本对应的操作。

具体的，确定客户端是否执行与当前语音文本对应的操作，如果确定出的是否执行所述操作的结果的是，则确定当前语音文本不存在语音文本缺失，反之，如果确定出的是否执行所述操作的结果的否，则确定当前语音文本存在语音文本缺失，进一步的，将执行待补齐语音文本确定的操作。

可以理解的是本公开实施例的技术方案中，当前语音文本只有在存在语音文本缺失才需要进行补齐语音文本的生成，也就是说，当前语音文本若是包含完整的可以被客户端识别的语音信息，则客户端直接将根据当前语音文本执行与当前语音文本对应的相应操作。

S240、响应于所述客户端执行了所述操作，确定所述当前语音文本不存在语音文本缺失，则执行S290。

具体的，在当前语音文本不存在语音文本缺失时，则直接将当前语音文本作为目标语音文本。

S250、响应于所述客户端未执行所述操作，确定所述当前语音文本存在语音文本缺失，则执行S260。

S260、根据所述当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息确定与所述当前语音文本对应的所述历史语音文本。

其中，字词特征信息可以是根据语音文本内容中的字或词之间的关联关系确定的字词对组合等形式。字词特征信息的提取可以通过将语音文本输入到预先建立好的深度学习网络模型中得到，可以理解的是将所述当前语音文本输入到预先建立好的深度学习网络模型中，得到所述当前语音文本的字词特征信息；其中，所述深度学习网络模型是基于至少一个样本语音文本和每个样本语音文本对应的字词特征标注信息进行训练得到的。进一步地，在将当前语音文本输入预先建立好的深度学习网络模型中，得到所述当前语音文本的字词特征信息之前，还包括：对深度学习网络模型进行训练。具体包括：对所述至少一个样本语音文本进行字词特征提取，得到与所述样本语音文本对应的字词特征标注信息；将所述样本语音文本和与所述样本语音文本对应的字词特征标注信息输入到预先建立好的深度学习网络模型中，得到与所述样本语音文本对应的输出字词特征信息；基于所述输出字词特征信息与所述字词特征标注信息对所述深度学习网络模型参数进行调整。其中，深度学习网络模型可以但不限于包括机器学习模型或马尔科夫概率模型。

具体的，在确定当前语音文本存在语音文本缺失后，确定当前语音文本中的字或者词，尤其是待补齐语音文本内容前后的字或词，将待补齐语音文本前后的字或词与其前后的内容确定可能与其组成的词语，根据该词语与当前语音文本中其他完整的词语之间的关联信息，即该词语与当前语音文本中其他完整的词语确定字词特征信息。进一步的，将当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息进行匹配，从而确定可能是与当前语音文本对应的历史语音文本。

S270、根据与所述当前语音文本对应的所述历史语音文本和所述当前语音文本确定所述当前语音文本的待补齐语音文本。

具体的，根据所述当前语音文本、所述当前语音文本的字词特征信息、所述历史语音文本和所述历史语音文本的字词特征信息确定所述当前语音文本的待补齐语音文本，在通过字词特征信息确定待补齐语音文本内容时，还可以根据待补齐语音文本内容的上下文内容进一步对待补齐语音文本内容进行预测。

示例性的，以“打开微博”为例，在识别到当前语音文本中内容仅为“打微”后，可以在历史语音文本中查找与“打”或“微”有关的内容，“打”为动词可以初步判断当前语音文本中的内容可能为执行某个应用程序的状态改变的动作，“微”可以初步判断在应用程序中可能的是微博或是微信。由于在历史语音文本中关于微博或是微信的状态改变可能为打开、关闭或是后台待机中，则通过“打”字可以确定该字后缺少的内容为“开”，进一步的，根据“打开”和“微”确定是“打开微博”或是“打开微信”，若没有其他信息可以表示此时为哪种情况时，则可以通过后台服务端进一步确定用户使用微博以及微信的频率，将用户使用频率更高的作为当前待补齐语音文本。

S280、根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

S290、将所述目标语音文本发送至所述客户端，以使所述客户端执行与所述目标语音文本相应的操作。

需要说明的是在待补齐语音文本内容较多时，可能导致待补齐语音文本内容对应查找到多个历史语音文本内容可供补齐，这样的情况下可以根据字词特征信息和待补齐内容的上下文关联程度，即以每个历史语音文本的可供补齐内容的预测概率表示待补齐内容与当前语音文本内容的关联程度，则可以通过选择预测概率最高的待补齐内容确定为待补齐语音文本，进一步地，将当前确定的待补齐语音文本与当前语音文本确定目标语音文本，根据目标语音文本是否使客户端执行与目标语音文本对应的操作的结果，作为判断待补齐语音文本是否为当前语音文本缺失的语音文本，即此时是否得到了完整的与用户的当前语音信息对应的当前语音文本。

本公开实施例的技术方案，充分考虑在语音交互功能使用时，由于周围环境(例如，网络环境或是采集条件不理想)的影响，可能造成用户语音输入的效果大大折扣，这也相应降低了客户端对用户语音指令的识别，而常规的噪音去除算法在处理语音信号比较弱且不连续的情况时，这种噪音的去除策略并不能很好解决问题。本公开实施例的技术方案基于深度学习对大批样本语音文本进行训练，得到可供使用的深度学习网络模型，当采集条件不理想情况下，首先对当前语音信号进行推断，判断当前语音文本是否存在语音文本缺失，将缺失部分进行补齐，再进行语音识别，提升在弱检测条件下的语音识别准确率，同时，解决当前语音交互的实时性不好且控制效果差的问题，保证在网络环境不好时，对语音交互功能的客户端控制的实时性。

实施例三

图3为本公开实施例三提供的一种语音识别装置的结构示意图，该装置包括：语音信息获取模块310、语音文本确定模块320、文本缺失确定模块330、待补齐语音文本确定模块340和目标语音文本确定模块350。

语音信息获取模块310，用于获取客户端接收的用户的当前语音信息；

语音文本确定模块320，用于根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

文本缺失确定模块330，用于确定所述当前语音文本是否存在语音文本缺失；

待补齐语音文本确定模块340，用于响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

目标语音文本确定模块350，用于根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

本公开实施例的技术方案，通过获取客户端接收的用户的当前语音信息；根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；确定所述当前语音文本是否存在语音文本缺失；响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本，解决了在语音交互中语音识别信号不连续无法获取准确的语音信息的问题，以实现提高语音识别的准确率。

在上述各实施例的基础上，所述文本缺失确定模块330还包括：

将所述当前语音文本发送给所述客户端，以使所述客户端根据接收到的所述当前语音文本执行与所述当前语音文本对应的操作；

确定所述客户端是否执行与所述当前语音文本对应的操作；

响应于所述客户端执行了所述操作，确定所述当前语音文本不存在语音文本缺失；以及

响应于所述客户端未执行所述操作，确定所述当前语音文本存在语音文本缺失。

在上述各实施例的基础上，所述目标语音文本确定模块350，包括：

历史语音文本确定单元，用于根据所述当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息确定与所述当前语音文本对应的所述历史语音文本；

待补齐语音文本确定单元，用于根据与所述当前语音文本对应的所述历史语音文本和所述当前语音文本确定所述当前语音文本的待补齐语音文本。

在上述各实施例的基础上，所述装置还包括：

将所述当前语音文本输入到预先建立好的深度学习网络模型中，得到所述当前语音文本的字词特征信息；其中，所述深度学习网络模型是基于至少一个样本语音文本和每个样本语音文本对应的字词特征标注信息进行训练得到的。

在上述各实施例的基础上，所述装置还包括：

对所述至少一个样本语音文本进行字词特征提取，得到与所述样本语音文本对应的字词特征标注信息；

将所述样本语音文本和与所述样本语音文本对应的字词特征标注信息输入到预先建立好的深度学习网络模型中，得到与所述样本语音文本对应的输出字词特征信息；

基于所述输出字词特征信息与所述字词特征标注信息对所述深度学习网络模型参数进行调整。

在上述各实施例的基础上，所述深度学习网络模型包括机器学习模型或马尔科夫概率模型。

在上述各实施例的基础上，所述装置还包括：

操作执行模块，用于将所述目标语音文本发送至所述客户端，以使所述客户端执行与所述目标语音文本相应的操作。

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，具备执行语音识别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1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(ROM)402中的程序或者从存储装置406加载到随机访问存储器(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RAM 403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406；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406被安装，或者从ROM 402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方法中限定的上述功能。

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(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(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：

获取客户端接收的用户的当前语音信息；

根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

确定所述当前语音文本是否存在语音文本缺失；

响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

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，单元的名称在某种情况下并不构成对该单元本身的限定，例如，语音文本缺失模块还可以被描述为“判断是否存在语音文本缺失模块”。

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(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。

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：

获取客户端接收的用户的当前语音信息；

根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

确定所述当前语音文本是否存在语音文本缺失；

响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

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：

可选的，确定所述当前语音文本是否存在语音文本缺失，包括：

将所述当前语音文本发送给所述客户端，以使所述客户端根据接收到的所述当前语音文本执行与所述当前语音文本对应的操作；

确定所述客户端是否执行与所述当前语音文本对应的操作；

响应于所述客户端执行了所述操作，确定所述当前语音文本不存在语音文本缺失；以及

响应于所述客户端未执行所述操作，确定所述当前语音文本存在语音文本缺失。

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：

可选的，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本，包括：

根据所述当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息确定与所述当前语音文本对应的所述历史语音文本；

根据与所述当前语音文本对应的所述历史语音文本和所述当前语音文本确定所述当前语音文本的待补齐语音文本。

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：

可选的，在根据所述当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息确定与所述当前语音文本对应的所述历史语音文本之前，还包括：

将所述当前语音文本输入到预先建立好的深度学习网络模型中，得到所述当前语音文本的字词特征信息；其中，所述深度学习网络模型是基于至少一个样本语音文本和每个样本语音文本对应的字词特征标注信息进行训练得到的。

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：

可选的，所述方法还包括：

对所述至少一个样本语音文本进行字词特征提取，得到与所述样本语音文本对应的字词特征标注信息；

将所述样本语音文本和与所述样本语音文本对应的字词特征标注信息输入到预先建立好的深度学习网络模型中，得到与所述样本语音文本对应的输出字词特征信息；

基于所述输出字词特征信息与所述字词特征标注信息对所述深度学习网络模型参数进行调整。

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：

可选的，所述深度学习网络模型包括机器学习模型或马尔科夫概率模型。

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：

可选的，所述方法还包括：

将所述目标语音文本发送至所述客户端，以使所述客户端执行与所述目标语音文本相应的操作。

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装置，该装置包括：

语音信息获取模块，用于获取客户端接收的用户的当前语音信息；

语音文本确定模块，用于根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

文本缺失确定模块，用于确定所述当前语音文本是否存在语音文本缺失；

待补齐语音文本确定模块，用于响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

目标语音文本确定模块，用于根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

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 (10)

1.一种语音识别方法，其特征在于，包括：

获取客户端接收的用户的当前语音信息；

根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

确定所述当前语音文本是否存在语音文本缺失；

响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

2.根据权利要求1所述的方法，其特征在于，确定所述当前语音文本是否存在语音文本缺失，包括：

将所述当前语音文本发送给所述客户端，以使所述客户端根据接收到的所述当前语音文本执行与所述当前语音文本对应的操作；

确定所述客户端是否执行与所述当前语音文本对应的操作；

响应于所述客户端执行了所述操作，确定所述当前语音文本不存在语音文本缺失；以及

响应于所述客户端未执行所述操作，确定所述当前语音文本存在语音文本缺失。

3.根据权利要求1所述的方法，其特征在于，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本，包括：

根据所述当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息确定与所述当前语音文本对应的所述历史语音文本；

根据与所述当前语音文本对应的所述历史语音文本和所述当前语音文本确定所述当前语音文本的待补齐语音文本。

4.根据权利要求3所述的方法，其特征在于，在根据所述当前语音文本的字词特征信息和所述预先存储的历史语音文本的字词特征信息确定与所述当前语音文本对应的所述历史语音文本之前，还包括：

将所述当前语音文本输入到预先建立好的深度学习网络模型中，得到所述当前语音文本的字词特征信息；其中，所述深度学习网络模型是基于至少一个样本语音文本和每个样本语音文本对应的字词特征标注信息进行训练得到的。

5.根据权利要求4所述的方法，其特征在于，还包括：

对所述至少一个样本语音文本进行字词特征提取，得到与所述样本语音文本对应的字词特征标注信息；

将所述样本语音文本和与所述样本语音文本对应的字词特征标注信息输入到预先建立好的深度学习网络模型中，得到与所述样本语音文本对应的输出字词特征信息；

基于所述输出字词特征信息与所述字词特征标注信息对所述深度学习网络模型参数进行调整。

6.根据权利要求4或5任一项所述的方法，其特征在于，所述深度学习网络模型包括机器学习模型或马尔科夫概率模型。

7.根据权利要求1所述的方法，其特征在于，还包括：

将所述目标语音文本发送至所述客户端，以使所述客户端执行与所述目标语音文本相应的操作。

8.一种语音识别装置，其特征在于，包括：

语音信息获取模块，用于获取客户端接收的用户的当前语音信息；

语音文本确定模块，用于根据所述当前语音信息确定与所述当前语音信息对应的当前语音文本；

文本缺失确定模块，用于确定所述当前语音文本是否存在语音文本缺失；

待补齐语音文本确定模块，用于响应于确定所述当前语音文本存在语音文本缺失，根据所述当前语音文本和预先存储的历史语音文本确定所述当前语音文本的待补齐语音文本；

目标语音文本确定模块，用于根据所述当前语音文本和所述待补齐语音文本确定与所述当前语音信息对应的目标语音文本。

9.一种电子设备，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1-7中任一所述的语音识别方法。

10.一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1-7中任一所述的语音识别方法。

Images