CN112509567A - 语音数据处理的方法、装置、设备、存储介质及程序产品 - Google Patents

Abstract

本申请公开了一种语音数据处理的方法、装置、设备、存储介质及程序产品，涉及语音技术、车联网等人工智能领域。具体实现方案为：通过获取采集的语音数据和播报的播报信息，将语音数据与播报信息进行相似度匹配，来确定语音数据中所包含的播报信息，然后将语音数据中所包含的播报信息去除，得到语音数据中所包含的用户指令信息，能够准确地去除语音数据中包含的播报信息，得到精准地用户指令信息，提高了用户指令信息识别的准确性。

Description

语音数据处理的方法、装置、设备、存储介质及程序产品

技术领域

本申请涉及语音技术、车联网等人工智能领域，尤其涉及一种语音数据处理的方法、装置、设备、存储介质及程序产品。

背景技术

语音助手被唤醒或者响应用户指令的时候，会播报对应的语音信息。语音助手播报的语音信息是基于TTS(Text To Speech，从文本到语音)文本通过TTS引擎合成的语音，也称为播报语音，TTS文本也称为播报文本。用户通过唤醒词唤醒语音助手后，语音助手会播报“在啊”“早上好”“我来了”……等等播报语音，在被唤醒后语音助手会通过麦克风采集用户的语音指令，此时播放出来播报语音会再次被麦克风采集进去，采集的语音数据中不仅包含语音指令，还包含了上次播报的播报语音。

为了消除麦克风采集的语音数据中的播报语音，通常通过回声消除算法能够对播报语音进行抑制，但是在一些车辆或者音响上，因为硬件以及声学环境的差异播报语音无法被完全抑制，语音数据中仍然存在残余的播报语音，对语音数据进行语音识别的结果中会包含播报文本信息，还会会显示在屏幕上。

发明内容

本申请提供了一种语音数据处理的方法、装置、设备、存储介质及程序产品。

根据本申请的一方面，提供了一种语音数据处理的方法，包括：

获取采集的语音数据、播报的从文本到语音播报信息；

将所述语音数据与所述播报信息进行相似度匹配，确定所述语音数据中所包含的播报信息；

去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息。

根据本申请的另一方面，提供了一种语音数据处理的装置，包括：

数据获取模块，用于获取采集的语音数据、播报的从文本到语音播报信息；

相似度匹配模块，用于将所述语音数据与所述播报信息进行相似度匹配，确定所述语音数据中所包含的播报信息；

播报信息去除模块，用于去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息。

根据本申请的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的方法。

根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述所述的方法。

根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述所述的方法。

根据本申请的技术提高对用户指令信息的识别的准确性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请实施例的智能交互的系统的框架示意图；

图2是本申请第一实施例提供的语音数据处理的方法流程图；

图3是本申请第二实施例提供的语音数据处理的方法流程图；

图4是本申请第二实施例提供的语音数据处理的总体流程示意图；

图5是本申请第三实施例提供的语音数据处理的装置示意图；

图6是本申请第四实施例提供的语音数据处理的装置示意图；

图7是用来实施本申请的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本申请提供一种语音数据处理的方法、装置、设备、存储介质及程序产品，应用于语音技术、车联网等人工智能领域，以提高对用户指令的识别的准确性。

本申请实施例中，播报信息是指语音助手等智能交互的系统播报的内容信息，播报信息对应的语音信息为播报语音，播报信息对应的文本信息为播报文本。通常，播报语音时通过TTS引擎根据播报文本合成的语音信息，因此，本申请实施例中，播报信息又称为“TTS信息”，播报语音又称为“TTS语音”，播报文本又称为“TTS文本”。

本申请提供的语音数据处理的方法，具体应用于语音助手等通过智能对话与即时问答的智能交互的系统。如图1所示，智能交互系统通常包括：音频采集装置11，用于智能交互的电子设备12，播放装置13和显示装置14。其中，音频采集装置11用于采集包含用户的指令信息的语音数据，例如，音频采集装置11可以是用于采集语音数据的麦克风等，通过麦克风可以采集用户说出的语音指令。电子设备12用于通过识别引擎对语音数据进行识别，得到识别结果，将该识别结果作为语音数据中包含的用户指令信息，然后基于用户指令信息生成播报信息对应的播报文本，该播报信息是对用户指令信息的响应信息，播报文本是以文本方式存储的播报信息；通过TTS引擎将播报文本转换为对应的播报语音。在确定语音数据的识别结果之后，将该识别结果作为语音数据中包含的用户指令信息，显示装置14进行显示识别结果，以供用户查看。在确定播报信息对应的播报语音之后，播放装置13播放播报语音，以实现播报信息的播报，对用户的指令信息进行答复。用户在听完答复的播报信息后，或者在在听完答复的播报信息之前，就可以向智能交互系统发出下一条语音指令。音频采集装置11采集用户的下一条语音指令时，会将正在播报的播报语音采集进去，因此采集的语音数据中还会包含播报信息。

为了消除音频采集装置采集的语音数据中的播报语音，通常通过回声消除算法能够对播报语音进行抑制，但是在一些车辆或者音响上，因为硬件以及声学环境的差异播报语音无法被完全抑制，语音数据中仍然存在残余的播报语音，对语音数据进行语音识别的结果中会包含播报信息，会将播报信息或部分播报信息包含用户指令信息中，并显示在显示装置上，用户看到的指令信息与自己发出的指令不一致，用户指令信息识别不准确。

本实施例提供的语音数据处理的方法，应用于如图1所示的智能交互系统的电子设备12。电子设备12获取采集的语音数据，还可以获取最近一次播放的播报信息，通过将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息；去除语音数据中所包含的播报信息，得到语音数据所包含的用户指令信息，能够准确地去除语音数据所包含的残留的播报信息，得到准确地用户指令信息，提高对用户指令的识别的准确性。

图2是本申请第一实施例提供的语音数据处理的方法流程图。本实施例提供的方法应用于语音数据处理的装置。如图2所示，该方法具体步骤如下：

步骤S201、获取采集的语音数据、播报的从文本到语音播报信息。

其中，语音数据中包含用户指令信息，可能还包含播报的播报信息。本实施例中，播报信息对应的语音信息为播报语音，播报信息对应的文本信息为播报文本。

为了去除采集的语音数据中包含的播报信息，首先获取播报的播报信息，后续将播报信息与语音数据进行相似度匹配，以确定语音数据中是否包含的播报信息。

一种可能的应用场景中，该步骤中获取的语音数据可以是通过回声消除算法对播报语音进行抑制后的语音数据，由于硬件以及声学环境的差异播报语音无法被完全抑制，语音数据中可能保留了残余的播报信息。

另一种可能的应用场景中，该步骤中获取的语音数据可以是未通过回声消除算法对播报语音进行抑制后的语音数据，直接获取音频采集装置采集的语音数据，后续步骤中直接对语音数据中所包含的播报信息进行去除。

步骤S202、将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息。

在获取到语音数据和播报信息之后，通过将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息。

示例性地，可以将语音数据与播报信息进行基于波形的相似度匹配，和/或，将语音数据与播报信息进行基于文本的相似度匹配，来确定语音数据中所包含的播报信息。

步骤S203、去除语音数据中所包含的播报信息，得到语音数据所包含的用户指令信息。

在确定语音数据中所包含的播报信息之后，将语音数据中所包含的播报信息去除，只保留语音数据所包含的用户指令信息。

示例性地，可以将语音数据中的播报信息截除掉，然后对保留的语音数据进行语音识别，得到语音数据所包含的用户指令信息；或者，还可以语音数据进行语音识别，得到语音数据对应的识别文本，然后将识别文本中所包含的播报信息截除掉，保留的识别文本即为语音数据所包含的用户指令信息。

本申请实施例通过获取采集的语音数据和播报的播报信息，将语音数据与播报信息进行相似度匹配，来确定语音数据中所包含的播报信息，然后将语音数据中所包含的播报信息去除，得到语音数据中所包含的用户指令信息，能够准确地去除语音数据中包含的播报信息，得到精准地用户指令信息，提高了用户指令信息识别的准确性。

图3是本申请第二实施例提供的语音数据处理的方法流程图。在上述第一实施例的基础上，本实施例中，将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息，包括：将语音数据与播报信息对应的播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音；和/或，对语音数据进行语音识别，得到语音数据对应的识别文本；将识别文本与播报信息对应的播报文本进行文本相似度匹配，确定识别文本中所包含的播报文本。这样，能够准确地去除语音数据中包含的播报信息，得到精准地用户指令信息，提高用户指令信息识别的准确性。

如图3所示，该方法具体步骤如下：

步骤S301、获取采集的语音数据、播报的从文本到语音播报信息。

其中，语音数据中包含用户指令信息，可能还包含播报的播报信息。

为了去除采集的语音数据中包含的播报信息，首先获取播报的播报信息，后续将播报信息与语音数据进行相似度匹配，以确定语音数据中是否包含的播报信息。

在实际应用中，播放播报信息时，通常首先获取到要播报的播报信息的文本信息(本实施例中称为“播报文本”)，然后通过TTS引擎合成播报文本对应的播报语音，并通过播放装置播报出来。

本实施例中，保存播报信息对应的播报文本和/或播报语音。该步骤中，获取播报的播报信息时，获取播报信息对应的播报文本和/或播报语音。

一种可能的应用场景中，该步骤中获取的语音数据可以是通过回声消除算法对播报语音进行抑制后的语音数据，由于硬件以及声学环境的差异播报语音无法被完全抑制，语音数据中可能保留了残余的播报信息。

另一种可能的应用场景中，该步骤中获取的语音数据可以是未通过回声消除算法对播报语音进行抑制后的语音数据，直接获取音频采集装置采集的语音数据，后续步骤中直接对语音数据中所包含的播报信息进行去除。

一种可选的实施方式中，可以获取语音数据，以及播报的播报信息对应的播报文本，通过步骤S302-S303，对语音数据进行语音识别，得到语音数据对应的识别文本；将识别文本与播报信息对应的播报文本进行文本相似度匹配，确定识别文本中所包含的播报文本，来实现将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息。然后通过步骤S304将识别文本中所包含的播报文本去除，得到语音数据所包含的用户指令信息。

这一实施方式，通过基于文本相似度匹配的方式确定并去除语音数据中所包含的播报信息。

另一种可选的实施方式中，可以获取语音数据，以及播报的播报信息对应的播报语音，通过步骤S305，将语音数据与播报信息对应的播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音，来实现将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息。然后通过步骤S306将语音数据中所包含的播报语音去除，得到修正后的语音数据。

这一实施方式，通过基于语音的波形相似度匹配的方式确定并去除语音数据中所包含的播报信息。

另一种可选的实施方式中，可以获取语音数据，以及播报的播报信息对应的播报文本和播报语音，通过步骤S302-S306，结合基于文本相似度匹配的方式和基于语音的波形相似度匹配的方式，确定并去除语音数据中所包含的播报信息。

步骤S302、对语音数据进行语音识别，得到语音数据对应的识别文本。

为了实现文本相似度匹配，该步骤中对语音数据进行语音识别，确定对应的识别文本。

该步骤可以采用现有技术中任意一种将语音数据转换为对应的文本的语音识别方法来实现，此处不再赘述。

步骤S303、将识别文本与播报信息对应的播报文本进行文本相似度匹配，确定识别文本中所包含的播报文本。

在得到语音数据对应的识别文本之后，将识别文本与播报信息对应的播报文本进行文本相似度匹配，以确定识别文本中所包含的播报文本。

一种可选的实施方式中，该步骤可以通过以下方式实现：

对识别文本和播报文本分别进行分词处理，得到识别文本所包含的词、以及播报文本所包含的词；将识别文本所包含的词与播报文本所包含的词进行匹配，确定识别文本是否包含至少一个目标词，至少一个目标词为播报文本所包含的词、且至少一个目标词位于识别文本的始端；若确定识别文本包含至少一个目标词，则确定至少一个目标词为识别文本中所包含的播报文本。

这一实施方式中，采用精准分词算法，对识别文本和播报文本分别进行分词处理，到识别文本所包含的词、以及播报文本所包含的词。其中，精准分词算法用于把字与字连在一起的汉语句子分成若干个相互独立、完整、正确的词，词是最小的、能独立活动的、有意义的语言成分。精准分词算法可以是基于理解的分词算法、基于大规模语料库的统计学习的分词方法等。

例如，对于“今天天气”，利用精准分词法进行分词后的结果包括“今天”、“天气”两个词。

在实际应用中，播报信息的播报通常是在用户给出的语音指令之前，如果采集到的语音数据中包含播报信息，播报信息应该出现在语音数据的起始部分，也就是，存在语音数据中出现的播报信息在起始部分的关联特性。

在得到分词结果之后，将识别文本所包含的词与播报文本所包含的词进行匹配，查找识别文本中是否包含播报文本中出现的词，如果识别文本中包含播报文本中出现的词，确定该词是否出现在识别文本的始端，如果播报文本中的某个词出现在识别文本的始端，可以将该词作为识别文本中所包含的播报文本，结合实际应用中播报信息与语音数据之间的关联特性，基于文本相似度匹配，准确地识别出识别文本中所包含的播报文本。

可选地，目标词位于识别文本的始端，可以是目标词之前不存在除其他目标词之外的词，或者，目标词位于识别文本起始部分的某一个范围内，或者，可以根据实际应用场景进行设置和定义，本实施例此处不做具体限定。

可选地，将识别文本所包含的词与播报文本所包含的词进行匹配，确定识别文本是否包含至少一个目标词，还可以通过训练好的机器学习模型实现。

另一种可选的实施方式中，该步骤还可以通过以下方式实现：

将识别文本所包含的字与播报文本所包含的字进行匹配，确定识别文本是否包含至少一个目标字以及置信度，至少一个目标字为播报文本所包含的字、且至少一个目标字位于识别文本的始端；若确定识别文本包含至少一个目标字，且置信度大于或等于第一阈值，则确定至少一个目标字为识别文本中所包含的播报文本。若置信度小于第二阈值，则确定识别文本中不包含播报文本。

若置信度小于第一阈值，则继续执行步骤S305，将语音数据与播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音。

其中，第一阈值和第二阈值可以根据实际应用场景进行设置和调整，此处不做具体限定。

这一实施方式中，可以将识别文本和播报文本拆分成单个的字，将识别文本所包含的字与播报文本所包含的字进行匹配，查找识别文本中是否包含播报文本中出现的字，如果识别文本中包含播报文本中出现的字，确定该字是否出现在识别文本的始端，如果播报文本中的某个字出现在识别文本的始端，可以将该字作为识别文本中的目标字，并给出对应的置信度。

其中，置信度用于表示确定的识别文本包含至少一个目标字，是识别文本中所包含的播报文本的可能性，置信度越高，说明目标字是识别文本中所包含的播报文本的可能性越大，确定的识别文本中所包含的播报文本的可信度越高。

可选地，目标字位于识别文本的始端，可以是目标字之前不存在除其他目标字之外的字，或者，目标字位于识别文本起始部分的某一个范围内，或者，可以根据实际应用场景进行设置和定义，本实施例此处不做具体限定。

可选地，将识别文本所包含的字与播报文本所包含的字进行匹配，确定识别文本是否包含至少一个目标字以及置信度，可以通过训练好的机器学习模型实现。

可选地，若置信度小于第一阈值，并且置信度大于或等于第二阈值时，进一步通过将语音数据与播报语音进行波形相似度匹配，来确定语音数据中所包含的播报语音。

进一步地，若确定识别文本包含至少一个目标字，且置信度大于或等于第一阈值，则说明当前匹配结果的置信度较高，也就是至少一个目标字是识别文本中所包含的播报文本的可能性较高，可以将至少一个目标字为识别文本中所包含的播报文本。若置信度小于第二阈值，则说明当前匹配结果的置信度较低，也就是至少一个目标字是识别文本中所包含的播报文本的可能性较低，可以确定识别文本中不包含播报文本。若置信度小于第一阈值且大于或等于第二阈值，则说明基于当前匹配结果的置信度，无法明确地确定至少一个目标字是否是识别文本中所包含的播报文本，可以进一步通过将语音数据与播报语音进行波形相似度匹配，来确定语音数据中所包含的播报语音。通过结合文本相似度匹配和波形相似度匹配，能够准确地识别出语音数据中所包含的播报信息。

步骤S304、将识别文本中所包含的播报文本去除，得到语音数据所包含的用户指令信息。

在识别出识别文本中所包含的播报文本之后，将识别文本中所包含的播报文本去除，保留的识别文本即为语音数据所包含的用户指令信息，从而能够去除语音数据中的播报信息。

可选地，可以将识别文本中的播报文本截除，剩下的识别文本作为语音数据所包含的用户指令信息。

步骤S305、将语音数据与播报信息对应的播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音。

本实施例中，可以基于波形相似度匹配的方式，将语音数据与播报信息对应的播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音。

具体地，该步骤具体可以采用如下方式实现：

根据播报信息对应的播报语音的时长，从语音数据的始端截取与播报语音具有相同时长的语音片段；将语音片段与播报语音的波形进行匹配，确定语音片段与播报语音的相似度、相似片段、以及相似片段在语音片段中的起始位置和终止位置。

进一步地，若语音片段与播报语音的相似度大于第三阈值，则确定相似片段为语音数据中所包含的播报语音。

其中，第三阈值可以根据实际应用场景进行设置和调整，本实施例此处不做具体限定。

在实际应用中，播报信息的播报通常是在用户给出的语音指令之前，如果采集到的语音数据中包含播报信息，播报信息应该出现在语音数据的起始部分，也就是，存在语音数据中出现的播报信息在起始部分的关联特性。

该步骤中，根据播报语音的时长，只从语音数据的始端截取等长的语音片段，将语音片段与播报语音的波形进行匹配，确定语音片段中包含的播报语音，也就是语音数据所包含的播报语音。

其中，将语音片段与播报语音的波形进行匹配，确定语音片段与播报语音的相似度、相似片段、以及相似片段在语音片段中的起始位置和终止位置，可以通过数学方法进行两个波形的相似度的匹配的方法、或者现有技术中任意一种进行波形相似度匹配的方法实现，本实施例此处不做具体限定。

步骤S306、将语音数据中所包含的播报语音去除，得到修正后的语音数据。

在确定语音数据中所包含的播报语音之后，将将语音数据中所包含的播报语音截除掉，得到修正后的语音数据。修正后的语音数据中不包含播报信息，仅包含用户指令信息。

步骤S307、对修正后的语音数据进行语音识别，得到语音数据所包含的用户指令信息。

在将语音数据中所包含的播报语音去除之后，对修正后的语音数据进行语音识别，可以得到语音数据所包含的用户指令信息，该用户指令信息中不会掺杂有播报信息，提高用户指令信息识别的准确性。

步骤S308、显示用户指令信息。

本实施例中，在去除语音数据中所包含的播报信息，得到语音数据所包含的用户指令信息之后，可以将用户指令信息通过显示装置(例如显示屏幕)进行显示。

步骤S309、根据用户指令信息，确定并播放语音回复消息。

本实施例中，在去除语音数据中所包含的播报信息，得到语音数据所包含的用户指令信息之后，还可以根据用户指令信息，生成用于响应用户指令信息的语音回复消息，并通过播放装置进行播放。

示例性地，根据用户指令信息，生成用于响应用户指令信息的播报文本，通过TTS引擎合成用于响应用户指令信息的播报文本对应语音信息，得到语音回复消息。

本实施例的一种具体的应用场景中，获取的语音数据可以是通过回声消除算法对播报语音进行抑制后的语音数据，由于硬件以及声学环境的差异播报语音无法被完全抑制，语音数据中可能保留了残余的播报信息。通过语音数据处理的方法，将语音数据中残留的播报信息去除，得到语音数据所包含的用户指令信息。

例如，结合附图4，对这一场景的总体流程进行示例性地说明：在使用语音助手的过程中，当用户通过“小度小度”等唤醒词唤醒时，语音助手生成对应的播报信息(例如“在啊”、“早上好”、“我来了”……等等欢迎语)，通过TTS合成引擎合成对应的播报语音，保存播报文本和播报语音，然后播放播报语音。唤醒成功后开启识别功能。播放出来的播报语音，会再次被麦克风采集进去，如果用户在唤醒之后说了一段指令，例如“今天天气”，麦克风采集的语音数据中不仅包含用户的指令信息，还会包含播放的播报语音。通过回声消除等降噪算法对播报语音进行抑制之后输送给识别引擎，以使输送给识别引擎的语音数据中不包含播报信息，识别引擎会检测到不说话的时候，会进行语音识别确定对应的识别结果。但是因为在一些车或者音响上，因为硬件以及声学环境的差异播报语音无法被完全抑制，会导致语音数据中心有残留的播报信息。例如，语音助手播报了“早上好”，用户说了“今天天气”，如果播报信息抑制不干净，直接对语音数据进行语音识别的结果可能是“早今天天气”、“早上今天天气”、“好今天天气”等等。一种实施方式中，可以通过识别引擎识别出语音数据对应的识别文本，将语音数据及其识别文本，与播报语音及播报文本进行文本相似度匹配和/或波形相似度匹配，识别出语音数据中包含的播报信息，并去除语音数据中包含的播报信息，得出正确的识别结果。

本申请实施例提供了多种不同的实现方式，通过将语音数据与播报语音进行波形相似度匹配，和/或将语音数据对应的识别文本与播报文本进行文本相似度匹配，来确定并去除语音数据中包含的播报信息，能够准确地去除语音数据中包含的播报信息，得到精准地用户指令信息，提高了用户指令信息识别的准确性。

图5是本申请第三实施例提供的语音数据处理的装置示意图。本申请实施例提供的语音数据处理的装置可以执行语音数据处理的方法实施例提供的处理流程。如图5所示，该语音数据处理的装置50包括：数据获取模块501，相似度匹配模块502和播报信息去除模块503。

具体地，数据获取模块501用于获取采集的语音数据、播报的从文本到语音播报信息。

相似度匹配模块502用于将语音数据与播报信息进行相似度匹配，确定语音数据中所包含的播报信息。

播报信息去除模块503用于去除语音数据中所包含的播报信息，得到语音数据所包含的用户指令信息。

本申请实施例提供的装置可以具体用于执行上述第一实施例所提供的方法实施例，具体功能此处不再赘述。

本申请实施例通过获取采集的语音数据和播报的播报信息，将语音数据与播报信息进行相似度匹配，来确定语音数据中所包含的播报信息，然后将语音数据中所包含的播报信息去除，得到语音数据中所包含的用户指令信息，能够准确地去除语音数据中包含的播报信息，得到精准地用户指令信息，提高了用户指令信息识别的准确性。

图6是本申请第四实施例提供的语音数据处理的装置示意图。在上述第三实施例的基础上，本实施例一种实施方式中，如图6所示，语音数据处理的装置60还包括：数据获取模块601，相似度匹配模块602，播报信息去除模块603，以及用户指令处理模块604。

其中，数据获取模块601，相似度匹配模块602，播报信息去除模块603与上述第三实施例中的数据获取模块501，相似度匹配模块502，播报信息去除模块503的功能类似，此处不再赘述。

本实施例中，相似度匹配模块602还用于：

将语音数据与播报信息对应的播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音；和/或，对语音数据进行语音识别，得到语音数据对应的识别文本；将识别文本与播报信息对应的播报文本进行文本相似度匹配，确定识别文本中所包含的播报文本。

一种可选的实施方式中，相似度匹配模块602还用于：

对识别文本和播报文本分别进行分词处理，得到识别文本所包含的词、以及播报文本所包含的词；将识别文本所包含的词与播报文本所包含的词进行匹配，确定识别文本是否包含至少一个目标词，至少一个目标词为播报文本所包含的词、且至少一个目标词位于识别文本的始端；若确定识别文本包含至少一个目标词，则确定至少一个目标词为识别文本中所包含的播报文本。

一种可选的实施方式中，相似度匹配模块602还用于：

将识别文本所包含的字与播报文本所包含的字进行匹配，确定识别文本是否包含至少一个目标字以及置信度，至少一个目标字为播报文本所包含的字、且至少一个目标字位于识别文本的始端；若确定识别文本包含至少一个目标字，且置信度大于或等于第一阈值，则确定至少一个目标字为识别文本中所包含的播报文本。

一种可选的实施方式中，相似度匹配模块602还用于：

若置信度小于第二阈值，则确定识别文本中不包含播报文本。

一种可选的实施方式中，相似度匹配模块602还用于：

若置信度小于第一阈值，且大于或等于第二阈值，则将语音数据与播报语音进行波形相似度匹配，确定语音数据中所包含的播报语音。

一种可选的实施方式中，播报信息去除模块603还用于：

将识别文本中所包含的播报文本去除，得到语音数据所包含的用户指令信息。

一种可选的实施方式中，相似度匹配模块602还用于：

根据播报信息对应的播报语音的时长，从语音数据的始端截取与播报语音具有相同时长的语音片段；将语音片段与播报语音的波形进行匹配，确定语音片段与播报语音的相似度、相似片段、以及相似片段在语音片段中的起始位置和终止位置。

一种可选的实施方式中，相似度匹配模块602还用于：

若语音片段与播报语音的相似度大于第三阈值，则确定相似片段为语音数据中所包含的播报语音。

一种可选的实施方式中，播报信息去除模块603还用于：

将语音数据中所包含的播报语音去除，得到修正后的语音数据；对修正后的语音数据进行语音识别，得到语音数据所包含的用户指令信息。

一种可选的实施方式中，如图6所示，语音数据处理的装置60还包括用户指令处理模块604。其中，用户指令处理模块604用于：显示用户指令信息；和/或，根据用户指令信息，确定并播放语音回复消息。

本申请实施例提供的装置可以具体用于执行上述第二实施例所提供的方法实施例，具体功能此处不再赘述。

本申请实施例提供了多种不同的实现方式，通过将语音数据与播报语音进行波形相似度匹配，和/或将语音数据对应的识别文本与播报文本进行文本相似度匹配，来确定并去除语音数据中包含的播报信息，能够准确地去除语音数据中包含的播报信息，得到精准地用户指令信息，提高了用户指令信息识别的准确性。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图7示出了可以用来实施本申请的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备800包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备800操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703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。

设备800中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如语音数据处理的方法。例如，在一些实施例中，语音数据处理的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备800上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的语音数据处理的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音数据处理的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (25)

1.一种语音数据处理的方法，包括：

获取采集的语音数据和播报信息；

将所述语音数据与所述播报信息进行相似度匹配，确定所述语音数据中所包含的播报信息；

去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息。

2.根据权利要求1所述的方法，其中，所述将所述语音数据与所述播报信息进行相似度匹配，确定所述语音数据中所包含的播报信息，包括：

将所述语音数据与所述播报信息对应的播报语音进行波形相似度匹配，确定所述语音数据中所包含的播报语音；

和/或，

对所述语音数据进行语音识别，得到所述语音数据对应的识别文本；将所述识别文本与所述播报信息对应的播报文本进行文本相似度匹配，确定所述识别文本中所包含的播报文本。

3.根据权利要求2所述的方法，其中，所述将所述识别文本与所述播报信息对应的播报文本进行文本相似度匹配，确定所述识别文本中所包含的播报文本，包括：

对所述识别文本和所述播报文本分别进行分词处理，得到所述识别文本所包含的词、以及所述播报文本所包含的词；

将所述识别文本所包含的词与所述播报文本所包含的词进行匹配，确定所述识别文本是否包含至少一个目标词，所述至少一个目标词为所述播报文本所包含的词、且所述至少一个目标词位于所述识别文本的始端；

若确定所述识别文本包含至少一个目标词，则确定所述至少一个目标词为所述识别文本中所包含的播报文本。

4.根据权利要求2所述的方法，其中，所述将所述识别文本与所述播报信息对应的播报文本进行文本相似度匹配，确定所述识别文本中所包含的播报文本，包括：

将所述识别文本所包含的字与所述播报文本所包含的字进行匹配，确定所述识别文本是否包含至少一个目标字以及置信度，所述至少一个目标字为所述播报文本所包含的字、且所述至少一个目标字位于所述识别文本的始端；

若确定所述识别文本包含至少一个目标字，且所述置信度大于或等于第一阈值，则确定所述至少一个目标字为所述识别文本中所包含的播报文本。

5.根据权利要求4所述的方法，其中，所述将所述识别文本所包含的字与所述播报文本所包含的字进行匹配，确定所述识别文本是否包含至少一个目标字以及置信度之后，还包括：

若所述置信度小于所述第二阈值，则确定所述识别文本中不包含播报文本。

6.根据权利要求4所述的方法，其中，所述将所述识别文本所包含的字与所述播报文本所包含的字进行匹配，确定所述识别文本是否包含至少一个目标字以及置信度之后，还包括：

若所述置信度小于所述第一阈值，且大于或等于第二阈值，则将所述语音数据与所述播报语音进行波形相似度匹配，确定所述语音数据中所包含的播报语音。

7.根据权利要求3或4所述的方法，其中，所述去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息，包括：

将所述识别文本中所包含的播报文本去除，得到所述语音数据所包含的用户指令信息。

8.根据权利要求2或6所述的方法，其中，所述将所述语音数据与所述播报信息对应的播报语音进行波形相似度匹配，确定所述语音数据中所包含的播报语音，包括：

根据所述播报信息对应的播报语音的时长，从所述语音数据的始端截取与所述播报语音具有相同时长的语音片段；

将所述语音片段与所述播报语音的波形进行匹配，确定所述语音片段与所述播报语音的相似度、相似片段、以及所述相似片段在所述语音片段中的起始位置和终止位置。

9.根据权利要求8所述的方法，其中，所述将所述语音片段与所述播报语音的波形进行匹配，确定所述语音片段与所述播报语音的相似度、相似片段、以及所述相似片段在所述语音片段中的起始位置和终止位置之后，还包括：

若所述语音片段与所述播报语音的相似度大于第三阈值，则确定所述相似片段为所述语音数据中所包含的播报语音。

10.根据权利要求9所述的方法，其中，所述去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息，包括：

将所述语音数据中所包含的播报语音去除，得到修正后的语音数据；

对所述修正后的语音数据进行语音识别，得到所述语音数据所包含的用户指令信息。

11.根据权利要求1-6中任一项所述的方法，其中，所述去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息之后，还包括：

显示所述用户指令信息；

和/或，根据所述用户指令信息，确定并播放语音回复消息。

12.一种语音数据处理的装置，包括：

数据获取模块，用于获取采集的语音数据、播报的从文本到语音播报信息；

相似度匹配模块，用于将所述语音数据与所述播报信息进行相似度匹配，确定所述语音数据中所包含的播报信息；

播报信息去除模块，用于去除所述语音数据中所包含的播报信息，得到所述语音数据所包含的用户指令信息。

13.根据权利要求12所述的装置，其中，所述相似度匹配模块还用于：

将所述语音数据与所述播报信息对应的播报语音进行波形相似度匹配，确定所述语音数据中所包含的播报语音；

和/或，

对所述语音数据进行语音识别，得到所述语音数据对应的识别文本；将所述识别文本与所述播报信息对应的播报文本进行文本相似度匹配，确定所述识别文本中所包含的播报文本。

14.根据权利要求13所述的装置，其中，所述相似度匹配模块还用于：

对所述识别文本和所述播报文本分别进行分词处理，得到所述识别文本所包含的词、以及所述播报文本所包含的词；

将所述识别文本所包含的词与所述播报文本所包含的词进行匹配，确定所述识别文本是否包含至少一个目标词，所述至少一个目标词为所述播报文本所包含的词、且所述至少一个目标词位于所述识别文本的始端；

若确定所述识别文本包含至少一个目标词，则确定所述至少一个目标词为所述识别文本中所包含的播报文本。

15.根据权利要求13所述的装置，其中，所述相似度匹配模块还用于：

将所述识别文本所包含的字与所述播报文本所包含的字进行匹配，确定所述识别文本是否包含至少一个目标字以及置信度，所述至少一个目标字为所述播报文本所包含的字、且所述至少一个目标字位于所述识别文本的始端；

若确定所述识别文本包含至少一个目标字，且所述置信度大于或等于第一阈值，则确定所述至少一个目标字为所述识别文本中所包含的播报文本。

16.根据权利要求15所述的装置，其中，所述相似度匹配模块还用于：

若所述置信度小于所述第二阈值，则确定所述识别文本中不包含播报文本。

17.根据权利要求15所述的装置，其中，所述相似度匹配模块还用于：

若所述置信度小于所述第一阈值，且大于或等于第二阈值，则将所述语音数据与所述播报语音进行波形相似度匹配，确定所述语音数据中所包含的播报语音。

18.根据权利要求14或15所述的装置，其中，所述播报信息去除模块还用于：

将所述识别文本中所包含的播报文本去除，得到所述语音数据所包含的用户指令信息。

19.根据权利要求13或17所述的装置，其中，所述相似度匹配模块还用于：

根据所述播报信息对应的播报语音的时长，从所述语音数据的始端截取与所述播报语音具有相同时长的语音片段；

将所述语音片段与所述播报语音的波形进行匹配，确定所述语音片段与所述播报语音的相似度、相似片段、以及所述相似片段在所述语音片段中的起始位置和终止位置。

20.根据权利要求19所述的装置，其中，所述相似度匹配模块还用于：

若所述语音片段与所述播报语音的相似度大于第三阈值，则确定所述相似片段为所述语音数据中所包含的播报语音。

21.根据权利要求20所述的装置，其中，所述播报信息去除模块还用于：

将所述语音数据中所包含的播报语音去除，得到修正后的语音数据；

对所述修正后的语音数据进行语音识别，得到所述语音数据所包含的用户指令信息。

22.根据权利要求12-17中任一项所述的装置，还包括：用户指令处理模块，用于：

显示所述用户指令信息；

和/或，根据所述用户指令信息，确定并播放语音回复消息。

23.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。

24.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。

25.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-11中任一项所述的方法。

Images