CN112542157A - 语音处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
语音处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112542157A CN112542157A CN201910901727.XA CN201910901727A CN112542157A CN 112542157 A CN112542157 A CN 112542157A CN 201910901727 A CN201910901727 A CN 201910901727A CN 112542157 A CN112542157 A CN 112542157A
- Authority
- CN
- China
- Prior art keywords
- voice
- speech
- segment
- frame
- audio
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 230000005236 sound signal Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000002194 synthesizing effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L2025/783—Detection of presence or absence of voice signals based on threshold decision
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开实施例公开了一种语音处理方法、装置、电子设备和计算机可读存储介质。其中该语音处理方法包括：获取音频源中的音频信号；检测所述音频信号中的至少一个语音段；对所述语音段进行语音识别；响应于所述语音段被识别为语音，对所述语音段进行第一处理。通过上述方法，解决了现有技术中对语音的端点进行检测时候所可能发生误判的技术问题。
Description
技术领域
本公开涉及语音处理领域，尤其涉及一种语音处理方法、装置、电子设备及计算机可读存储介质。
背景技术
作为一种人机交互的手段，语音识别技术在解放人类双手方面意义重大。但是，由于实际运行环境中存在着各种各样的背景噪声，这些噪声会严重降低语音的质量从而影响语音识别的准确率；另外，在存储或传输语音的场景下，连续的语音流在存储或传输的数据量上偏大，并且需要更多的语音处理计算工作量，因而容易降低语音应用的成功率等。因此，语音端点检测技术始终是语音处理技术领域研究的一大热点。
语音端点检测是指在噪声环境中检测语音的存在与否，并且检测出每段语音的前、后端点，通常用于语音编码、语音增强等语音处理系统中，只有检测到语音才会进行后续的处理，其余非语音音频部分不进行处理。在实际环境中，语音端点检测算法经常会受到环境噪声等干扰，容易将噪声或者人的咳嗽声等误识别为语音。这在某些应用场景下，尤其是智能音箱、智能家居等短语音命令识别场景下，上述缺陷可能会导致出现过早判断到了语音前、后端点的情况，从而导致用户真正的语音命令无法被正确识别，影响语音命令的识别率以及用户体验。因此，如果避免误将背景噪声和一些无意义的人声等判断为语音，一直都是比较棘手的问题。
针对上述缺陷，当前最常见的做法是针对可能出现的各种误判情况，收集一定量的误判音频进行模型训练，以降低这些误判情况对语音端点检测的影响。但是该方案只能达到一定程度上减少误判的效果，并不能从根本上解决问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供一种语音处理方法，包括：
获取音频源中的音频信号；
检测所述音频信号中的至少一个语音段；
对所述语音段进行语音识别；
响应于所述语音段被识别为语音，对所述语音段进行第一处理。
进一步的，所述检测所述音频信号中的至少一个语音段，包括：
将所述音频信号分为多个音频帧；
提取所述音频帧中的特征参数；
根据所述特征参数判断所述音频帧是否为语音帧；
将连续的语音帧合成一个语音段。
进一步的，所述根据所述特征参数判断所述音频帧是否为语音帧，包括：
响应于所述特征参数大于第一阈值，判断所述音频帧为语音帧。
进一步的，所述将连续的语音帧合成一个语音段，包括：
获取至少一个连续的语音帧序列；
响应于该语音帧序列的长度大于第二阈值，将所述语音帧序列合成一个语音段；
将所述语音帧序列中的第一个语音帧作为所述语音段的起点，将所述语音帧序列中的最后一个语音帧作为所述语音段的终点。
进一步的，所述对所述语音段进行语音识别，包括：
提取所述语音段中的语音特征；
将所述语音特征与模板特征进行比较；
响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音。
进一步的，所述响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音，包括：
响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段所对应的文本，其中所述文本为所述模板特征所对应的文本；
对所述文本进行语义分析得到所述语音段的语义；
响应于所述语义正确，确定所述语音段为语音。
进一步的，所述对所述语音段进行语音识别，包括：
将所述语音段根据第一规则进行拆分得到多个语音子段；
对每个语音子段进行语音识别。
进一步的，所述响应于所述语音段被识别为语音，对所述语音段进行第一处理，包括：
响应于所述多个语音子段中的每一个均被识别为语音，对所述语音段进行第一处理。第二方面，本公开实施例提供一种语音处理装置，包括：
音频信号获取模块701，用于获取音频源中的音频信号；
语音段检测模块702，用于检测所述音频信号中的至少一个语音段；
语音识别模块703，用于对所述语音段进行语音识别；
第一处理模块704，用于响应于所述语音段被识别为语音，对所述语音段进行第一处理。
进一步的，所述语音段检测模块702，还包括：
音频帧划分模块，用于将所述音频信号分为多个音频帧；
特征参数提取模块，用于提取所述音频帧中的特征参数；
语音帧判断模块，用于根据所述特征参数判断所述音频帧是否为语音帧；
语音段合成模块，用于将连续的语音帧合成一个语音段。
进一步的，所述语音帧判断模块，还用于：
响应于所述特征参数大于第一阈值，判断所述音频帧为语音帧。
进一步的，所述语音段合成模块，还包括：
语音帧序列获取模块，用于获取至少一个连续的语音帧序列；
语音帧序列合成模块，用于响应于该语音帧序列的长度大于第二阈值，将所述语音帧序列合成一个语音段；
端点设置模块，用于将所述语音帧序列中的第一个语音帧作为所述语音段的起点，将所述语音帧序列中的最后一个语音帧作为所述语音段的终点。
进一步的，所述语音识别模块703，还包括：
语音特征提取模块，用于提取所述语音段中的语音特征；
语音特征比较模块，用于将所述语音特征与模板特征进行比较；
语音段确定模块，用于响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音。
进一步的，所述语音段确定模块，还包括：
文本确定模块，用于响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段所对应的文本，其中所述文本为所述模板特征所对应的文本；
语义分析模块，用于对所述文本进行语义分析得到所述语音段的语义；
语音确定模块，用于响应于所述语义正确，确定所述语音段为语音。
进一步的，所述语音识别模块703还包括：
拆分模块，用于将所述语音段根据第一规则进行拆分得到多个语音子段；
语音识别子模块，用于对每个语音子段进行语音识别。
进一步的，所述第一处理模块704，还用于：
响应于所述多个语音子段中的每一个均被识别为语音，对所述语音段进行第一处理。
第三方面，本公开实施例提供一种电子设备，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，所述存储器存储有能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前述第一方面中的任一所述语音处理方法。
第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述第一方面中的任一所述语音处理方法。
本公开实施例公开了一种语音处理方法、装置、电子设备和计算机可读存储介质。其中该语音处理方法包括：获取音频源中的音频信号；检测所述音频信号中的至少一个语音段；对所述语音段进行语音识别；响应于所述语音段被识别为语音，对所述语音段进行第一处理。通过上述方法，解决了现有技术中对语音的端点进行检测时候所可能发生误判的技术问题。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
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为本公开实施例的应用场景示意图；
图2为本公开提供的语音处理方法实施例的流程图；
图3为本公开提供的语音处理方法实施例中步骤S202的具体实例流程图；
图4为本公开提供的语音处理方法的实施例中步骤S304的具体实例流程图；
图5为本公开提供的语音处理方法的实施例中步骤S203的具体实例流程图；
图6为本公开提供的语音处理方法实施例中步骤S503的具体实例流程图；
图7为本公开实施例提供的语音处理装置的实施例的结构示意图；
图8为根据本公开实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例的应用场景示意图。如图1所示，用户101向终端设备102输入语音，，终端设备102可以为智能手机、智能音箱、智能家电等任何可以接收所述自然语言输入的终端装置，终端装置102与语音识别设备103通过网络连接，其中，语音识别设备103可以是计算设备式计算机或者智能终端等等；其中，终端设备102与语音识别设备103进行通信所依赖的网络可以是无线网络，例如5G网络和wifi网络等，还可以是有线网络，例如光纤网络。
可以理解的，上述语音识别设备103和所述终端设备102可以设置在一起，即终端设备102可以集成语音识别功能，这样用户的语音输入可以直接在终端设备102中识别。当语音被识别出来之后，根据所述语音，所述终端设备102可以执行与所述语音相关的功能。
图2为本公开实施例提供的语音处理方法实施例的流程图，本实施例提供的该语音处理方法可以由一语音处理装置来执行，该语音处理装置可以实现为软件，或者实现为软件和硬件的组合，该语音处理装置可以集成设置在语音处理系统中的某设备中，比如语音处理服务器或者语音处理终端设备中。如图2所示，该方法包括如下步骤：
步骤S201，获取音频源中的音频信号；
可选的，该步骤中的音频源为各种音频采集装置，典型的音频采集装置如各种形式的麦克风，麦克风从环境中采集各种各样的声音将其转换成音频信号。在该步骤中从所述音频采集装置中获取转换好的音频信号。典型的，如图1所示，所述终端设备102包括音频采集装置，如麦克风，通过麦克风可以采集到所述终端设备所在的环境中的声音，包括但不限于用户的语音、环境中的噪音等等。
可选的，该步骤中的音频源为音频文件，所述音频文件为存储在存储空间中的、事先录制好的音频文件。所述存储空间可以为本地存储空间或者远程存储空间，在该可选实施例中，获取音频源中的音频信号需要首选获取所述存储空间的地址，之后从所述存储空间中获取所述音频文件，并将所述音频文件解码为音频信号，所述音频文件中同样可以包括录制该音频文件时，音频采集装置所采集到的环境中的各种声音。
可以理解的，该步骤中的音频源不局限于上述可选实施例中的音频源，实际上任何可以获取到音频信号的音频源均可以应用于本公开中，在此不再赘述。
步骤S202，检测所述音频信号中的至少一个语音段；
可选的，所述检测所述音频信号中的至少一个语音段，包括：
步骤S301，将所述音频信号分为多个音频帧；
步骤S302，提取所述音频帧中的特征参数；
步骤S303，根据所述特征参数判断所述音频帧是否为语音帧；
步骤S304，将连续的语音帧合成一个语音段。
其中，在所述步骤S301中，将所述音频信号分为多个音频帧可以是将所述音频信号的音频流按照时间平均分为多份，每一份称为一个音频帧，典型的，可以设置每100ms为一个音频帧，则一段长度为10秒的音频信号可以被分为100帧；所述将所述音频信号分为多个音频帧还可以是将所述音频信号的音频流按照时间叠加平均分为多份，如每个音频帧的长度为100ms，两个相邻的音频帧之间叠加50％，则第一个音频帧为从0ms-100ms第二个音频帧为从50ms-150ms第三个音频帧为从100ms-200ms以此类推，直到整个音频信号被分割完。在步骤S302中，提取所述音频帧中的特征参数，所述的特征参数可以为能够表示音频特征的任何参数，典型的参数如声音的能量、频谱特征等等，这些参数能够表示出所述音频帧中的声音是语音还是噪音。在步骤S303中，根据所述特征参数判断所述特征参数所对应的音频帧是否为语音帧，典型的，响应于所述特征参数大于第一阈值，判断所述音频帧为语音帧，可以理解的，一般情况下，在噪音不太大的情况下，用户说话和静默两种情况中，说话时音频信号的能量要高一些，因此可以通过设置一个能量的阈值，当提取到的音频帧中的特征参数高于这个阈值时，将其判断为语音。在步骤S304中，将前后连续的语音帧合成一个语音段，可以理解的，在整个音频信号的音频流中，可以合成多个所述的语音段。一般来说，所述语音段应该为一段完整的语音，因此当语音段太短时，这段语音可能是无意义的，因此所述将连续的语音帧合成一个语音段，还可以包括：
步骤S401，获取至少一个连续的语音帧序列；
步骤S402，响应于该语音帧序列的长度大于第二阈值，将所述语音帧序列合成一个语音段；
步骤S403，将所述语音帧序列中的第一个语音帧作为所述语音段的起点，将所述语音帧序列中的最后一个语音帧作为所述语音段的终点。
在该步骤中，首选获取一个连续的语音帧序列，之后判断该序列帧的长度是否大于一个阈值，如大于500ms，如果大于这个阈值，则将所述语音帧序列合成一个语音段，所述语音段包括起点和终点两个点，其中起点为语音帧序列中的第一个语音帧，终点为语音帧序列中的最后一个语音帧。
可选的，在步骤S304中，可以初始化以下参数：语音段的起点和语音段的终点、语音段的编号。之后，从第一个语音帧开始，将第一个语音帧的编号赋值给第一个语音段的起点和语音段的终点，之后获取下一个语音帧的编号，如果下一个语音帧的编号与当前语音段的终点的差等于1，则将所述下一语音帧的编号赋值给语音段的终点，如果下一个语音帧的编号与当前语音段的终点的差大于1，则第一个语音段检测结束，将所述下一语音帧的编号赋值给第二个语音段的起点和终点，以此类推，直到所有的语音帧被遍历完。如此，便可得到至少一个语音段。
步骤S203，对所述语音段进行语音识别；
可选的，所述对所述语音段进行语音识别，包括：
步骤S501，提取所述语音段中的语音特征；
步骤S502，将所述语音特征与模板特征进行比较；
步骤S503，响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音。
在该步骤中，所述特征模板为事先从各种语音中训练抽取出的语音识别模板，用户所说的出的每个字，都可以训练提取特征抽象为一个模板特征，如果输入的语音使用同样的方法抽取出的特征与之相似，则可以认为输入的语音即为模板特征所对应的语音。因此在步骤S501中提取语音段中的语音特征，之后在步骤S502中与模板特征进行一一比对，如果跟模板特征的相似度大于一个阈值，则该语音段可以认为是语音，并且可以输入该语音段所对应的语音的文本。
但是，即使识别出语音，还是存在一种可能，即所识别出的语音并无任何实际意义，这样的话实际上之前的所检测语音段是没有意义的。因此，针对所述步骤S503还可以做如下优化，所述响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音，包括：
步骤S601，响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段所对应的文本，其中所述文本为所述模板特征所对应的文本；
步骤S602，对所述文本进行语义分析得到所述语音段的语义；
步骤S603，响应于所述语义正确，确定所述语音段为语音。
在上述步骤中，首先识别出语音对应的文本，之后将所述文本进行语义分析，所述语义分析可以通过语义分析模型执行，所述语义分析模型可以使用不同场景下的数据进行训练以适应不同的场景。通过上述语义分析得到所述语音段的语义，如果所述语义正确，则确定所述语音段为语音，也即是上述检测所述音频信号中的至少一个语音段的步骤所分的语音段是正确的。
可选的，上述对语音段进行语音识别是可以针对在步骤S202中检测出来的每一个语音段的依次识别的，只要有一个语音段被识别为语音，整个识别过程即可结束。即，从第一个语音段开始识别，如果第一个语音段不正确，则继续从下一个语音段开始识别，直至第一个语音段被识别为语音，则进入步骤S204。
步骤S204，响应于所述语音段被识别为语音，对所述语音段进行第一处理。
在本公开中，所述第一处理可以是任何后的处理，如对所述语音段进行变声处理、将所述语音段打上语音标签、将所述语音段进行存储、将所述语音段进行发送等等。本公开并不限制第一处理的方式。
可选的，为了识别更加精确，所述步骤S203还包括：将所述语音段根据第一规则进行拆分得到多个语音子段；对每个语音子段进行语音识别。在上述步骤中，所述语音段被拆成更细的子段，针对每个子段都进行语音识别，所述的第一规则可以是任何规则，典型的，如将所述语音段平均分为多段或者根据多个更细的阈值将所述语音段作为一个音频信号重新分段。在该情况下，所述步骤S204,还包括：响应于所述多个语音子段中的每一个均被识别为语音，对所述语音子段进行第一处理。在该步骤中，如果一个语音段中的每一个子段都被识别为语音，则整段语音段均为语音，如果有一个子段不为语音，则该语音段中有噪音，因此分段不准确，该语音段不能识别为语音。
本公开实施例公开了一种语音处理方法、装置、电子设备和计算机可读存储介质。其中该语音处理方法包括：获取音频源中的音频信号；检测所述音频信号中的至少一个语音段；对所述语音段进行语音识别；响应于所述语音段被识别为语音，对所述语音段进行第一处理。
通过上述方法，解决了现有技术中对语音的端点进行检测时候所可能发生误判的技术问题。在上文中，虽然按照上述的顺序描述了上述方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。
图7为本公开实施例提供的语音处理装置实施例的结构示意图，如图7所示，该装置700包括：音频信号获取模块701、语音段检测模块702、语音识别模块703和第一处理模块704。其中，
音频信号获取模块701，用于获取音频源中的音频信号；
语音段检测模块702，用于检测所述音频信号中的至少一个语音段；
语音识别模块703，用于对所述语音段进行语音识别；
第一处理模块704，用于响应于所述语音段被识别为语音，对所述语音段进行第一处理。
进一步的，所述语音段检测模块702，还包括：
音频帧划分模块，用于将所述音频信号分为多个音频帧；
特征参数提取模块，用于提取所述音频帧中的特征参数；
语音帧判断模块，用于根据所述特征参数判断所述音频帧是否为语音帧；
语音段合成模块，用于将连续的语音帧合成一个语音段。
进一步的，所述语音帧判断模块，还用于：
响应于所述特征参数大于第一阈值，判断所述音频帧为语音帧。
进一步的，所述语音段合成模块，还包括：
语音帧序列获取模块，用于获取至少一个连续的语音帧序列；
语音帧序列合成模块，用于响应于该语音帧序列的长度大于第二阈值，将所述语音帧序列合成一个语音段；
端点设置模块，用于将所述语音帧序列中的第一个语音帧作为所述语音段的起点，将所述语音帧序列中的最后一个语音帧作为所述语音段的终点。
进一步的，所述语音识别模块703，还包括：
语音特征提取模块，用于提取所述语音段中的语音特征；
语音特征比较模块，用于将所述语音特征与模板特征进行比较；
语音段确定模块，用于响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音。
进一步的，所述语音段确定模块，还包括：
文本确定模块，用于响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段所对应的文本，其中所述文本为所述模板特征所对应的文本；
语义分析模块，用于对所述文本进行语义分析得到所述语音段的语义；
语音确定模块，用于响应于所述语义正确，确定所述语音段为语音。
进一步的，所述语音识别模块703还包括：
拆分模块，用于将所述语音段根据第一规则进行拆分得到多个语音子段；
语音识别子模块，用于对每个语音子段进行语音识别。
进一步的，所述第一处理模块704，还用于：
响应于所述多个语音子段中的每一个均被识别为语音，对所述语音段进行第一处理。
图7所示装置可以执行图2-图6所示实施例的方法，本实施例未详细描述的部分，可参考对图2-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图2-图6所示实施例中的描述，在此不再赘述。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备800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8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8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置806加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置806；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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809从网络上被下载和安装，或者从存储装置806被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。
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：获取音频源中的音频信号；检测所述音频信号中的至少一个语音段；对所述语音段进行语音识别；响应于所述语音段被识别为语音，对所述语音段进行第一处理。
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。
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。
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。
Claims (14)
1.一种语音处理方法，包括：
获取音频源中的音频信号；
检测所述音频信号中的至少一个语音段；
对所述语音段进行语音识别；
响应于所述语音段被识别为语音，对所述语音段进行第一处理。
2.如权利要求1所述的语音处理方法，其特征在于，所述检测所述音频信号中的至少一个语音段，包括：
将所述音频信号分为多个音频帧；
提取所述音频帧中的特征参数；
根据所述特征参数判断所述音频帧是否为语音帧；
将连续的语音帧合成一个语音段。
3.如权利要求2所述的语音处理方法，其特征在于，所述根据所述特征参数判断所述音频帧是否为语音帧，包括：
响应于所述特征参数大于第一阈值，判断所述音频帧为语音帧。
4.如权利要求2所述的语音处理方法，其特征在于，所述将连续的语音帧合成一个语音段，包括：
获取至少一个连续的语音帧序列；
响应于该语音帧序列的长度大于第二阈值，将所述语音帧序列合成一个语音段；
将所述语音帧序列中的第一个语音帧作为所述语音段的起点，将所述语音帧序列中的最后一个语音帧作为所述语音段的终点。
5.如权利要求1所述的语音处理方法，其特征在于，所述对所述语音段进行语音识别，包括：
提取所述语音段中的语音特征；
将所述语音特征与模板特征进行比较；
响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音。
6.如权利要求5所述的语音处理方法，其特征在于，所述响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音，包括：
响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段所对应的文本，其中所述文本为所述模板特征所对应的文本；
对所述文本进行语义分析得到所述语音段的语义；
响应于所述语义正确，确定所述语音段为语音。
7.如权利要求1所述的语音处理方法，其特征在于，所述对所述语音段进行语音识别，包括：
将所述语音段根据第一规则进行拆分得到多个语音子段；
对每个语音子段进行语音识别。
8.如权利要求7所述的语音处理方法，其特征在于，所述响应于所述语音段被识别为语音，对所述语音段进行第一处理，包括：
响应于所述多个语音子段中的每一个均被识别为语音，对所述语音段进行第一处理。
9.一种语音处理装置，包括：
音频信号获取模块，用于获取音频源中的音频信号；
语音段检测模块，用于检测所述音频信号中的至少一个语音段；
语音识别模块，用于对所述语音段进行语音识别；
第一处理模块，用于响应于所述语音段被识别为语音，对所述语音段进行第一处理。
10.如权利要求9所述的语音处理装置，其特征在于，所述语音段检测模块还包括：
音频帧划分模块，用于将所述音频信号分为多个音频帧；
特征参数提取模块，用于提取所述音频帧中的特征参数；
语音帧判断模块，用于根据所述特征参数判断所述音频帧是否为语音帧；
语音段合成模块，用于将连续的语音帧合成一个语音段。
11.如权利要求9所述的音处理装置，其特征在于，所述语音识别模块还包括：
语音特征提取模块，用于提取所述语音段中的语音特征；
语音特征比较模块，用于将所述语音特征与模板特征进行比较；
语音段确定模块，用于响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段为语音。
12.如权利要求11所述的音处理装置，其特征在于，所述语音段确定模块还包括：
文本确定模块，用于响应于所述语音特征与所述模板特征的相似度大于第三阈值，确定所述语音段所对应的文本，其中所述文本为所述模板特征所对应的文本；
语义分析模块，用于对所述文本进行语义分析得到所述语音段的语义；
语音确定模块，用于响应于所述语义正确，确定所述语音段为语音。
13.一种电子设备，包括：
存储器，用于存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现根据权利要求1-8中任意一项所述的语音处理方法。
14.一种非暂态计算机可读存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-8中任意一项所述的语音处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901727.XA CN112542157B (zh) | 2019-09-23 | 语音处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901727.XA CN112542157B (zh) | 2019-09-23 | 语音处理方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112542157A true CN112542157A (zh) | 2021-03-23 |
| CN112542157B CN112542157B (zh) | 2024-10-22 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113225624A (zh) * | 2021-04-08 | 2021-08-06 | 腾讯科技（深圳）有限公司 | 一种语音识别耗时确定方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104658535A (zh) * | 2015-02-26 | 2015-05-27 | 深圳市中兴移动通信有限公司 | 语音控制方法及装置 |
| CN107756390A (zh) * | 2016-08-16 | 2018-03-06 | 深圳光启合众科技有限公司 | 机器人及其控制方法和装置 |
| US20180232563A1 (en) * | 2017-02-14 | 2018-08-16 | Microsoft Technology Licensing, Llc | Intelligent assistant |
| CN108429999A (zh) * | 2018-04-06 | 2018-08-21 | 东莞市华睿电子科技有限公司 | 智能音箱的待机控制方法 |
| CN108538306A (zh) * | 2017-12-29 | 2018-09-14 | 北京声智科技有限公司 | 提高语音设备doa估计的方法及装置 |
| CN108917283A (zh) * | 2018-07-12 | 2018-11-30 | 四川虹美智能科技有限公司 | 一种智能冰箱控制方法、系统、智能冰箱和云端服务器 |
| CN108986822A (zh) * | 2018-08-31 | 2018-12-11 | 出门问问信息科技有限公司 | 语音识别方法、装置、电子设备及非暂态计算机存储介质 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104658535A (zh) * | 2015-02-26 | 2015-05-27 | 深圳市中兴移动通信有限公司 | 语音控制方法及装置 |
| CN107756390A (zh) * | 2016-08-16 | 2018-03-06 | 深圳光启合众科技有限公司 | 机器人及其控制方法和装置 |
| US20180232563A1 (en) * | 2017-02-14 | 2018-08-16 | Microsoft Technology Licensing, Llc | Intelligent assistant |
| CN108538306A (zh) * | 2017-12-29 | 2018-09-14 | 北京声智科技有限公司 | 提高语音设备doa估计的方法及装置 |
| CN108429999A (zh) * | 2018-04-06 | 2018-08-21 | 东莞市华睿电子科技有限公司 | 智能音箱的待机控制方法 |
| CN108917283A (zh) * | 2018-07-12 | 2018-11-30 | 四川虹美智能科技有限公司 | 一种智能冰箱控制方法、系统、智能冰箱和云端服务器 |
| CN108986822A (zh) * | 2018-08-31 | 2018-12-11 | 出门问问信息科技有限公司 | 语音识别方法、装置、电子设备及非暂态计算机存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 颜永红;: "音频信息识别与检索技术", 现代物理知识, no. 03, 18 June 2009 (2009-06-18) * |
| 黎育红;张熹;袁荃;: "基于语音识别技术的门禁系统的研究", 电子技术应用, no. 12, 30 December 2006 (2006-12-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113225624A (zh) * | 2021-04-08 | 2021-08-06 | 腾讯科技（深圳）有限公司 | 一种语音识别耗时确定方法和装置 |
| CN113225624B (zh) * | 2021-04-08 | 2024-08-23 | 腾讯科技（深圳）有限公司 | 一种语音识别耗时确定方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115706B (zh) | 文本处理方法、装置、电子设备及介质 | |
| US20240021202A1 (en) | Method and apparatus for recognizing voice, electronic device and medium | |
| CN110047481B (zh) | 用于语音识别的方法和装置 | |
| CN113362828B (zh) | 用于识别语音的方法和装置 | |
| CN111916061B (zh) | 语音端点检测方法、装置、可读存储介质及电子设备 | |
| CN109473104B (zh) | 语音识别网络延时优化方法及装置 | |
| WO2023083142A1 (zh) | 分句方法、装置、存储介质及电子设备 | |
| CN108039181B (zh) | 一种声音信号的情感信息分析方法和装置 | |
| CN111883107B (zh) | 语音合成、特征提取模型训练方法、装置、介质及设备 | |
| CN110136715B (zh) | 语音识别方法和装置 | |
| CN103514882A (zh) | 一种语音识别方法及系统 | |
| CN115967833A (zh) | 视频生成方法、装置、设备计存储介质 | |
| CN112242143B (zh) | 一种语音交互方法、装置、终端设备及存储介质 | |
| CN113299285A (zh) | 设备控制方法、装置、电子设备及计算机可读存储介质 | |
| CN111312223A (zh) | 语音分割模型的训练方法、装置和电子设备 | |
| CN112382266B (zh) | 一种语音合成方法、装置、电子设备及存储介质 | |
| CN111128131B (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
| CN112837672B (zh) | 对话归属的确定方法、装置、电子设备及存储介质 | |
| CN116884402A (zh) | 语音转文本的方法、装置、电子设备及存储介质 | |
| US20240096347A1 (en) | Method and apparatus for determining speech similarity, and program product | |
| CN112542157B (zh) | 语音处理方法、装置、电子设备及计算机可读存储介质 | |
| CN112542157A (zh) | 语音处理方法、装置、电子设备及计算机可读存储介质 | |
| CN114743571A (zh) | 一种音频处理方法、装置、存储介质及电子设备 | |
| CN111582708A (zh) | 医疗信息的检测方法、系统、电子设备及计算机可读存储介质 | |
| CN112926623A (zh) | 识别合成视频的方法、装置、介质及电子设备 |
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 |