CN113448533B - 提醒音频的生成方法、装置、电子设备和存储介质 - Google Patents

提醒音频的生成方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113448533B
CN113448533B CN202110653252.4A CN202110653252A CN113448533B CN 113448533 B CN113448533 B CN 113448533B CN 202110653252 A CN202110653252 A CN 202110653252A CN 113448533 B CN113448533 B CN 113448533B
Authority
CN
China
Prior art keywords
audio
audio data
data
reminding
voice
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
Application number
CN202110653252.4A
Other languages
English (en)
Other versions
CN113448533A (zh
Inventor
刘晶
刘建立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apollo Intelligent Connectivity Beijing Technology Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority to CN202110653252.4A priority Critical patent/CN113448533B/zh
Publication of CN113448533A publication Critical patent/CN113448533A/zh
Priority to KR1020220027329A priority patent/KR20220035886A/ko
Priority to JP2022059557A priority patent/JP7371159B2/ja
Priority to EP22177994.5A priority patent/EP4080382A3/en
Priority to US17/836,669 priority patent/US20220301583A1/en
Application granted granted Critical
Publication of CN113448533B publication Critical patent/CN113448533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/61—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • 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
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • 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
    • G10L25/93—Discriminating between voiced and unvoiced parts of speech 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
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开提供了提醒音频的生成方法、装置、电子设备和存储介质，涉及人工智能技术领域，具体为深度学习、云平台技术领域。具体实现方案为：获取音频数据，检测到音频数据为语音数据，则缓存音频数据，以及检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。通过对音频数据的检测，获取其中为语音数据的音频数据，并缓存，并在已缓存的音频数据为包含提醒内容的音频数据时，将其确定为提醒音频，存储至磁盘，从而将获取的音频数据中的非语音数据和语音数据中的非提醒音频去除，实现提醒音频的准确录制。

Description

提醒音频的生成方法、装置、电子设备和存储介质
技术领域
本公开涉及人工智能技术领域，具体为深度学习、云平台技术领域，尤其涉及一种提醒音频的生成方法、装置、电子设备和存储介质。
背景技术
目前，为了增强车载终端的用户体验，针对智能车辆的研究越来越多，语音创建提醒功能已经成为车载终端应用最广泛的技术之一。
但是，如何准确的录制提醒音频成为业界急需解决的问题。
发明内容
提供了一种提醒音频的生成方法、装置、电子设备和存储介质。
根据第一方面，提供了一种提醒音频的生成方法，包括：获取音频数据；检测到所述音频数据为语音数据，则缓存所述音频数据；以及检测到所述音频数据为非语音数据，则停止缓存所述音频数据，并在已缓存的所述音频数据的内容为提醒内容时，将已缓存的所述音频数据确定为提醒音频，并将所述提醒音频存储至磁盘中。
根据第二方面，提供了一种提醒音频的生成装置，包括：获取模块，用于获取音频数据；第一检测模块，用于检测到所述音频数据为语音数据，则缓存所述音频数据；以及第二检测模块，用于检测到所述音频数据为非语音数据，则停止缓存所述音频数据，并在已缓存的所述音频数据的内容为提醒内容时，将已缓存的所述音频数据确定为提醒音频，并将所述提醒音频存储至磁盘中。
根据第三方面，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本公开第一方面所述的提醒音频的生成方法。
根据第四方面，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，其中，所述计算机指令用于使所述计算机执行根据本公开第一方面所述的提醒音频的生成方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本公开第一方面所述提醒音频的生成方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的提醒音频的生成方法的流程示意图；
图2是根据本公开第二实施例的提醒音频的生成方法的流程示意图；
图3是根据本公开第三实施例的提醒音频的生成方法的流程示意图；
图4是根据本公开第四实施例的提醒音频的生成方法的流程示意图；
图5为本公开实施例的提醒音频的生成方法场景示意图；
图6为本公开实施例的提醒音频的生成方法的具体实施方式示意图；
图7是根据本公开第一实施例的提醒音频的生成装置的框图；
图8是根据本公开第二实施例的提醒音频的生成装置的框图；
图9是用来实现本公开实施例的提醒音频的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
人工智能(Artificial Intelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
云平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云平台可以划分为3类：以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。
下面结合附图描述本公开实施例的提醒音频的生成方法、装置、电子设备和存储介质。
图1是根据本公开第一实施例的提醒音频的生成方法的流程示意图。
如图1所示，本公开实施例的提醒音频的生成方法具体可包括以下步骤：
S101，获取音频数据。
具体的，本公开实施例的提醒音频的生成方法的执行主体可为本公开实施例提供的提醒音频的生成装置，该提醒音频的生成装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
在本公开实施例中，音频数据可以为麦克风或其他录音设备实时采集的音频数据，例如用户在车载终端通过语音指示设置日常提醒时，麦克风录制到的包含上述语音指示的提醒内容的音频数据。不难理解的，上述音频数据中可能包括有效人声和噪声，其中，有效人声即用户的语音数据，噪声即非语音数据。
S102，检测到音频数据为语音数据，则缓存音频数据。
具体的，对步骤S101获取的音频数据进行检测，若检测到音频数据为语音数据，则将上述音频数据进行缓存。需要说明的是，本公开实施例中对音频数据的检测和缓存可异步进行，在麦克风录制到用户的语音数据时，实现边检测边缓存。
S103，检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。
具体的，对步骤S101获取的音频数据进行检测，若检测到音频数据为非语音数据，则停止缓存上述音频数据，从而实现音频数据中语音数据的提取。通过语义解析检测已缓存的音频数据的内容，在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中，从而实现提醒音频的准确录制，使得终端能够在用户设定的时间播放完整、准确的提醒音频，实现语音提醒业务。其中，磁盘可以为车载终端或其他客户端中的存储装置，本公开不做限定。在已缓存的音频数据的内容不为提醒内容时，将已缓存的音频数据丢弃。
综上，本公开实施例的提醒音频的生成方法，获取音频数据，检测到音频数据为语音数据，则缓存音频数据，以及检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。通过对音频数据的检测，获取其中为语音数据的音频数据，并缓存，并在已缓存的音频数据为包含提醒内容的音频数据时，将其确定为提醒音频，存储至磁盘，从而将获取的音频数据中的非语音数据和语音数据中的非提醒音频去除，实现提醒音频的准确录制。
图2是根据本公开第二实施例的提醒音频的生成方法的流程示意图。
如图2所示，在图1所示实施例的基础上，本公开实施例的提醒音频的生成方法具体可包括以下步骤：
S201，获取音频数据。
具体的，本实施例中的步骤S201与上述实施例中的步骤S101相同，此处不再赘述。
S202，采用语音端点检测算法检测音频数据是否为语音数据。
具体的，语音端点检测(Voice Activity Detection，简称VAD)一般用于鉴别音频信号当中的语音出现(speech presence)和语音消失(speech absence)即从一段给定的音频信号中找出语音的起始点和结束点。在语音识别系统中，正确、有效的进行端点检测不仅可以减少计算量和缩短处理时间，而且能排除无声段的噪声干扰、提高语音识别的正确率。
采用语音端点检测算法检测步骤S201获取的音频数据是否为语音数据。本公开实施例中采用源自网页即时通信语音端点检测算法(Web Real-Time Communication VoiceActivity Detection，简称Web RTC VAD)作为检测音频数据的端点检测算法。该算法基于高斯模型以及人声的固定频率带特征，通过概率计算对人声及噪声进行有效区分，即对音频数据中的语音数据和非语音数据进行有效区分。
S203，检测到音频数据为语音数据，则缓存音频数据。
S204，检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。
具体的，本实施例中的步骤S203-S204与上述实施例中的步骤S102-S103相同，此处不再赘述。
进一步的，如图3所示，在图2所示实施例的基础上，上述步骤S203中“缓存音频数据”具体可包括以下步骤：
S301，将音频数据写入公共数据队列。
具体的，将步骤S203中检测到的为语音数据的音频数据写入公共数据队列。
S302，读取公共数据队列中的音频数据。
具体的，读取已经经过步骤S301写入公共数据队列中的音频数据。
S303，缓存读取出的音频数据。
具体的，将步骤S302读取出的音频数据进行缓存。
进一步的，如图4所示，在图2所示实施例的基础上，本公开实施例的提醒音频的生成方法，还可包括以下步骤：
S401，将已缓存的音频数据发送至云端。
具体的，在停止缓存音频数据时，将已缓存的音频数据发送至云端。
S402，接收云端发送的保存音频指令，其中，保存音频指令为云端通过语义解析检测到音频数据的内容为提醒内容时生成的。
具体的，云端接收音频数据，并对接收的音频数据进行语义解析，当检测到音频数据的内容为提醒内容时，生成保存音频指令，并发送至提醒音频的生成装置。提醒音频的生成装置接收云端发送的保存音频指令。其中，语义解析可以通过自动语音识别(AutomatedSpeech Recognition,简称ASR)技术、自然语言理解(Natural Language Understanding，简称NLU)技术实现。
S403，根据保存音频指令将已缓存的音频数据确定为提醒音频。
具体的，提醒音频的生成装置根据接收到的保存音频指令将已缓存的音频数据确定为提醒音频，并保存至磁盘中。从而生成包含提醒内容的、准确的提醒音频，在提醒时间对用户播放提醒音频，实现语音提醒业务。
综上，本公开实施例的提醒音频的生成方法，获取音频数据，检测到音频数据为语音数据，则缓存音频数据，以及检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。通过对音频数据的检测，获取其中为语音数据的音频数据，并缓存，在通过语义解析检测到已缓存的音频数据为包含提醒内容的音频数据时，将其确定为提醒音频，存储至磁盘，从而将获取的音频数据中的非语音数据和语音数据中的非提醒音频去除，实现提醒音频的准确录制。
为清楚地说明本公开实施例的提醒音频的生成方法，下面结合图5-图6进行详细描述。
图5为本公开实施例的提醒音频的生成方法的场景示意图。如图5所示，麦克风获取音频数据，通过VAD检测模块检测出音频数据中的语音数据，将为语音数据的音频数据写入公共数据队列后进行缓存，直至VAD检测模块检测到非语音数据时停止缓存，将已缓存的音频数据发送至云端进行语义解析，当检测到音频数据的内容为提醒内容时云端生成保存音频指令并发送至车载终端，车载终端接收保存音频指令，将已缓存的音频数据确定为提醒音频，并保存至磁盘中。此处需要说明的是，图5所示的示意图展示了用户发起一段语音指示时，车载终端对提醒音频的生成过程，当用户继续下一段语音指示时，可通过重复上述过程，生成包含完整指示内容的提醒音频。
图6为本公开实施例的提醒音频的生成方法的具体实施方式示意图。如图6所示，本公开实施例的提醒音频的生成方法具体包括以下步骤：
S601，获取音频数据。
S602，采用语音端点检测算法检测音频数据是否为语音数据。
若是，则执行步骤S603。若否，则执行步骤S605。
S603，将音频数据写入公共数据队列。
S604，读取公共数据队列中的音频数据并缓存。
S605，停止将音频数据写入公共数据队列。
S606，将已缓存的音频数据发送至云端。
S607，云端对音频数据进行语义解析，当检测到音频数据内容为提醒内容时生成保存音频指令，并发送至车载终端。
S608，接收保存音频指令，将对应的音频数据确定为提醒音频并保存至磁盘中。
图7是根据本公开第一实施例的提醒音频的生成装置的框图。
如图7所示，本公开实施例的提醒音频的生成装置700，包括：获取模块701、缓存模块702和存储模块703。
获取模块701，用于获取音频数据。
缓存模块702，用于检测到音频数据为语音数据，则缓存音频数据。
存储模块703，用于检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。
需要说明的是，上述对提醒音频的生成方法实施例的解释说明，也适用于本公开实施例的提醒音频的生成装置，具体过程此处不再赘述。
综上，本公开实施例的提醒音频的生成装置，获取音频数据，检测到音频数据为语音数据，则缓存音频数据，以及检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。通过对音频数据的检测，获取其中为语音数据的音频数据，并缓存，并在已缓存的音频数据为包含提醒内容的音频数据时，将其确定为提醒音频，存储至磁盘，从而将获取的音频数据中的非语音数据和语音数据中的非提醒音频去除，实现提醒音频的准确录制。
图8是根据本公开第二实施例的提醒音频的生成装置的框图。
如图8所示，本公开实施例的提醒音频的生成装置800，包括：获取模块801、缓存模块802和存储模块803。
其中，获取模块801与上一实施例中的获取模块701具有相同的结构和功能，缓存模块802与上一实施例中的缓存模块702具有相同的结构和功能，存储模块803与上一实施例中的存储模块703具有相同的结构和功能。
进一步的，本公开实施例的提醒音频的生成装置800，还可包括：检测模块804，用于采用语音端点检测算法检测音频数据是否为语音数据。
进一步的，语音端点检测算法为源自网页即时通信语音端点检测算法。
进一步的，缓存模块802具体可包括：写入单元，用于将音频数据写入公共数据队列；读取单元，用于读取公共数据队列中的音频数据；以及缓存单元，用于缓存读取出的音频数据。
进一步的，本公开实施例的提醒音频的生成装置800，还可包括：发送模块，用于将已缓存的音频数据发送至云端；接收模块，用于接收云端发送的保存音频指令，其中，保存音频指令为云端通过语义解析检测到音频数据的内容为提醒内容时生成的；以及确定模块，用于根据保存音频指令将已缓存的音频数据确定为提醒音频。
综上，本公开实施例的提醒音频的生成装置，获取音频数据，检测到音频数据为语音数据，则缓存音频数据，以及检测到音频数据为非语音数据，则停止缓存音频数据，并在已缓存的音频数据的内容为提醒内容时，将已缓存的音频数据确定为提醒音频，并将提醒音频存储至磁盘中。通过对音频数据的检测，获取其中为语音数据的音频数据，并缓存，在通过语义解析检测到已缓存的音频数据为包含提醒内容的音频数据时，将其确定为提醒音频，存储至磁盘，从而将获取的音频数据中的非语音数据和语音数据中的非提醒音频去除，实现提醒音频的准确录制。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如图1至图6所示的提醒音频的生成方法。例如，在一些实施例中，提醒音频的生成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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的提醒音频的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行提醒音频的生成方法。
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)、互联网以及区块链网络。
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。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现本公开上述实施例所示提醒音频的生成方法的步骤。
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，本公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种提醒音频的生成方法，包括：
获取音频数据，所述音频数据包括有效人声和噪声，其中，所述有效人声为用户的语音数据，所述噪声为非语音数据；
检测到所述音频数据为语音数据，则缓存所述音频数据；以及
检测到所述音频数据为非语音数据，则停止缓存所述音频数据，并在已缓存的所述音频数据的内容为提醒内容时，将已缓存的所述音频数据确定为提醒音频，并将所述提醒音频存储至磁盘中；
其中，所述将已缓存的所述音频数据确定为提醒音频，包括：
将已缓存的所述音频数据发送至云端；
接收所述云端发送的保存音频指令，其中，所述保存音频指令为所述云端通过语义解析检测到所述音频数据的内容为提醒内容时生成的；以及
根据所述保存音频指令将已缓存的所述音频数据确定为所述提醒音频。
2.根据权利要求1所述的生成方法，还包括：
采用语音端点检测算法检测所述音频数据是否为语音数据。
3.根据权利要求2所述的生成方法，其中，所述语音端点检测算法为源自网页即时通信语音端点检测算法。
4.根据权利要求1所述的生成方法，其中，所述缓存所述音频数据，包括：
将所述音频数据写入公共数据队列；
读取所述公共数据队列中的所述音频数据；以及
缓存读取出的所述音频数据。
5.一种提醒音频的生成装置，包括：
获取模块，用于获取音频数据，所述音频数据包括有效人声和噪声，其中，所述有效人声为用户的语音数据，所述噪声为非语音数据；
缓存模块，用于检测到所述音频数据为语音数据，则缓存所述音频数据；以及
存储模块，用于检测到所述音频数据为非语音数据，则停止缓存所述音频数据，并在已缓存的所述音频数据的内容为提醒内容时，将已缓存的所述音频数据确定为提醒音频，并将所述提醒音频存储至磁盘中；
其中，所述将已缓存的所述音频数据确定为提醒音频，包括：
将已缓存的所述音频数据发送至云端；
接收所述云端发送的保存音频指令，其中，所述保存音频指令为所述云端通过语义解析检测到所述音频数据的内容为提醒内容时生成的；以及
根据所述保存音频指令将已缓存的所述音频数据确定为所述提醒音频。
6.根据权利要求5所述的生成装置，还包括：
检测模块，用于采用语音端点检测算法检测所述音频数据是否为语音数据。
7.根据权利要求6所述的生成装置，其中，所述语音端点检测算法为源自网页即时通信语音端点检测算法。
8.根据权利要求5所述的生成装置，其中，所述缓存模块包括：
写入单元，用于将所述音频数据写入公共数据队列；
读取单元，用于读取所述公共数据队列中的所述音频数据；以及
缓存单元，用于缓存读取出的所述音频数据。
9. 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1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
CN202110653252.4A 2021-06-11 2021-06-11 提醒音频的生成方法、装置、电子设备和存储介质 Active CN113448533B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110653252.4A CN113448533B (zh) 2021-06-11 2021-06-11 提醒音频的生成方法、装置、电子设备和存储介质
KR1020220027329A KR20220035886A (ko) 2021-06-11 2022-03-03 리마인드 오디오의 생성방법, 장치, 전자기기 및 저장매체
JP2022059557A JP7371159B2 (ja) 2021-06-11 2022-03-31 リマインドオーディオの生成方法、装置、電子機器及び記憶媒体
EP22177994.5A EP4080382A3 (en) 2021-06-11 2022-06-09 Method and apparatus for generating reminder audio, electronic device and storage medium
US17/836,669 US20220301583A1 (en) 2021-06-11 2022-06-09 Method for generating reminder audio, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110653252.4A CN113448533B (zh) 2021-06-11 2021-06-11 提醒音频的生成方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113448533A CN113448533A (zh) 2021-09-28
CN113448533B true CN113448533B (zh) 2023-10-31

Family

ID=77811389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110653252.4A Active CN113448533B (zh) 2021-06-11 2021-06-11 提醒音频的生成方法、装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US20220301583A1 (zh)
EP (1) EP4080382A3 (zh)
JP (1) JP7371159B2 (zh)
KR (1) KR20220035886A (zh)
CN (1) CN113448533B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060685A (zh) * 2019-04-15 2019-07-26 百度在线网络技术（北京）有限公司 语音唤醒方法和装置
CN110970054A (zh) * 2019-11-06 2020-04-07 广州视源电子科技股份有限公司 语音采集自动停止的方法、装置、终端设备和存储介质
CN111028834A (zh) * 2019-10-30 2020-04-17 支付宝(杭州)信息技术有限公司 语音信息提醒方法、装置、服务器和语音信息提醒设备
CN111739521A (zh) * 2020-06-19 2020-10-02 腾讯科技（深圳）有限公司 电子设备唤醒方法、装置、电子设备及存储介质

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03244000A (ja) * 1990-02-22 1991-10-30 Sanyo Electric Co Ltd 音声記録再生装置
AU2868092A (en) * 1991-09-30 1993-05-03 Riverrun Technology Method and apparatus for managing information
KR100739180B1 (ko) * 2005-10-20 2007-07-13 엘지전자 주식회사 이동 통신 단말기의 멀티미디어 데이터를 송수신하는 장치및 그 방법
EP2060116A2 (en) * 2006-08-30 2009-05-20 Broadcom Corporation Framebuffer sharing for video processing
US8166194B2 (en) * 2006-12-13 2012-04-24 Microsoft Corporation Lock-free shared audio buffer
GB2459107B (en) * 2008-04-09 2012-11-14 Ubiquisys Ltd Access point
US11397462B2 (en) * 2012-09-28 2022-07-26 Sri International Real-time human-machine collaboration using big data driven augmented reality technologies
JP5974903B2 (ja) * 2013-01-08 2016-08-23 株式会社ナカヨ 予定に係る音声メモ蓄積方法
US9286892B2 (en) * 2014-04-01 2016-03-15 Google Inc. Language modeling in speech recognition
WO2017196422A1 (en) * 2016-05-12 2017-11-16 Nuance Communications, Inc. Voice activity detection feature based on modulation-phase differences
US10027796B1 (en) * 2017-03-24 2018-07-17 Microsoft Technology Licensing, Llc Smart reminder generation from input
US10805370B2 (en) * 2017-06-02 2020-10-13 Apple Inc. Alarms for a system of smart media playback devices
US10333710B2 (en) * 2017-09-12 2019-06-25 Qed-It Systems Ltd. Method and system for determining desired size of private randomness using Tsallis entropy
CN108001344A (zh) * 2017-12-07 2018-05-08 北海市天硌打印耗材有限公司 一种汽车提醒装置及汽车提醒机
US20190244613A1 (en) * 2018-02-07 2019-08-08 Net2Phone, Inc. VoIP Cloud-Based Virtual Digital Assistant Using Voice Commands
US20200273263A1 (en) * 2018-12-27 2020-08-27 Southern Taiwan University Of Science And Technology Smart driving management system and method
US11551670B1 (en) * 2019-09-26 2023-01-10 Sonos, Inc. Systems and methods for generating labeled data to facilitate configuration of network microphone devices
CN110838296B (zh) * 2019-11-18 2022-04-29 锐迪科微电子科技（上海）有限公司 录音过程的控制方法、系统、电子设备和存储介质
US11055649B1 (en) * 2019-12-30 2021-07-06 Genesys Telecommunications Laboratories, Inc. Systems and methods relating to customer experience automation
US20210407510A1 (en) * 2020-06-24 2021-12-30 Netflix, Inc. Systems and methods for correlating speech and lip movement
US11551700B2 (en) * 2021-01-25 2023-01-10 Sonos, Inc. Systems and methods for power-efficient keyword detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060685A (zh) * 2019-04-15 2019-07-26 百度在线网络技术（北京）有限公司 语音唤醒方法和装置
CN111028834A (zh) * 2019-10-30 2020-04-17 支付宝(杭州)信息技术有限公司 语音信息提醒方法、装置、服务器和语音信息提醒设备
CN110970054A (zh) * 2019-11-06 2020-04-07 广州视源电子科技股份有限公司 语音采集自动停止的方法、装置、终端设备和存储介质
CN111739521A (zh) * 2020-06-19 2020-10-02 腾讯科技（深圳）有限公司 电子设备唤醒方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
JP2022088601A (ja) 2022-06-14
KR20220035886A (ko) 2022-03-22
US20220301583A1 (en) 2022-09-22
JP7371159B2 (ja) 2023-10-30
CN113448533A (zh) 2021-09-28
EP4080382A2 (en) 2022-10-26
EP4080382A3 (en) 2022-11-30

Similar Documents

Publication Publication Date Title
CN112507706B (zh) 知识预训练模型的训练方法、装置和电子设备
KR20210091076A (ko) 비디오를 처리하기 위한 방법, 장치, 전자기기, 매체 및 컴퓨터 프로그램
US20220358955A1 (en) Method for detecting voice, method for training, and electronic devices
US20230058437A1 (en) Method for human-computer interaction, apparatus for human-computer interaction, device, and storage medium
CN112989970A (zh) 文档版面分析方法、装置、电子设备及可读存储介质
CN115099239B (zh) 一种资源识别方法、装置、设备以及存储介质
CN114548110A (zh) 语义理解方法、装置、电子设备及存储介质
CN112910761B (zh) 即时通讯方法、装置、设备、存储介质以及程序产品
US11366973B2 (en) Method and apparatus for determining a topic
CN113448533B (zh) 提醒音频的生成方法、装置、电子设备和存储介质
CN114758649B (zh) 一种语音识别方法、装置、设备和介质
CN114399992B (zh) 语音指令响应方法、装置及存储介质
CN113254578B (zh) 用于数据聚类的方法、装置、设备、介质和产品
CN113763968B (zh) 用于识别语音的方法、装置、设备、介质和产品
CN115312042A (zh) 用于处理音频的方法、装置、设备以及存储介质
CN115292467A (zh) 信息处理与模型训练方法、装置、设备、介质及程序产品
CN114969195A (zh) 对话内容挖掘方法和对话内容评估模型的生成方法
CN113553413A (zh) 对话状态的生成方法、装置、电子设备和存储介质
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN114049875A (zh) 一种tts播报方法、装置、设备以及存储介质
CN112509567A (zh) 语音数据处理的方法、装置、设备、存储介质及程序产品
CN114360535B (zh) 语音对话的生成方法、装置、电子设备及存储介质
CN114512136B (zh) 模型训练、音频处理方法、装置、设备、存储介质及程序
CN115910042B (zh) 识别格式化音频文件的信息种类的方法和装置
CN113742517B (zh) 语音包的生成方法、装置、电子设备和存储介质

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