CN113539271A - 语音识别方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种语音识别方法、装置、设备及计算机可读存储介质，属于计算机技术领域，该方法包括：获取语音数据；识别语音数据对应的第一文本数据；响应于第一文本数据包括第一场景标识，基于第一场景标识对应的第一场景字典，获取语音数据对应的第二文本数据；基于第二文本数据进行输入。该方法使得识别得到的输入文本数据更符合应用场景，提高了语音识别的准确率。

Description

语音识别方法、装置、设备及计算机可读存储介质

技术领域

本申请涉及计算机技术领域，特别涉及一种语音识别方法、装置、设备及计算机可读存储介质。

背景技术

随着计算机技术的发展，语音识别技术在社交应用、智能客服或语音助手等领域越来越普遍。在语音识别的语音输入场景中，需要将语音数据转化为文本数据，以将文本数据作为相应输入文本实现语音输入。

相关技术中，使用传统语音识别方法对语音数据进行识别，传统语音识别方法通常由声学模型、发音词典以及语言模型等多个模块组合而成，通过语音特征、音素、词语、词串之间的依次映射关系来将语音数据转化为文本数据，然后将传统语音识别方法识别的文本数据直接作为输入文本实现语音输入。

但是，由于传统语音识别方法可能导致识别的文本数据与语音数据指示的输入文本不相符，例如，当用户想要输入“@”时，由传统语音识别系统识别的输入文本为“at”，导致语音识别的准确率较低。

发明内容

本申请提供了一种语音识别方法、装置、设备及计算机可读存储介质，能够解决相关技术中的问题。

第一方面，提供一种语音识别方法，所述方法包括：获取语音数据；识别所述语音数据对应的第一文本数据；响应于所述第一文本数据包括第一场景标识，基于所述第一场景标识对应的第一场景字典，获取所述语音数据对应的第二文本数据，所述第一场景标识用于指示所述语音数据对应的应用场景，所述第一场景字典用于指示所述应用场景对应的文本字典；基于所述第二文本数据进行输入。

在一种可能的实施方式中，所述识别所述语音数据对应的第一文本数据之后，还包括：基于场景标识与场景字典的对应关系，查找所述第一文本数据包括的第一场景标识，所述第一场景标识为所述场景标识与场景字典的对应关系中包括的场景标识；基于所述第一场景标识，获取所述第一场景标识对应的第一场景字典。

在一种可能的实施方式中，所述基于场景标识与场景字典的对应关系，查找所述第一文本数据包括的第一场景标识之前，还包括：建立场景标识和与所述场景标识分别对应的场景字典；基于所述场景标识和与所述场景标识对应的场景字典，得到场景标识与场景字典的对应关系。

在一种可能的实施方式中，所述第一场景字典包括至少一个识别文本与至少一个场景文本的映射关系；所述基于所述第一场景标识对应的第一场景字典，获取所述语音数据对应的第二文本数据，包括：基于所述至少一个识别文本与至少一个场景文本的映射关系，查找所述第一文本数据中包括的第一识别文本，所述第一识别文本为所述至少一个识别文本与至少一个场景文本的映射关系中包括的识别文本；基于所述第一识别文本，获取所述第一识别文本对应的第一场景文本；基于所述第一场景文本获取所述语音数据对应的第二文本数据。

在一种可能的实施方式中，所述基于所述第一场景文本获取所述语音数据对应的第二文本数据，包括：将所述第一文本数据中的所述第一识别文本替换为对应的所述第一场景文本，得到所述语音数据对应的第二文本数据。

第二方面，提供了一种语音识别装置，所述装置包括：

第一获取模块，用于获取语音数据；

识别模块，用于识别所述语音数据对应的第一文本数据；

第二获取模块，用于响应于所述第一文本数据包括第一场景标识，基于所述第一场景标识对应的第一场景字典，获取所述语音数据对应的第二文本数据，所述第一场景标识用于指示所述语音数据对应的应用场景，所述第一场景字典用于指示所述应用场景对应的文本字典；

输入模块，用于基于所述第二文本数据进行输入。

在一种可能的实施方式中，所述识别模块，还用于基于场景标识与场景字典的对应关系，查找所述第一文本数据包括的第一场景标识，所述第一场景标识为所述场景标识与场景字典的对应关系中包括的场景标识；基于所述第一场景标识，获取所述第一场景标识对应的第一场景字典。

在一种可能的实施方式中，所述识别模块，还用于建立场景标识和与所述场景标识对应的场景字典；基于所述场景标识和与所述场景标识对应的场景字典，得到场景标识与场景字典的对应关系。

在一种可能的实施方式中，所述第一场景字典包括至少一个识别文本与至少一个场景文本的映射关系；

所述第二获取模块，用于基于所述至少一个识别文本与至少一个场景文本的映射关系，查找所述第一文本数据中包括的第一识别文本，所述第一识别文本为所述至少一个识别文本与至少一个场景文本的映射关系中包括的识别文本；基于所述第一识别文本，获取所述第一识别文本对应的第一场景文本；基于所述第一场景文本获取所述语音数据对应的第二文本数据。

在一种可能的实施方式中，所述第二获取模块，用于将所述第一文本数据中的所述第一识别文本替换为对应的所述第一场景文本，得到所述语音数据对应的第二文本数据。

第三方面，还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以使计算机设备实现上述任一项所述的语音识别方法。

第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以使计算机实现上述任一项所述的语音识别方法。

第五方面，还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机设备执行上述任一所述的语音识别方法。

本申请提供的技术方案至少可以带来如下有益效果：

本申请提供的技术方案通过场景标识与场景字典的应用，将基于语音数据识别得到的第一文本数据转换为第二文本数据，使得第二文本数据更符合语音数据对应的应用场景，提高了根据语音数据获取对应的文本数据的准确率，进而提高了语音识别的准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种语音识别方法的实施环境的示意图；

图2是本申请实施例提供的一种语音识别方法的流程图；

图3是本申请实施例提供的一种语音识别方法的交互示意图；

图4是本申请实施例提供的一种语音识别装置的示意图；

图5是本申请实施例提供的一种计算机设备的结构示意图；

图6是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

图1是本申请实施例提供的一种语音识别方法的实施环境的示意图。如图1所示，该实施环境包括至少一个终端101和服务器102，至少一个终端101和服务器102通过网络连接，该网络可以是无线网络，也可以是有线网络。

其中，至少一个终端101可以为便携式、袖珍式、手持式等多种类型的终端，如智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。

在一种可能的实施方式中，至少一个终端101中安装有用于语音识别应用程序，用户可通过该应用程序将用户的语音数据转换为文本数据进行输入，并将输入的文本显示在该应用程序的页面上。该语音识别应用程序可以是传统应用软件，可以是云应用软件，可以实现为宿主应用程序中的小程序或应用模块，也可以是某个网页平台，在此不进行限定。

服务器102用于向终端101提供语音识别服务。用户通过至少一个终端101中的应用程序上传待识别的用户的语音数据，终端101将用户的语音数据通过网络传输至服务器102，服务器102对用户的语音数据进行识别，转换成对应的第一文本数据；响应于第一文本数据包括第一场景标识，基于第一场景标识对应的第一场景字典，获取用户的语音数据对应的第二文本数据，并将该第二文本数据通过网络返回至终端101，以使终端101将该第二文本数据作为输入文本显示在应用程序的页面中。

本申请实施例提供的方法可以应用于多种场景下。

例如，应用于社交软件的场景下。

对社交软件中接收到的语音数据进行文本转换，例如，用户在社交软件中接收到一条语音信息，例如，聊天过程中接收到对方发送的语音条、在动态界面中刷到好友发布的一条语音动态等。用户可触发语音识别指令，从而采用本申请实施例提供的语音识别方法对语音数据进行识别，将语音数据转换为文本数据进行显示，保证了用户在不方便收听语音时，也能及时获取消息相关内容。

又例如，应用于输入法软件的场景下。

对于输入法软件中提供的语音输入功能，用户通过输入法软件中的预设控件进行语音识别，终端将采集到的语音数据发送至服务器，服务器对该语音数据进行处理，得到对应的文本数据，将该文本数据返回至终端，终端将该文本数据作为用户语音识别的内容进行显示。示例性地，服务器可以返回一条文本数据，也可以返回由该语音数据确定的多条相似的文本数据提供给用户选择。

示例性地，本申请实施例提供的语音识别方法也可以应用于其他应用场景，在此仅进行举例说明，并不对具体应用场景进行限定。

请参考图2，其示出了本申请实施例提供的一种语音识别方法的流程图，在本申请实施例中，以该方法由上述实施环境中的服务器执行为例进行说明，该方法包括如下步骤201-204。

步骤201，获取语音数据。

在本申请实施例中，终端中可以运行有语音识别应用程序，并且可以通过终端的麦克风等收音部件实时获取用户的语音音频。在一种可能的实施方式中，终端将录制得到的语音音频进行压缩处理，将压缩音频和语音转文本请求利用网络协议打包，通过通信网络送往服务器。服务器在接收终端发送的语音转文本请求后，将该语音转文本请求对应的压缩音频进行解压，得到上述待识别的语音数据。可选地，服务器也可以从数据库中获取语音数据，在此不进行限定。

其中，语音数据可以为任意内容，例如，语音数据可以为一个词语、一句话等；该语音数据也可以为任意语种，例如，可以为汉语、英语等。

步骤202，识别语音数据对应的第一文本数据。

本申请实施例不对识别语音数据对应的第一文本数据的方法进行限定，只要是能够将语音数据直译转化为对应的文本数据即可。可选地，语音识别方法可以为模板匹配法、统计建模法、人工神经网络模型或基于矢量量化和隐马尔可夫模型相结合的方法等。

在本申请实施例中，采用语音识别方法能够识别出语音数据对应的第一文本数据，该第一文本数据往往为语音数据对应的直译文本。例如，若语音数据为“123456.com”，能够识别出的第一文本数据为“123456点com”。由于没有考虑该语音数据的应用场景为邮箱输入，导致识别出的文本与语音数据指示的文本不相符。

步骤203，响应于第一文本数据包括第一场景标识，基于第一场景标识对应的第一场景字典，获取语音数据对应的第二文本数据。

在本申请实施例中，识别语音数据对应的第一文本数据后，进一步查找第一文本数据中是否包括场景标识。若第一文本数据中包括场景标识，可基于包括的场景标识对应的场景字典更改第一文本数据，以获取语音数据对应的第二文本数据。其中，第一场景标识用于指示语音数据对应的应用场景，第一场景字典用于指示应用场景对应的文本字典。

在一种可能的实施方式中，识别语音数据对应的第一文本数据之后，还包括：基于场景标识与场景字典的对应关系，查找第一文本数据包括的第一场景标识；基于第一场景标识，获取第一场景标识对应的第一场景字典。其中，第一场景标识为场景标识与场景字典的对应关系中包括的场景标识，不对第一场景标识包括的场景标识的数量进行限定，第一场景标识包括至少一个场景标识与场景字典的对应关系中包括的场景标识。

示例性地，识别语音数据对应的第一文本数据为“邮箱123456点com”，其中“邮箱”为场景标识与场景字典的对应关系中包括的一个场景标识，由此，确定第一文本数据包括的第一场景标识为“邮箱”。根据“邮箱”这个场景标识，由场景标识与场景字典的对应关系获取对应的第一场景字典，可选地，第一场景字典为邮箱字典。

在一种可能的实施方式中，基于场景标识与场景字典的对应关系，查找第一文本数据包括的第一场景标识之前，还包括：获取场景标识和与该场景标识对应的场景字典；基于场景标识和与场景标识对应的场景字典，获取场景标识与场景字典的对应关系。

在一种可能的实施方式中，为了使得语音识别的结果能够考虑到应用场景的特殊性，可以基于应用场景的需要，建立至少一个场景标识和与至少一个场景标识分别对应的至少一个场景字典之间的对应关系。其中，每个场景字典中包括多个识别文本与多个场景文本的映射关系，以实现将根据传统语音识别方法直译得到的文本数据修改为适用于特殊应用场景下的文本数据，提高语音识别的准确率。

在本申请实施例中，不对建立场景标识的方式进行限定，只要建立的场景标识能够指示相应的应用场景，且能够与场景字典相对应即可。例如，场景标识可以为“密码”、“邮箱”、“数字”和“符号”等，分别对应输入密码的应用场景、输入邮箱的应用场景和输入数字的应用场景。可选地，也可设置输入密码场景的场景标识为“芝麻”，或设置输入数字场景的场景标识为“阿拉伯”。

在一种可能的实施方式中，场景标识“密码”对应场景字典为“密码字典”，场景标识“邮箱”对应场景字典为“邮箱字典”，场景标识“数字”对应场景字典为“数字字典”，场景标识“符号”对应场景字典为“符号字典”。每个场景标识对应一个场景字典，由此可以获取场景标识与场景字典的对应关系。

在本申请实施例中，每个场景字典中包括至少一个识别文本与至少一个场景文本的映射关系，该至少一个识别文本与至少一个场景文本的映射关系即为不考虑场景下的识别文本与考虑场景下的识别文本的映射关系，该映射关系可以为一对一的映射关系，也可以为多对一的映射关系，本申请实施例不对映射关系的类型进行限定。

例如，场景字典“密码字典”中包括至少一个识别文本与至少一个场景文本的映射关系，该至少一个识别文本与至少一个场景文本的映射关系包括但不限于：“大写F”映射为“F”、“小写A”映射为“a”和“一”映射为“1”等等。

又例如，场景字典“符号字典”中包括至少一个识别文本与至少一个场景文本的映射关系，该至少一个识别文本与至少一个场景文本的映射关系包括但不限于：“省略号”映射为“…”、“分号”映射为“；”和“问号”映射为“？”等等。

在一种可能的实施方式中，基于第一场景标识对应的第一场景字典，获取语音数据对应的第二文本数据，包括：基于至少一个识别文本与至少一个场景文本的映射关系，查找第一文本数据中包括的第一识别文本；基于第一识别文本，获取第一识别文本对应的第一场景文本；基于第一场景文本获取语音数据对应的第二文本数据。其中，第一识别文本为至少一个个识别文本与至少一个个场景文本的映射关系中包括的识别文本。

在一种可能的实施方式中，基于第一场景文本获取语音数据对应的第二文本数据，包括：将第一文本数据中的第一识别文本替换为对应的第一场景文本，得到语音数据对应的第二文本数据。

示例性地，识别得到的第一文本数据为“密码一二三大写F”，第一文本数据“密码一二三大写F”包括的第一场景标识为“密码”，由此，得到第一场景字典为“密码字典”，“密码字典”包括但不限于“大写F”映射为“F”、“小写A”映射为“a”、“一”映射为“1”、“二”映射为“2”和“三”映射为“3”等映射关系。由此，可确定第一文本数据“密码一二三大写F”中包括的第一识别文本为“一”、“二”、“三”和“大写F”，根据“密码字典”获取第一识别文本对应的第一场景文本为“1”、“2”、“3”和“F”，将第一文本数据中的第一识别文本替换为对应的至第一场景文本即可获取语音数据对应的第二文本数据为“密码123F”。

可选地，基于第一场景文本获取语音数据对应的第二文本数据，还可以包括：将第一文本数据中的场景标识删除，将第一文本数据中的第一识别文本替换为对应的第一场景文本，得到语音数据对应的第二文本数据。示例性地，若第一文本数据为“密码一二三大写F”，删除“密码”，将“一”、“二”、“三”和“大写F”替换为“1”、“2”、“3”和“F”，得到第二文本数据为“123F”。

步骤204，基于第二文本数据进行输入。

在一种可能的实施方式中，基于第二文本数据进行输入，包括：服务器将得到的第二文本数据作为语音数据对应的文本数据返回至终端，终端将该第二文本数据作为输入文本输入终端的显示页面中，可选地，终端将该第二文本数据作为输入文本显示在终端中的应用程序的页面中。

在一种可能的实施方式中，服务器还可以将得到的第一文本数据和第二文本数据均返回给终端，由终端选择将哪个文本数据作为输入文本显示在应用程序的页面中。

本申请实施例提供了一种语音识别方法，如图3所示，该方法包括如下步骤301-304。

步骤301，终端将获取的语音数据发送至服务器。

在一种可能的实施方式中，终端中安装有语音识别应用程序性，并且可以通过终端的麦克风等收音部件实时获取用户的语音音频。在一种可能的实施方式中，终端将录制得到的语音音频进行压缩处理，将压缩音频和语音转文本请求利用网络协议打包，通过通信网络发送至服务器。

步骤302，服务器基于接收到的语音数据，识别语音数据对应的第一文本数据。

在一种可能的实施方式中，服务器在接收终端发送的语音转文本请求后，将该语音转文本请求对应的压缩音频进行解压，得到上述待识别的语音数据。

本申请实施例不对识别语音数据对应的第一文本数据的方法进行限定，只要是能够将语音数据直译转化为对应的文本数据即可。可选地，语音识别方法可以为模板匹配法、统计建模法、人工神经网络模型或基于矢量量化和隐马尔可夫模型相结合的方法等。

步骤303，服务器响应于第一文本数据包括第一场景标识，基于第一场景标识对应的第一场景字典，获取语音数据对应的第二文本数据。

该步骤303的实施方式可参见上述步骤203的相关描述，此处不再赘述。

步骤303，服务器将获取的语音数据对应的第二文本数据返回至终端。

在一种可能的实施方式中，服务器可将获取的语音数据对应的第一文本数据和第二文本数据均返回至终端。

步骤304，终端输入第二文本数据，将第二文本数据显示在终端的页面中。

该步骤304的实施方式可参见上述步骤204的相关描述，此处不再赘述。

本申请实施例提供的语音识别方法，通过场景标识与场景字典的应用，将基于语音数据识别得到的第一文本数据转换为第二文本数据，使得第二文本数据更符合语音数据对应的应用场景，提高了根据语音数据获取对应的文本数据的准确率，进而提高了语音识别的准确率。

参见图4，本申请实施例提供了一种语音识别装置，该装置包括：

第一获取模块401，用于获取语音数据；

识别模块402，用于识别语音数据对应的第一文本数据；

第二获取模块403，用于响应于第一文本数据包括第一场景标识，基于第一场景标识对应的第一场景字典，获取语音数据对应的第二文本数据，第一场景标识用于指示语音数据对应的应用场景，第一场景字典用于指示应用场景对应的文本字典；

输入模块404，用于基于第二文本数据进行输入。

在一种可能的实施方式中，识别模块402，还用于基于场景标识与场景字典的对应关系，查找第一文本数据包括的第一场景标识，第一场景标识为场景标识与场景字典的对应关系中包括的场景标识；基于第一场景标识，获取第一场景标识对应的第一场景字典。

在一种可能的实施方式中，识别模块402，还用于建立场景标识和与场景标识对应的场景字典；基于场景标识和与场景标识对应的场景字典，得到场景标识与场景字典的对应关系。

在一种可能的实施方式中，第一场景字典包括至少一个识别文本与至少一个场景文本的映射关系；第二获取模块403，用于基于至少一个识别文本与至少一个场景文本的映射关系，查找第一文本数据中包括的第一识别文本，第一识别文本为至少一个识别文本与至少一个场景文本的映射关系中包括的识别文本；基于第一识别文本，获取第一识别文本对应的第一场景文本；基于第一场景文本获取语音数据对应的第二文本数据。

在一种可能的实施方式中，第二获取模块403，用于将第一文本数据中的第一识别文本替换为对应的第一场景文本，得到语音数据对应的第二文本数据。

本申请实施例提供的语音识别装置，在识别得到语音数据对应的第一文本数据之后，确定第一文本数据包括的第一场景标识，基于第一场景标识对应的第一场景字典，获取语音数据对应的第二文本数据作为语音数据对应的文本数据。该装置通过场景标识与场景字典的应用，使得识别得到的输入文本数据更符合应用场景，提高了语音识别的准确率。

应理解的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参考图5，其示出了本申请一个实施例提供的计算机设备的结构示意图。该计算机设备可以为终端，例如可以是：智能手机、平板电脑、车载终端、笔记本电脑或台式电脑。终端还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端包括有：处理器701和存储器702。

处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的语音识别方法。

在一些实施例中，终端还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备包括：射频电路704、显示屏705、摄像头组件706、音频电路707、定位组件708和电源709中的至少一种。

外围设备接口703可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中，处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上；在一些其他实施例中，处理器701、存储器702和外围设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路704用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路704包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或无线保真(Wireless Fidelity，WiFi)网络。在一些实施例中，射频电路704还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏705用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时，显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时，显示屏705还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏705可以为一个，设置在终端的前面板；在另一些实施例中，显示屏705可以为至少两个，分别设置在终端的不同表面或呈折叠设计；在再一些实施例中，显示屏705可以是柔性显示屏，设置在终端的弯曲表面上或折叠面上。甚至，显示屏705还可以设置成非矩形的不规则图形，也即异形屏。显示屏705可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。

摄像头组件706用于采集图像或视频。可选地，摄像头组件706包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器701进行处理，或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路707还可以包括耳机插孔。

定位组件708用于定位终端的当前地理位置，以实现导航或LBS(Location BasedService，基于位置的服务)。定位组件708可以是基于美国的GPS(Global PositioningSystem，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源709用于为终端中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。

加速度传感器711可以检测以终端建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号，控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器712可以检测终端的机体方向及转动角度，陀螺仪传感器712可以与加速度传感器711协同采集用户对终端的3D动作。处理器701根据陀螺仪传感器712采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器713可以设置在终端的侧边框和/或显示屏705的下层。当压力传感器713设置在终端的侧边框时，可以检测用户对终端的握持信号，由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时，由处理器701根据用户对显示屏705的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器714用于采集用户的指纹，由处理器701根据指纹传感器714采集到的指纹识别用户的身份，或者，由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器701授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置在终端的正面、背面或侧面。当终端上设置有物理按键或厂商Logo时，指纹传感器714可以与物理按键或厂商Logo集成在一起。

光学传感器715用于采集环境光强度。在一个实施例中，处理器701可以根据光学传感器715采集的环境光强度，控制显示屏705的显示亮度。具体地，当环境光强度较高时，调高显示屏705的显示亮度；当环境光强度较低时，调低显示屏705的显示亮度。在另一个实施例中，处理器701还可以根据光学传感器715采集的环境光强度，动态调整摄像头组件706的拍摄参数。

接近传感器716，也称距离传感器，通常设置在终端的前面板。接近传感器716用于采集用户与终端的正面之间的距离。在一个实施例中，当接近传感器716检测到用户与终端的正面之间的距离逐渐变小时，由处理器701控制显示屏705从亮屏状态切换为息屏状态；当接近传感器716检测到用户与终端的正面之间的距离逐渐变大时，由处理器701控制显示屏705从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图5中示出的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图6是本申请实施例提供的一种服务器的结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)1401和一个或一个以上的存储器1402，其中，存储器1402中存储有至少一条指令，该至少一条指令由处理器1401加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

服务器1400可以用于执行上述语音识别方法中服务器所执行的步骤。

在示例性实施例中，还提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条程序代码。该至少一条程序代码由一个或者一个以上处理器加载并执行，以使计算机设备实现上述任一种语音识别方法。

在示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条程序代码，该至少一条程序代码由计算机设备的处理器加载并执行，以使计算机实现上述任一种语音识别方法。

可选地，上述计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-OnlyMemory，CD-ROM)、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一种语音识别方法。

以上仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种语音识别方法，其特征在于，所述方法包括：

获取语音数据；

识别所述语音数据对应的第一文本数据；

响应于所述第一文本数据包括第一场景标识，基于所述第一场景标识对应的第一场景字典，获取所述语音数据对应的第二文本数据，所述第一场景标识用于指示所述语音数据对应的应用场景，所述第一场景字典用于指示所述应用场景对应的文本字典；

基于所述第二文本数据进行输入。

2.根据权利要求1所述的方法，其特征在于，所述识别所述语音数据对应的第一文本数据之后，还包括：

基于场景标识与场景字典的对应关系，查找所述第一文本数据包括的第一场景标识，所述第一场景标识为所述场景标识与场景字典的对应关系中包括的场景标识；

基于所述第一场景标识，获取所述第一场景标识对应的第一场景字典。

3.根据权利要求2所述的方法，其特征在于，所述基于场景标识与场景字典的对应关系，查找所述第一文本数据包括的第一场景标识之前，还包括：

获取场景标识和与所述场景标识对应的场景字典；

基于所述场景标识和与所述场景标识对应的场景字典，得到场景标识与场景字典的对应关系。

4.根据权利要求1-3任一所述的方法，其特征在于，所述第一场景字典包括至少一个识别文本与至少一个场景文本的映射关系；

所述基于所述第一场景标识对应的第一场景字典，获取所述语音数据对应的第二文本数据，包括：

基于所述至少一个识别文本与至少一个场景文本的映射关系，查找所述第一文本数据中包括的第一识别文本，所述第一识别文本为所述至少一个识别文本与至少一个场景文本的映射关系中包括的识别文本；

基于所述第一识别文本，获取所述第一识别文本对应的第一场景文本；

基于所述第一场景文本获取所述语音数据对应的第二文本数据。

5.根据权利要求4所述的方法，其特征在于，所述基于所述第一场景文本获取所述语音数据对应的第二文本数据，包括：

将所述第一文本数据中的所述第一识别文本替换为对应的所述第一场景文本，得到所述语音数据对应的第二文本数据。

6.一种语音识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取语音数据；

识别模块，用于识别所述语音数据对应的第一文本数据；

第二获取模块，用于响应于所述第一文本数据包括第一场景标识，基于所述第一场景标识对应的第一场景字典，获取所述语音数据对应的第二文本数据，所述第一场景标识用于指示所述语音数据对应的应用场景，所述第一场景字典用于指示所述应用场景对应的文本字典；

输入模块，用于基于所述第二文本数据进行输入。

7.根据权利要求6所述的装置，其特征在于，所述识别模块，还用于基于场景标识与场景字典的对应关系，查找所述第一文本数据包括的第一场景标识，所述第一场景标识为所述场景标识与场景字典的对应关系中包括的场景标识；基于所述第一场景标识，获取所述第一场景标识对应的第一场景字典。

8.根据权利要求6或7所述的装置，其特征在于，所述第一场景字典包括至少一个识别文本与至少一个场景文本的映射关系；

所述第二获取模块，用于基于所述至少一个识别文本与至少一个场景文本的映射关系，查找所述第一文本数据中包括的第一识别文本，所述第一识别文本为所述至少一个识别文本与至少一个场景文本的映射关系中包括的识别文本；基于所述第一识别文本，获取所述第一识别文本对应的第一场景文本；基于所述第一场景文本获取所述语音数据对应的第二文本数据。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以使所述计算机设备实现如权利要求1至5任一所述的语音识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以使计算机实现如权利要求1至5任一所述的语音识别方法。

Images