CN113744726A - 语音识别方法、装置、电子设备和存储介质 - Google Patents
语音识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113744726A CN113744726A CN202110970317.8A CN202110970317A CN113744726A CN 113744726 A CN113744726 A CN 113744726A CN 202110970317 A CN202110970317 A CN 202110970317A CN 113744726 A CN113744726 A CN 113744726A
- Authority
- CN
- China
- Prior art keywords
- tail point
- point detection
- voice information
- voice
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 160
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 16
- 230000002035 prolonged effect Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G10L15/08—Speech classification or search
-
- 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
- G10L15/05—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
- G10L15/26—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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
-
- 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
- G10L25/87—Detection of discrete points within a voice signal
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)
- Telephonic Communication Services (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种语音识别方法、装置、电子设备和存储介质,涉及人工智能技术领域,尤其涉及语音识别、尾点检测、自然语言处理技术领域。具体实现方案为:对语音信息进行语音识别;响应于从所述语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,所述第一预设时长小于所述第二预设时长。由此,可在语音信息中识别到预设关键词时,延长尾点检测的等待时长,从而可避免用户说出预设关键词之后的停顿导致识别出尾点的问题,还可避免语音识别过程由于识别出尾点而中断的问题,有助于延长语音识别时间,改善用户使用体验。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种语音识别方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
目前,随着人工智能、自然语言处理等技术的发展,语音识别技术在智能家电、机器人语音交互、车载语音等领域得到了广泛应用。比如,车载语音场景下,车载语音助手可对车上人员的说话内容进行语音识别,并根据语音识别内容获取用户意图并自动执行相应指令,不需要用户手动操作,响应速度快且有利于行车安全。然而,相关技术中的语音识别过程容易被尾点检测技术中断,得到的语音识别结果不完整,影响了用户使用体验。
发明内容
本公开提供了一种语音识别方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面,提供了一种语音识别方法,包括:对语音信息进行语音识别;响应于从所述语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,所述第一预设时长小于所述第二预设时长。
根据本公开的另一方面,提供了一种语音识别装置,包括:识别模块,用于对语音信息进行语音识别;更新模块,用于响应于从所述语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,所述第一预设时长小于所述第二预设时长。
根据本公开的另一方面,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语音识别方法。
根据本公开的另一方面,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,其中,所述计算机指令用于使所述计算机执行语音识别方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现语音识别方法的步骤。
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语音识别方法的流程示意图;
图2是根据本公开第二实施例的语音识别方法的流程示意图;
图3是根据本公开第三实施例的语音识别方法的流程示意图;
图4是根据本公开第一实施例的语音识别装置的框图;
图5是用来实现本公开实施例的语音识别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。
AI(Artificial Intelligence,人工智能)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。
语音识别(Voice Recognition)是一种让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术,主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。
NLU(Natural Language Processing,自然语言处理)是研究能有效地实现自然语言通信的计算机系统,特别是其中的软件系统的一门科学,是计算机科学领域与人工智能领域中的一个重要方向。
尾点检测是一种识别语音尾点的技术,即可识别用户是否已经说完话了,是VAD(Voice Activity Detection,语音端点检测)技术的一个重要方向,主要包括音频分帧、特征提取、分类识别技术三个方面。
图1是根据本公开第一实施例的语音识别方法的流程示意图。
如图1所示,本公开第一实施例的语音识别方法,包括:
S101,对语音信息进行语音识别。
需要说明的是,本公开实施例的语音识别方法的执行主体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。可选地,执行主体可包括工作站、服务器,计算机、用户终端及其他智能设备。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。
本公开的实施例中,可通过离线和/或在线的方式对语音信息进行语音识别,这里不做过多限定。
在一种实施方式中,可预先在智能设备上设置语音识别装置,通过语音识别装置对语音信息进行语音识别,即可实现离线语音识别。其中,语音识别装置可包括语音识别模型。
在一种实施方式中,智能设备可与服务器建立网络连接,智能设备可将语音信息发送至服务器,通过服务器中的语音识别装置对语音信息进行语音识别,服务器可将语音识别结果发送至智能设备,即可实现在线语音识别。其中,服务器可包括云端服务器。
需要说明的是,本公开的实施例中,对语音信息的获取方式不做过多限定。例如,可在智能设备上或者智能设备的周围区域安装语音采集装置,通过语音采集装置采集语音信息。其中,语音采集装置可包括麦克风。
S102,响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,第一预设时长小于第二预设时长。
本公开的实施例中,在对语音信息进行语音识别的过程中,还可对语音信息进行尾点检测。尾点检测结果可用于控制是否继续对语音信息进行语音识别。例如,若尾点检测结果为未识别到尾点,表明用户说话过程未结束,则控制继续对语音信息进行语音识别。若尾点检测结果为识别到尾点,表明用户说话过程已经结束,则控制停止对语音信息进行语音识别。
需要说明的是,本公开的实施例中,尾点检测的等待时长指的是尾点检测中判断当前是否识别到尾点的临界值。例如,若语音信息中的静音持续时长小于尾点检测的等待时长,此时静音持续时长较短,用户说话过程未结束,尾点检测结果为未识别到尾点。反之,若语音信息中的静音持续时长达到尾点检测的等待时长,此时静音持续时长过长,用户说话过程已经结束,尾点检测结果为识别到尾点。
本公开的实施例中,可响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,且第一预设时长小于第二预设时长,即从语音信息中识别到预设关键词时,可延长尾点检测的等待时长。
其中,预设关键词可根据实际情况进行设置,这里不做过多限定。例如,预设关键词包括但不限于“导航到”、“打电话给”、“调高温度至”等。
其中,第一预设时长、第二预设时长均可根据实际情况进行设置,这里不做过多限定。例如,第一预设时长、第二预设时长分别设置为200毫秒、5秒。
例如,若语音信息的语音识别结果为“导航到”,则可响应于从语音信息中识别到预设关键词,将尾点检测时长由200毫秒更新为5秒。
综上,根据本公开实施例的语音识别方法,可响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,第一预设时长小于第二预设时长。由此,可在语音信息中识别到预设关键词时,延长尾点检测的等待时长,从而可避免用户说出预设关键词之后的停顿导致识别出尾点的问题,还可避免语音识别过程由于识别出尾点而中断的问题,有助于延长语音识别时间,改善用户使用体验。
图2是根据本公开第二实施例的语音识别方法的流程示意图。
如图2所示,本公开第二实施例的语音识别方法,包括:
S201,对语音信息进行语音识别。
S202,响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,第一预设时长小于第二预设时长。
步骤S201-S202的相关内容可参见上述实施例,这里不再赘述。
S203,按照尾点检测的等待时长继续对语音信息进行尾点检测,生成尾点检测结果。
本公开的实施例中,将尾点检测的等待时长由第一预设时长更新为第二预设时长之后,此时的尾点检测的等待时长为第二预设时长,并按照尾点检测的等待时长继续对语音信息进行尾点检测,生成尾点检测结果。
在一种实施方式中,对语音信息进行语音识别的过程中,可按照预设的尾点检测策略对语音信息进行尾点检测。其中,尾点检测策略可包括尾点检测的等待时长的取值设置。进一步地,按照尾点检测的等待时长继续对语音信息进行尾点检测,可包括基于尾点检测的等待时长更新预设的尾点检测策略,按照更新的尾点检测策略继续对语音信息进行尾点检测。
在一种实施方式中,按照尾点检测的等待时长继续对语音信息进行尾点检测,生成尾点检测结果,可包括从尾点检测的初始时刻开始计时,获取语音信息中的静音持续时长,识别静音持续时长小于尾点检测的等待时长,且语音信息中包含人声,表明静音持续时长较短,且语音信息中包含人声,用户说话过程未结束,生成的尾点检测结果为未识别到尾点。或者,识别静音持续时长达到尾点检测的等待时长,表明静音持续时长过长,用户说话过程已经结束,生成的尾点检测结果为识别到尾点。由此,该方法可综合考虑静音持续时长和尾点检测的等待时长之间的大小关系,以及语音信息中是否包含人声,生成尾点检测结果。
可以理解的是,尾点检测的初始时刻指的是对语音信息进行尾点检测的开始时刻。可从尾点检测的初始时刻开始计时,获取语音信息中的静音持续时长。尾点检测的初始时刻可根据实际情况进行设置,这里不做过多限定。例如,可将语音识别的初始时刻作为尾点检测的初始时刻,比如,语音识别的初始时刻为10点10分10秒,可将尾点检测的初始时刻设置为10点10分10秒。
在一种实施方式中,可基于从语音信息中识别到预设关键词的时刻,更新尾点检测的初始时刻,从而可基于从语音信息中识别到预设关键词的时刻,对尾点检测的初始时刻实时更新,使得尾点检测的初始时刻更加灵活。
可选的,可将从语音信息中识别到预设关键词的最后一个识别单元的时刻,作为尾点检测的初始时刻。其中,识别单元可根据实际情况进行设置,这里不做过多限定,例如,识别单元包括但不限于词语、字等。
例如,若语音信息的语音识别结果为“导航到”,识别单元为字,可将“到”的识别时刻作为尾点检测的初始时刻。例如,原先的尾点检测的初始时刻为10点10分10秒,“到”的识别时刻为10点10分20秒,则可将尾点检测的初始时刻从10点10分10秒更新为10点10分20秒。
进一步地,可从尾点检测的初始时刻10点10分20秒开始计时,获取语音信息中的静音持续时长。可以理解的是,用户在说出“导航到”之后,可能会由于思考、环境干扰等因素而停顿,则语音信息中会出现静音部分,静音持续时长指的是静音部分的持续时长。比如用户想要说出“导航到酒店”,可能会在“到”和“酒”之间停顿2秒,“到”的识别时刻(即尾点检测的初始时刻)为10点10分20秒,“酒”的识别时刻为10点10分22秒,则可从尾点检测的初始时刻10点10分20秒开始计时,从识别到人声的时刻10点10分22秒(即“酒”的识别时刻)结束计时,获取语音信息中的静音持续时长为2秒。相关技术中,尾点检测的等待时长较短,一般为200毫秒,则此时在静音持续时长达到200毫秒时,会生成尾点检测结果,且尾点检测结果为识别到尾点。
本公开的实施例中,可延长尾点检测的等待时长,比如尾点检测的等待时长由200毫秒延长至5秒,可识别静音持续时长小于尾点检测的等待时长,且语音信息中包含人声,生成的尾点检测结果为未识别到尾点,从而可避免用户说出预设关键词之后的停顿导致识别出尾点的问题。
综上,根据本公开实施例的语音识别方法,将尾点检测的等待时长由第一预设时长更新为第二预设时长之后,可按照尾点检测的等待时长继续对语音信息进行尾点检测,生成尾点检测结果。由此,可在语音信息中识别到预设关键词时,延长尾点检测的等待时长,并按照延长后的尾点检测的等待时长继续对语音信息进行尾点检测,生成的尾点检测结果更加人性化,从而可避免用户说出预设关键词之后的停顿导致识别出尾点的问题。
图3是根据本公开第三实施例的语音识别方法的流程示意图。
如图3所示,本公开第三实施例的语音识别方法,包括:
S301,对语音信息进行语音识别。
S302,响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,第一预设时长小于第二预设时长。
S303,按照尾点检测的等待时长继续对语音信息进行尾点检测,生成尾点检测结果。
步骤S301-S303的相关内容可参见上述实施例,这里不再赘述。
S304,响应于尾点检测结果为未识别到尾点,控制继续对语音信息进行语音识别。
S305,响应于尾点检测结果为识别到尾点,控制停止对语音信息进行语音识别。
本公开的实施例中,生成尾点检测结果之后,可根据尾点检测结果控制是否继续对语音信息进行语音识别。
在一种实施方式中,可响应于尾点检测结果为未识别到尾点,表明用户说话过程未结束,则控制继续对语音信息进行语音识别。若尾点检测结果为识别到尾点,表明用户说话过程已经结束,则控制停止对语音信息进行语音识别。
在一种实施方式中,控制继续对语音信息进行语音识别,可包括控制继续将语音采集装置采集的语音信息发送至语音识别装置,并控制语音识别装置继续对语音信息进行语音识别。
在一种实施方式中,控制停止对语音信息进行语音识别,可包括控制停止将语音采集装置采集的语音信息发送至语音识别装置,并控制语音识别装置停止对语音信息进行语音识别。由此,可在识别到尾点时停止将采集的语音信息发送至语音识别装置,可节省传输带宽。
在一种实施方式中,生成尾点检测结果之后,还可响应于尾点检测结果为未识别到尾点,将尾点检测的等待时长由第二预设时长更新为第一预设时长,即可在尾点检测结果为未识别到尾点时,缩短尾点检测的等待时长,有助于提高尾点检测的灵敏度,并可按照缩短后的尾点检测的等待时长继续对语音信息进行尾点检测,生成尾点检测结果。
例如,用户想要说出“导航到酒店”,语音信息的语音识别结果为“导航到”,则可响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由200毫秒更新为5秒,若按照尾点检测的等待时长5秒继续对语音信息进行尾点检测,生成的尾点检测结果为未识别到尾点,表明语音信息的静音持续时长小于5秒,且语音信息中包含人声,则可将尾点检测的等待时长由5秒更新为200毫秒,并继续按照尾点检测的等待时长200毫秒继续对语音信息进行尾点检测。
综上,根据本公开实施例的语音识别方法,生成尾点检测结果之后,可响应于尾点检测结果为未识别到尾点,控制继续对语音信息进行语音识别。或者,响应于尾点检测结果为识别到尾点,控制停止对语音信息进行语音识别,有助于节省计算资源。
图4为根据本公开第一实施例的语音识别装置的框图。
如图4所示,本公开实施例的语音识别装置400,包括:识别模块401和更新模块402。
识别模块401,用于对语音信息进行语音识别;
更新模块402,用于响应于从所述语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,所述第一预设时长小于所述第二预设时长。
在本公开的一个实施例中,所述语音识别装置400还包括:检测模块,所述检测模块,用于:按照所述尾点检测的等待时长继续对所述语音信息进行尾点检测,生成尾点检测结果。
在本公开的一个实施例中,所述检测模块,还用于:从尾点检测的初始时刻开始计时,获取所述语音信息中的静音持续时长;识别所述静音持续时长小于所述尾点检测的等待时长,且所述语音信息中包含人声,生成的所述尾点检测结果为未识别到尾点;或者,识别所述静音持续时长达到所述尾点检测的等待时长,生成的所述尾点检测结果为识别到尾点。
在本公开的一个实施例中,所述更新模块402,还用于:基于从所述语音信息中识别到预设关键词的时刻,更新所述尾点检测的初始时刻。
在本公开的一个实施例中,所述更新模块402,还用于:将从所述语音信息中识别到预设关键词的最后一个识别单元的时刻,作为所述尾点检测的初始时刻。
在本公开的一个实施例中,所述语音识别装置400还包括:控制模块,所述控制模块,用于:响应于所述尾点检测结果为未识别到尾点,控制继续对所述语音信息进行语音识别;或者,响应于所述尾点检测结果为识别到尾点,控制停止对所述语音信息进行语音识别。
在本公开的一个实施例中,所述更新模块402,还用于:响应于所述尾点检测结果为未识别到尾点,将所述尾点检测的等待时长由所述第二预设时长更新为所述第一预设时长。
综上,本公开实施例的语音识别装置,可响应于从语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,第一预设时长小于第二预设时长。由此,可在语音信息中识别到预设关键词时,延长尾点检测的等待时长,从而可避免用户说出预设关键词之后的停顿导致识别出尾点的问题,还可避免语音识别过程由于识别出尾点而中断的问题,有助于延长语音识别时间,改善用户使用体验。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如语音识别方法。例如,在一些实施例中,语音识别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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的语音识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元501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识别方法。
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,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,所述计算机程序被处理器执行时实现本公开上述实施例所述的语音识别方法的步骤。
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,本发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 (17)
1.一种语音识别方法,包括:
对语音信息进行语音识别;
响应于从所述语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,所述第一预设时长小于所述第二预设时长。
2.根据权利要求1所述的方法,其中,所述将尾点检测的等待时长由第一预设时长更新为第二预设时长之后,包括:
按照所述尾点检测的等待时长继续对所述语音信息进行尾点检测,生成尾点检测结果。
3.根据权利要求2所述的方法,其中,所述按照所述尾点检测的等待时长继续对所述语音信息进行尾点检测,生成尾点检测结果,包括:
从尾点检测的初始时刻开始计时,获取所述语音信息中的静音持续时长;
识别所述静音持续时长小于所述尾点检测的等待时长,且所述语音信息中包含人声,生成的所述尾点检测结果为未识别到尾点;或者,
识别所述静音持续时长达到所述尾点检测的等待时长,生成的所述尾点检测结果为识别到尾点。
4.根据权利要求3所述的方法,其中,所述方法还包括:
基于从所述语音信息中识别到预设关键词的时刻,更新所述尾点检测的初始时刻。
5.根据权利要求4所述的方法,其中,所述基于从所述语音信息中识别到预设关键词的时刻,更新所述尾点检测的初始时刻,包括:
将从所述语音信息中识别到预设关键词的最后一个识别单元的时刻,作为所述尾点检测的初始时刻。
6.根据权利要求2-5任一项所述的方法,其中,所述方法还包括:
响应于所述尾点检测结果为未识别到尾点,控制继续对所述语音信息进行语音识别;或者,
响应于所述尾点检测结果为识别到尾点,控制停止对所述语音信息进行语音识别。
7.根据权利要求2-5任一项所述的方法,其中,所述方法还包括:
响应于所述尾点检测结果为未识别到尾点,将所述尾点检测的等待时长由所述第二预设时长更新为所述第一预设时长。
8.一种语音识别装置,包括:
识别模块,用于对语音信息进行语音识别;
更新模块,用于响应于从所述语音信息中识别到预设关键词,将尾点检测的等待时长由第一预设时长更新为第二预设时长,其中,所述第一预设时长小于所述第二预设时长。
9.根据权利要求8所述的装置,其中,所述装置还包括:检测模块,所述检测模块,用于:
按照所述尾点检测的等待时长继续对所述语音信息进行尾点检测,生成尾点检测结果。
10.根据权利要求9所述的装置,其中,所述检测模块,还用于:
从尾点检测的初始时刻开始计时,获取所述语音信息中的静音持续时长;
识别所述静音持续时长小于所述尾点检测的等待时长,且所述语音信息中包含人声,生成的所述尾点检测结果为未识别到尾点;或者,
识别所述静音持续时长达到所述尾点检测的等待时长,生成的所述尾点检测结果为识别到尾点。
11.根据权利要求10所述的装置,其中,所述更新模块,还用于:
基于从所述语音信息中识别到预设关键词的时刻,更新所述尾点检测的初始时刻。
12.根据权利要求11所述的装置,其中,所述更新模块,还用于:
将从所述语音信息中识别到预设关键词的最后一个识别单元的时刻,作为所述尾点检测的初始时刻。
13.根据权利要求9-12任一项所述的装置,其中,所述装置还包括:控制模块,所述控制模块,用于:
响应于所述尾点检测结果为未识别到尾点,控制继续对所述语音信息进行语音识别;或者,
响应于所述尾点检测结果为识别到尾点,控制停止对所述语音信息进行语音识别。
14.根据权利要求9-12任一项所述的装置,其中,所述更新模块,还用于:
响应于所述尾点检测结果为未识别到尾点,将所述尾点检测的等待时长由所述第二预设时长更新为所述第一预设时长。
15.一种电子设备,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1-7中任一项所述的语音识别方法。
16.一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1-7中任一项所述的语音识别方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的语音识别方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970317.8A CN113744726A (zh) | 2021-08-23 | 2021-08-23 | 语音识别方法、装置、电子设备和存储介质 |
US17/820,964 US20220392436A1 (en) | 2021-08-23 | 2022-08-19 | Method for voice recognition, electronic device and storage medium |
EP22191233.0A EP4068278A3 (en) | 2021-08-23 | 2022-08-19 | Method and apparatus for voice recognition, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970317.8A CN113744726A (zh) | 2021-08-23 | 2021-08-23 | 语音识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744726A true CN113744726A (zh) | 2021-12-03 |
Family
ID=78732349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110970317.8A Pending CN113744726A (zh) | 2021-08-23 | 2021-08-23 | 语音识别方法、装置、电子设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220392436A1 (zh) |
EP (1) | EP4068278A3 (zh) |
CN (1) | CN113744726A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004407A (zh) * | 2015-09-03 | 2017-08-01 | 谷歌公司 | 增强型语音端点确定 |
CN109119070A (zh) * | 2018-10-19 | 2019-01-01 | 科大讯飞股份有限公司 | 一种语音端点检测方法、装置、设备及存储介质 |
CN109346074A (zh) * | 2018-10-15 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 一种语音处理方法及系统 |
CN109712610A (zh) * | 2019-03-12 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 用于识别语音的方法和装置 |
CN110199350A (zh) * | 2017-01-17 | 2019-09-03 | 三星电子株式会社 | 用于感测语音结束的方法和实现该方法的电子设备 |
CN111583912A (zh) * | 2020-05-26 | 2020-08-25 | 阳光保险集团股份有限公司 | 语音端点检测方法、装置以及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9666192B2 (en) * | 2015-05-26 | 2017-05-30 | Nuance Communications, Inc. | Methods and apparatus for reducing latency in speech recognition applications |
KR20200109826A (ko) * | 2019-03-14 | 2020-09-23 | 주식회사 포지큐브 | 스피치 인식 방법을 실행 시키기 위한 프로그램이 기록된 컴퓨터에서 읽을 수 있는 기록매체 |
-
2021
- 2021-08-23 CN CN202110970317.8A patent/CN113744726A/zh active Pending
-
2022
- 2022-08-19 US US17/820,964 patent/US20220392436A1/en active Pending
- 2022-08-19 EP EP22191233.0A patent/EP4068278A3/en not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004407A (zh) * | 2015-09-03 | 2017-08-01 | 谷歌公司 | 增强型语音端点确定 |
CN112735422A (zh) * | 2015-09-03 | 2021-04-30 | 谷歌有限责任公司 | 增强型语音端点确定 |
CN110199350A (zh) * | 2017-01-17 | 2019-09-03 | 三星电子株式会社 | 用于感测语音结束的方法和实现该方法的电子设备 |
CN109346074A (zh) * | 2018-10-15 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 一种语音处理方法及系统 |
CN109119070A (zh) * | 2018-10-19 | 2019-01-01 | 科大讯飞股份有限公司 | 一种语音端点检测方法、装置、设备及存储介质 |
CN109712610A (zh) * | 2019-03-12 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 用于识别语音的方法和装置 |
CN111583912A (zh) * | 2020-05-26 | 2020-08-25 | 阳光保险集团股份有限公司 | 语音端点检测方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
EP4068278A2 (en) | 2022-10-05 |
EP4068278A3 (en) | 2023-01-25 |
US20220392436A1 (en) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674746B (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN113674742B (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN112133307A (zh) | 人机交互方法、装置、电子设备及存储介质 | |
CN112382294A (zh) | 语音识别方法、装置、电子设备和存储介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN112767916A (zh) | 智能语音设备的语音交互方法、装置、设备、介质及产品 | |
CN113611316A (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN113658586A (zh) | 语音识别模型的训练方法、语音交互方法及装置 | |
CN113903329B (zh) | 语音处理方法、装置、电子设备及存储介质 | |
EP4030424A2 (en) | Method and apparatus of processing voice for vehicle, electronic device and medium | |
CN114299955B (zh) | 语音交互的方法、装置、电子设备及存储介质 | |
CN113744726A (zh) | 语音识别方法、装置、电子设备和存储介质 | |
CN113763968B (zh) | 用于识别语音的方法、装置、设备、介质和产品 | |
CN112669839B (zh) | 语音交互方法、装置、设备及存储介质 | |
CN112509567B (zh) | 语音数据处理的方法、装置、设备、存储介质及程序产品 | |
CN112002325B (zh) | 多语种语音交互方法和装置 | |
CN115497458A (zh) | 智能语音助手的持续学习方法、装置、电子设备及介质 | |
CN114220430A (zh) | 多音区语音交互方法、装置、设备以及存储介质 | |
CN114399992A (zh) | 语音指令响应方法、装置及存储介质 | |
CN114299941A (zh) | 语音交互的方法、装置、电子设备及存储介质 | |
CN114171016A (zh) | 语音交互的方法、装置、电子设备及存储介质 | |
CN114495976A (zh) | 语音测试方法、装置、系统、电子设备及存储介质 | |
CN113643696B (zh) | 语音处理方法、装置、设备、存储介质及程序 | |
CN114203204B (zh) | 尾点检测方法、装置、设备和存储介质 | |
CN114078478B (zh) | 语音交互的方法、装置、电子设备及存储介质 |
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 |