CN113761865A - 声文重对齐及信息呈现方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供一种声文重对齐及信息呈现方法、装置、电子设备和存储介质，通过获取目标音频、编辑前识别文本和编辑后识别文本，其中，编辑前识别文本是对目标音频进行自动语音识别得到的识别文本，编辑后文本为对编辑前识别文本进行编辑所得到的文本；对目标音频和编辑前识别文本进行强制对齐，以确定编辑前识别文本中每个字符对应的音频起止时间；对编辑前识别文本和编辑后识别文本进行文本对齐，以确定编辑后识别文本中每个字符在编辑前识别文本中对应的字符；对于编辑后识别文本中的每个字符，将该字符在编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。实现了高精度地对目标音频和编辑后识别文本之间进行声文重对齐。

Description

声文重对齐及信息呈现方法、装置、电子设备和存储介质

技术领域

本公开的实施例涉及信息处理技术领域，具体涉及声文重对齐及信息呈现方法、装置、电子设备和存储介质。

背景技术

声文对齐是指将音频和音频对应的语音识别文本进行对齐，以标定出识别文本中每个字、词的发音时间。对齐后，可以在识别文本中高亮显示现在音频播放内容对应的字、词；或者，也可以通过用户点击识别文本中的字、词即可快速跳转到对应的音频进行播放。

然而，实践中，语音识别的准确率不是百分之百，可能会有错误。因此，出现一些应用提供用户对语音识别文本进行编辑的功能，但编辑后的文本和原始音频还会出现对齐问题。

发明内容

本公开的实施例提出了声文重对齐及信息呈现方法、装置、电子设备和存储介质。

第一方面，本公开的实施例提供了一种声文重对齐方法，该方法包括：获取目标音频、编辑前识别文本和编辑后识别文本，其中，上述编辑前识别文本是对上述目标音频进行自动语音识别得到的识别文本，上述编辑后文本为对上述编辑前识别文本进行编辑所得到的文本；对上述目标音频和上述编辑前识别文本进行强制对齐，以确定上述编辑前识别文本中每个字符对应的音频起止时间；对上述编辑前识别文本和上述编辑后识别文本进行文本对齐，以确定上述编辑后识别文本中每个字符在上述编辑前识别文本中对应的字符；对于上述编辑后识别文本中的每个字符，将该字符在上述编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

在一些可选的实施方式中，上述对上述目标音频和上述编辑前识别文本进行强制对齐，以确定上述编辑前识别文本中每个字符对应的音频起止时间，包括：分别对上述编辑前识别文本和上述目标音频按照句子进行切分，得到编辑前识别文本句子序列和句子音频序列；对于上述编辑前识别文本句子序列中的每个句子，将该句子和上述句子音频序列中与该句子对应的句子音频进行强制对齐，得到该句子中每个字符的起止时间。

在一些可选的实施方式中，上述对上述编辑前识别文本和上述编辑后识别文本进行文本对齐，包括：采用编辑距离算法对上述编辑前识别文本和上述编辑后识别文本进行文本对齐。

在一些可选的实施方式中，上述方法还包括：对上述编辑后识别文本按照句子进行切分，得到编辑后识别文本句子序列；对于上述编辑后识别文本句子序列中的每个句子，执行以下分词时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的音频起止时间确定该分词的音频起止时间。

在一些可选的实施方式中，上述目标音频为音视频会议对应的音频。

第二方面，本公开的实施例提供了一种声文重对齐装置，该装置包括：获取单元，被配置成获取目标音频、编辑前识别文本和编辑后识别文本，其中，上述编辑前识别文本是对上述目标音频进行自动语音识别得到的识别文本，上述编辑后文本为对上述编辑前识别文本进行编辑所得到的文本；强制对齐单元，被配置成对上述目标音频和上述编辑前识别文本进行强制对齐，以确定上述编辑前识别文本中每个字符对应的音频起止时间；文本对齐单元，被配置成对上述编辑前识别文本和上述编辑后识别文本进行文本对齐，以确定上述编辑后识别文本中每个字符在上述编辑前识别文本中对应的字符；第一确定单元，被配置成对于上述编辑后识别文本中的每个字符，将该字符在上述编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

在一些可选的实施方式中，上述强制对齐单元进一步被配置成：分别对上述编辑前识别文本和上述目标音频按照句子进行切分，得到编辑前识别文本句子序列和句子音频序列；对于上述编辑前识别文本句子序列中的每个句子，将该句子和上述句子音频序列中与该句子对应的句子音频进行强制对齐，得到该句子中每个字符的起止时间。

在一些可选的实施方式中，上述文本对齐单元进一步被配置成：采用编辑距离算法对上述编辑前识别文本和上述编辑后识别文本进行文本对齐。

在一些可选的实施方式中，上述装置还包括：切分单元，被配置成对上述编辑后识别文本按照句子进行切分，得到编辑后识别文本句子序列；第二确定单元，被配置成对于上述编辑后识别文本句子序列中的每个句子，执行以下分词时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的音频起止时间确定该分词的音频起止时间。

在一些可选的实施方式中，上述目标音频为音视频会议对应的音频。

第三方面，本公开的实施例提供了一种信息呈现方法，包括：在第一预设区域呈现对目标多媒体文件中的语音进行自动语音识别得到的识别文本，并在不同于上述第一预设区域的第二预设区域呈现上述目标多媒体文件，其中，上述识别文本中各字符的起始时间基于对上述目标多媒体文件中的语音和上述识别文本进行强制对齐得到；响应于检测到对上述识别文本的编辑操作的确认操作，将编辑确认的文本确定为编辑文本；确定上述编辑文本所包含的词的起始时间；基于上述编辑文本所包含的词的起始时间关联展示上述目标多媒体文件和上述编辑文本。

在一些可选的实施方式中，上述基于上述编辑文本所包含的词的起始时间关联展示上述目标多媒体文件和上述编辑文本，包括：播放上述目标多媒体文件，以及在上述播放过程中按照预设高亮显示方式依序呈现当前播放的语音对应的上述编辑文本中的词。

在一些可选的实施方式中，上述基于上述编辑文本所包含的词的起始时间关联展示上述目标多媒体文件和上述编辑文本，包括：播放上述目标多媒体文件，以及在上述播放过程中响应于检测到针对上述编辑文本中目标词语的点击操作，跳转至上述目标词语对应的起始时间进行播放。

在一些可选的实施方式中，上述确定上述编辑文本所包含的词的起始时间，包括：对上述识别文本和上述编辑文本进行文本对齐，以确定上述编辑文本中每个字符在上述识别文本中对应的字符；对于上述编辑文本中的每个字符，将该字符在上述识别文本中对应的字符的起始时间确定为该字符的起始时间；对上述编辑文本按照句子进行切分，得到编辑文本句子序列；对于上述编辑文本句子序列中的每个句子，执行以下起始时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，将该分词所包括的各字符的最早起始时间确定为该分词的起始时间。

第四方面，本公开的实施例提供了一种信息呈现装置，包括：呈现单元，被配置成在第一预设区域呈现对目标多媒体文件中的语音进行自动语音识别得到的识别文本，并在不同于上述第一预设区域的第二预设区域呈现上述目标多媒体文件，其中，上述识别文本中各字符的起始时间基于对上述目标多媒体文件中的语音和上述识别文本进行强制对齐得到；第三确定单元，被配置成响应于检测到对上述识别文本的编辑操作的确认操作，将编辑确认的文本确定为编辑文本；第四确定单元，被配置成确定上述编辑文本所包含的词的起始时间；展示单元，被配置成基于上述编辑文本所包含的词的起始时间关联展示上述目标多媒体文件和上述编辑文本。

在一些可选的实施方式中，上述展示单元进一步被配置成：播放上述目标多媒体文件，以及在上述播放过程中按照预设高亮显示方式依序呈现当前播放的语音对应的上述编辑文本中的词。

在一些可选的实施方式中，上述展示单元进一步被配置成：播放上述目标多媒体文件，以及在上述播放过程中响应于检测到针对上述编辑文本中目标词语的点击操作，跳转至上述目标词语对应的起始时间进行播放。

在一些可选的实施方式中，上述第四确定单元进一步被配置成：对上述识别文本和上述编辑文本进行文本对齐，以确定上述编辑文本中每个字符在上述识别文本中对应的字符；对于上述编辑文本中的每个字符，将该字符在上述识别文本中对应的字符的起始时间确定为该字符的起始时间；对上述编辑文本按照句子进行切分，得到编辑文本句子序列；对于上述编辑文本句子序列中的每个句子，执行以下起始时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，将该分词所包括的各字符的最早起始时间确定为该分词的起始时间。

第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第六方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。

为了实现对目标音频的声文重对齐，即将目标音频对齐到编辑后识别文本，其中，编辑后识别文本为对该目标音频进行语音识别所得到的编辑前识别文本进行编辑所得到的文本，本公开的实施例提供的声文重对齐方法、装置、电子设备和存储介质，通过对目标音频和编辑前识别文本进行强制对齐，以确定编辑前识别文本中每个字符对应的音频起止时间。再对编辑前识别文本和编辑后识别文本进行文本对齐，以确定编辑后识别文本中每个字符在编辑前识别文本中对应的字符。最后，对于编辑后识别文本中的每个字符，将该字符在编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。即，通过结合目标音频和编辑前识别文本的强制对齐结果和编辑前识别文本和编辑后识别文本的文本对齐结果，由于在强制对齐过程中将编辑后识别文本中的每个字符对齐到了编辑前识别文本中的相应字符，而不是将编辑后识别文本中的每个词对齐到编辑前识别文本中的相应词，对齐的颗粒度更小精度更高，进而后续在将编辑后识别文本中每个字符对齐到目标音频时，也是在字符级别进行对齐，进而声文重对齐的对齐精度也更高，即可以实现高精度地对目标音频和编辑后识别文本之间进行声文重对齐。另一方面，在联合展示目标多媒体文件和相应的对识别文本编辑后确认的编辑文本时，也可基于对目标多媒体文件对应的语音和相应的识别文本之间的强制对齐，进而提高目标多媒体文件与编辑文本之间联合展示的精确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的，而并不认为是对本公开的限制。在附图中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的声文重对齐方法的一个实施例的流程图；

图3是根据本公开的声文重对齐方法的一个应用场景的示意图；

图4是根据本公开的声文重对齐方法的又一个实施例的流程图；

图5是根据本公开的声文重对齐装置的一个实施例的结构示意图；

图6是根据本公开的信息呈现方法的一个实施例的流程图；

图7是根据本公开的信息呈现装置的一个实施例的结构示意图；

图8是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的声文重对齐方法、装置、电子设备和存储介质的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如声文重对齐类应用、语音识别类应用、短视频社交类应用、音视频会议类应用、视频直播类应用、文档编辑类应用、输入法类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供声文重对齐服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

在一些情况下，本公开所提供的声文重对齐方法可以由终端设备101、102、103执行，相应地，声文重对齐装置可以设置于终端设备101、102、103中。这时，系统架构100也可以不包括服务器105。

在一些情况下，本公开所提供的声文重对齐方法可以由终端设备101、102、103和服务器105共同执行，例如，“获取编辑前识别文本和编辑后识别文本”的步骤可以由终端设备101、102、103执行，“对目标音频和编辑前识别文本进行强制对齐，以确定编辑前识别文本中每个字符对应的音频起止时间”等步骤可以由服务器105执行。本公开对此不做限定。相应地，声文重对齐装置也可以分别设置于终端设备101、102、103和服务器105中。

在一些情况下，本公开所提供的声文重对齐方法可以由服务器105执行，相应地，声文重对齐装置也可以设置于服务器105中，这时，系统架构100也可以不包括终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的声文重对齐方法的一个实施例的流程200，该声文重对齐方法包括以下步骤：

步骤201，获取目标音频、编辑前识别文本和编辑后识别文本。

在本实施例中，声文重对齐方法的执行主体(例如图1所示的服务器105)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如，图1所示的终端设备101、102、103)获取编辑前识别文本和编辑后识别文本。

这里，编辑前识别文本可以是对目标音频进行自动语音识别得到的识别文本，而编辑后文本可以为对编辑前识别文本进行编辑所得到的文本。

这里，目标音频可以是各种具有语音数据的音频数据。

在一些可选的实施方式中，目标音频可以为音视频会议对应的音频。

编辑后识别文本可以是人工对编辑前识别文本进行编辑修改后所得到的文本。或者，编辑后识别文本也可以是对编辑前识别文本利用自然语言处理(NLP，NaturalLanguage Processing)进行编辑后所得到的文本。

步骤202，对目标音频和编辑前识别文本进行强制对齐，以确定编辑前识别文本中每个字符对应的音频起止时间。

在本实施例中，上述执行主体可以对于步骤201中获取的目标音频和编辑前识别文本进行强制对齐，以确定编辑前识别文本中每个字符对应的音频起止时间。

对目标音频和编辑前识别文本进行强制对齐可以是在上述执行主体进行的，也可以是在与上述执行主体网络连接的其他电子设备进行的。相应地，强制对齐的结果可以是直接从上述执行主体本地获取，也可以是从上述其他电子设备获取。

而将目标音频与编辑前识别文本进行强制对齐可以是采用各种实现方式。例如，可以采用各种现有的音频文本强制对齐软件进行。也可以采用预先训练的声学模型(Acoustic model)进行。需要说明的是，这里的强制对齐为字符级别的强制对齐。强制对齐的结果可包括编辑前识别文本中每个字符在目标音频对应的音频起止时间。

在一些可选的实施方式中，步骤202可以如下进行：

首先，分别对编辑前识别文本和目标音频按照句子进行切分，得到编辑前识别文本句子序列和句子音频序列。

对编辑前识别文本进行句子切分例如可以是按照预设的句子识别正则表达式进行切分，而句子识别正则表达式用于指示句子特征，比如句子特征可以是以特定标点符号(例如，逗号、句号、问号、感叹号等)结尾。而对目标音频进行句子切分例如可以采用语音端点检测(Voice Activity Detection，VAD)技术等。

其次，对于编辑前识别文本句子序列中的每个句子，将该句子和句子音频序列中与该句子对应的句子音频进行强制对齐，得到该句子中每个字符的起止时间。

即，该可选实施方式是按照句子为单位进行声文强制对齐，而不是整段文本为单位进行声文强制对齐。这样，每次强制对齐的音频和文本变得更短，计算量减小，可以提高强制对齐的准确度，进而提高后续对编辑后识别文本与目标音频之间声文对齐的准确度。

目前对目标音频进行自动语音识别后除了可以得到识别文本(即，编辑前识别文本)，大多还可以得到针对识别文本的分词序列，即可以理解为编辑前识别文本分词序列以及相应的每个分词对应的起止时间的编辑前识别文本分词起止时间序列。即，一般而言对目标音频进行自动语音识别后即可以得到分词级别的声文对齐。但却无法得到字符级别的声文对齐。这是由于，在自动语音识别过程中为了提高语音识别准确度，在训练语音识别模型过程中大多是按照最小语义单位，即按照词为单位进行训练的，而若采用字符为单位训练语音识别模型将导致语音识别准确度较低。因而，经过自动语音识别，无法得到字符级别的声文对齐，而只能得到分词级别的声文对齐。

而分词级别的声文对齐颗粒度较大，很难满足用户对精细化声文对齐的要求，为提高用户体验，这里通过步骤202，可以实现对目标音频和编辑前识别文本之间在字符级别的声文对齐，为后续对编辑后文本和目标音频之间在字符级别的声文对齐提供基础。

步骤203，对编辑前识别文本和编辑后识别文本进行文本对齐，以确定编辑后识别文本中每个字符在编辑前识别文本中对应的字符。

这里，上述执行主体可以采用各种实现方式对编辑前识别文本和编辑后识别文本进行文本对齐。例如，可以采用包括但不限于最小编辑距离算法。最小编辑距离(EditDistance)，又称Levenshtein距离，是指两个字串之间，由一个字串转成另一个字串所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。在计算两个字串之间的最小编辑距离过程中，可以采用各种动态规划算法，而动态规划算法本质上需要找到一个递推式描述编辑后识别文本与编辑前识别文本之间的关系，因此，基于最小编辑距离算法可以得出编辑后识别文本中各字符与编辑前识别文本中字符之间的对应关系。

步骤204，对于编辑后识别文本中的每个字符，将该字符在编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

由于已经在步骤203中将编辑后识别文本中每个字符映射到编辑前识别文本中的相应字符，而在步骤202中也已经确定编辑前识别文本中每个字符对应的音频起止时间，由此，可以将编辑后识别文本中每个字符的音频起止时间确定为编辑前识别文本中相应字符的音频起止时间。进而，可以将编辑后识别文本中每个字符对齐到目标音频中的相应时间。

继续参见图3，图3是根据本实施例的声文重对齐方法的应用场景的一个示意图。在图3的应用场景中，终端设备301获取目标音频302、编辑前识别文本303和编辑后识别文本304。其中，编辑前识别文本303是对目标音频302进行自动语音识别得到的识别文本，编辑后文本304为对编辑前识别文本303进行编辑所得到的文本。然后，终端设备301对目标音频302和编辑前识别文本303进行强制对齐，以确定编辑前识别文本303中每个字符对应的音频起止时间。接着，终端设备301对编辑前识别文本303和编辑后识别文本304进行文本对齐，以确定编辑后识别文本中每个字符在编辑前识别文本中对应的字符。最后，终端设备301对于编辑后识别文本304中的每个字符，将该字符在编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

本公开的上述实施例提供的声文重对齐方法，通过结合目标音频和编辑前识别文本的强制对齐结果和编辑前识别文本和编辑后识别文本的文本对齐结果，由于在强制对齐过程中将编辑后识别文本中的每个字符对齐到了编辑前识别文本中的相应字符，而不是将编辑后识别文本中的每个词对齐到编辑前识别文本中的相应词，对齐的颗粒度更小精度更高，进而后续在将编辑后识别文本中每个字符对齐到目标音频时，也是在字符级别进行对齐，进而声文重对齐的对齐精度也更高，即可以实现高精度地对目标音频和编辑后识别文本之间进行声文重对齐。

继续参考图4，其示出了根据本公开的声文重对齐方法的又一个实施例的流程400。该声文重对齐方法，包括以下步骤：

步骤401，获取目标音频、编辑前识别文本和编辑后识别文本。

步骤402，对目标音频和编辑前识别文本进行强制对齐，以确定编辑前识别文本中每个字符对应的音频起止时间。

步骤403，对编辑前识别文本和编辑后识别文本进行文本对齐，以确定编辑后识别文本中每个字符在编辑前识别文本中对应的字符。

步骤404，对于编辑后识别文本中的每个字符，将该字符在编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

在本实施例中，步骤401、步骤402、步骤403和步骤404的具体操作及其所产生的技术效果与图2所示的实施例中步骤201、步骤202、步骤203和步骤204的操作及效果基本相同，在此不再赘述。

步骤405，对编辑后识别文本按照句子进行切分，得到编辑后识别文本句子序列。

这里，声文重对齐的执行主体可以采用句子切分方法将编辑后识别文本按照句子进行切分，并得到编辑后识别文本句子序列。例如，可以按照预设的句子识别正则表达式进行切分，而句子识别正则表达式用于指示句子特征，比如句子特征可以是以特定标点符号(例如，逗号、句号、问号、感叹号等)结尾。

步骤406，对于编辑后识别文本句子序列中的每个句子，执行分词时间确定操作。

这里，分词时间确定操作可以进行：首先，对该句子进行切词处理，以得到该句子对应的分词序列；然后，对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的音频起止时间确定该分词的音频起止时间。

其中，对句子进行切词处理可以是采用各种现在已知或者未来开发的分词方法，本公开对此不做具体限定。例如，可以采用基于字符串匹配的分词方法、基于理解的分词方法或者基于统计的分词方法等等。

而对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的起止时间确定该分词的音频起止时间，可以是将该分词所包括的各字符的音频起止时间的起始之间中最早的时间确定为该分词的音频起始时间，以及将该分词所包括的各字符的音频起止时间的终止之间中最晚的时间确定为该分词的音频终止时间，进而确定了该分词的音频起止时间。

从图4中可以看出，与图2对应的实施例相比，本实施例中的文本处理方法的流程400多出了确定编辑后识别文本中每个分词对应的音频起止时间的步骤。由此，本实施例描述的方案可以实现先在字符级别将目标音频和编辑前识别文本进行声文对齐，然后再将编辑前识别文本和编辑后识别文本也在字符级进行文本对齐，再将编辑后识别文本中每个字符的音频起止时间对应到相应编辑前识别文本中相应字符的音频起止时间，即也是在字符级对编辑后识别文本和目标音频进行声文对齐，最后再在词的级别实现编辑后识别文本和目标音频的声文对齐。由于词是最小的语义单元，按照词进行声文对齐，可以方便后续提供给用户进行使用。比如，基于对目标音频和编辑后识别文本在词级别的声文重对齐，可以方便用户在所呈现的编辑后识别文本中点击词语并将目标音频跳转到相应音频起止时间进行播放。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种声文重对齐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的声文重对齐装置500包括：获取单元501、强制对齐单元502、文本对齐单元503和第一确定单元504。其中，获取单元501，被配置成获取目标音频、编辑前识别文本和编辑后识别文本，其中，上述编辑前识别文本是对上述目标音频进行自动语音识别得到的识别文本，上述编辑后文本为对上述编辑前识别文本进行编辑所得到的文本；强制对齐单元502，被配置成对上述目标音频和上述编辑前识别文本进行强制对齐，以确定上述编辑前识别文本中每个字符对应的音频起止时间；文本对齐单元503，被配置成对上述编辑前识别文本和上述编辑后识别文本进行文本对齐，以确定上述编辑后识别文本中每个字符在上述编辑前识别文本中对应的字符；而第一确定单元504，被配置成对于上述编辑后识别文本中的每个字符，将该字符在上述编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

在本实施例中，声文重对齐装置500的获取单元501、强制对齐单元502、文本对齐单元503和第一确定单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在一些可选的实施方式中，上述强制对齐单元502可以进一步被配置成：分别对上述编辑前识别文本和上述目标音频按照句子进行切分，得到编辑前识别文本句子序列和句子音频序列；对于上述编辑前识别文本句子序列中的每个句子，将该句子和上述句子音频序列中与该句子对应的句子音频进行强制对齐，得到该句子中每个字符的起止时间。

在一些可选的实施方式中，上述文本对齐单元503可以进一步被配置成：采用编辑距离算法对上述编辑前识别文本和上述编辑后识别文本进行文本对齐。

在一些可选的实施方式中，上述装置500还可以包括：切分单元505，被配置成对上述编辑后识别文本按照句子进行切分，得到编辑后识别文本句子序列；以及第二确定单元506，被配置成对于上述编辑后识别文本句子序列中的每个句子，执行以下分词时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的音频起止时间确定该分词的音频起止时间。

在一些可选的实施方式中，上述目标音频可以为音视频会议对应的音频。

需要说明的是，本公开的实施例提供的声文重对齐装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。

继续参考图6，其示出了根据本公开的信息呈现方法的一个实施例的流程600，该信息呈现方法包括以下步骤：

步骤601，在第一预设区域呈现对目标多媒体文件中的语音进行自动语音识别得到的识别文本，并在不同于第一预设区域的第二预设区域呈现目标多媒体文件。

在本实施例中，信息呈现方法的执行主体(例如图1所示的终端设备101、102、103)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如，图1所示的服务器105)获取目标多媒体文件(例如，音视频会议的音频或者视频文件)，再本地或者远程地从与上述执行主体网络连接的其他电子设备(例如，图1所示的服务器105)获取对目标多媒体文件中的语音进行自动语音识别(自动语音识别例如可以是在图1所示的服务器105进行的)所得到的识别文本。这里，识别文本中各字符可以对应有在目标多媒体文件中的起始时间，识别文本中各字符的起始时间可以是基于对目标多媒体文件中的语音和识别文本进行强制对齐得到。

然后，再在上述执行主体对应的显示设备的第一预设区域采用各种呈现方式呈现识别文本，以及在不同于第一预设区域的第二预设区域呈现目标多媒体文件。可以理解的是，当目标多媒体文件为音频文件时，可以是播放目标多媒体文件对应的声音；当目标多媒体文件为视频文件时，可以是播放目标多媒体文件对应的图像和声音。第一预设区域与第二预设区域可以采用各种方式进行设置，本公开对此不做具体限定，例如，第一预设区域可位于第二区域上方。

步骤602，响应于检测到对识别文本的编辑操作的确认操作，将编辑确认的文本确定为编辑文本。

这里，上述执行主体可以在第一预设区域呈现识别文本过程中，由于自动语音识别可能存在识别不准缺的情况，因此允许用户在第一预设区域对识别文本进行编辑操作以完善识别结果，以及提供相应的操作对象(例如，用于指示确认操作的确认按钮)以供用户在上述操作对象上操作以确认上述编辑操作。

步骤603，确定编辑文本所包含的词的起始时间。

这里，上述执行主体可以采用各种实现方式确定编辑文本所包含的词对应在目标多媒体文件中的语音的起始时间。

在一些可选的实施方式中，步骤603可以如下执行：

首先，可以对识别文本和编辑文本进行文本对齐，以确定编辑文本中每个字符在识别文本中对应的字符。

这里，可以采用步骤203中的文本对齐方法，在此不再赘述。

然后，可以对于编辑文本中的每个字符，将该字符在识别文本中对应的字符的起始时间确定为该字符的起始时间。

接着，对编辑文本按照句子进行切分，得到编辑文本句子序列。

这里，可以采用步骤405中的句子切分方法对编辑文本按照句子进行切分，得到编辑文本句子序列，在此不再赘述。

最后，对于编辑文本句子序列中的每个句子，执行起始时间确定操作。

这里起始时间确定操作可以包括：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，将该分词所包括的各字符的最早起始时间确定为该分词的起始时间。

这里，由于已经在上述步骤中通过文本对齐确定了编辑文本中每个字符对应的起始时间，因而可以通过起始时间确定操作，确定编辑文本中每个句子中每个词的起始时间。采用该可选实施方式，可以实现更加精确地确定编辑文本中每个词在目标多媒体文件的语音中的起始时间。

步骤604，基于编辑文本所包含的词的起始时间关联展示目标多媒体文件和编辑文本。

由于已经确定了编辑文本所包含的词的起始时间，因而这里可以采用各种实现方式基于编辑文本所包含的词的起始时间关联展示目标多媒体文件和编辑文本。

在一些可选的实现方式中，步骤604可以如下执行：

播放目标多媒体文件，以及在播放过程中按照预设高亮显示方式依序呈现当前播放的语音对应的编辑文本中的词。即，随着目标多媒体文件的播放进程，当播放到编辑文本中相应词对应的内容时，该词可以以预设高亮显示方式呈现，而当播放完该词时，该词恢复之前的显示方式，而该词之后的词再按照预设高亮显示方式进行显示。其中，预设高亮显示方式例如可以是将该词的字体显示成黄色粗体，或者是将该词对应的背景色显示成黄色等。采用该可选实施方式，可以方便用户实时获得当前播放目标多媒体文件内容对应的文字内容。

在一些可选的实现方式中，步骤604也可以如下执行：

播放目标多媒体文件，以及在放过程中响应于检测到针对编辑文本中目标词语的点击操作，跳转至目标词语对应的起始时间进行播放。即，这里如果检测到用户点击了编辑文本中的目标词语，则从目标多媒体文件的目标词语对应的内容开始播放，进而可以实现用户实时选择自己想要播放的内容开始进行播放，方便用户选择性播放目标多媒体文件。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种信息呈现装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的信息呈现装置700包括：呈现单元701、第三确定单元702、第四确定单元703和展示单元704。其中，呈现单元，被配置成在第一预设区域呈现对目标多媒体文件中的语音进行自动语音识别得到的识别文本，并在不同于上述第一预设区域的第二预设区域呈现上述目标多媒体文件，其中，上述识别文本中各字符的起始时间基于对上述目标多媒体文件中的语音和上述识别文本进行强制对齐得到；第三确定单元，被配置成响应于检测到对上述识别文本的编辑操作的确认操作，将编辑确认的文本确定为编辑文本；第四确定单元，被配置成确定上述编辑文本所包含的词的起始时间；展示单元，被配置成基于上述编辑文本所包含的词的起始时间关联展示上述目标多媒体文件和上述编辑文本。

在本实施例中，信息呈现装置700的呈现单元701、第三确定单元702、第四确定单元703和展示单元704的具体处理及其所带来的技术效果可分别参考图6对应实施例中步骤601、步骤602、步骤603和步骤604的相关说明，在此不再赘述。

在一些可选的实施方式中，上述展示单元704可以进一步被配置成：播放上述目标多媒体文件，以及在上述播放过程中按照预设高亮显示方式依序呈现当前播放的语音对应的上述编辑文本中的词。

在一些可选的实施方式中，上述展示单元704可以进一步被配置成：播放上述目标多媒体文件，以及在上述播放过程中响应于检测到针对上述编辑文本中目标词语的点击操作，跳转至上述目标词语对应的起始时间进行播放。

在一些可选的实施方式中，上述第四确定单元703可以进一步被配置成：对上述识别文本和上述编辑文本进行文本对齐，以确定上述编辑文本中每个字符在上述识别文本中对应的字符；对于上述编辑文本中的每个字符，将该字符在上述识别文本中对应的字符的起始时间确定为该字符的起始时间；对上述编辑文本按照句子进行切分，得到编辑文本句子序列；对于上述编辑文本句子序列中的每个句子，执行以下起始时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，将该分词所包括的各字符的最早起始时间确定为该分词的起始时间。

下面参考图8，其示出了适于用来实现本公开的电子设备的计算机系统800的结构示意图。图8示出的计算机系统800仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统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808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，还存储有计算机系统800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803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808；以及通信装置809。通信装置809可以允许计算机系统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的计算机系统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808被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开的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。

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，使得该电子设备实现如图2所示的实施例及其可选实施方式示出的声文重对齐方法。

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。

描述于本公开的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，例如，获取单元还可以被描述为“获取目标音频、编辑前识别文本和编辑后识别文本的单元”。

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 (17)

1.一种声文重对齐方法，包括：

获取目标音频、编辑前识别文本和编辑后识别文本，其中，所述编辑前识别文本是对所述目标音频进行自动语音识别得到的识别文本，所述编辑后文本为对所述编辑前识别文本进行编辑所得到的文本；

对所述目标音频和所述编辑前识别文本进行强制对齐，以确定所述编辑前识别文本中每个字符对应的音频起止时间；

对所述编辑前识别文本和所述编辑后识别文本进行文本对齐，以确定所述编辑后识别文本中每个字符在所述编辑前识别文本中对应的字符；

对于所述编辑后识别文本中的每个字符，将该字符在所述编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

2.根据权利要求1所述的方法，其中，所述对所述目标音频和所述编辑前识别文本进行强制对齐，以确定所述编辑前识别文本中每个字符对应的音频起止时间，包括：

分别对所述编辑前识别文本和所述目标音频按照句子进行切分，得到编辑前识别文本句子序列和句子音频序列；

对于所述编辑前识别文本句子序列中的每个句子，将该句子和所述句子音频序列中与该句子对应的句子音频进行强制对齐，得到该句子中每个字符的起止时间。

3.根据权利要求1所述的方法，其中，所述对所述编辑前识别文本和所述编辑后识别文本进行文本对齐，包括：

采用编辑距离算法对所述编辑前识别文本和所述编辑后识别文本进行文本对齐。

4.根据权利要求1所述的方法，其中，所述方法还包括：

对所述编辑后识别文本按照句子进行切分，得到编辑后识别文本句子序列；

对于所述编辑后识别文本句子序列中的每个句子，执行以下分词时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的音频起止时间确定该分词的音频起止时间。

5.根据权利要求1所述的方法，其中，所述目标音频为音视频会议对应的音频。

6.一种声文重对齐装置，包括：

获取单元，被配置成获取目标音频、编辑前识别文本和编辑后识别文本，其中，所述编辑前识别文本是对所述目标音频进行自动语音识别得到的识别文本，所述编辑后文本为对所述编辑前识别文本进行编辑所得到的文本；

强制对齐单元，被配置成对所述目标音频和所述编辑前识别文本进行强制对齐，以确定所述编辑前识别文本中每个字符对应的音频起止时间；

文本对齐单元，被配置成对所述编辑前识别文本和所述编辑后识别文本进行文本对齐，以确定所述编辑后识别文本中每个字符在所述编辑前识别文本中对应的字符；

第一确定单元，被配置成对于所述编辑后识别文本中的每个字符，将该字符在所述编辑前识别文本中对应的字符的音频起止时间确定为该字符的音频起止时间。

7.根据权利要求6所述的装置，其中，所述强制对齐单元进一步被配置成：

分别对所述编辑前识别文本和所述目标音频按照句子进行切分，得到编辑前识别文本句子序列和句子音频序列；

对于所述编辑前识别文本句子序列中的每个句子，将该句子和所述句子音频序列中与该句子对应的句子音频进行强制对齐，得到该句子中每个字符的起止时间。

8.根据权利要求6所述的装置，其中，所述文本对齐单元进一步被配置成：

采用编辑距离算法对所述编辑前识别文本和所述编辑后识别文本进行文本对齐。

9.根据权利要求6所述的装置，其中，所述装置还包括：

切分单元，被配置成对所述编辑后识别文本按照句子进行切分，得到编辑后识别文本句子序列；

第二确定单元，被配置成对于所述编辑后识别文本句子序列中的每个句子，执行以下分词时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，根据该分词所包括的各字符的音频起止时间确定该分词的音频起止时间。

10.根据权利要求6所述的装置，其中，所述目标音频为音视频会议对应的音频。

11.一种信息呈现方法，包括：

在第一预设区域呈现对目标多媒体文件中的语音进行自动语音识别得到的识别文本，并在不同于所述第一预设区域的第二预设区域呈现所述目标多媒体文件，其中，所述识别文本中各字符的起始时间基于对所述目标多媒体文件中的语音和所述识别文本进行强制对齐得到；

响应于检测到对所述识别文本的编辑操作的确认操作，将编辑确认的文本确定为编辑文本；

确定所述编辑文本所包含的词的起始时间；

基于所述编辑文本所包含的词的起始时间关联展示所述目标多媒体文件和所述编辑文本。

12.根据权利要求11所述的方法，其中，所述基于所述编辑文本所包含的词的起始时间关联展示所述目标多媒体文件和所述编辑文本，包括：

播放所述目标多媒体文件，以及在所述播放过程中按照预设高亮显示方式依序呈现当前播放的语音对应的所述编辑文本中的词。

13.根据权利要求11所述的方法，其中，所述基于所述编辑文本所包含的词的起始时间关联展示所述目标多媒体文件和所述编辑文本，包括：

播放所述目标多媒体文件，以及在所述播放过程中响应于检测到针对所述编辑文本中目标词语的点击操作，跳转至所述目标词语对应的起始时间进行播放。

14.根据权利要求11所述的方法，其中，所述确定所述编辑文本所包含的词的起始时间，包括：

对所述识别文本和所述编辑文本进行文本对齐，以确定所述编辑文本中每个字符在所述识别文本中对应的字符；

对于所述编辑文本中的每个字符，将该字符在所述识别文本中对应的字符的起始时间确定为该字符的起始时间；

对所述编辑文本按照句子进行切分，得到编辑文本句子序列；

对于所述编辑文本句子序列中的每个句子，执行以下起始时间确定操作：对该句子进行切词处理，以得到该句子对应的分词序列；对该句子对应的分词序列中的每个分词，将该分词所包括的各字符的最早起始时间确定为该分词的起始时间。

15.一种信息呈现装置，包括：

呈现单元，被配置成在第一预设区域呈现对目标多媒体文件中的语音进行自动语音识别得到的识别文本，并在不同于所述第一预设区域的第二预设区域呈现所述目标多媒体文件，其中，所述识别文本中各字符的起始时间基于对所述目标多媒体文件中的语音和所述识别文本进行强制对齐得到；

第三确定单元，被配置成响应于检测到对所述识别文本的编辑操作的确认操作，将编辑确认的文本确定为编辑文本；

第四确定单元，被配置成确定所述编辑文本所包含的词的起始时间；

展示单元，被配置成基于所述编辑文本所包含的词的起始时间关联展示所述目标多媒体文件和所述编辑文本。

16.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法和/或如权利要求11-14中任一所述的方法。

17.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-5中任一所述的方法和/或如权利要求11-14中任一所述的方法。

Images