CN114022668B - 一种文本对齐语音的方法、装置、设备及介质 - Google Patents

Abstract

本申请提供了一种文本对齐语音的方法、装置、设备及介质，该方法包括：电子设备对视频的视觉分量进行识别，获得包括视频中文本所在的空间位置、文本出现和消失的时间以及文本的内容的第一识别结果，对视频的语音分量进行识别，获得包括视频中语音对应的至少一个单词以及至少一个单词出现的时间的第二识别结果，根据第一识别结果进行编码获得第一特征，对第二识别结果进行编码获得第二特征，然后根据第一特征和第二特征获得融合特征，通过分类器获得融合特征对应的文本是否对齐语音的属性，以实现文本对齐。如此，能够从语义层面对齐文本与语音，具有较高的准确度。

Description

一种文本对齐语音的方法、装置、设备及介质

技术领域

本申请涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种文本对齐语音的方法、装置、设备以及计算机可读存储介质、计算机程序产品。

背景技术

电视剧、电影、新闻等视频中包括大量的文本。该文本例如可以是视频中的字幕。为了提高用户的视听体验，通常需要将上述文本与视频中的语音对齐。通过人工方式对齐文本和语音需要耗费大量的时间和人力，成本较高，难以满足业务需求。

光学字符识别(optical character recognition，OCR)和自动语音识别(automatic speech recognition，ASR)的发展，使得自动对齐文本和语音成为一种可能。OCR是指对文本资料的图像文件进行分析处理，获取其中文字的过程。ASR是将人的语音转换为文本的过程。

通过直接计算OCR识别的文本和ASR识别出的文本的距离，可以实现基于规则的文本匹配。然而，上述方法并未考虑到识别文字的模糊性，难以在语义层面进行对齐。在真实场景中，视频中的字幕等文本和语音大多意思相近，但内容又不完全一致时，基于规则的匹配方法失效。

发明内容

本公开的目的在于：提供了一种文本对齐语音的方法、装置、设备、计算机可读存储介质以及计算机程序产品，能够从语义层面对文本和语音进行对齐，提高文本和语音对齐的准确度。

第一方面，本公开提供了文本对齐语音的方法，所述方法包括：

对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；

根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；

将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音。

第二方面，本公开提供了一种文本对齐语音的装置，所述装置包括：

识别模块，用于对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；

编码模块，用于根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；

分类模块，用于将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音。

第三方面，本公开提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第五方面，本公开提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述第一方面所述方法的步骤。

从以上技术方案可以看出，本公开至少具有如下优点：

具体地，视频可以包括视觉分量和语音分量，电子设备通过对视频的视觉分量进行识别，可以获得包括视频中文本所在空间位置、文本出现和消失的时间以及文本的内容在内的第一识别结果，通过对视频的语音分量进行识别，可以获得包括语音对应的至少一个单词以及所述至少一个单词出现的时间在内的第二识别结果。然后，电子设备将第一识别结果编码为第一特征，将第二识别结果编码为第二特征，对第一特征和第二特征进行融合，获得融合特征，该融合特征从更高层次的语义层面对第一识别结果和第二识别结果进行了对齐，将上述融合特征输入分类器进行属性分类，可以输出对齐语音的文本和未对齐语音的文本。

该方法考虑了识别文字的模糊性，从更高层次的语义层面对文本和语音进行对齐，解决了视频中文本和语音表达意思相近，但文本的内容与语音识别的文本的内容不完全一致，导致基于规则匹配的对齐方法失效的问题，具有较高的准确度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

为了更清楚地说明本申请实施例的技术方法，下面将对实施例中所需使用的附图作以简单地介绍。

图1为本申请实施例提供的一种文本对齐语音的方法的流程图；

图2为本申请实施例提供的一种视频中某一帧图像的示意图；

图3为本申请实施例提供的一种第一特征的示意图；

图4为本申请实施例提供的一种第二特征的示意图；

图5为本申请实施例提供的一种图像与语音文本相似度的编辑距离的示意图；

图6为本申请实施例提供的一种图像与语音文本的时间差的示意图；

图7为本申请实施例提供的一种文本对齐语音的方法示意图；

图8为本公开实施例提供的一种文本对齐语音装置的结构示意图；

图9为本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

首先对本申请实施例中所涉及到的一些技术术语进行介绍。

视频是一种携带丰富信息的媒体资源。视频可以被视频播放器播放，以向用户呈现动态影像。其中，动态影像包括连续的图像和音频。针对电视剧、电影、新闻等视频，视频被播放时所呈现的图像中可以包括文本。该文本例如可以是字幕、赞助商名称、视频制作者名称、背景文字等。上述视频被播放时所呈现的音频中可以包括语音和背景音(如主题曲、插曲等)。

为了提高用户的视听体验，通常需要将视频中的文本与视频中的语音对齐，例如是将字幕与语音对齐。其中，文本与语音对齐是指语音被播放时，使得与该语音匹配的文本在同一时间段被呈现，避免音画(语音和画面中的文本)不同步的情况发生。

考虑到人工对齐文本和语音，需要耗费大量的时间成本和人力成本。业界提出了对于文本和语音进行自动对齐的方案。

具体地，对视频进行解码可以得到连续的图像，获取得到文本，另外可以从视频中提取音频，获取视频的语音。通过计算文本和语音的距离，可以实现基于规则的文本匹配，进而实现将文本和语音对齐。

然而，上述方法并没有考虑识别文字的模糊性，可能存在文字语音相近但是含义差距较大的情况，或者存在文字语音差异较大但是含义相似的情况，因此难以实现对于视频中文本与语音的精确对齐。

有鉴于此，本申请提供了一种文本对齐语音的方法，该方法应用于电子设备。电子设备是指具有数据处理能力的设备，例如可以是服务器，或者是终端。其中，终端包括但不限于智能手机、平板电脑、笔记本电脑、个人数字助理(personal digital assistant，PDA)或者智能穿戴设备等。服务器可以是云服务器，例如是中心计算集群中的中心服务器，或者是边缘计算集群中的边缘服务器。当然，服务器也可以是本地数据中心中的服务器。本地数据中心是指用户直接控制的数据中心。

具体地，电子设备对视频的视觉分量进行识别，获得包括视频中文本的位置、文本的出现时间、消失时间以及文本内容的第一识别结果，对视频的语音分量进行识别，获得包括语音对应的单词以及单词对应时间的第二识别结果，然后对第一识别结果和第二识别结果分别编码，获得第一特征和第二特征，然后根据第一特征和第二特征获得融合特征，该融合特征从更高层次的语义层面对第一识别结果和第二识别结果进行了对齐。电子设备将融合特征输入分类器，获得描述文本是否对齐的语音的属性。

其中，第一特征包括文本以及文本对应的时间位置与空间位置，第二特征包括语音转化后的文本以及对应的时间位置，因此，该方法考虑了识别文字的模糊性，从更高层次的语义层面对文本和语音进行对齐，由此通过分类器对于融合特征进行分类，能够实现在复杂场景中基于语义的对齐，提高文本对齐语音的准确性。

为了使得本公开的技术方案更加清楚、易于理解，下面从电子设备为终端为例，对本公开实施例提供的文本对齐语音的方法进行介绍。

S102：终端对视频的视觉分量进行识别，获得第一识别结果。

视频的视觉分量是指视频中的可视化分量，例如可以为对视频进行解码得到的连续图像。图像中可以包括文本。该文本例如可以是字幕、赞助商名称、视频制作者名称、背景文字等。不同类型的文本通常在图像中的不同位置出现，例如字幕通常在图像的下部中央，赞助商名称通常在图像的左上角，视频制作者名称通常在图像的右下角，背景文字通常位于图像的中央。

具体地，可以对于视频的视觉分量按照固定的帧率进行抽帧获得图像，然后对于图像分别进行文本行检测与文本行识别，获得第一识别结果。

以直播间视频为例，视频的视觉分量可以包括视频的字幕，终端对于视频的字幕进行OCR识别，获得字幕的文本内容。进一步地，终端可以根据字幕在视频中所处的时间位置、空间位置，获取字幕的出现时间与消失时间，以及字幕所在的空间位置。

在一些可能的实现方式中，当视频的视觉分量为字幕时，第一识别结果可以包括某一帧图像中字幕的内容。通常情况下，字幕中的内容会以一句话为单位在视频中进行显示，因此第一识别结果可以包括终端对视频的某一帧图像进行识别所获取的第一识别结果。在这种情况下，同一帧图像中字幕中的词语的时间位置相同，第一识别结果可以对应一个时间位置。

其中，文本的时间位置的精度可以根据视频的帧率以及所需要的精度共同确定，在一些可能的实现方式中，为了获取准确的文本的时间位置精度以及与后续语音对应的单词进行匹配，文本的时间位置的精度可以与视频的帧率保持一致。

文本的空间位置可以通过视频中图像的坐标表示，当文本为字幕时，视频中的字幕通常具有固定的预设区域，终端可以根据文本的空间位置确定文本是否为字幕或者非字幕。如此，终端可以获得直播间中包括文本所在的空间位置、文本的出现和消失时间以及文本的内容的第一识别结果。通常情况下，字幕的位置为视频的底部中间区域。

直播间视频的视觉分量也可以包括直播间中的其他内容，例如视频固定片头，或者视频中直播环境中的文本内容等。直播视频的固定片头通常包括对于直播间主播的介绍，固定片头中的文本内容通常在视频中央，终端可以对于视频片头的视觉分量进行识别，获取包括固定片头文本所在的空间位置，文本出现时间和消失时间以及文本内容的第一识别结果。终端可以通过对于直播间视频的固定片头的文本对齐语音获取直播间主播的信息。

直播环境中的文本内容是指出现在视频环境中的文本内容，例如在直播环境中，为了获取用户的关注度，通常将重要信息通过白板信息或者黑板信息的形式展示在直播间环境中，终端可以通过对于直播环境中的文本内容与语音对齐，实现对于直播间重要内容的获取。视频中的某一帧的内容可以如图2所示，终端通过OCR技术对视觉分量进行识别并获取该帧的文本内容为：“欢迎来到直播间”，然后获取该帧图像对应的时间以及在图像中的位置坐标。

S104：终端对视频的语音分量进行识别，获得第二识别结果。

视频的语音分量是指视频中的音频内容，视频的语音分量可以通过获取视频对应的音轨信息获得。在一些可能的实现方式中，终端可以通过ASR对于视频的语音分量进行识别，获取文本形式的语音信息。识别后的语音文本包括出现在视频中的所有单词。与视频中的视觉分量不同，视频的语音分量中每一个单词依次出现，因此识别视频中的语音分量还包括每一个单词对应的在视频中出现的时间，因此终端对视频的语音分量进行识别所获得的第二识别结果包括视频中的语音对应的文本内容，以及文本内容中每一个单词对应的出现时间。

S106：终端根据第一识别结果进行编码，获得第一特征。

终端在对视频的视觉分量进行识别之后，获得包括视频文本所在空间位置、出现时间和消失时间以及文本的内容的第一识别结果。终端可以采用词嵌入的方式将第一识别结果中的文本的内容表示为第一向量，然后将第一识别结果中文本所在的空间位置以及文本出现时间和消失时间嵌入第一向量，获得第一特征。第一特征包括视频文本所在空间位置、出现时间和消失时间以及文本的内容。如图3所示，第一特征包括视频中的文本以及对应时间位置和空间位置。

词嵌入是指将一个文字转换为一个向量表示。具体地，终端可以通过词嵌入的方式将文本中的每一个文字转化为计算机可以识别的数学向量，然后通过加法将文本的时间位置嵌入到文本编码中，再将文本的空间位置信息嵌入到第一向量中，获得第一特征。

S108：终端根据第二识别结果进行编码，获得第二特征。

对于第二识别结果，终端可以采用词嵌入的方式将第二识别结果中的文本表示为第二向量，具体可以将第二识别结果中的每一个单词分别表示为一个向量，然后通过加法将每一个单词出现的时间嵌入第二向量中，然后对第二向量进行编码，获得第二特征。

在一些可能的实现方式中，终端可以将第二向量输入编码器(encoder)进行编码，编码器可以将多个的第二向量转化为第二特征进行输出，其中第二向量为高维的记忆特征向量。具体地，编码器的输入可以为整段视频的第二向量，编码器对多个第二向量进行运算，获得高维的记忆特征并进行输出。如图4所示，第二向量包括语音识别后对应的单词以及单词的时间位置，第二特征为第二向量进行编码器编码后所获得的记忆特征。

通常情况下，该方法可以用于判断字幕中的哪些内容被视频中的语音提到过，因此可以将整段视频对应的第二向量通过编码器转化为高维记忆向量，实现对于字幕中内容是否被语音提到的判断。在需要判断哪些语音被转化为视频中的文字的场景下，也可以将第一向量输入编码器进行编码，获得包括整段视频文本内容的高维的第一向量，由此能够实现对于语音内容进行逐词或者逐句对齐。

S110：终端根据第一特征和第二特征获得融合特征。

终端可以将第一特征和第二特征输入解码器(decoder)中，以第一特征为输入(query)，对第二特征进行基于注意力的解码，经过多次迭代获取第一特征和第二特征的融合特征。其中，第一特征可以是根据第一识别结果获得的，第一识别结果以句为单位，第二特征可以是对第二识别结果获得的第二向量进行编码之后获得的，相比于包括句子信息的第一特征具有较多的信息，因此可以以第二特征为查询输入，对第一特征进行基于注意力的解码，获得融合特征。例如，第二特征可以为包括整段视频语音内容对应的第二向量进行编码之后获得的，包括整段视频中的语义信息，因此基于第二特征对于第一特征进行基于注意力的解码能够获得基于整段视频语音语义的对于文本信息的融合特征。

其中，第一特征包括视频文本所在空间位置、出现时间和消失时间以及文本的内容，因此可以根据第一特征获取图像中文本的深层次语义特征，同样地，第二特征包括语音文本所在时间位置以及文本内容，因此可以根据第二特征获取语音中文本的深层次语义特征。区别于字面含义特征，对于某一单词，深层次语义特征能够将该单词置于语境中，从而获取该单词在单词所在的语句中，或者是在整段文段、整篇文本中的语义特征，实现对于文本的深度解析。

具体地，终端可以将第二特征作为Q(query)向量，将第一特征作为K(key)向量以及V(value)向量输入解码器中。其中Q、K和V是注意力机制(attention)的三个输入，然后通过解码器中融合算法的多次迭代解码操作，获得表征第一特征与第二特征对齐关系的融合特征。编码器和解码器共同构成基于注意力机制的模型架构(transformer)。

在一些可能的实现方式中，对于融合算法中所存在的未知参数，终端可以通过前馈神经网络算法进行优化，例如可以为BP神经网络对于融合算法进行优化，并且可以采用交叉熵(crossentropy)作为损失函数对融合算法的融合效果进行度量，从而对融合算法中的未知参数进行优化。

S112：终端将融合特征输入分类器，获得文本的属性。

分类器可以对于所获取的融合特征进行分类，获得描述文本是否对齐语音的文本的属性。其中，分类器可以为多层全连接(fully connected，FC)网络配合激活函数共同搭建，分类器根据对齐算法，可以从“对齐”与“未对齐”两个维度对于融合特征进行分类，获取融合特征的文本的属性。

与融合算法类似，对于对齐算法中所存在的未知参数，终端可以通过前馈神经网络算法进行优化，例如可以为BP(back propagation)神经网络对于对齐算法进行优化，并且可以采用交叉熵(crossentropy)作为损失函数对对齐算法的对齐效果进行度量，从而对对齐算法中的未知参数进行优化。

在一些复杂的场景中，分类器难以对文本语音是否对齐给出准确的判断结果，因此在本公开还提供了一种对于文本与语音是否对齐的对比规则，从而能够对分类器进行优化，该方法还包括以下步骤：

S114：终端确定第一识别结果中文本的内容与第二识别结果中内容的相似度。

终端根据对于视觉分量进行识别的第一识别结果中的文本的内容，以及对于语音分量进行识别获取的第二识别结果中包括至少一个单词对应的文本的内容，从文字层面计算第一识别结果的文本与第二识别结果的文本的相似度。

例如，视觉分量进行识别的第一识别结果中的文本的内容为：“欢迎来到直播间”，语音分量进行识别的第二识别结果中的文本的内容为：“嗨，朋友们，欢迎来到我的直播间”。终端可以对于上述两个文本之间的编辑距离(edit distance)进行归一处理，映射到区间[0，1]中，数值越大表示相似度越大，如图5所示。

S116：终端确定第一识别结果中文本出现的时间与第二识别结果中对应单词出现的时间之间的时间差。

第一识别结果中包括视频中文本出现的时间，第二识别结果中包括视频中的语音对应的单词出现的时间，因此可以根据第一识别结果与第二识别结果的时间距离确定文本与语音是否对齐。例如，在视频开始，屏幕中出现如图2所示的图像内容文本为：“欢迎来到直播间”，并同时语音为：“嗨，朋友们，欢迎来到我的直播间”，然后片头切换为主播本人，视频中的内容为主播图像，此时语音内容为：“本次直播间的内容为A和B”。在这种场景下，如图6所示，文本中的“欢迎”和语音中的“欢迎”时间点接近，时间间隔为0，文本中的“欢迎”和“内容”距离较远，时间间隔可以为5。对于语音中的两处“直播间”内容，终端可以根据这两处时间差的不同，第一处的时间差为0，第二处的时间差为2，因此可以确定对齐的内容为第一处的内容。

S118：终端根据相似度或者时间差，纠正分类器的输出。

终端可以对于相似度设置阈值，当相似度阈值满足一定条件时，可以认为文本与时间对齐。同样地，终端也可以对于时间差设置阈值，当时间差阈值满足一定条件，可以认为文本与时间对齐。终端可以根据相似度阈值与时间差阈值的判断结果，纠正分类器的输出，从而实现对于分类器的优化。具体地，分类器可以将终端根据相似度或者时间差对对齐的判断结果作为分类器的输入，从而对于分类器进行优化。

在一些实现方式中，上述S114至S118为可选步骤，终端也可以不执行S114至S118中的步骤。例如，分类器对于融合特征的判断具有较高的准确性时，可以不执行S114至S118中的步骤。或者，终端也可以采用人工标注文本与语音是否对齐的方式作为分类器的另一个输入，实现对于分类器的优化。

基于以上内容的描述，本公开提供一种文本对齐语音的方法。具体地，终端对视频的视觉分量进行识别，可以获得包括视频中文本所在空间位置、文本出现和消失的时间以及文本的内容在内的第一识别结果，通过对视频的语音分量进行识别，可以获得包括语音对应的至少一个单词以及所述至少一个单词出现的时间在内的第二识别结果。然后终端对第一识别结果进行编码获取第一特征，对第二识别结果进行编码获得第二特征。然后终端对第一特征和第二特征进行融合，获得融合特征。该融合特征从更高层次的语义层面对第一识别结果和第二识别结果进行了对齐，将上述融合特征输入分类器进行属性分类，可以输出对齐语音的文本和未对齐语音的文本。由此，解决了视频中文本和语音表达意思相近，但文本的内容与语音识别的文本的内容不完全一致，导致基于规则匹配的对齐方法失效的问题，具有较高的准确度。

进一步地，本公开还可以设置相似度与时间差对于分类器输出的判断结果进行优化，获取更加精确的文本与语音是否对齐的判断结果。

为了使得本申请技术方案更加清楚易于理解，本申请实施例还提供了一个具体场景对文本对齐语音的方法进行示例说明。

参见图2所示的视频图像示意图，如图2所示，图像中的文本内容为：“欢迎来到直播间”。终端可以通过OCR对视频的视觉分量进行识别，获得包括文本内容、时间位置以及空间位置的第一识别结果。终端对视频的语音分量进行识别，语音分量中的音频内容可以为：“嗨，朋友们，欢迎来到我的直播间”，因此终端可以通过ASR识别获取语音所包含的文本内容以及对应的时间位置。

如图3所示，终端对第一识别结果中包括的文本“欢迎来到直播间”采用词嵌入的方式表示为第一向量，然后将文本中每一个词所对应的时间位置和空间位置嵌入第一向量中，获得第一特征。

在这种场景下，终端可以将语音转化为高维向量以对字幕中的内容是否与语音对齐进行判断，如图4所示。对于第二识别结果，终端采用词嵌入的方式将“嗨，朋友们，欢迎来到我的直播间”每一个单词分别表示为一个向量，形成第二向量，然后通过加法将每一个单词对应的时间位置嵌入第二向量中。在一些可能的实现方式中，一个第二向量可以包括一句话中对应的多个单词，终端可以将多个第二向量输入编码器中进行编码，获得第二特征。其中，多个第二特征可以为整段视频中全部语音对应的第二特征，多个第二特征也可以为视频在该场景下的一段语音对应的第二特征。例如，第一特征可以仅包括：“欢迎来到直播间”对应的文本、时间位置和空间位置，而第二特征不仅包括这段时间对应的语音：“嗨，朋友们，欢迎来到我的直播间”的文本和时间位置，还包括后续的语音内容：“本次直播间的内容为A和B”，第二特征为第二向量经过编码器编码后生成的高维记忆向量。

如图7所示，终端将第一特征与第二特征分别作为解码器的输入，解码器对第一特征和第二特征进行基于注意力的解码，经过多次迭代获得第一特征和第二特征的融合特征，然后将融合特征输入分类器中，获得表示文本是否对齐语音的文本的属性。

进一步地，如图5所示，终端可以计算第一识别结果中文本的内容与第二识别结果中内容的相似度，其中数值越大表示相似度越大。如图6所示，终端也可以确定第一识别结果中文本出现的时间与第二识别结果中对应单词出现的时间的时间差，文本中的“欢迎来到”和语音中的“欢迎”时间点接近，时间间隔为1，文本中的“欢迎来到”和“内容”距离较远，时间间隔可以为9。由此，终端可以根据相似度和时间差，即相似度为1，时间差为0的情况为文本与语音对齐的情况，作为分类器的另一个输入，实现对于分类器输出的纠正。

在该应用场景中，终端可以通过文本与语音的对齐，纠正直播间视频中音画不同步的情况，并且可以提取直播间视频的关键字，例如该视频为“直播间”视频等。

图8是根据一示例性公开实施例示出的一种文本对齐语音的装置的示意图，如图8所示，所述文本对齐语音装置800包括：

识别模块802，用于对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；

编码模块804，用于根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；

分类模块806，用于将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音。

可选地，所述编码模块804可以用于：

采用词嵌入将所述第一识别结果中所述文本的内容表示为第一向量；

将所述第一识别结果中所述文本所在的空间位置以及所述文本出现和消失的时间嵌入所述第一向量，获得第一特征。

可选地，所述编码模块804可以用于：

采用词嵌入将所述第二识别结果中所述语音对应的至少一个单词表示为第二向量；

将所述第二识别结果中所述至少一个单词出现的时间嵌入所述第二向量；

对嵌入后的所述第二向量进行编码，获得第二特征。

可选地，所述编码模块804可以用于：

以所述第一特征为查询输入，对所述第二特征进行基于注意力的解码，获得融合特征。

可选地，所述分类器采用多层全连接网络。

可选地，所述装置还包括纠正模块，所述纠正模块808可以用于：

确定所述第一识别结果中所述文本的内容与所述第二识别结果中所述至少一个单词的相似度，或者确定所述第一识别结果中所述文本出现的时间与所述第二识别结果中对应单词出现的时间之间的时间差；

根据所述相似度或者所述时间差，纠正所述分类器的输出。

上述各模块的功能在上一实施例中的方法步骤中已详细阐述，在此不做赘述。

下面参考图9，其示出了适于用来实现本公开实施例的电子设备900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9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9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM902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。

通常，以下装置可以连接至I/O接口905：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906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，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909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901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：对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音。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模块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，模块的名称在某种情况下并不构成对该模块本身的限定。

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。

根据本公开的一个或多个实施例，示例1提供了一种文本对齐语音的方法，其特征在于，所述方法包括：对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述第一识别结果进行编码，获得第一特征，包括：采用词嵌入将所述第一识别结果中所述文本的内容表示为第一向量；将所述第一识别结果中所述文本所在的空间位置以及所述文本出现和消失的时间嵌入所述第一向量，获得第一特征。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述根据所述第二识别结果进行编码，获得第二特征，包括：采用词嵌入将所述第二识别结果中所述语音对应的至少一个单词表示为第二向量；将所述第二识别结果中所述至少一个单词出现的时间嵌入所述第二向量；对嵌入后的所述第二向量进行编码，获得第二特征。

根据本公开的一个或多个实施例，示例4提供了示例1至示例3任意一项的方法，所述根据所述第一特征和所述第二特征获得融合特征，包括：以所述第一特征为查询输入，对所述第二特征进行基于注意力的解码，获得融合特征。

根据本公开的一个或多个实施例，示例5提供了示例1至示例3任意一项的方法，所述分类器采用多层全连接网络。

根据本公开的一个或多个实施例，示例6提供了示例1至示例3任意一项的方法，所述方法还包括：确定所述第一识别结果中所述文本的内容与所述第二识别结果中所述至少一个单词的相似度，或者确定所述第一识别结果中所述文本出现的时间与所述第二识别结果中对应单词出现的时间之间的时间差；根据所述相似度或者所述时间差，纠正所述分类器的输出。

根据本公开的一个或多个实施例，示例7提供了一种文本对齐语音的装置，其特征在于，识别模块，用于对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；编码模块，用于根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；分类模块，用于将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音。

根据本公开的一个或多个实施例，示例8提供了示例7的装置，所述编码模块用于：采用词嵌入将所述第一识别结果中所述文本的内容表示为第一向量；将所述第一识别结果中所述文本所在的空间位置以及所述文本出现和消失的时间嵌入所述第一向量，获得第一特征。

根据本公开的一个或多个实施例，示例9提供了示例7的装置，所述编码模块用于：采用词嵌入将所述第二识别结果中所述语音对应的至少一个单词表示为第二向量；将所述第二识别结果中所述至少一个单词出现的时间嵌入所述第二向量；对嵌入后的所述第二向量进行编码，获得第二特征。

根据本公开的一个或多个实施例，示例10提供了示例7至示例9任意一项的装置，所述编码模块用于：以所述第一特征为查询输入，对所述第二特征进行基于注意力的解码，获得融合特征。

根据本公开的一个或多个实施例，示例11提供了示例7至示例9任意一项的装置，所述分类器采用多层全连接网络。

根据本公开的一个或多个实施例，示例12提供了示例7至示例9任意一项的装置，所述装置还包括纠正模块，所述纠正模块用于：确定所述第一识别结果中所述文本的内容与所述第二识别结果中所述至少一个单词的相似度，或者确定所述第一识别结果中所述文本出现的时间与所述第二识别结果中对应单词出现的时间之间的时间差；根据所述相似度或者所述时间差，纠正所述分类器的输出。

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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种文本对齐语音的方法，其特征在于，所述方法包括：

对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；

根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；

将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音；

确定所述第一识别结果中所述文本的内容与所述第二识别结果中所述至少一个单词的相似度，或者确定所述第一识别结果中所述文本出现的时间与所述第二识别结果中对应单词出现的时间之间的时间差；

根据所述相似度或者所述时间差，纠正所述分类器的输出。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果进行编码，获得第一特征，包括：

采用词嵌入将所述第一识别结果中所述文本的内容表示为第一向量；

将所述第一识别结果中所述文本所在的空间位置以及所述文本出现和消失的时间嵌入所述第一向量，获得第一特征。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第二识别结果进行编码，获得第二特征，包括：

采用词嵌入将所述第二识别结果中所述语音对应的至少一个单词表示为第二向量；

将所述第二识别结果中所述至少一个单词出现的时间嵌入所述第二向量；

对嵌入后的所述第二向量进行编码，获得第二特征。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第一特征和所述第二特征获得融合特征，包括：

以所述第一特征为查询输入，对所述第二特征进行基于注意力的解码，获得融合特征。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述分类器采用多层全连接网络。

6.一种文本对齐语音的装置，其特征在于，所述装置包括：

识别模块，用于对视频的视觉分量进行识别，获得第一识别结果，对所述视频的语音分量进行识别，获得第二识别结果，所述第一识别结果包括所述视频中文本所在的空间位置、所述文本出现和消失的时间以及所述文本的内容，所述第二识别结果包括所述视频中的语音对应的至少一个单词以及所述至少一个单词出现的时间；

编码模块，用于根据所述第一识别结果进行编码，获得第一特征，根据所述第二识别结果进行编码，获得第二特征，根据所述第一特征和所述第二特征获得融合特征；

分类模块，用于将所述融合特征输入分类器，获得所述文本的属性，所述文本的属性用于描述所述文本是否对齐所述语音；

其中，所述装置还包括纠正模块，所述纠正模块用于：

确定所述第一识别结果中所述文本的内容与所述第二识别结果中所述至少一个单词的相似度，或者确定所述第一识别结果中所述文本出现的时间与所述第二识别结果中对应单词出现的时间之间的时间差；

根据所述相似度或者所述时间差，纠正所述分类器的输出。

7.根据权利要求6所述的装置，其特征在于，所述编码模块用于：

采用词嵌入将所述第一识别结果中所述文本的内容表示为第一向量；

将所述第一识别结果中所述文本所在的空间位置以及所述文本出现和消失的时间嵌入所述第一向量，获得第一特征。

8.根据权利要求6所述的装置，其特征在于，所述编码模块用于：

采用词嵌入将所述第二识别结果中所述语音对应的至少一个单词表示为第二向量；

将所述第二识别结果中所述至少一个单词出现的时间嵌入所述第二向量；

对嵌入后的所述第二向量进行编码，获得第二特征。

9.根据权利要求6至8任一项所述的装置，其特征在于，所述编码模块用于：

以所述第一特征为查询输入，对所述第二特征进行基于注意力的解码，获得融合特征。

10.根据权利要求6至8任一项所述的装置，其特征在于，所述分类器采用多层全连接网络。

11.一种设备，其特征在于，所述设备包括处理器和存储器；

所述处理器用于执行所述存储器中存储的指令，以使得所述设备执行如权利要求1至5中任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，包括指令，所述指令指示设备执行如权利要求1至5中任一项所述的方法。