CN114023315A - 语音的识别方法、装置、可读介质和电子设备 - Google Patents

语音的识别方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN114023315A
CN114023315A CN202111405339.6A CN202111405339A CN114023315A CN 114023315 A CN114023315 A CN 114023315A CN 202111405339 A CN202111405339 A CN 202111405339A CN 114023315 A CN114023315 A CN 114023315A
Authority
CN
China
Prior art keywords
role
label
audio segment
audio
determining
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
Application number
CN202111405339.6A
Other languages
English (en)
Inventor
刘艺
李入云
蔡猛
马泽君
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202111405339.6A priority Critical patent/CN114023315A/zh
Publication of CN114023315A publication Critical patent/CN114023315A/zh
Pending legal-status Critical Current

Links

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
    • G10L15/08—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
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • 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
    • G10L15/26—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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • 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
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开涉及一种语音的识别方法、装置、可读介质和电子设备，涉及电子信息处理技术领域，该方法包括：根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签，确定每个音频段的声纹特征，根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度，将总相似度小于第一相似度阈值的角色标签确定为目标角色标签，并将属于目标角色标签的音频段标记为指定标签，指定标签用于指示音频段的归属待定。本公开通过提取每个音频段的声纹特征，以确定每种角色标签的总相似度，从而确定每个音频段的标签，能够有效提高语音识别的准确度，并能够有效减少特定音频段对语音识别的准确度的干扰。

Description

语音的识别方法、装置、可读介质和电子设备
技术领域
本公开涉及电子信息处理技术，具体地，涉及一种语音的识别方法、装置、可读介质和电子设备。
背景技术
随着电子信息技术的不断发展，语音作为人们获取信息的重要载体，已经被广泛应用于日常生活和工作中。涉及语音的应用场景中，通常会包括各种语音处理，尤其是在电话会议、视频会议等场景，需要对会议录音或者会议视频进行识别，以将音频信号转录为文字，并标记出每段对话对应的说话人，这样便于用户能够直观地分辨出每段对话是由哪个说话人说出的。然而，音频信号中往往还包括了背景噪声等干扰，同时可能出现说话人吐字含糊不清等问题，导致说话人标记出现偏差，降低了语音识别的准确度。
发明内容
提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种语音的识别方法，所述方法包括：
根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；
确定每个所述音频段的声纹特征；
根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；
将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
第二方面，本公开提供一种语音的识别装置，所述装置包括：
识别模块，用于根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；
特征确定模块，用于确定每个所述音频段的声纹特征；
总相似度确定模块，用于根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；
处理模块，用于将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
第三方面，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。
第四方面，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。
通过上述技术方案，本公开首先根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。之后提取每个音频段的声纹特征，再根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度。最后，将属于目标角色标签的音频段标记为指定标签，其中，目标角色标签的总相似度小于第一相似度阈值，指定标签用于指示音频段的归属待定。本公开通过提取每个音频段的声纹特征，以确定每种角色标签的总相似度，从而确定每个音频段的标签，能够有效提高语音识别的准确度，并能够有效减少特定音频段对语音识别的准确度的干扰。
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
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种语音的识别方法的流程图；
图2是根据一示例性实施例示出的另一种语音的识别方法的流程图；
图3是根据一示例性实施例示出的另一种语音的识别方法的流程图；
图4是根据一示例性实施例示出的另一种语音的识别方法的流程图；
图5是根据一示例性实施例示出的另一种语音的识别方法的流程图；
图6是根据一示例性实施例示出的一种语音的识别装置的框图；
图7是根据一示例性实施例示出的另一种语音的识别装置的框图；
图8是根据一示例性实施例示出的另一种语音的识别装置的框图；
图9是根据一示例性实施例示出的另一种语音的识别装置的框图；
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种语音的识别方法的流程图，如图1所示，该方法可以包括以下步骤：
步骤101，根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。
举例来说，首先获取待识别语音，待识别语音例如可以是终端设备的声音采集装置(例如麦克风)采集到的语音，也可以是终端设备本地存储的语音，还可以是终端设备从互联网或者数据库中获取的语音。待识别语音可以是一个或多个，每个待识别语音的时长可以为任意时长，例如可以是30s、120s、2000s等，本公开对此不作具体限定。在得到待识别语音后，可以按照预设的识别方式对待识别语音进行识别，以确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。其中，音频段可以理解为待识别语音中的一段对话，角色标签可以理解为说话人标识，指示对应的音频段属于该角色标签(即对话的归属)。角色标签可以用于指示具体的说话人，也可以用于区分不同的说话人。例如，角色标签可以包括：张三、李四、王五，用于指示具体的说话人。再比如，角色标签也可以包括：A、B、C，以区分待识别语音中有三个不同的说话人。
预设的识别方式可以是任一种说话人识别(英文：Speaker Recognition)的方式，或者说话人分割聚类(英文：Speaker Diarization)的方式，本公开对此不作具体限定。例如可以利用预先训练的说话人识别模型对待识别语音进行识别，说话人识别模型能够输出至少一个音频段，以及每个音频段所属的角色标签。也可以先提取待识别语音中每个音频帧的声纹特征，然后根据声纹特征对音频帧进行聚类，将聚类得到的簇中时序连续的音频帧作为一个音频段，最后为每个簇中的音频段标记一种角色标签。需要说明的是，在确定每个音频段所属的角色标签的同时，还可以将每个音频段转录为文字信息，然后将该音频段对应的文字信息标记为所属的角色标签。也就是说，角色标签既可以用于标记音频段，也可以用于标记音频段对应的文字信息，本公开对此不作具体限定。
步骤102，确定每个音频段的声纹特征。
示例的，可以对每个音频段进行特征提取，以得到每个音频段的声纹特征(可以称为声纹embedding)，声纹特征可以理解为能够区分不同说话人的向量，能够表征该音频段。声纹特征可以包括多个维度，例如可以包括：音高、音量、语速，还可以包括：噪声水平、音调、响度等。具体的，可以利用sox、librosa、straight等音频处理工具来提取每个音频段的声纹特征。也可以利用预先训练的声纹提取模型提取每个音频段的声纹特征，其中，声纹提取模型可以是独立训练得到的，也可以是说话人识别模型中的一部分。也就是说，每个音频段的声纹特征可以是在获取至少一个音频段以及每个音频段所属的角色标签之后单独提取的，也可以在获取至少一个音频段以及每个音频段所属的角色标签的过程中提取的，本公开对此不作具体限定。
步骤103，根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度。
步骤104，将总相似度小于第一相似度阈值的角色标签确定为目标角色标签，并将属于目标角色标签的音频段标记为指定标签，指定标签用于指示音频段的归属待定。
示例的，由于声纹特征能够区分不同说话人，因此，属于相同角色标签的音频段的声纹特征应该很相似，而属于不同角色标签的音频段的声纹特征应该不相似。因此，可以分别确定每种角色标签的总相似度，来确定该角色标签的标记是否准确。具体的，可以先整合属于该角色标签的音频段(可以为一个或多个)，然后根据属于该角色标签的音频段的声纹特征，确定该角色标签的总相似度。总相似度能够反映属于该角色标签的音频段之间的相似程度(或者聚合程度)，也可以理解为总相似度能够反映属于该角色标签的音频段的声纹特征之间的相似程度(或者聚合程度)。也就是说，总相似度越大，表明属于该角色标签的音频段越聚合，总相似度越小，表明属于该角色标签的音频段越离散。
具体的，总相似度的确定方式例如可以为：先确定属于该角色标签的每两个音频段的声纹特征的余弦相似度，然后根据多个余弦相似度的方差确定总相似度。再比如，可以先确定属于该角色标签的音频段的声纹特征的协方差矩阵，然后根据协方差矩阵确定总相似度。在得到每种角色标签的总相似度之后，可以分别将每种角色标签的总相似度与第一相似度阈值进行比较，若总相似度小于第一相似度阈值，那么可以确定对应的角色标签为目标角色标签，然后再将属于目标角色标签的音频段标记为指定标签，其中指定标签用于指示音频段的归属待定。也就是说，将步骤101中确定的，属于目标角色标签的音频段被标记为指定标签，用于说明该音频段的归属并不是目标角色标签，该音频段有可能属于其他的角色标签，也可能不属于任何一个角色标签。在一种实现方式中，指定标签的形式可以是：未知标签或者待定标签，用于提示音频段对应的说话人待定。在另一种实现方式中，指定标签的形式可以包括：错误标签和/或未知标签。其中，错误标签用于指示音频段标记错误(即音频段并不属于目标角色标签)，未知标签用于指示音频段的归属未知(即音频段不属于任何一个角色标签)。这样，可以对标记了指定标签的音频段做进一步的分辨和调整，从而避免了由于背景噪声干扰、说话人吐字含糊导致的识别错误。其中，第一相似度阈值可以根据需求具体调整，第一相似度阈值与语音识别的准确度成正比，与待识别语音中，被标记为指定标签的音频段的数量成正比。
综上所述，本公开首先根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。之后提取每个音频段的声纹特征，再根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度。最后，将属于目标角色标签的音频段标记为指定标签，其中，目标角色标签的总相似度小于第一相似度阈值，指定标签用于指示音频段的归属待定。本公开通过提取每个音频段的声纹特征，以确定每种角色标签的总相似度，从而确定每个音频段的标签，能够有效提高语音识别的准确度，并能够有效减少特定音频段对语音识别的准确度的干扰。
图2是根据一示例性实施例示出的另一种语音的识别方法的流程图，如图2所示，该方法还可以包括以下步骤：
步骤105，根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总声纹特征。
步骤106，根据属于该角色标签的音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的音频段的相似度。
步骤107，将相似度小于第二相似度阈值的音频段标记为指定标签。
举例来说，由于声纹特征能够区分不同说话人，因此，属于相同角色标签的音频段的声纹特征应该很相似，而属于不同角色标签的音频段的声纹特征应该不相似。针对每种角色标签，如果属于该角色标签的音频段有多个，那么多个音频段的声纹特征之间应该很相似。因此，还可以根据属于该角色标签的多个音频段的声纹特征，与该角色标签的总声纹特征进行比较，以确定属于该角色标签的每个音频段是否标记准确。
具体的，针对每种角色标签，可以先整合属于该角色标签的多个音频段，然后根据属于该角色标签的多个音频段的声纹特征，确定该角色标签的总声纹特征。总声纹特征能够从整体上反映属于该角色标签的多个音频段的特征。例如，可以将多个音频段的声纹特征的平均值，作为该角色标签的总声纹特征。也可以将多个音频段的声纹特征的中位数，作为该角色标签的总声纹特征。之后，可以根据属于该角色标签的每个音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的每个音频段的相似度。具体的，可以将属于该角色标签的每个音频段的声纹特征，和该角色标签的总声纹特征的余弦相似度(也可以是Pearson相关系数、Jaccard相似系数、欧几里得距离等)，作为属于该角色标签的每个音频段的相似度。例如，待识别语音中，有音频段a、音频段b、音频段c共3个音频段属于角色标签A，可以计算音频段a的声纹特征，和角色标签A的总声纹特征的余弦相似度，以作为音频段a的相似度，计算音频段b的声纹特征，和角色标签A的总声纹特征的余弦相似度，以作为音频段b的相似度，计算音频段c的声纹特征，和角色标签A的总声纹特征的余弦相似度，以作为音频段c的相似度，从而得到上述3个音频段的相似度。
针对每种角色标签，都执行上述步骤，可以得到待识别语音中每个音频段的相似度。之后，可以将分别将每个音频段的相似度与第二相似度阈值进行比较，若相似度小于第二相似度阈值，那么可以将对应的音频段标记为指定标签，以说明该音频段标记的归属待定。其中，第二相似度阈值可以根据需求具体调整，第二相似度阈值与语音识别的准确度成正比，与待识别语音中，被标记为指定标签的音频段的数量成正比。
图3是根据一示例性实施例示出的另一种语音的识别方法的流程图，如图3所示，步骤103的实现方式可以包括：
步骤1031，根据属于该角色标签的音频段的声纹特征，确定声纹协方差矩阵。
步骤1032，根据声纹协方差矩阵确定该角色标签的总相似度。
示例的，确定每种角色标签的总相似度，可以先根据属于该角色标签的音频段的声纹特征，确定声纹协方差矩阵。声纹协方差矩阵中的每个元素，是属于该角色标签的各个音频段的声纹特征之间的协方差。之后，可以根据声纹协方差矩阵的迹(英文：Trace)或者行列式，确定该角色标签的总相似度。总相似度与声纹协方差矩阵的迹或者行列式负相关，即声纹协方差矩阵的迹(或者行列式)越大，总相似度越小，声纹协方差矩阵的迹(或者行列式)越小，总相似度越大。例如，可以将声纹协方差矩阵的迹的负数，作为该角色标签的总相似度。
在一种实现方式中，步骤105可以通过以下方式来实现：
将属于每种角色标签的音频段的声纹特征的平均值，作为该角色标签的总声纹特征。
步骤106可以通过以下方式来实现：
确定属于该角色标签的音频段的声纹特征，与该角色标签的总声纹特征的余弦相似度，以作为属于该角色标签的音频段的相似度。
示例的，确定每个音频段的相似度时，可以先确定该音频段所属的角色标签的总声纹特征。具体的，可以将属于该角色标签的所有音频段的声纹特征的平均值，作为该角色标签的总声纹特征。之后，针对每个音频段，可以计算该音频段的声纹特征，与该音频段所属的角色标签的总声纹特征的余弦相似度，并将余弦相似度作为该音频段的相似度。
图4是根据一示例性实施例示出的另一种语音的识别方法的流程图，如图4所示，步骤101可以包括：
步骤1011，对待识别语音包括的多个音频帧进行聚类，以得到至少一个音频段。
步骤1012，根据每个音频段，确定该音频段对应的文本信息，以及该音频段所属的角色标签。
举例来说，要确定待识别语音中的音频段，和音频段所属的角色标签，可以先提取出待识别语音中包括的多个音频帧。然后对多个音频帧进行聚类，得到至少一个簇，每个簇中包括多个音频帧。然后针对每个簇，根据该簇中包括的多个音频帧在待识别语音中的时序是否连续，对该簇中包括的多个音频帧进行整合，得到至少一个音频段，也就是说，每个音频段中包括的音频帧的时序是连续的，并且都属于同一个簇。之后，可以利用预设的转换模型或者转换算法将每个音频段转换为对应的文本信息。同时，还可以为每个簇分配一个角色标签，并将属于同一个簇的音频段，标记为该簇对应的角色标签。进一步的，还可以将属于同一个簇的音频段对应的文本信息，标记为该簇对应的角色标签。
图5是根据一示例性实施例示出的另一种语音的识别方法的流程图，如图5所示，该方法还可以包括：
步骤108，将时长小于指定时长阈值的音频段标记为指定标签。和/或，将对应的文本信息的文本长度小于指定长度阈值的音频段，标记为指定标签。
举例来说，音频段的时长越短，那么音频段的声纹特征中所包含的声纹信息越不准确，也可以理解为声纹特征中所包含的声纹信息量越小，可能导致识别出现偏差。因此，可以根据音频段的时长进行筛选，若时长小于指定时长阈值(例如：1s)，那么将对应的音频段标记为指定标签，以说明该音频段的归属待定。音频段的时长还反映在音频段对应的文本信息的文本长度上，音频段的时长越长，对应的文本信息的文本长度越长，音频段的时长越短，对应的文本信息的文本长度越短。因此，还可以根据音频段对应的文本信息的文本长度进行筛选，若文本长度小于指定长度(例如：2个字符)，那么将对应的音频段标记为指定标签，以说明该音频段的归属待定。这样，能够避免由于声纹特征所包含的声纹信息不准确导致的识别错误。
综上所述，本公开首先根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。之后提取每个音频段的声纹特征，再根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度。最后，将属于目标角色标签的音频段标记为指定标签，其中，目标角色标签的总相似度小于第一相似度阈值，指定标签用于指示音频段的归属待定。本公开通过提取每个音频段的声纹特征，以确定每种角色标签的总相似度，从而确定每个音频段的标签，能够有效提高语音识别的准确度，并能够有效减少特定音频段对语音识别的准确度的干扰。
图6是根据一示例性实施例示出的一种语音的识别装置的框图，如图6所示，该装置200包括：
识别模块201，用于根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。
特征确定模块202，用于确定每个音频段的声纹特征。
总相似度确定模块203，用于根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度。
处理模块204，用于将总相似度小于第一相似度阈值的角色标签确定为目标角色标签，并将属于目标角色标签的音频段标记为指定标签，指定标签用于指示音频段的归属待定。
图7是根据一示例性实施例示出的另一种语音的识别装置的框图，如图7所示，该装置200还可以包括：
总特征确定模块205，用于根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总声纹特征。
相似度确定模块206，用于根据属于该角色标签的音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的音频段的相似度。
处理模块204，还用于将相似度小于第二相似度阈值的音频段标记为指定标签。
图8是根据一示例性实施例示出的另一种语音的识别装置的框图，如图8所示，总相似度确定模块203可以包括：
矩阵确定子模块2031，用于根据属于该角色标签的音频段的声纹特征，确定声纹协方差矩阵。
总相似度确定子模块2032，用于根据声纹协方差矩阵确定该角色标签的总相似度。
在一种实现方式中，总特征确定模块205可以用于：
将属于每种角色标签的音频段的声纹特征的平均值，作为该角色标签的总声纹特征。
相似度确定模块206可以用于：
确定属于该角色标签的音频段的声纹特征，与该角色标签的总声纹特征的余弦相似度，以作为属于该角色标签的音频段的相似度。
图9是根据一示例性实施例示出的另一种语音的识别装置的框图，如图9所示，识别模块201可以包括：
聚类子模块2011，用于对待识别语音包括的多个音频帧进行聚类，以得到至少一个音频段。
识别子模块2012，用于根据每个音频段，确定该音频段对应的文本信息，以及该音频段所属的角色标签。
在另一种实现方式中，处理模块204还可以用于：
将时长小于指定时长阈值的音频段标记为指定标签。和/或，将对应的文本信息的文本长度小于指定长度阈值的音频段，标记为指定标签。
在另一种实现方式中，指定标签包括：错误标签和/或未知标签。其中，错误标签用于指示音频段标记错误，未知标签用于指示音频段的归属未知。
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。
综上所述，本公开首先根据获取到的待识别语音，确定待识别语音中包括的至少一个音频段，以及每个音频段所属的角色标签。之后提取每个音频段的声纹特征，再根据属于每种角色标签的音频段的声纹特征，确定该角色标签的总相似度。最后，将属于目标角色标签的音频段标记为指定标签，其中，目标角色标签的总相似度小于第一相似度阈值，指定标签用于指示音频段的归属待定。本公开通过提取每个音频段的声纹特征，以确定每种角色标签的总相似度，从而确定每个音频段的标签，能够有效提高语音识别的准确度，并能够有效减少特定音频段对语音识别的准确度的干扰。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备(例如可以上述实施例中的执行主体，可以是终端设备或服务器)300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10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10所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备300，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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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，终端设备、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：根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；确定每个所述音频段的声纹特征；根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
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，例如，特征确定模块还可以被描述为“确定声纹特征的模块”。
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提供了一种语音的识别方法，包括：根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；确定每个所述音频段的声纹特征；根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
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，所述方法还包括：根据属于每种所述角色标签的所述音频段的声纹特征，确定该角色标签的总声纹特征；根据属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的所述音频段的相似度；将所述相似度小于第二相似度阈值的所述音频段标记为所述指定标签。
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，所述根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度，包括：根据属于该角色标签的所述音频段的声纹特征，确定声纹协方差矩阵；根据所述声纹协方差矩阵确定该角色标签的所述总相似度。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述根据属于每种所述角色标签的所述音频段的声纹特征，确定该角色标签的总声纹特征，包括：将属于每种所述角色标签的所述音频段的声纹特征的平均值，作为该角色标签的所述总声纹特征；所述根据属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的所述音频段的相似度，包括：确定属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征的余弦相似度，以作为属于该角色标签的所述音频段的相似度。
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4的方法，所述根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签，包括：对所述待识别语音包括的多个音频帧进行聚类，以得到至少一个所述音频段；根据每个所述音频段，确定该音频段对应的文本信息，以及该音频段所属的所述角色标签。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述方法还包括：将时长小于指定时长阈值的所述音频段标记为所述指定标签；和/或，将对应的文本信息的文本长度小于指定长度阈值的所述音频段，标记为所述指定标签。
根据本公开的一个或多个实施例，示例7提供了示例1的方法，所述指定标签包括：错误标签和/或未知标签；所述错误标签用于指示音频段标记错误，所述未知标签用于指示音频段的归属未知。
根据本公开的一个或多个实施例，示例8提供了一种语音的识别装置，包括：识别模块，用于根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；特征确定模块，用于确定每个所述音频段的声纹特征；总相似度确定模块，用于根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；处理模块，用于将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述装置还包括：总特征确定模块，用于根据属于每种所述角色标签的所述音频段的声纹特征，确定该角色标签的总声纹特征；相似度确定模块，用于根据属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的所述音频段的相似度；所述处理模块，还用于将所述相似度小于第二相似度阈值的所述音频段标记为所述指定标签。
根据本公开的一个或多个实施例，示例10提供了示例8的装置，所述总相似度确定模块包括：矩阵确定子模块，用于根据属于该角色标签的所述音频段的声纹特征，确定声纹协方差矩阵；总相似度确定子模块，用于根据所述声纹协方差矩阵确定该角色标签的所述总相似度。
根据本公开的一个或多个实施例，示例11提供了示例9的装置，所述总特征确定模块用于：将属于每种所述角色标签的所述音频段的声纹特征的平均值，作为该角色标签的所述总声纹特征；所述相似度确定模块用于：确定属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征的余弦相似度，以作为属于该角色标签的所述音频段的相似度。
根据本公开的一个或多个实施例，示例12提供了示例8至示例11的装置，所述识别模块包括：聚类子模块，用于对所述待识别语音包括的多个音频帧进行聚类，以得到至少一个所述音频段；识别子模块，用于根据每个所述音频段，确定该音频段对应的文本信息，以及该音频段所属的所述角色标签。
根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述处理模块还用于：将时长小于指定时长阈值的所述音频段标记为所述指定标签；和/或，将对应的文本信息的文本长度小于指定长度阈值的所述音频段，标记为所述指定标签。
根据本公开的一个或多个实施例，示例14提供了示例8的装置，所述指定标签包括：错误标签和/或未知标签；所述错误标签用于指示音频段标记错误，所述未知标签用于指示音频段的归属未知。
根据本公开的一个或多个实施例，示例15提供了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示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例，示例16提供了一种电子设备，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，以实现示例1至示例7中所述方法的步骤。
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 (10)

1.一种语音的识别方法，其特征在于，所述方法包括：
根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；
确定每个所述音频段的声纹特征；
根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；
将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据属于每种所述角色标签的所述音频段的声纹特征，确定该角色标签的总声纹特征；
根据属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的所述音频段的相似度；
将所述相似度小于第二相似度阈值的所述音频段标记为所述指定标签。
3.根据权利要求1所述的方法，其特征在于，所述根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度，包括：
根据属于该角色标签的所述音频段的声纹特征，确定声纹协方差矩阵；
根据所述声纹协方差矩阵确定该角色标签的所述总相似度。
4.根据权利要求2所述的方法，其特征在于，所述根据属于每种所述角色标签的所述音频段的声纹特征，确定该角色标签的总声纹特征，包括：
将属于每种所述角色标签的所述音频段的声纹特征的平均值，作为该角色标签的所述总声纹特征；
所述根据属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征，确定属于该角色标签的所述音频段的相似度，包括：
确定属于该角色标签的所述音频段的声纹特征，与该角色标签的总声纹特征的余弦相似度，以作为属于该角色标签的所述音频段的相似度。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签，包括：
对所述待识别语音包括的多个音频帧进行聚类，以得到至少一个所述音频段；
根据每个所述音频段，确定该音频段对应的文本信息，以及该音频段所属的所述角色标签。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将时长小于指定时长阈值的所述音频段标记为所述指定标签；和/或，
将对应的文本信息的文本长度小于指定长度阈值的所述音频段，标记为所述指定标签。
7.根据权利要求1所述的方法，其特征在于，所述指定标签包括：错误标签和/或未知标签；
所述错误标签用于指示音频段标记错误，所述未知标签用于指示音频段的归属未知。
8.一种语音的识别装置，其特征在于，所述装置包括：
识别模块，用于根据获取到的待识别语音，确定所述待识别语音中包括的至少一个音频段，以及每个所述音频段所属的角色标签；
特征确定模块，用于确定每个所述音频段的声纹特征；
总相似度确定模块，用于根据属于每种角色标签的所述音频段的声纹特征，确定该角色标签的总相似度；
处理模块，用于将所述总相似度小于第一相似度阈值的所述角色标签确定为目标角色标签，并将属于所述目标角色标签的所述音频段标记为指定标签，所述指定标签用于指示音频段的归属待定。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有一个或多个计算机程序；
一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202111405339.6A 2021-11-24 2021-11-24 语音的识别方法、装置、可读介质和电子设备 Pending CN114023315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111405339.6A CN114023315A (zh) 2021-11-24 2021-11-24 语音的识别方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111405339.6A CN114023315A (zh) 2021-11-24 2021-11-24 语音的识别方法、装置、可读介质和电子设备

Publications (1)

Publication Number Publication Date
CN114023315A true CN114023315A (zh) 2022-02-08

Family

ID=80066182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111405339.6A Pending CN114023315A (zh) 2021-11-24 2021-11-24 语音的识别方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN114023315A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114694650A (zh) * 2022-03-29 2022-07-01 青岛海尔科技有限公司 智能设备的控制方法和装置、存储介质及电子设备
CN116597839A (zh) * 2023-07-17 2023-08-15 山东唐和智能科技有限公司 一种智能语音交互系统及方法
CN117116263A (zh) * 2023-09-15 2023-11-24 广州易云信息技术有限公司 一种基于语音识别的智能机器人唤醒方法、装置及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114694650A (zh) * 2022-03-29 2022-07-01 青岛海尔科技有限公司 智能设备的控制方法和装置、存储介质及电子设备
CN116597839A (zh) * 2023-07-17 2023-08-15 山东唐和智能科技有限公司 一种智能语音交互系统及方法
CN116597839B (zh) * 2023-07-17 2023-09-19 山东唐和智能科技有限公司 一种智能语音交互系统及方法
CN117116263A (zh) * 2023-09-15 2023-11-24 广州易云信息技术有限公司 一种基于语音识别的智能机器人唤醒方法、装置及存储介质
CN117116263B (zh) * 2023-09-15 2024-04-12 广州易云信息技术有限公司 一种基于语音识别的智能机器人唤醒方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN112115706B (zh) 文本处理方法、装置、电子设备及介质
CN114023315A (zh) 语音的识别方法、装置、可读介质和电子设备
CN113470619B (zh) 语音识别方法、装置、介质及设备
CN112906381B (zh) 对话归属的识别方法、装置、可读介质和电子设备
CN113378586B (zh) 语音翻译方法、翻译模型训练方法、装置、介质及设备
CN112364829B (zh) 一种人脸识别方法、装置、设备及存储介质
CN112906380A (zh) 文本中角色的识别方法、装置、可读介质和电子设备
CN113889113A (zh) 分句方法、装置、存储介质及电子设备
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN111667810A (zh) 多音字语料的获取方法、装置、可读介质和电子设备
CN114443891A (zh) 编码器的生成方法、指纹提取方法、介质及电子设备
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
CN112242143B (zh) 一种语音交互方法、装置、终端设备及存储介质
CN109887492A (zh) 一种数据处理方法、装置和电子设备
CN113724698B (zh) 语音识别模型的训练方法、装置、设备及存储介质
WO2021151354A1 (zh) 一种单词识别方法、装置、计算机设备和存储介质
CN114550728A (zh) 用于标记说话人的方法、装置和电子设备
CN114429629A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN113051400A (zh) 标注数据确定方法、装置、可读介质及电子设备
CN113223496A (zh) 一种语音技能测试方法、装置及设备
CN111460214A (zh) 分类模型训练方法、音频分类方法、装置、介质及设备
CN113488050A (zh) 语音唤醒方法、装置、存储介质及电子设备
CN113033682A (zh) 视频分类方法、装置、可读介质、电子设备
CN108831473B (zh) 一种音频处理方法及装置
CN112509581A (zh) 语音识别后文本的纠错方法、装置、可读介质和电子设备

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