CN114038465A - 语音处理方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了语音处理方法、装置和电子设备。该方法的一具体实施方式包括：接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果。该实施方式可以降低语音识别结果的输出延迟。

Description

语音处理方法、装置和电子设备

技术领域

本公开实施例涉及计算机技术领域，具体涉及语音处理方法、装置和电子设备。

背景技术

流式语音识别作为语音产品的重要应用场景之一，对高准确度和低延迟均有着较强的要求。为了提升流式语音的识别准确度，常使用双向神经网络来进行声学建模。自注意力网络(Self-Attention Networks，SAN)作为其中的一种，凭借计算并行性高、建模效果强的特点在语音产品中的使用日益增多。但在SAN的建模过程中，随着利用的将来帧信息增多，其建模后的识别准确度虽会相应提升，但是识别延迟亦会相应增加。如何在保证识别准确度不变的情况下，能够低延迟地产生识别结果，是基于SAN的流式语音识别产品中值得关注的技术问题。

发明内容

提供该公开内容部分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。该公开内容部分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。

本公开实施例提供了一种语音处理方法、装置和电子设备，可以在保证识别准确度不变的情况下，降低语音识别结果的输出延迟。

第一方面，本公开实施例提供了一种语音处理方法，包括：接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

第二方面，本公开实施例提供了一种语音处理装置，包括：接收单元，用于接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；识别单元，用于基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

第三方面，本公开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，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的语音处理方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的语音处理方法的步骤。

本公开实施例提供的语音处理方法、装置和电子设备，通过接收待识别的语音块作为当前语音块；之后，基于上述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果。通过这种方式，可以对当前语音块的将来帧的语音识别结果进行上屏呈现，并在接收到后一个语音块的当前帧的语音识别结果之后，利用后一个语音块的当前帧的语音识别结果对当前语音块的将来帧的语音识别结果进行更新，从而可以在保证识别准确度不变的情况下，降低语音识别结果的输出延迟。

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。

图1是本公开的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的语音处理方法的一个实施例的流程图；

图3是根据本公开的语音处理方法的又一个实施例的流程图；

图4是根据本公开的语音处理方法的再一个实施例的流程图；

图5是根据本公开的语音处理方法的一个应用场景的示意图；

图6是根据本公开的语音处理装置的一个实施例的结构示意图；

图7是适于用来实现本公开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示出了可以应用本公开的语音处理方法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1011、1012、1013，网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102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1011、1012、1013通过网络102与服务器103交互，以发送或接收消息等，例如，服务器103可以接收终端设备1011、1012、1013发送的语音信息，终端设备1011、1012、1013也可以接收服务器103输出的语音识别结果，终端设备1011、1012、1013还可以从服务器103获取语音识别模型。终端设备1011、1012、1013上可以安装有各种通讯客户端应用，例如语音识别类应用、即时通讯软件等。

终端设备1011、1012、1013可以接收待识别的语音块作为当前语音块；之后，基于上述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果。

终端设备1011、1012、1013可以是硬件，也可以是软件。当终端设备1011、1012、1013为硬件时，可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备1011、1012、1013为软件时，可以安装在上述所列举的电子设备中。其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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以是提供各种服务的服务器。例如，可以是对从终端设备1011、1012、1013接收到的待识别的语音块进行处理的服务器。服务器103可以从终端设备1011、1012、1013接收待识别的语音块作为当前语音块；之后，基于上述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果。例如，可以将当前语音块的将来帧的语音识别结果输出到终端设备1011、1012、1013。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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。

还需要说明的是，本公开实施例所提供的语音处理方法可以由终端设备1011、1012、1013执行，此时，语音处理装置通常设置于终端设备1011、1012、1013中。本公开实施例所提供的语音处理方法也可以由服务器103执行，此时，语音处理装置通常设置于服务器103中。

还需要说明的是，在本公开实施例所提供的语音处理方法由终端设备1011、1012、1013执行的情况下，若终端设备1011、1012、1013的本地存储有预先训练的语音识别模型，此时示例性系统架构100可以不存在网络102和服务器103。

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，示出了根据本公开的语音处理方法的一个实施例的流程200。该语音处理方法，包括以下步骤：

步骤201，接收待识别的语音块作为当前语音块。

在本实施例中，语音处理方法的执行主体(例如图1所示的终端设备或服务器)可以接收待识别的语音块作为当前语音块。上述待识别的语音块通常是以语音流的形式传入的，语音流通常是指语音能够被作为一个稳定的和连续的流通过网络进行传输和处理。

在这里，在流式语音识别场景中，通常将一句完整的语音切分成若干个互有重叠的语音块，每个语音块通常包含过去帧(Np帧)、当前帧(Nc帧)和将来帧(Nf帧)，每个语音块的帧数大小通常是相等的。其中，过去帧和将来帧用来给当前帧的语音识别提供上下文，当前帧对应的识别结果用作流式上屏。通常是按照从左到右的顺序依次对切分的语音块进行流式识别，每次移动的幅度为当前帧的帧数大小，计算至最后一个语音块结束。

步骤202，基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果。

在本实施例中，上述执行主体可以基于当前语音块，执行如下语音识别步骤。

在本实施例中，语音识别步骤202可以包括子步骤2021、2022、2023和2024。其中：

步骤2021，基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果。

在本实施例中，上述执行主体可以基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果。在这里，可以利用现有的语音识别方法对当前语音块进行语音识别，具体的语音识别方法在此不再赘述。

步骤2022，确定是否存在当前语音块的前一个语音块。

在本实施例中，上述执行主体可以确定是否存在当前语音块的前一个语音块。当前语音块的前一个语音块的当前帧通常是在当前语音块的当前帧之前且与当前语音块的当前帧相邻，即从前一个语音块起向后移位当前帧的帧数大小可以得到当前语音块。

若存在当前语音块的前一个语音块，则上述执行主体可以执行步骤2023。

步骤2023，若存在当前语音块的前一个语音块，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新。

在本实施例中，若在步骤2022中确定出存在当前语音块的前一个语音块，则上述执行主体可以利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新。在这里，上述目标识别结果可以包括前一个语音块的将来帧的语音识别结果。

通常来说，在对前一个语音块进行语音识别得到前一个语音块的将来帧的语音识别结果之后，可以对前一个语音块的将来帧的语音识别结果进行呈现(也可以称为虚上屏)。此时，若确定出存在当前语音块的前一个语音块，则可以利用当前语音块的当前帧的语音识别结果对前一个语音块的将来帧的语音识别结果进行更新。

由于对前一个语音块的将来帧进行语音识别时，仅将前一个语音块的过去帧和当前帧作为前一个语音块的将来帧的上下文信息，即该上下文信息中仅包含过去的语音信息，而不包含将来的语音信息。而对当前语音块的当前帧(此时的当前帧包括前一个语音块的将来帧)进行语音识别时，其上下文信息包含过去的语音信息和将来的语音信息这两者。因此，相比于前一个语音块的将来帧的语音识别结果，当前语音块的当前帧的语音识别结果会更准确。利用当前语音块的当前帧的语音识别结果对前一个语音块的将来帧的语音识别结果进行更新，可以使得最终的识别结果更准确。

步骤2024，输出当前语音块的将来帧的语音识别结果。

在本实施例中，上述执行主体可以输出在步骤2021中得到的当前语音块的将来帧的语音识别结果。

若上述执行主体为服务器，则上述执行主体可以将当前语音块的将来帧的语音识别结果输出至语音块所来源的用户终端，以供上述用户终端对当前语音块的将来帧的语音识别结果进行上屏呈现。

若上述执行主体为用户终端，则上述执行主体可以对当前语音块的将来帧的语音识别结果进行上屏呈现。

本公开的上述实施例提供的方法通过接收待识别的语音块作为当前语音块；之后，基于上述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果。通过这种方式，可以对当前语音块的将来帧的语音识别结果进行上屏呈现，并在接收到后一个语音块的当前帧的语音识别结果之后，利用后一个语音块的当前帧的语音识别结果对当前语音块的将来帧的语音识别结果进行更新，从而可以在保证识别准确度不变的情况下，降低语音识别结果的输出延迟。

具体来说，对语音块进行语音识别时，需考虑当前帧的过去帧和将来帧，因此会等待当前帧的将来帧到来之后，才会对当前帧所在的语音块进行语音识别，这就会产生由于等待将来帧Nf所带来的Nf帧的延迟。同时，对于的当前帧来说，在当前帧部分中前部的内容延迟较多，后部的内容延迟较少，从期望的角度来看，当前帧部分的延迟期望为Nc/2帧。因此，现有技术识别结果上屏的实际延迟为Nf+Nc/2帧。通过上述实施例提供的这种方式，可以将识别结果上屏的实际延迟Nf+Nc/2帧降低至(Nf+Nc)/2帧。

需要说明的是，可以进一步通过调节Nf的数值，从而实现对流式语音产品的识别延迟的控制。

进一步参考图3，其示出了语音处理方法的又一个实施例的流程300。该语音处理方法的流程300，包括以下步骤：

步骤301，接收待识别的语音块作为当前语音块。

在本实施例中，步骤301可以按照与步骤201类似的方式执行，在此不再赘述。

步骤302，基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果；确定是否接收到当前语音块的移位语音块；若接收到当前语音块的移位语音块，则基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果；输出移位语音块中目标帧的语音识别结果。

在本实施例中，上述执行主体可以基于当前语音块，执行如下语音识别步骤。

在本实施例中，语音识别步骤302可以包括子步骤3021、3022、3023、3024、3025、3026、3027。其中：

步骤3021，基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果。

步骤3022，确定是否存在当前语音块的前一个语音块。

步骤3023，若存在当前语音块的前一个语音块，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新。

步骤3024，输出当前语音块的将来帧的语音识别结果。

在本实施例中，步骤3021-3024可以按照与步骤2021-2024类似的方式执行，在此不再赘述。

步骤3025，确定是否接收到当前语音块的移位语音块。

在本实施例中，语音处理方法的执行主体(例如图1所示的终端设备或服务器)可以确定是否接收到当前语音块的移位语音块。移位语音块可以为当前语音块向后移位目标帧数所得到的语音块，上述目标帧数可以为将来帧的帧数的整数倍。具体地，上述目标帧数可以为将来帧的帧数的一倍，即上述目标帧数可以等于将来帧的帧数；上述目标帧数可以为将来帧的帧数的两倍；上述目标帧数可以为将来帧的帧数的三倍等等。

若接收到当前语音块的移位语音块，则上述执行主体可以执行步骤3026。

步骤3026，若接收到当前语音块的移位语音块，则基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果。

在本实施例中，若在步骤3025中确定出接收到当前语音块的移位语音块，则上述执行主体可以基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果。移位语音块的目标帧可以位于移位语音块的尾部且帧数等于将来帧的帧数，此目标帧也可以称为移位语音块的将来帧。

在这里，可以利用现有的语音识别方法对移位语音块进行语音识别，具体的语音识别方法在此不再赘述。

步骤3027，输出移位语音块中目标帧的语音识别结果。

在本实施例中，上述执行主体可以输出在步骤3026中得到的移位语音块中目标帧的语音识别结果。

若上述执行主体为服务器，则上述执行主体可以将移位语音块中目标帧的语音识别结果输出至语音块所来源的用户终端，以供上述用户终端对移位语音块中目标帧的语音识别结果进行上屏呈现。

若上述执行主体为用户终端，则上述执行主体可以对移位语音块中目标帧的语音识别结果进行上屏呈现。

需要说明的是，通常是按照移位语音块的接收时间由前到后的顺序，对呈现出的移位语音块中目标帧的语音识别结果进行由前到后的排序。

从图3中可以看出，与图2对应的实施例相比，本实施例中的语音处理方法的流程300体现了对语音块进行移位处理，并将移位语音块的将来帧的语音识别结果进行输出的步骤。由此，本实施例描述的方案可以对将当前语音块进行移位得到的移位语音块进行语音识别，并语音识别结果进行输出，从而可以进一步降低了输出识别结果的实际延迟。这种方式降低了计算两个语音块中间的识别延迟，将识别延迟从(Nf+Nc)/2帧进一步降至Nf/2帧。

在一些可选的实现方式中，目标识别结果还可以包括前一个语音块的移位语音块中目标帧的语音识别结果。前一个语音块的移位语音块可以是将前一个语音块向后移位目标帧数所得到的语音块，上述目标帧数可以为将来帧的帧数的整数倍，例如，可以为将来帧的帧数的1倍、2倍、3倍、4倍等等。前一个语音块的移位语音块中目标帧通常是位于前一个语音块的移位语音块的尾部且帧数等于将来帧的帧数的语音帧。因此，若存在当前语音块的前一个语音块，则上述执行主体可以利用当前语音块的当前帧的语音识别结果对前一个语音块的移位语音块中目标帧的语音识别结果进行更新。

作为示例，若前一个语音块对应有三个移位语音块，分别为第一个移位语音块、第二个移位语音块和第三个移位语音块，第一个移位语音块为前一个语音块向后移位将来帧的帧数，第二个移位语音块为前一个语音块向后移位将来帧的帧数的二倍，第三个移位语音块为前一个语音块向后移位将来帧的帧数的三倍，其中，第一个移位语音块的将来帧的语音识别结果为R1、第二个移位语音块的将来帧的语音识别结果为R2、第三个移位语音块的将来帧的语音识别结果为R3，则上述执行主体可以利用当前语音块的当前帧的语音识别结果对R1、R2和R3这三个语音识别结果进行更新。

在一些可选的实现方式中，上述目标帧数与将来帧的帧数的比值的最大值可以为目标数值，上述目标数值可以为当前帧的帧数与将来帧的帧数的比值。作为示例，若上述当前帧的帧数为3N，将来帧的帧数为N，则上述目标数值为3，上述目标帧数与将来帧的帧数的比值的最大值为3，此时，当前语音块的移位语音块通常包括将当前语音块分别向后移位将来帧的帧数的1倍、2倍和3倍所得到语音块。通过这种方式可以在降低延迟的情况下，减少语音识别的计算量。

在一些可选的实现方式中，上述语音识别步骤还可以包括：确定是否接收到当前语音块的后一个语音块。当前语音块的后一个语音块的当前帧通常是在当前语音块的当前帧之后且与当前语音块的当前帧相邻，即从当前语音块起向后移位当前帧的帧数大小可以得到后一个语音块。若接收到当前语音块的后一个语音块，则上述执行主体可以将后一个语音块作为当前语音块，继续执行上述语音识别步骤，直至结束语音输入。

进一步参考图4，其示出了语音处理方法的又一个实施例的流程400。该语音处理方法的流程400，包括以下步骤：

步骤401，接收待识别的语音块作为当前语音块。

在本实施例中，步骤401可以按照与步骤201类似的方式执行，在此不再赘述。

步骤402，基于当前语音块，执行如下语音识别步骤：将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新；输出当前语音块的将来帧的语音识别结果；确定是否接收到当前语音块的移位语音块；若接收到当前语音块的移位语音块，则将移位语音块输入语音识别模型中，得到移位语音块中目标帧的语音识别结果；输出移位语音块中目标帧的语音识别结果。

在本实施例中，上述执行主体可以基于当前语音块，执行如下语音识别步骤。

在本实施例中，语音识别步骤402可以包括子步骤4021、4022、4023、4024、4025、4026、4027。其中：

步骤4021，将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果。

在本实施例中，语音处理方法的执行主体(例如图1所示的终端设备或服务器)可以将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果。上述语音识别模型可以用于表征语音块与语音块中语音帧的识别结果之间的对应关系。在使用语音识别模型进行语音识别时，过去帧和将来帧用来给语音识别模型提供上下文信息，从而使得输出的当前帧的语音识别结果更加准确。

步骤4022，确定是否存在当前语音块的前一个语音块。

步骤4023，若存在当前语音块的前一个语音块，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新。

步骤4024，输出当前语音块的将来帧的语音识别结果。

步骤4025，确定是否接收到当前语音块的移位语音块。

在本实施例中，步骤4022-4025可以按照与步骤3022-3025类似的方式执行，在此不再赘述。

步骤4026，若接收到当前语音块的移位语音块，则将移位语音块输入语音识别模型中，得到移位语音块中目标帧的语音识别结果。

在本实施例中，若在步骤4025中确定出接收到当前语音块的移位语音块，则上述执行主体可以将接收到的移位语音块输入上述语音识别模型中，得到移位语音块中目标帧的语音识别结果。移位语音块的目标帧可以位于移位语音块的尾部且帧数等于将来帧的帧数，此目标帧也可以称为移位语音块的将来帧。

在这里，上述语音识别模型可以用于表征语音块与语音块中语音帧的识别结果之间的对应关系。

步骤4027，输出移位语音块中目标帧的语音识别结果。

在本实施例中，步骤4027可以按照与步骤3027类似的方式执行，在此不再赘述。

从图4中可以看出，与图3对应的实施例相比，本实施例中的语音处理方法的流程400体现了利用语音识别模型对当前语音块和移位语音块进行语音识别的步骤。由此，本实施例描述的方案可以进一步提高语音识别准确性。

在一些可选的实现方式中，上述语音识别模型可以是基于自注意力网络训练得到的。上述语音识别模型可以包括但不限于：HMM(Hidden Markov Model，隐马尔可夫模型)框架下的声学模型、CTC(Connectionist temporal classification，基于神经网络的时序类分类)模型、RNN-T(Recurrent Neural Network Transducer，循环神经网络传感器)模型、注意力模型等端到端模型中的基于自注意力网络训练得到的声学模型。

继续参见图5，图5是根据本实施例的语音处理方法的应用场景的一个示意图。在图5的应用场景中，语音数据501被切分成若干互有重叠的语音块进行流式输入。图标502所示为语音块k，包括过去帧Np、当前帧Nc和将来帧Nf。此时，用户终端的屏幕上显示有当前帧Nc对应的语音识别结果R(k)、将来帧Nf对应的语音识别结果R(j)以及语音块k对应的移位语音块503的将来帧对应的语音识别结果R(j+1)。若接收到图标504所示的语音块k+1，可以将语音块k+1输入语音识别模型得到语音块k+1的当前帧的语音识别结果R(k+1)，用户终端可以利用语音识别结果R(k+1)对语音识别结果R(j)以及语音识别结果R(j+1)进行更新。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种语音处理装置的一个实施例，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6所示，本实施例的语音处理装置600包括：接收单元601和识别单元602。其中，接收单元601用于接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；识别单元602用于基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

在本实施例中，语音处理装置600的接收单元601和识别单元602的具体处理可以参考图2对应实施例中的步骤201和步骤202。

在一些可选的实现方式中，上述语音识别步骤还可以包括：确定是否接收到当前语音块的移位语音块，其中，移位语音块为当前语音块向后移位目标帧数所得到的语音块，上述目标帧数为将来帧的帧数的整数倍；若接收到当前语音块的移位语音块，则基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，其中，移位语音块的目标帧位于移位语音块的尾部且帧数等于将来帧的帧数；输出移位语音块中目标帧的语音识别结果。

在一些可选的实现方式中，目标识别结果还可以包括前一个语音块的移位语音块中目标帧的语音识别结果。

在一些可选的实现方式中，上述目标帧数与将来帧的帧数的比值的最大值可以为目标数值，上述目标数值可以为当前帧的帧数与将来帧的帧数的比值。

在一些可选的实现方式中，上述识别单元602可以通过如下方式基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果：将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果；以及上述识别单元602可以通过如下方式基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，包括：将移位语音块输入上述语音识别模型中，得到移位语音块中目标帧的语音识别结果。

在一些可选的实现方式中，上述语音识别模型可以是基于自注意力网络训练得到的。

在一些可选的实现方式中，上述语音识别步骤还可以包括：确定是否接收到当前语音块的后一个语音块，其中，后一个语音块的当前帧在当前语音块的当前帧之后且与当前语音块的当前帧相邻；以及上述装置还可以包括：反馈单元(图中未示出)。上述反馈单元可以用于若接收到当前语音块的后一个语音块，将后一个语音块作为当前语音块，继续执行上述语音识别步骤。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的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7示出的电子设备仅仅是一个示例，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7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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：接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；基于当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

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实施例的操作的计算机程序代码，所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。

根据本公开的一个或多个实施例，提供了一种语音处理方法，该方法包括：接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；基于上述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

根据本公开的一个或多个实施例，上述语音识别步骤还包括：确定是否接收到当前语音块的移位语音块，其中，移位语音块为当前语音块向后移位目标帧数所得到的语音块，上述目标帧数为将来帧的帧数的整数倍；若接收到当前语音块的移位语音块，则基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，其中，移位语音块的目标帧位于移位语音块的尾部且帧数等于将来帧的帧数；输出移位语音块中目标帧的语音识别结果。

根据本公开的一个或多个实施例，目标识别结果还包括前一个语音块的移位语音块中目标帧的语音识别结果。

根据本公开的一个或多个实施例，上述目标帧数与将来帧的帧数的比值的最大值为目标数值，上述目标数值为当前帧的帧数与将来帧的帧数的比值。

根据本公开的一个或多个实施例，基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果，包括：将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果；以及基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，包括：将移位语音块输入上述语音识别模型中，得到移位语音块中目标帧的语音识别结果。

根据本公开的一个或多个实施例，上述语音识别模型是基于自注意力网络训练得到的。

根据本公开的一个或多个实施例，上述语音识别步骤还包括：确定是否接收到当前语音块的后一个语音块，其中，后一个语音块的当前帧在当前语音块的当前帧之后且与当前语音块的当前帧相邻；以及上述方法还包括：若接收到当前语音块的后一个语音块，将后一个语音块作为当前语音块，继续执行上述语音识别步骤。

根据本公开的一个或多个实施例，提供了一种语音处理装置，该装置包括：接收单元，用于接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；识别单元，用于基于上述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

根据本公开的一个或多个实施例，上述语音识别步骤还包括：确定是否接收到当前语音块的移位语音块，其中，移位语音块为当前语音块向后移位目标帧数所得到的语音块，上述目标帧数为将来帧的帧数的整数倍；若接收到当前语音块的移位语音块，则基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，其中，移位语音块的目标帧位于移位语音块的尾部且帧数等于将来帧的帧数；输出移位语音块中目标帧的语音识别结果。

根据本公开的一个或多个实施例，目标识别结果还包括前一个语音块的移位语音块中目标帧的语音识别结果。

根据本公开的一个或多个实施例，上述目标帧数与将来帧的帧数的比值的最大值为目标数值，上述目标数值为当前帧的帧数与将来帧的帧数的比值。

根据本公开的一个或多个实施例，上述识别单元进一步用于通过如下方式基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果：将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果；以及上述识别单元进一步用于通过如下方式基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，包括：将移位语音块输入上述语音识别模型中，得到移位语音块中目标帧的语音识别结果。

根据本公开的一个或多个实施例，上述语音识别模型是基于自注意力网络训练得到的。

根据本公开的一个或多个实施例，上述语音识别步骤还包括：确定是否接收到当前语音块的后一个语音块，其中，后一个语音块的当前帧在当前语音块的当前帧之后且与当前语音块的当前帧相邻；以及上述装置还包括：反馈单元，用于若接收到当前语音块的后一个语音块，将后一个语音块作为当前语音块，继续执行上述语音识别步骤。

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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元和识别单元。其中，这些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，接收单元还可以被描述为“接收待识别的语音块作为当前语音块的单元”。

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，本公开的实施例中所涉及的范围，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本公开构思的情况下，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的实施例中公开的(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 (10)

1.一种语音处理方法，其特征在于，包括：

接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；

基于所述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

2.根据权利要求1所述的方法，其特征在于，所述语音识别步骤还包括：

确定是否接收到当前语音块的移位语音块，其中，移位语音块为当前语音块向后移位目标帧数所得到的语音块，所述目标帧数为将来帧的帧数的整数倍；若接收到当前语音块的移位语音块，则基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，其中，移位语音块的目标帧位于移位语音块的尾部且帧数等于将来帧的帧数；输出移位语音块中目标帧的语音识别结果。

3.根据权利要求2所述的方法，其特征在于，目标识别结果还包括前一个语音块的移位语音块中目标帧的语音识别结果。

4.根据权利要求2所述的方法，其特征在于，所述目标帧数与将来帧的帧数的比值的最大值为目标数值，所述目标数值为当前帧的帧数与将来帧的帧数的比值。

5.根据权利要求2所述的方法，其特征在于，所述基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果，包括：

将当前语音块输入预先训练的语音识别模型，得到当前帧的语音识别结果和将来帧的语音识别结果；以及

所述基于移位语音块进行语音识别，得到移位语音块中目标帧的语音识别结果，包括：

将移位语音块输入所述语音识别模型中，得到移位语音块中目标帧的语音识别结果。

6.根据权利要求5所述的方法，其特征在于，所述语音识别模型是基于自注意力网络训练得到的。

7.根据权利要求1-6之一所述的方法，其特征在于，所述语音识别步骤还包括：

确定是否接收到当前语音块的后一个语音块，其中，后一个语音块的当前帧在当前语音块的当前帧之后且与当前语音块的当前帧相邻；以及

所述方法还包括：

若接收到当前语音块的后一个语音块，将后一个语音块作为当前语音块，继续执行所述语音识别步骤。

8.一种语音处理装置，其特征在于，包括：

接收单元，用于接收待识别的语音块作为当前语音块，其中，语音块包括过去帧、当前帧和将来帧；

识别单元，用于基于所述当前语音块，执行如下语音识别步骤：基于当前语音块进行语音识别，得到当前帧的语音识别结果和将来帧的语音识别结果；确定是否存在当前语音块的前一个语音块，其中，前一个语音块的当前帧在当前语音块的当前帧之前且与当前语音块的当前帧相邻；若存在，则利用当前语音块的当前帧的语音识别结果对目标识别结果进行更新，其中，目标识别结果包括前一个语音块的将来帧的语音识别结果；输出当前语音块的将来帧的语音识别结果。

9.一种电子设备，其特征在于，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images