CN114067781A - 语音识别结果的检测方法、装置和介质 - Google Patents
语音识别结果的检测方法、装置和介质 Download PDFInfo
- Publication number
- CN114067781A CN114067781A CN202111304361.1A CN202111304361A CN114067781A CN 114067781 A CN114067781 A CN 114067781A CN 202111304361 A CN202111304361 A CN 202111304361A CN 114067781 A CN114067781 A CN 114067781A
- Authority
- CN
- China
- Prior art keywords
- text
- feature
- recognition result
- voice recognition
- result
- 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 68
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000036651 mood Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 28
- 238000012549 training Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000013598 vector Substances 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
- G10L15/01—Assessment or evaluation of speech recognition 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
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
- G10L15/144—Training of HMMs
-
- 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
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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
- G10L15/18—Speech classification or search using natural language modelling
-
- 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
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1807—Speech classification or search using natural language modelling using prosody or stress
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例提供了一种语音识别结果的检测方法、装置和介质,其中的方法具体包括:确定语音识别结果对应的文本特征;确定语音对应的韵律特征;根据所述文本特征和所述韵律特征,对所述语音识别结果进行检测,以得到所述语音识别结果对应的检测结果。本发明实施例能够检测语音识别结果中的不流畅问题。
Description
技术领域
本发明实施例涉及语音处理技术领域,特别是涉及一种语音识别结果的检测方法、装置和介质。
背景技术
随着语音识别技术的不断发展,基于语音识别的应用也越来越广泛。语音识别技术已经渗透入家庭生活、办公领域、娱乐等应用场景。目前,用户可以通过例如个人计算机、笔记本电脑、平板电脑、专用的学习终端、智能手机的智能终端上外接或内置的麦克风来输入语音信号(例如,朗读一句话),经由语音识别引擎完成语音识别也即语音信号到文本的转换,并向用户提供对应的语音识别结果。
在实际应用中,用户的口头禅、结巴、修改重说等表达原因,使得语音识别结果中难免存在不流畅。
发明内容
如何检测语音识别结果中的不流畅问题,是本领域技术人员需要解决的技术问题。鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的语音识别结果的检测方法、装置和介质。
为了解决上述问题,本发明实施例公开了一种语音识别结果的检测方法,包括:
确定语音识别结果对应的文本特征;
确定语音对应的韵律特征;
根据所述文本特征和所述韵律特征,对所述语音识别结果进行检测,以得到所述语音识别结果对应的检测结果。
另一方面,本发明实施例公开了一种语音识别结果的检测装置,包括:
文本特征确定模块,用于确定语音识别结果对应的文本特征;
韵律特征确定模块,用于确定语音对应的韵律特征;
检测模块,用于根据所述文本特征和所述韵律特征,对所述语音识别结果进行检测,以得到所述语音识别结果对应的检测结果。
再一方面,本发明实施例公开了一种用于检测语音识别结果的装置,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,所述程序被一个或者一个以上处理器执行时,实现前述方法的步骤。
本发明实施例还公开了一个或多个机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得装置执行前述的方法。
本发明实施例还公开了一种计算机程序产品,所述计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中,且适于由处理器读取并执行,以使得具有所述处理器的计算机设备执行前述的方法。
本发明实施例包括以下优点:
本发明实施例根据语音识别结果对应的文本特征、以及语音对应的韵律特征,对语音识别结果进行检测。上述文本特征能够反映语音识别结果在文本层面的特征,上述韵律特征能够反映语音识别结果在语音层面的特征;本发明实施例结合文本特征和韵律特征,对语音识别结果进行检测,能够检测语音识别结果中的不流畅问题。
附图说明
图1是本发明实施例的一种语音识别结果的检测方法的步骤流程图;
图2是本发明实施例的一种检测模型的训练方法的示意;
图3是本发明实施例的一种语音识别结果的检测方法的步骤流程图;
图4是本发明实施例的一种语音识别结果的检测装置的结构框图;
图5是本发明实施例的一种用于检测语音识别结果的装置1300的框图;
图6是本发明实施例的一种服务端的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
针对如何检测语音识别结果中的不流畅问题的技术问题,本发明实施例提供了一种语音识别结果的检测方法,该方法具体包括:确定语音识别结果对应的文本特征;确定语音对应的韵律特征;以及,根据该文本特征和该韵律特征,对该语音识别结果进行检测,以得到语音识别结果对应的检测结果。
韵律特征,又叫超音质特征或者超音段特征,是指语音中除音质特征之外的音高、音长和音强方面的变化特征。该韵律特征包括但不限于:基音频率、发音持续时间、发音振幅和发音语速等。
本发明实施例根据语音识别结果对应的文本特征、以及语音对应的韵律特征,对语音识别结果进行检测。上述文本特征能够反映语音识别结果在文本层面的特征,上述韵律特征能够反映语音识别结果在语音层面的特征;本发明实施例结合文本特征和韵律特征,对语音识别结果进行检测,能够检测语音识别结果中的不流畅问题。
本发明实施例可以应用于语音识别场景。语音识别场景,可用于对用户输入的语音进行识别,以得到对应的语音识别结果。语音识别场景的例子可以包括:语音打字场景、语音对话场景、个人创作场景、访谈录音场景和语音记事场景等。
本发明实施例可以应用于语音识别引擎的下游,用于针对语音识别引擎输出的语音识别结果,检测其中的不流畅问题。可以根据上述检测结果,对语音识别结果进行修正,以提高语音识别结果的流畅性;进一步,可以将更流畅的语音识别结果输出给用户。
方法实施例一
参照图1,示出了本发明实施例的一种语音识别结果的检测方法的步骤流程图,该方法具体可以包括如下步骤:
步骤101、确定语音识别结果对应的文本特征;
步骤102、确定语音对应的韵律特征;
步骤103、根据该文本特征和该韵律特征,对该语音识别结果进行检测,以得到语音识别结果对应的检测结果。
图1所示方法实施例可由服务端执行,可以理解,本发明实施例对于方法实施例的具体执行主体不加以限制。
在实际应用中,可以从上游(如语音识别引擎)接收语音及其对应的语音识别结果。语音与语音识别结果是相对应的关系,换言之,语音识别结果是对语音进行语音识别得到的文本结果。
语音识别是一个模型匹配的过程,在这个过程中,可以首先根据人的语音特点建立语音模型,通过对输入的语音的分析,抽取所需的特征,来建立语音识别所需的模板;对用户所输入的语音进行识别的过程即是将用户所输入语音的特征与所述模板比较的过程,最后确定与所述用户所输入语音匹配的最佳模板,从而获得语音识别的结果。具体的语音识别算法,可采用基于统计的隐含马尔可夫模型的训练和识别算法,也可采用基于神经网络的训练和识别算法、基于动态时间归整匹配的识别算法等等其他算法,本发明实施例对于具体的语音识别过程不加以限制。
步骤101中,文本特征能够反映语音识别结果在文本层面的特征。文本特征具体可以包括如下特征中的至少一种:文本表示、词间关系特征和词特征等。
其中,文本表示可用于表示文本的语义特征。确定语音识别结果对应的文本特征,具体可以包括:对语音识别结果对应文本进行切分,以得到对应的切分结果;根据语言模型,确定上述切分结果对应的文本表示。切分结果对应的语言单元粒度可以为字或词。
语言模型是根据语言客观事实而进行的语言抽象数学建模,其可以在语言模型与语言客观事实之间建立某种对应关系。本发明实施例可以根据语言模型,确定语音识别结果中字词对应的文本表示。
在具体实现中,上述语言模型可以为预训练语言模型。预训练语言模型可以使用大规模文本语料库进行预训练,对特定任务的小数据集微调,降低自然语言处理任务的难度。预训练语言模型能够针对字词产生上下文相关的文本表示(动态词向量)。预训练语言模型的例子可以包括:BERT(基于转换器的双向编码表征,Bidirectional EncoderRepresentation from Transformers)、ELECTRA(准确分类令牌替换且能高效学习的编码器,Efficiently Learning an Encoder that Classifies Token ReplacementAccurately),可以理解,本发明实施例对于具体的预训练模型不加以限制。
在实际应用中,可以利用大规模的预设文本语料库对预训练语言模型进行预训练,然后,利用语音识别场景的文本语料库,对预训练语言模型进行微调,以使预训练语言模型能够与语音识别场景相匹配,进而能够提高语音识别结果的检测结果的准确性。
词间关系特征可以包括:相邻字词之间的重复信息。如语音识别结果A“上次在五一在在长沙”中第六个字“在”与第七个字“在”重复。
词特征可以表征词本身的特征。词特征的例子可以包括:词性特征、和/或、实体类别特征等。
在实际应用中,可以利用命名实体识别方法,确定实体类别特征。命名实体识别方法可以包括:基于规则和词典的方法、基于统计的方法、或者基于神经网络的方法等。实体类别特征具体可以包括:人名、地点名、时间名、机构名、专有名词等。
步骤102中,韵律特征能够反映语音识别结果在语音层面的特征。韵律特征可以包括但不限于:基音频率、发音持续时间、发音振幅和发音语速等。
在具体实现中,可以利用韵律提取技术,提取语音中的韵律特征。韵律提取技术的一种实现方式可以为:根据语音的字词边界信息,提取语音中的韵律特征。
单词边界信息是指语音中字词起始发音对应的时间帧(或时刻)、或者结束发音对应的时间帧(或时刻),从而,可根据单词边界信息获取在语音中读单个字词所用的发音持续时间,以及字词之间的停顿时间。
例如,提取的韵律特征可以包括:语音识别结果中单字的发音持续时间、以及相邻的两个单字之间的停顿时间等信息。当然,除了持续时间和停顿时间之外,韵律特征还可以包括:重读、升降调等信息。
在一种可选的实现方式中,在根据语音的字词边界信息,提取语音中的韵律特征后,还可以利用多层神经网络,对韵律特征进一步特征提取。多层神经网络的单层可以实现从输入空间到输出空间的映射,以提高输出的线性可分性和标签区分能力,进一步可以提高检测结果的准确度。
步骤103的一种实现方式中,可以根据文本特征和韵律特征与检测结果之间的映射关系,对该语音识别结果进行检测,以得到语音识别结果对应的检测结果。
在具体实现中,可以基于语音识别语料的分析,确定文本特征和韵律特征与检测结果之间的映射关系。语音识别语料可以为语音识别场景对应的语料。语音识别语料中可以包括:经过不流畅问题标注的训练样本,该训练样本具体可以包括:语音识别结果样本、以及该语音识别结果对应的语音样本。不流畅问题标注可用于对训练样本添加不流畅问题标签。例如,不流畅问题标签可以包括:第一类别标签或第二类别标签,其中,还可以对第一类别标签进行进一步划分。
例如,可以将语音识别语料作为训练数据,基于训练数据对数学模型进行训练,以得到第一数据分析器,该第一数据分析器可表征输入数据(文本特征和韵律特征)和输出数据(检测结果)之间的映射关系。
数学模型是运用数理逻辑方法和数学语言建构的科学或工程模型,数学模型是针对参照某种事物系统的特征或数量依存关系,采用数学语言,概括地或近似地表述出的一种数学结构,这种数学结构是借助于数学符号刻画出来的关系结构。数学模型可以是一个或一组代数方程、微分方程、差分方程、积分方程或统计学方程及其组合,通过这些方程定量地或定性地描述系统各变量之间的相互关系或因果关系。除了用方程描述的数学模型外,还有用其他数学工具,如代数、几何、拓扑、数理逻辑等描述的模型。其中,数学模型描述的是系统的行为和特征而不是系统的实际结构。其中,可采用机器学习、深度学习方法等方法进行数学模型的训练,机器学习方法可包括:线性回归、决策树、随机森林等,深度学习方法可包括:卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(LongShort-Term Memory,LSTM)、门控循环单元(Gated Recurrent Unit,GRU)等。
本发明实施例中,第一数据分析器输出的检测结果可以包括:语音识别结果中字词对应的标签;该标签具体包括:第一类别标签或第二类别标签。其中,第一类别标签用于表征字词存在不流畅问题,第二类别标签用于表征字词不存在不流畅问题。例如,“D”表示第一类别标签,“O”表示第二类别标签等。
第一类别标签可以表征泛化的不流畅问题。在实际应用中,输出第一类别标签,可以满足检测需求。此种情况下,可由人工审核第一类别标签所表征的具体不流畅问题。
在本发明的一种可选实现方式中,本领域技术人员可以根据实际应用需求,对第一类别标签进行进一步划分。例如,第一类别标签可以进一步包括如下标签中的至少一种:语气词标签、口头禅标签、结巴词标签、以及识别错误标签。语气词标签可以表征“啊”、“额”等语气词。口头禅可以表征“这个”、“那个”、“就是”等口头禅。结巴词标签可以表征字词的重复。识别错误可以表征语音识别的错误。
在具体实现中,可以根据进一步细化的一种或多种第一类别标签,对第一数据分析器进行训练,以使训练后的第一类别标签具备细化标签的分类能力和识别能力。
步骤103的另一种实现方式中,可以根据第一隐层状态特征和第二隐层状态特征与检测结果之间的映射关系,对该语音识别结果进行检测,以得到语音识别结果对应的检测结果。
其中,可以根据神经网络,确定文本特征中词间关系特征和/或词特征与韵律特征对应的第一隐层状态特征。以及,可以根据预训练语言模型,确定文本表示对应的第二隐层状态特征。
在具体实现中,可以基于语音识别语料的分析,确定第一隐层状态特征和第二隐层状态特征与检测结果之间的映射关系。
例如,可以将语音识别语料作为训练数据,基于训练数据对数学模型进行训练,以得到第二数据分析器,该第二数据分析器可表征输入数据(第一隐层状态特征和第二隐层状态特征)和输出数据(检测结果)之间的映射关系。
在实际应用中,可以对检测结果进行输出。本发明实施例输出的检测结果,可以作为是否对语音识别结果进行纠正的判断依据。例如,在检测结果表征语音识别结果存在不流畅问题的情况下,可以对语音识别结果进行修正,以提高语音识别结果的质量;进一步,可以将质量更高的语音识别结果输出给用户。
输出的检测结果可以为标签序列。例如,标签与单字一一对应,这样,可以对标签序列与语音识别结果对应的文本序列进行比对,以得到存在不流畅问题的单字。
综上,本发明实施例的语音识别结果的检测方法,根据语音识别结果对应的文本特征、以及语音对应的韵律特征,对语音识别结果进行检测。上述文本特征能够反映语音识别结果在文本层面的特征,上述韵律特征能够反映语音识别结果在语音层面的特征;本发明实施例结合文本特征和韵律特征,对语音识别结果进行检测,能够检测语音识别结果中的不流畅问题。
在一个示例中,用户的修改重说原因导致语音识别结果的不流畅问题。具体地,用户发送的语音A中,意图表达地点1,但一开始表达了地点2,发现错误后又表达了地点1,语音识别引擎针对语音A得到的语音识别结果A为“上次在五一在在长沙”。在采用文本特征这一种特征的情况下,会认为语音识别结果A中“五一”属于正常的时间表达;此种情况得到的第一检测结果可以为:“O O O O O D O O O”。该第一检测结果可以根据第六个字“在”与第七个字“在”之间的重复关系,将第六个字识别为结巴词层面的不流畅问题。该第一检测结果并不能反映语音识别结果A在识别错误层面的不流畅问题。
而在采用文本特征和韵律特征的结合的情况下,会根据该语音识别结果A中单字的发音持续时间、以及字间的停顿时间等韵律特征,判定语音识别结果A中“五一”存在识别错误层面的不流畅问题。
假设语音A对应的韵律特征具体为:上次[在发音持续时间A]五一[在发音持续时间B][停顿时间A]在长沙。其中,发音持续时间A表征较长的持续时间,发音持续时间B表征较短的持续时间,停顿时间A表征较短的停顿时间。基于发音持续时间A、发音持续时间B和停顿时间A等韵律特征,可以得到如下分析结果:用户在说第一个“在”的时候在思考,可能存在一定的不确定性;用户在说第二个“在”的时候在结巴;用户在说第三个“在”的时候,是在正式重说。
基于上述分析结果,可以认为第一个“在”后面的“五一”与第三个“在”后面的“长沙”对应相同的实体类别,由于“长沙”对应的实体类别为地点名、而“五一”对应的实体类别为时间名,因此,“五一”存在识别错误层面的不流畅问题。
方法实施例二
本实施例中,可以根据检测模型,执行本发明实施例的方法。该检测模型具体包括:第一特征处理模块、第二特征处理模块和第二数据分析器。
其中,第一特征处理模块,用于根据神经网络,确定文本特征中词间关系特征和/或词特征与韵律特征对应的第一隐层状态特征。
第二特征处理模块,用于根据预训练语言模型,确定文本表示对应的第二隐层状态特征。
第二数据分析器用于表征输入数据(第一隐层状态特征和第二隐层状态特征)和输出数据(检测结果)之间的映射关系。
参照图2,示出了本发明实施例的一种检测模型的训练方法的步骤流程图,该方法具体可以包括如下步骤:
步骤201、确定训练数据;
该训练数据具体包括:经过不流畅问题标注的训练样本,该训练样本具体可以包括:语音识别结果样本、以及该语音识别结果对应的语音样本;
步骤202、确定语音识别结果样本对应的词间关系特征和/或词特征,确定语音样本对应的韵律特征,并对词间关系特征和/或词特征、以及韵律特征进行融合,以得到融合特征;
步骤203、将融合特征输入第一特征处理模块,以得到第一特征处理模块输出的第一隐层状态特征;
在实际应用中,第一特征处理模块可以采用神经网络的结构,如多层DNN(深度神经网络,Deep Neural Networks)的结构。
步骤204、将语音识别结果样本对应的文本序列输入第二特征处理模块,以得到预训练语言模型输出的第二隐层状态特征;
步骤205、将第一隐层状态特征和第二隐层状态特征输入第二数据分析器,以得到第二数据分析器输出的标签序列。
在实际应用中,第二数据分析器可以输出单字对应标签的概率,则可以根据该概率确定单字对应标签,进而可以得到上述标签序列。当然,第二数据分析器也可以输出标签序列,本发明实施例对于第二数据分析器的输出的具体形式不加以限制。
在具体实现中,可以根据第二数据分析器输出的标签序列、以及训练样本对应的不流畅问题标签,确定误差;这样,在该检测模型的反向传播过程中,根据该误差,对该检测模型的参数进行更新,直至误差符合收敛条件。例如,收敛条件为,误差小于误差阈值等。具体地,可以根据误差,更新第二数据分析器的参数。或者,还可以根据误差,更新第一特征处理模块、第二特征处理模块和第二数据分析器的参数。
参照图3,示出了本发明实施例的一种语音识别结果的检测方法的步骤流程图,该方法具体可以包括如下步骤:
步骤301、接收待检测的语音识别结果和语音;
步骤302、确定语音识别结果对应的词间关系特征和/或词特征,确定语音对应的韵律特征,并对词间关系特征和/或词特征、以及韵律特征进行融合,以得到融合特征;
步骤303、将融合特征输入第一特征处理模块,以得到第一特征处理模块输出的第一隐层状态特征;
步骤304、将语音识别结果对应的文本序列输入第二特征处理模块,以得到预训练语言模型输出的第二隐层状态特征;
该文本序列可以为对语音识别结果进行切分得到的单字序列。
步骤305、将第一隐层状态特征和第二隐层状态特征输入第二数据分析器,以得到第二数据分析器输出的标签序列。
例如,语音识别结果对应的字序列为w1,w2,…,wn(n可以为自然数),则步骤304可以获得每个字在文本级别的第二隐层状态特征h1,h2,…,hn;另外,在语音识别过程能够得到每个字对应语音的对齐位置,则步骤302和步骤303从语音中能够获取到每个字对应韵律特征的第一隐层状态特征r1,r2,…,rn;然后,对hi,ri进行拼接,然后再经过一个线性层对每个字进行分类,最后得到每个字对应的标签序列。
综上,本发明实施例的语音识别结果的检测方法,利用第一特征处理模块,确定第一隐层状态特征;其中,第一特征处理模块可以采用多层神经网络,多层神经网络的单层可以实现从输入空间到输出空间的映射,以提高输出的线性可分性和标签区分能力,进一步可以提高检测结果的准确度。
本发明实施例利用第二特征处理模块,确定第二隐层状态特征;其中,第二特征处理模块可以采用预训练语言模型,以提高文本表示的准确度,进一步可以提高检测结果的准确度。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的运动动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的运动动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的运动动作并不一定是本发明实施例所必须的。
装置实施例
参照图4,示出了本发明的一种语音识别结果的检测装置实施例的结构框图,上述装置具体可以包括:
文本特征确定模块401,用于确定语音识别结果对应的文本特征;
韵律特征确定模块402,用于确定语音对应的韵律特征;
检测模块403,用于根据该文本特征和该韵律特征,对该语音识别结果进行检测,以得到语音识别结果对应的检测结果。
可选地,文本特征确定模块401可以包括:
切分模块,用于对该语音识别结果对应文本进行切分,以得到对应的切分结果;
文本表示确定模块,用于根据语言模型,确定该切分结果对应的文本表示。
可选地,文本特征确定模块401可以包括:
词级特征确定模块,用于确定语音识别结果对应的词间关系特征和/或词特征。
可选地,检测模块403可以包括:
第一检测模块,用于将该文本特征和该韵律特征输入第一数据分析器,以得到该第一数据分析器输出的检测结果;该第一数据分析器用于表征输入数据与输出数据之间的映射关系,该输入数据可以包括:文本特征和韵律特征,该输出数据可以包括:检测结果。
可选地,检测模块403可以包括:
特征处理模块,用于根据神经网络,确定该文本特征中词间关系特征和/或词特征与该韵律特征对应的第一隐层状态特征;
第二检测模块,用于将该第一隐层状态特征与该文本特征中文本表示对应的第二隐层状态特征,作为第二数据分析器的输入,以得到该第二数据分析器输出的检测结果;该第二数据分析器用于表征输入数据与输出数据之间的映射关系,该输入数据可以包括:第一隐层状态特征和第二隐层状态特征,该输出数据可以包括:检测结果。
可选地,该检测结果可以包括:该语音识别结果中字词对应的标签;该标签可以包括:第一类别标签或第二类别标签。
可选地,该第一类别标签用于表征字词存在不流畅问题;该第一类别标签可以包括如下标签中的至少一种:语气词标签、口头禅标签、结巴词标签、以及识别错误标签。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
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。
图5是根据一示例性实施例示出的一种用于检测语音识别结果的装置1300的框图。例如,装置1300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,装置1300可以包括以下一个或多个组件:处理组件1302,存储器1304,电源组件1306,多媒体组件1308,音频组件1310,输入/输出(I/O)的接口1312,传感器组件1314,以及通信组件1316。
处理组件1302通常控制装置1300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件1302可以包括一个或多个处理器1320来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1302可以包括一个或多个模块,便于处理组件1302和其他组件之间的交互。例如,处理组件1302可以包括多媒体模块,以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在设备1300的操作。这些数据的示例包括用于在装置1300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1306为装置1300的各种组件提供电力。电源组件1306可以包括电源管理系统,一个或多个电源,及其他与为装置1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述装置1300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1308包括一个前置摄像头和/或后置摄像头。当设备1300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1310被配置为输出和/或输入音频信号。例如,音频组件1310包括一个麦克风(MIC),当装置1300处于操作模式,如呼叫模式、记录模式和语音数据处理模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中,音频组件1310还包括一个扬声器,用于输出音频信号。
I/O接口1312为处理组件1302和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1314包括一个或多个传感器,用于为装置1300提供各个方面的状态评估。例如,传感器组件1314可以检测到设备1300的打开/关闭状态,组件的相对定位,例如所述组件为装置1300的显示器和小键盘,传感器组件1314还可以检测装置1300或装置1300一个组件的位置改变,用户与装置1300接触的存在或不存在,装置1300方位或加速/减速和装置1300的温度变化。传感器组件1314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1316被配置为便于装置1300和其他设备之间有线或无线方式的通信。装置1300可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频数据处理(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1304,上述指令可由装置1300的处理器1320执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
此外,这里需要指出的是本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的第一跨设备装置和第二跨设备装置所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图1至图3所对应实施例中语音识别结果的检测方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
此外,需要说明的是:本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或者计算机程序可以包括计算机指令,该计算机指令可以存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器可以执行该计算机指令,使得该计算机设备执行前文图1至图3所对应实施例中语音识别结果的检测方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品或者计算机程序实施例中未披露的技术细节,请参照本申请方法实施例的描述。
图6是本发明的一些实施例中服务端的结构示意图。该服务端1900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)1922(例如,一个或一个以上处理器)和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中,存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务端中的一系列指令操作。更进一步地,中央处理器1922可以设置为与存储介质1930通信,在服务端1900上执行存储介质1930中的一系列指令操作。
服务端1900还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1958,一个或一个以上键盘1956,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上对本发明实施例所提供的一种语音识别结果的检测方法、一种用于检测语音识别结果的装置、一种机器可读介质和一种计算机程序产品,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种语音识别结果的检测方法,其特征在于,所述方法包括:
确定语音识别结果对应的文本特征;
确定语音对应的韵律特征;
根据所述文本特征和所述韵律特征,对所述语音识别结果进行检测,以得到所述语音识别结果对应的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述确定语音识别结果对应的文本特征,包括:
对所述语音识别结果对应文本进行切分,以得到对应的切分结果;
根据语言模型,确定所述切分结果对应的文本表示。
3.根据权利要求1所述的方法,其特征在于,所述确定语音识别结果对应的文本特征,包括:
确定语音识别结果对应的词间关系特征和/或词特征。
4.根据权利要求1至3中任一所述的方法,其特征在于,所述对所述语音识别结果进行检测,包括:
将所述文本特征和所述韵律特征输入第一数据分析器,以得到所述第一数据分析器输出的检测结果;所述第一数据分析器用于表征输入数据与输出数据之间的映射关系,所述输入数据包括:文本特征和韵律特征,所述输出数据包括:检测结果。
5.根据权利要求1至3中任一所述的方法,其特征在于,所述对所述语音识别结果进行检测,包括:
根据神经网络,确定所述文本特征中词间关系特征和/或词特征与所述韵律特征对应的第一隐层状态特征;
将所述第一隐层状态特征与所述文本特征中文本表示对应的第二隐层状态特征,作为第二数据分析器的输入,以得到所述第二数据分析器输出的检测结果;所述第二数据分析器用于表征输入数据与输出数据之间的映射关系,所述输入数据包括:第一隐层状态特征和第二隐层状态特征,所述输出数据包括:检测结果。
6.根据权利要求1至3中任一所述的方法,其特征在于,所述检测结果包括:所述语音识别结果中字词对应的标签;所述标签包括:第一类别标签或第二类别标签。
7.根据权利要求6所述的方法,其特征在于,所述第一类别标签用于表征字词存在不流畅问题;所述第一类别标签包括如下标签中的至少一种:语气词标签、口头禅标签、结巴词标签、以及识别错误标签。
8.一种语音识别结果的检测装置,其特征在于,所述装置包括:
文本特征确定模块,用于确定语音识别结果对应的文本特征;
韵律特征确定模块,用于确定语音对应的韵律特征;
检测模块,用于根据所述文本特征和所述韵律特征,对所述语音识别结果进行检测,以得到所述语音识别结果对应的检测结果。
9.根据权利要求8所述的装置,其特征在于,所述文本特征确定模块包括:
切分模块,用于对所述语音识别结果对应文本进行切分,以得到对应的切分结果;
文本表示确定模块,用于根据语言模型,确定所述切分结果对应的文本表示。
10.根据权利要求8所述的装置,其特征在于,所述文本特征确定模块包括:
词级特征确定模块,用于确定语音识别结果对应的词间关系特征和/或词特征。
11.根据权利要求8至10中任一所述的装置,其特征在于,所述检测模块包括:
第一检测模块,用于将所述文本特征和所述韵律特征输入第一数据分析器,以得到所述第一数据分析器输出的检测结果;所述第一数据分析器用于表征输入数据与输出数据之间的映射关系,所述输入数据包括:文本特征和韵律特征,所述输出数据包括:检测结果。
12.根据权利要求8至10中任一所述的装置,其特征在于,所述检测模块包括:
特征处理模块,用于根据神经网络,确定所述文本特征中词间关系特征和/或词特征与所述韵律特征对应的第一隐层状态特征;
第二检测模块,用于将所述第一隐层状态特征与所述文本特征中文本表示对应的第二隐层状态特征,作为第二数据分析器的输入,以得到所述第二数据分析器输出的检测结果;所述第二数据分析器用于表征输入数据与输出数据之间的映射关系,所述输入数据包括:第一隐层状态特征和第二隐层状态特征,所述输出数据包括:检测结果。
13.一种用于检测语音识别结果的装置,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,所述程序被一个或者一个以上处理器执行时,实现权利要求1至7中任一所述方法的步骤。
14.一个或多个机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得装置执行如权利要求1至7中一个或多个所述的方法。
15.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中,且适于由处理器读取并执行,以使得具有所述处理器的计算机设备执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304361.1A CN114067781A (zh) | 2021-11-05 | 2021-11-05 | 语音识别结果的检测方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304361.1A CN114067781A (zh) | 2021-11-05 | 2021-11-05 | 语音识别结果的检测方法、装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067781A true CN114067781A (zh) | 2022-02-18 |
Family
ID=80274013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304361.1A Pending CN114067781A (zh) | 2021-11-05 | 2021-11-05 | 语音识别结果的检测方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070595A (zh) * | 2023-03-07 | 2023-05-05 | 深圳市北科瑞讯信息技术有限公司 | 语音识别文本纠错方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-05 CN CN202111304361.1A patent/CN114067781A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070595A (zh) * | 2023-03-07 | 2023-05-05 | 深圳市北科瑞讯信息技术有限公司 | 语音识别文本纠错方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3469592B1 (en) | Emotional text-to-speech learning system | |
CN107632980B (zh) | 语音翻译方法和装置、用于语音翻译的装置 | |
CN109599128B (zh) | 语音情感识别方法、装置、电子设备和可读介质 | |
CN111312231B (zh) | 音频检测方法、装置、电子设备及可读存储介质 | |
CN110992942B (zh) | 一种语音识别方法、装置和用于语音识别的装置 | |
KR20210103002A (ko) | 감정 정보 기반의 음성 합성 방법 및 장치 | |
CN110210310B (zh) | 一种视频处理方法、装置和用于视频处理的装置 | |
CN108399914B (zh) | 一种语音识别的方法和装置 | |
CN107274903B (zh) | 文本处理方法和装置、用于文本处理的装置 | |
CN111128183B (zh) | 语音识别方法、装置和介质 | |
US11810471B2 (en) | Computer implemented method and apparatus for recognition of speech patterns and feedback | |
CN107564526B (zh) | 处理方法、装置和机器可读介质 | |
CN112037756A (zh) | 语音处理方法、装置和介质 | |
CN112735396A (zh) | 语音识别纠错方法、装置及存储介质 | |
CN107424612B (zh) | 处理方法、装置和机器可读介质 | |
CN111883121A (zh) | 唤醒方法、装置及电子设备 | |
CN112036174B (zh) | 一种标点标注方法及装置 | |
CN113488022B (zh) | 一种语音合成方法和装置 | |
CN114067781A (zh) | 语音识别结果的检测方法、装置和介质 | |
CN111640452A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN108346424B (zh) | 语音合成方法和装置、用于语音合成的装置 | |
CN110930977B (zh) | 一种数据处理方法、装置和电子设备 | |
CN112151072A (zh) | 语音处理方法、装置和介质 | |
CN111723606A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN111400443B (zh) | 信息处理方法、装置及存储介质 |
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 |