CN115171695A - 语音识别方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了语音识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：接收用户语音；对用户语音进行分帧处理；对于用户语音帧集合中的每个用户语音帧：确定用户语音帧在预设状态网络中的状态标识；确定对应状态标识的状态网络边集合；对于状态网络边集合中的每个状态网络边，更新状态网络边对应的识别路径，响应于确定状态网络边对应的语音识别结果与目标用户文本模型中的叶子节点对应的语音识别结果相同，对识别路径的路径评分信息进行调整处理；根据所更新的各个识别路径的路径评分信息，生成语音识别文本。该实施方式可以使得加入的预设文本真实影响语音识别结果，且可以较快地识别用户语音，提升了用户体验。

Description

语音识别方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及语音识别技术领域，具体涉及语音识别方法、装置、电子设备和计算机可读介质。

背景技术

语音识别是将语音识别为文本形式的技术。目前，在进行语音识别时，通常采用的方式为：在语音识别模型的训练样本中加入预设文本。

然而，发明人发现，当采用上述方式进行语音识别时，经常会存在如下技术问题：

第一，无法预知加入的预设文本是否真实影响了语音识别结果，并且由于语音识别模型是加入预设文本后训练的，模型训练需要大量时间，用户需等待较长时间才能开始使用语音识别功能，导致用户体验较差。

第二，用户无法直观地获知语音识别结果与预先加入的预设文本的相同或相异之处，进一步导致用户体验较差。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于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。本公开的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。

本公开的一些实施例提出了语音识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种语音识别方法，该方法包括：接收用户语音，其中，上述用户语音对应目标用户文本模型，上述目标用户文本模型是根据对应上述用户语音的用户的语音识别参考文本生成的；对上述用户语音进行分帧处理，得到用户语音帧集合；对于上述用户语音帧集合中的每个用户语音帧，执行以下步骤：确定上述用户语音帧在预设状态网络中的状态标识；根据上述预设状态网络，确定对应上述状态标识的状态网络边集合；对于上述状态网络边集合中的每个状态网络边，根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息，其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值；根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。

第二方面，本公开的一些实施例提供了一种语音识别装置，装置包括：接收单元，被配置成接收用户语音，其中，上述用户语音对应目标用户文本模型，上述目标用户文本模型是根据对应上述用户语音的用户的语音识别参考文本生成的；分帧单元，被配置成对上述用户语音进行分帧处理，得到用户语音帧集合；执行单元，被配置成对于上述用户语音帧集合中的每个用户语音帧，执行以下步骤：确定上述用户语音帧在预设状态网络中的状态标识；根据上述预设状态网络，确定对应上述状态标识的状态网络边集合；对于上述状态网络边集合中的每个状态网络边，根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息，其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值；生成单元，被配置成根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。

第三方面，本公开的一些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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些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，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的语音识别方法，可以使得加入的预设文本真实影响语音识别结果，且可以较快地识别用户语音，减少了用户的等待时长，提升了用户体验。具体来说，造成无法预知加入的预设文本是否真实影响了语音识别结果以及用户体验较差的原因在于：无法预知加入的预设文本是否真实影响了语音识别结果，并且由于语音识别模型是加入预设文本后训练的，模型训练需要大量时间，用户需等待较长时间才能开始使用语音识别功能，导致用户体验较差。基于此，本公开的一些实施例的语音识别方法，首先，接收用户语音。其中，上述用户语音对应目标用户文本模型。上述目标用户文本模型是根据对应上述用户语音的用户的语音识别参考文本生成的。然后，对上述用户语音进行分帧处理，得到用户语音帧集合。之后，对于上述用户语音帧集合中的每个用户语音帧，执行以下步骤：第一步，确定上述用户语音帧在预设状态网络中的状态标识。第二步，根据上述预设状态网络，确定对应上述状态标识的状态网络边集合。由此，状态网络边集合可以用于确定当前的识别路径。第三步，对于上述状态网络边集合中的每个状态网络边，根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息。其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值。由此，可以在当前识别路径命中目标用户文本模型中的叶子节点对应的路径时，优化当前识别路径的路径评分值，从而可以使得当前识别路径在后续可以保留下来。最后，根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。由此，可以根据调整后的各个路径评分信息，生成用户语音的语音识别文本。也因为目标用户文本模型是根据当前用户的语音识别参考文本生成的，和语音识别参考文本中的文本相同的语音识别结果对应的识别路径越优。从而对应用户语音的语音识别文本越贴近语音识别参考文本，进而可以使得加入的预设文本真实影响语音识别结果。又因为未重新训练基础的语音识别模型，可以较快地识别用户语音。从而，减少了用户的等待时长，提升了用户体验。由此，可以使得加入的预设文本真实影响语音识别结果，且可以较快地识别用户语音，减少了用户的等待时长，提升了用户体验。

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，元件和元素不一定按照比例绘制。

图1是根据本公开的语音识别方法的一些实施例的流程图；

图2是根据本公开的语音识别装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

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。

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。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。

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。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的语音识别方法的一些实施例的流程100。该语音识别方法，包括以下步骤：

步骤101，接收用户语音。

在一些实施例中，语音识别方法的执行主体(例如计算设备)可以接收用户语音。其中，上述用户语音对应目标用户文本模型。上述用户语音可以为包含用户的说话声的语音。上述目标用户文本模型可以为以树形数据结构存储的文本模型。例如，目标用户文本模型可以为字典树。上述目标用户文本模型可以是根据对应上述用户语音的用户的语音识别参考文本生成的。上述用户可以为但不限于：语音识别服务上线后所面向的用户，测试人员用户，开发人员用户。上述语音识别参考文本可以为用户在先上传的辅助进行语音识别的文本。上述语音识别参考文本还可以为在先采集的用户输入的文本的集合。例如，语音识别参考文本可以为用户通过输入法的键盘输入的文本。上述语音识别参考文本还可以为用户的常用输入文本的集合。

实践中，上述执行主体可以通过内置的麦克风采集用户语音，以接收用户语音。

实践中，上述执行主体还可以接收用户上传的用户语音。

实践中，上述执行主体还可以通过有线连接方式或者无线连接方式从用户利用其进行识别语音的终端接收用户语音。此时，上述执行主体可以作为语音识别的服务端。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤102，对用户语音进行分帧处理，得到用户语音帧集合。

在一些实施例中，上述执行主体可以对上述用户语音进行分帧处理，得到用户语音帧集合。实践中，上述执行主体可以以预设帧长对上述用户语音进行分帧处理，得到用户语音帧集合。用户语音帧集合中除最后一个用户语音帧的各个用户语音帧的帧长等于上述预设帧长。上述最后一个用户语音帧的帧长小于等于上述预设帧长。

步骤103，对于用户语音帧集合中的每个用户语音帧，执行以下步骤：

步骤1031，确定用户语音帧在预设状态网络中的状态标识。

在一些实施例中，上述执行主体可以确定上述用户语音帧在预设状态网络中的状态标识。其中，上述预设状态网络可以为预先创建的状态网络，是由词网络和词典网络复合得到的转换网络所展开的状态网络。其中，所述词网络可以通过N-gram语言模型生成。所述词典网络是通过发音词典生成的。所述转换网络是从音素转换到词的网络。上述预设状态网络可以为WFST(Weighted Finite State Transducer，加权有限状态转换机)。预设状态网络中的状态节点可以由状态标识唯一表示。实践中，首先，可以对上述用户语音帧进行波形变换处理，得到用户语音帧向量。例如，可以采用提取梅尔倒谱系数特征的方式进行波形变换处理。然后，可以通过隐马尔可夫模型确定上述用户语音帧向量在预设状态网络中的状态标识。

步骤1032，根据预设状态网络，确定对应状态标识的状态网络边集合。

在一些实施例中，上述执行主体可以根据上述预设状态网络，确定对应上述状态标识的状态网络边集合。实践中，上述执行主体可以将上述预设状态网络中引向上述状态标识表征的状态节点的各个状态网络边确定为状态网络边集合。

步骤1033，对于状态网络边集合中的每个状态网络边，根据状态网络边更新状态网络边对应的识别路径，以及响应于确定状态网络边对应的语音识别结果与目标用户文本模型中的叶子节点对应的语音识别结果相同，对识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息。

在一些实施例中，对于上述状态网络边集合中的每个状态网络边，上述执行主体可以根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息。其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值。可以理解为，路径评分值越大表征对应的识别路径越优时，调整后的路径评分信息所表征的路径评分值大于调整前的路径评分信息所表征的路径评分值。路径评分值越小表征对应的识别路径越优时，调整后的路径评分信息所表征的路径评分值小于调整前的路径评分信息所表征的路径评分值。上述状态网络边对应的识别路径可以为当前在上述预设状态网络中进行搜索的路径。实践中，上述执行主体可以将上述状态网络边添加至当前的识别路径以对当前的识别路径进行更新。

上述状态网络边对应的语音识别结果可以为上述状态网络边对应的识别路径所表征的语音识别结果。识别路径所表征的语音识别结果可以为识别路径所经过的各个状态节点所表征的各个字符依次连接成的文本。叶子节点对应的语音识别结果可以为叶子节点对应的上述目标用户文本模型中路径所表征的语音识别结果。上述路径评分信息可以为对识别路径的评分相关信息。上述路径评分信息可以包括路径评分值。

实践中，上述执行主体可以响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，将上述识别路径的路径评分信息包括的路径评分值调整为目标优化路径评分值。上述目标优化路径评分值可以为预先设定的用于进行优化的路径评分值。上述目标优化路径评分值还可以为预先设定的针对当前识别路径进行优化的路径评分值。这里，对于目标优化路径评分值的具体设定，不作限定。

可选地，上述执行主体可以响应于确定所述叶子节点对应的语音识别结果的文本类别为非敏感类，将所述识别路径的路径评分信息包括的路径评分值调整为目标优化路径评分值。其中，上述文本类别可以为语音识别结果所属的类别。上述非敏感类可以表征语音识别结果适用于向大众展示。上述执行主体还可以响应于确定所述叶子节点对应的语音识别结果的文本类别为敏感类，将所述识别路径的路径评分信息包括的路径评分值调整为目标弱化路径评分值。上述敏感类可以表征语音识别结果不适用于向大众展示。上述目标弱化路径评分值可以为预先设定的用于进行弱化的路径评分值。上述目标弱化路径评分值还可以为预先设定的针对当前识别路径进行弱化的路径评分值。。由此，可以在语音识别结果的文本类别为敏感类时，弱化识别路径的路径评分值，使得该识别路径在后续被选择的概率较低。

步骤104，根据所更新的各个识别路径的路径评分信息，生成对应用户语音的语音识别文本。

在一些实施例中，上述执行主体可以根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。实践中，上述执行主体可以响应于确定所更新的各个识别路径的路径评分信息中存在满足预设优化值条件的路径评分信息，将满足所述预设优化值条件的路径评分信息确定目标路径评分信息。其中，所述预设优化值条件为路径评分信息包括的路径评分值满足预设最值条件。路径评分值越大表征对应的识别路径越优时，上述预设最值条件可以为路径评分值最大。路径评分值越小表征对应的识别路径越优时，上述预设最值条件可以为路径评分值最小。然后，可以将上述目标路径评分信息对应的识别路径所表征的语音识别结果确定为对应上述用户语音的语音识别文本。可以理解的是，若上述各个识别路径中一识别路径的路径评分信息经过了调整处理，则该识别路径的路径评分信息为调整后的路径评分信息。

可选地，上述执行主体可以响应于确定上述各个识别路径的路径评分信息包括的各个路径评分值均为非优化值类，将1确定为用户文本模型失效值。上述用户文本模型失效值可以为表征未使用上述目标用户文本模型识别语音的次数的值。这里，用户文本模型失效值可以作为变量使用。其中，上述非优化值类可以表征路径评分值不是优化值。即，上述路径评分值对应的识别路径对应的语音识别结果与所述目标用户文本模型中的任意叶子节点对应的语音识别结果均相异。

然后，对于所接收的在上述用户语音后的每个持续用户语音，执行以下步骤：

第一步，响应于确定针对上述持续用户语音的所更新的各个识别路径的路径评分信息包括的各个路径评分值均为非优化值类，将用户文本模型失效值加1以更新用户文本模型失效值。其中，上述持续用户语音可以为对应上述用户语音的用户在上述用户语音后发出或上传的语音。所接收的在上述用户语音后的各个持续用户语音之间具有时间先后顺序。

第二步，确定用户文本模型失效值是否大于等于预设失效阈值。上述预设失效阈值可以预先设定的用于对用户文本模型失效值的最大值进行限定的阈值。例如，预设失效阈值可以为20。这里，对于预设失效阈值的具体设定，不作限定。

其次，响应于确定用户文本模型失效值大于等于上述预设失效阈值，生成用户文本模型失效提示信息。上述用户文本模型失效提示信息可以为用于提示用户当前的用户文本模型已经失效的信息。上述用户文本模型失效提示信息可以包括上述语音识别参考文本的文本标识。上述文本标识可以唯一表示上述语音识别参考文本。例如，文本标识可以为存储上述语音识别参考文本的文件的文件名。又如，上述文本标识可以为用户上传上述语音识别参考文本的时间的时间戳。实践中，上述执行主体可以将上述文本标识填充至预设的失效提示语料模板中，得到用户文本模型失效提示信息。上述失效提示语料模板可以为待填充的表征语音识别参考文本对应的用户文本模型失效的语料模板。例如，失效提示语料模板可以为“参考文本___的用户文本模型失效，请重新上传参考文本”。其中，下划线“___”部分待填充文本标识。

之后，可以在相关联的显示设备上显示上述用户文本模型失效提示信息。上述显示设备可以为上述执行主体的显示屏幕。实践中，上述执行主体可以在上述显示设备上以弹窗的形式显示上述用户文本模型失效提示信息。

最后，可以控制相关联的声音播放设备播放用户文本模型失效提示音。上述声音播放设备可以为用于播放声音的设备，可以为上述执行主体的扬声器。上述用户文本模型失效提示音可以为用于提示当前的用户文本模型失效的提示音。例如，用户文本模型失效提示音可以为对应“滴滴”的音频。

可选地，上述执行主体可以响应于接收到用户上传的语音识别参考文本，根据上述语音识别参考文本，生成用户文本模型作为目标用户文本模型。实践中，上述执行主体可以生成上述语音识别参考文本对应的字典树作为用户文本模型。由此，可以实现对目标用户文本模型的更新。

可选地，首先，上述执行主体可以在相关联的显示设备上对上述语音识别文本进行显示。然后，可以响应于检测到作用于上述语音识别文本的存储操作，根据所确定的文件存储格式，将上述语音识别文本存储为语音识别文本文件。上述存储操作可以为作用于存储控件的选择操作。上述文件存储格式可以为用户在先设定的用于存储语音识别文本的格式。例如，文件存储格式可以为json格式。这里，对于文件存储格式的具体设定，不做限定。由此，可以供用户观看、转存语音识别文本。

可选地，上述用户语音可以为用户演讲语音。上述目标用户文本模型可以为用户演讲稿文本模型。上述用户演讲稿文本模型可以对应有预设的演讲稿文本。上述用户演讲语音可以为用户演讲时的语音。上述演讲稿文本可以为用户在先确定的演讲稿的文本。上述用户演讲稿文本模型可以为根据上述演讲稿文本生成的字典树。

可选地，首先，上述执行主体还可以对上述语音识别文本和上述演讲稿文本进行文本比对处理，得到文本比对结果。其中，上述文本比对结果可以包括文本重复率、语音识别比对文本和演讲稿比对文本。上述文本重复率可以为上述语音识别文本中的文本和上述演讲稿文本的重复率。例如，上述文本重复率可以为上述语音识别文本中的第一相同文本的字数占上述语音识别文本的总字数的比率。上述语音识别比对文本可以为文本比对处理后的语音识别文本。上述语音识别比对文本可以包括第一相同文本和第一相异文本。上述演讲稿比对文本可以为文本比对处理后的演讲稿文本。上述演讲稿比对文本可以包括第二相同文本和第二相异文本。

上述第一相同文本可以为上述语音识别文本中与上述演讲稿文本中的文本相同的文本的集合。上述第二相同文本可以为上述演讲稿文本中与上述语音识别文本中的文本相同的文本的集合。上述第一相同文本与上述第二相同文本相同。

上述第一相异文本可以为上述语音识别文本中与上述演讲稿文本中的文本相异的文本的集合。上述第二相异文本可以为上述演讲稿文本中与上述语音识别文本中的文本相异的文本的集合。上述第一相异文本与上述第二相异文本相异。

然后，可以在相关联的显示设备中渲染上述语音识别比对文本和上述演讲稿比对文本。其中，上述第一相同文本和上述第二相同文本的显示颜色可以为第一颜色。上述第一相异文本的显示颜色可以为第二颜色。上述第二相异文本的显示颜色可以为第三颜色。其中，上述第一颜色、上述第二颜色和上述第三颜色可以为在先设定的颜色。例如，第一颜色可以为绿色。第二颜色可以为红色。第三颜色可以为橙色。实践中，可以在当前用户界面中将上述第一相同文本中的各个文本渲染为上述第一颜色。可以在当前用户界面中将上述第一相异文本中的各个文本渲染为上述第二颜色。可以在当前用户界面中将上述第二相同文本中的各个文本渲染为上述第一颜色。可以在当前用户界面中将上述第二相异文本中的各个文本渲染为上述第三颜色。实践中，上述第一颜色、上述第二颜色和上述第三颜色可以分别以色号表示。

之后，可以响应于确定上述文本重复率大于等于预设比率，生成贴稿提示信息，以及在上述显示设备显示上述贴稿提示信息。其中，上述贴稿提示信息包括上述文本重复率。上述预设比率可以为在先设定的比率。上述贴稿提示信息可以为表征提示用户语音对应的语音识别文本贴合演讲稿的信息。实践中，上述执行主体可以将上述文本重复率填充至预设的贴稿提示语料模板中，得到贴稿提示信息。上述贴稿提示语料模板可以为待填充的表征用户语音对应的语音识别文本贴合演讲稿的语料模板。例如，贴稿提示语料模板可以为“当前的演讲较贴合演讲稿，贴合度为___”。其中，下划线“___”部分待填充文本重复率。

其次，可以响应于确定上述文本重复率小于等于上述预设比率，生成脱稿提示信息，以及在上述显示设备显示上述脱稿提示信息。其中，上述脱稿提示信息包括上述文本重复率。上述脱稿提示信息可以为表征提示用户语音脱离演讲稿的信息。实践中，上述执行主体可以将上述文本重复率填充至预设的脱稿提示语料模板中，得到脱稿提示信息。上述脱稿提示语料模板可以为待填充的表征用户语音脱离演讲稿的语料模板。例如，脱稿提示语料模板可以为“当前的演讲脱离演讲稿，贴合度仅为___”。其中，下划线“___”部分待填充文本重复率。

上述技术方案作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“用户无法直观地获知语音识别结果与预先加入的预设文本的相同或相异之处，进一步导致用户体验较差”。为了达到可以使得用户直观地获知语音识别结果与预先加入的预设文本的相同和相异之处的效果，本公开对上述语音识别文本和上述演讲稿文本进行文本比对处理，得到文本比对结果。其中，上述文本比对结果可以包括文本重复率、语音识别比对文本和演讲稿比对文本。由此，可以根据文本比对结果展示语音识别文本和演讲稿文本的相同和相异之处。然后，在相关联的显示设备中渲染上述语音识别比对文本和上述演讲稿比对文本。其中，上述第一相同文本和上述第二相同文本的显示颜色可以为第一颜色。上述第一相异文本的显示颜色可以为第二颜色。上述第二相异文本的显示颜色可以为第三颜色。由此，可以使得用户在渲染的页面中通过不同颜色，直观地获知语音识别文本和演讲稿文本的相同和相异之处。之后，响应于确定上述文本重复率大于等于预设比率，生成贴稿提示信息，以及在上述显示设备显示上述贴稿提示信息。响应于确定上述文本重复率小于等于上述预设比率，生成脱稿提示信息，以及在上述显示设备显示上述脱稿提示信息。由此，可以使得用户可以获知量化的语音识别文本和演讲稿文本的相同和相异程度。从而，可以使得用户直观地获知语音识别结果与预先加入的预设文本的相同和相异之处，提升了用户体验。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的语音识别方法，可以使得加入的预设文本真实影响语音识别结果，且可以较快地识别用户语音，减少了用户的等待时长，提升了用户体验。具体来说，造成无法预知加入的预设文本是否真实影响了语音识别结果以及用户体验较差的原因在于：无法预知加入的预设文本是否真实影响了语音识别结果，并且由于语音识别模型是加入预设文本后训练的，模型训练需要大量时间，用户需等待较长时间才能开始使用语音识别功能，导致用户体验较差。基于此，本公开的一些实施例的语音识别方法，首先，接收用户语音。其中，上述用户语音对应目标用户文本模型。上述目标用户文本模型是根据对应上述用户语音的用户的语音识别参考文本生成的。然后，对上述用户语音进行分帧处理，得到用户语音帧集合。之后，对于上述用户语音帧集合中的每个用户语音帧，执行以下步骤：第一步，确定上述用户语音帧在预设状态网络中的状态标识。第二步，根据上述预设状态网络，确定对应上述状态标识的状态网络边集合。由此，状态网络边集合可以用于确定当前的识别路径。第三步，对于上述状态网络边集合中的每个状态网络边，根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息。其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值。由此，可以在当前识别路径命中目标用户文本模型中的叶子节点对应的路径时，优化当前识别路径的路径评分值，从而可以使得当前识别路径在后续可以保留下来。最后，根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。由此，可以根据调整后的各个路径评分信息，生成用户语音的语音识别文本。也因为目标用户文本模型是根据当前用户的语音识别参考文本生成的，和语音识别参考文本中的文本相同的语音识别结果对应的识别路径越优。从而对应用户语音的语音识别文本越贴近语音识别参考文本，进而可以使得加入的预设文本真实影响语音识别结果。又因为未重新训练基础的语音识别模型，可以较快地识别用户语音。从而，减少了用户的等待时长，提升了用户体验。由此，可以使得加入的预设文本真实影响语音识别结果，且可以较快地识别用户语音，减少了用户的等待时长，提升了用户体验。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种语音识别装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的语音识别装置200包括：接收单元201、分帧单元202、执行单元203和生成单元204。其中，接收单元201被配置成接收用户语音，其中，上述用户语音对应目标用户文本模型，上述目标用户文本模型是根据对应上述用户语音的用户的语音识别参考文本生成的；分帧单元202被配置成对上述用户语音进行分帧处理，得到用户语音帧集合；执行单元203被配置成对于上述用户语音帧集合中的每个用户语音帧，执行以下步骤：确定上述用户语音帧在预设状态网络中的状态标识；根据上述预设状态网络，确定对应上述状态标识的状态网络边集合；对于上述状态网络边集合中的每个状态网络边，根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息，其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值；生成单元204被配置成根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。

可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)300的结构示意图。本公开的一些实施例中的电子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3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3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3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。图3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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，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，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。

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：接收用户语音，其中，上述用户语音对应目标用户文本模型，上述目标用户文本模型是根据对应上述用户语音的用户的语音识别参考文本生成的；对上述用户语音进行分帧处理，得到用户语音帧集合；对于上述用户语音帧集合中的每个用户语音帧，执行以下步骤：确定上述用户语音帧在预设状态网络中的状态标识；根据上述预设状态网络，确定对应上述状态标识的状态网络边集合；对于上述状态网络边集合中的每个状态网络边，根据上述状态网络边更新上述状态网络边对应的识别路径，以及响应于确定上述状态网络边对应的语音识别结果与上述目标用户文本模型中的叶子节点对应的语音识别结果相同，对上述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息，其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值；根据所更新的各个识别路径的路径评分信息，生成对应上述用户语音的语音识别文本。

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一些实施例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。

描述于本公开的一些实施例中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、分帧单元、执行单元和生成单元。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“接收用户语音的单元”。

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。

以上描述仅为本公开的一些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发明范围，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发明构思的情况下，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)

1.一种语音识别方法，包括：

接收用户语音，其中，所述用户语音对应目标用户文本模型，所述目标用户文本模型是根据对应所述用户语音的用户的语音识别参考文本生成的；

对所述用户语音进行分帧处理，得到用户语音帧集合；

对于所述用户语音帧集合中的每个用户语音帧，执行以下步骤：

确定所述用户语音帧在预设状态网络中的状态标识；

根据所述预设状态网络，确定对应所述状态标识的状态网络边集合；

对于所述状态网络边集合中的每个状态网络边，根据所述状态网络边更新所述状态网络边对应的识别路径，以及响应于确定所述状态网络边对应的语音识别结果与所述目标用户文本模型中的叶子节点对应的语音识别结果相同，对所述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息，其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值；

根据所更新的各个识别路径的路径评分信息，生成对应所述用户语音的语音识别文本。

2.根据权利要求1所述的方法，其中，所述对所述识别路径的路径评分信息进行调整处理，包括：

将所述识别路径的路径评分信息包括的路径评分值调整为目标优化路径评分值。

3.根据权利要求1所述的方法，其中，所述对所述识别路径的路径评分信息进行调整处理，包括：

响应于确定所述叶子节点对应的语音识别结果的文本类别为非敏感类，将所述识别路径的路径评分信息包括的路径评分值调整为目标优化路径评分值；

响应于确定所述叶子节点对应的语音识别结果的文本类别为敏感类，将所述识别路径的路径评分信息包括的路径评分值调整为目标弱化路径评分值。

4.根据权利要求3所述的方法，其中，所述根据所更新的各个识别路径的路径评分信息，生成对应所述用户语音的语音识别文本，包括：

响应于确定所更新的各个识别路径的路径评分信息中存在满足预设优化值条件的路径评分信息，将满足所述预设优化值条件的路径评分信息确定目标路径评分信息，其中，所述预设优化值条件为路径评分信息包括的路径评分值满足预设最值条件；

将所述目标路径评分信息对应的识别路径所表征的语音识别结果确定为对应所述用户语音的语音识别文本。

5.根据权利要求4所述的方法，其中，所述方法还包括：

响应于确定所述各个识别路径的路径评分信息包括的各个路径评分值均为非优化值类，将1确定为用户文本模型失效值；

对于所接收的在所述用户语音后的每个持续用户语音，执行以下步骤：

响应于确定针对所述持续用户语音的所更新的各个识别路径的路径评分信息包括的各个路径评分值均为非优化值类，将用户文本模型失效值加1以更新用户文本模型失效值；

确定用户文本模型失效值是否大于等于预设失效阈值；

响应于确定用户文本模型失效值大于等于所述预设失效阈值，生成用户文本模型失效提示信息；

在相关联的显示设备上显示所述用户文本模型失效提示信息；

控制相关联的声音播放设备播放用户文本模型失效提示音。

6.根据权利要求5所述的方法，其中，所述方法还包括：

响应于接收到用户上传的语音识别参考文本，根据所述语音识别参考文本，生成用户文本模型作为目标用户文本模型。

7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：

在相关联的显示设备上对所述语音识别文本进行显示；

响应于检测到作用于所述语音识别文本的存储操作，根据所确定的文件存储格式，将所述语音识别文本存储为语音识别文本文件。

8.一种语音识别装置，包括：

接收单元，被配置成接收用户语音，其中，所述用户语音对应目标用户文本模型，所述目标用户文本模型是根据对应所述用户语音的用户的语音识别参考文本生成的；

分帧单元，被配置成对所述用户语音进行分帧处理，得到用户语音帧集合；

执行单元，被配置成对于所述用户语音帧集合中的每个用户语音帧，执行以下步骤：

确定所述用户语音帧在预设状态网络中的状态标识；

根据所述预设状态网络，确定对应所述状态标识的状态网络边集合；

对于所述状态网络边集合中的每个状态网络边，根据所述状态网络边更新所述状态网络边对应的识别路径，以及响应于确定所述状态网络边对应的语音识别结果与所述目标用户文本模型中的叶子节点对应的语音识别结果相同，对所述识别路径的路径评分信息进行调整处理，得到调整后的路径评分信息，其中，调整后的路径评分信息所表征的路径评分值是针对调整前的路径评分信息所表征的路径评分值的优化值；

生成单元，被配置成根据所更新的各个识别路径的路径评分信息，生成对应所述用户语音的语音识别文本。

9.一种电子设备，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，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，其中，所述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