CN115294991A - 语音处理方法、装置及电子设备 - Google Patents
语音处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115294991A CN115294991A CN202210910900.4A CN202210910900A CN115294991A CN 115294991 A CN115294991 A CN 115294991A CN 202210910900 A CN202210910900 A CN 202210910900A CN 115294991 A CN115294991 A CN 115294991A
- Authority
- CN
- China
- Prior art keywords
- offline
- processing result
- result
- online
- candidate
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 401
- 230000004044 response Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 70
- 230000004927 fusion Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000012216 screening Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 2
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/225—Feedback of the input speech
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了语音处理方法、装置、电子设备及存储介质,涉及人工智能、车联网、智能座舱和自动驾驶技术领域。其中方法为:获取待处理语音数据;基于离线语音处理操作和在线语音处理操作,对待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;根据候选处理结果确定待处理语音数据对应的目标处理结果。通过组合在线语音处理操作和离线语音处理操作来构建多种语音处理通道,来保障语音处理的响应时间,得到多种语音处理方式对应的候选处理结果后,对这些候选处理结果进行筛选,从中选择出准确度较高的候选处理结果,在保证响应时间的同时,增强语音处理结果的准确度,增强用户体验。
Description
技术领域
本公开涉及人工智能、车联网、智能座舱和自动驾驶技术领域,尤其涉及一种语音处理方法、装置及电子设备。
背景技术
随着人工智能的不断发展,语音交互在多种人机交互场景中被应用,例如基于语音指令实现对电子设备的控制过程。其中,需要对用户语音进行语音识别和语义解析来获取用户语音的内容以及理解用户语音中的命令信息。相关技术中,包括语音识别和语义解析的语音处理过程可以通过离线和在线两种方式实现,在线语音识别和在线语义解析容易受网络状态的影响,语音交互功能的响应时间跟网络的波动有很大关系,而离线语音识别和离线语义解析的准确度不稳定,因此如何平衡语音处理的响应时间及处理结果的准确度,增强用户体验,成为亟待解决的问题。
发明内容
提供了一种语音处理方法、装置及电子设备。
根据第一方面,提供了一种语音处理方法,包括:获取待处理语音数据;基于离线语音处理操作和在线语音处理操作,对所述待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;根据所述候选处理结果确定所述待处理语音数据对应的目标处理结果。
根据第二方面,提供了一种语音处理装置,包括:获取模块,用于获取待处理语音数据;语音处理模块,用于基于离线语音处理操作和在线语音处理操作,对所述待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;确定模块,用于根据所述候选处理结果确定所述待处理语音数据对应的目标处理结果。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面所述的语音处理方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开第一方面所述的语音处理方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开第一方面所述语音处理方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的语音处理方法的流程示意图;
图2是根据本公开第二实施例的语音处理方法的流程示意图;
图3是根据本公开实施例的语音处理方法中对候选处理结果进行筛选的流程示意图;
图4是根据本公开第三实施例的语音处理方法的流程示意图;
图5是根据本公开实施例的语音处理方法整体流程示意图;
图6是根据本公开第一实施例的语音处理装置的框图;
图7是根据本公开第二实施例的语音处理装置的框图;
图8是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能(ArtificialIntelligence,简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
车联网(Internet of Vehicles)车辆上的车载设备通过无线通信技术,对信息网络平台中的所有车辆动态信息进行有效利用,在车辆运行中提供不同的功能服务。车联网通过新一代信息通信技术,实现车与云平台、车与车、车与路、车与人、车内等全方位网络链接,主要实现了“三网融合”,即将车内网、车际网和车载移动互联网进行融合。车联网是利用传感技术感知车辆的状态信息,并借助无线通信网络与现代智能信息处理技术实现交通的智能化管理,以及交通信息服务的智能决策和车辆的智能化控制。
智能座舱,可以理解为将车辆座舱更新改造成一个数字化平台,传统式的汽车座舱只可以用于标示各种各样驾驶工作状况,而智能座舱在驾驶、休闲娱乐和车辆控制等功能上实现了智能化。
自动驾驶,基于车辆上安装的视频摄像头、雷达传感器以及激光测距器等设备了解周围的交通状况,以及基于路线地图对前方的道路进行导航实现车辆自动驾驶。
下面结合附图描述本公开实施例的语音处理方法、装置及电子设备。
图1是根据本公开第一实施例的语音处理方法的流程示意图。
如图1所示,本公开实施例的语音处理方法具体可包括以下步骤:
S101,获取待处理语音数据。
具体的,本公开实施例的语音处理方法的执行主体可为本公开实施例提供的语音处理装置,该语音处理装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器,计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本公开实施例,可以通过音频采集设备采集用户语音例如“确认重启”等语音指令,可以将用户语音或已经缓存的录音数据等音频作为本公开实施例中的待处理语音数据。
S102,基于离线语音处理操作和在线语音处理操作,对待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果。
在本公开实施例中,
对待处理语音数据进行组合语音处理可以理解对待处理语音数据进行离线和在线组合的语音处理,每种组合方式对应一个候选处理结果,这些候选处理结果可用于实现后续语音交互的具体功能,例如在语音查询的应用场景中,这些候选处理结果中可以包括对用户语音进行语义解析后确定文本,可用于形成对目标查询内容进行查询的可执行指令。
S103,根据候选处理结果确定待处理语音数据对应的目标处理结果。
在本公开实施例中,为保证语音处理结果的准确性,对多种组合方式对应的候选处理结果进行筛选从中确定待处理语音数据对应的目标处理结果。在一些实施例中,目标处理结果可以被分发给具体功能模块以执行具体的功能。
综上,本公开实施例的语音处理方法,获取待处理语音数据;基于离线语音处理操作和在线语音处理操作,对待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;根据候选处理结果确定待处理语音数据对应的目标处理结果。本公开实施例通过组合离线语音处理操作和在线语音处理操作来构建多种语音处理通道,来保障语音处理的响应时间,得到多种语音处理方式对应的候选处理结果后,对这些候选处理结果进行筛选,从中选择出准确度较高的候选处理结果,在保证响应时间的同时,增强语音处理结果的准确度,增强用户体验。
在一些实施例中,本公开实施例得到的候选处理结果包括以下至少一种:基于在线语音处理操作得到的在线候选处理结果、基于离线语音处理操作得到的离线候选处理结果以及基于离线语音处理操作和在线语音处理操作得到的离在线融合的候选处理结果。
在本公开实施例中,语音处理操作包括语音识别和语义解析中的至少一种,例如离线语音处理操作可以包括离线语音识别和离线语义解析,如利用离线语音识别引擎进行的语音识别,以及利用离线语义解析引擎进行的语义解析;在线语音处理操作可以包括在线语音识别和在线语义解析,如通过在线语音识别进行的在线语音识别,以及通过在线语义解析引擎或远端语义处理服务器进行的语义解析等。
上述组合语音处理过程可以包括在线语音识别与在线语义解析组合的处理过程,或者在线语音识别与离线语义解析组合的处理过程,或者离线语音识别和离线语义解析组合的处理过程,或者离线语音识别和在线语义解析组合的处理过程。
图2是根据本公开第二实施例的语音处理方法的流程示意图。
如图2所示,在图1所示实施例的基础上,本公开实施例的语音处理方法具体可包括以下步骤:
S201,获取待处理语音数据。
S202,对待处理语音数据分别进行在线语音识别和离线语音识别,以得到待处理语音数据对应的在线语音识别结果和离线语音识别结果。
在本公开实施例中,将获取到的待处理语音数据同时进行在线语音识别得到在线语音识别结果,进行离线语音识别得到离线语音识别结果。
S203,对在线语音识别结果进行在线语义解析,以得到在线语义解析结果,作为不同组合方式中的第一组合方式对应的在线候选处理结果。
在本公开实施例中,对得到的在线语音识别结果进行在线语义解析,以生成在线语义解析结果。将在线语义解析结果作为第一组合方式(在线语音识别与在线语义解析组合)对应的在线候选处理结果。
例如,在获取到在线语音识别结果后,可以将在线语音识别结果提供给语义处理服务器,并通过网络发送语义解析请求,以获取在线语义解析结果。
再例如,通过调用在线语义解析引擎实现对在线语音识别结果进行在线语义解析的过程。
S204,对离线语音识别结果进行离线语义解析,以得到离线语义解析结果,作为不同组合方式中的第二组合方式对应的离线候选处理结果。
在本公开实施例中,对得到的离线语音识别结果进行离线语义解析,以生成离线语义解析结果。将离线语义解析结果作为第二组合方式(离线语音识别与离线语义解析组合)对应的离线候选处理结果。
例如,通过调用离线语义解析引擎实现对离线语音识别结果进行离线语义解析的过程。
S205,对在线语音识别结果进行离线语义解析,以得到离在线融合的语义解析结果,作为不同组合方式中的第三组合方式对应的离在线融合的候选处理结果。
在本公开实施例中,在获取到在线语音识别结果后,将在线语音识别结果进行在线语义解析的同时进行离线语义解析,以生成对在线语音识别结果进行离线语义解析的离在线融合的语义解析结果。将离在线融合的语义解析结果作为第三组合方式(在线语音识别与离线语义解析组合)对应离在线融合的候选处理结果。
例如,获取到在线语音识别结果后,将在线语音识别结果提供给本地的语义解析引擎进行语义解析,实现对在线语音识别结果进行离线语义解析的过程。
S206,根据候选处理结果确定待处理语音数据对应的目标处理结果。
具体的,步骤S201与上述步骤S101相同,步骤S206与上述步骤S103相同,此处不再赘述。
在上述实施例的基础上,上述步骤S206中“根据候选处理结果确定待处理语音数据对应的目标处理结果”,可包括以下步骤:
基于候选处理结果的优先等级,从候选处理结果中确定目标处理结果,其中,在线候选处理结果的优先等级为最高优先等级,离线候选处理结果的优先等级为最低优先等级。
其中,基于候选处理结果的优先等级,从候选处理结果中确定目标处理结果的过程,可包括以下过程:
由于在线语音识别或在线语义解析的过程会受到网络状态的限制,响应时间波动较大,而离线语义解析结果可以在本地实现,不受网络状态的影响,因此获取到上述各种组合方式对应的候选处理结果的时间会存在差异。
在本公开实施例中,可以通过设定检测时间来定时检测得到的一个或多个候选处理结果中是否存在离线候选处理结果;若存在离线候选处理结果,则可以在接下来的预设时间间隔内去检测该时间间隔内新返回的候选处理结果中是否存在在线候选处理结果;若存在在线候选处理结果,则将在线候选处理结果确定为目标处理结果;若不存在在线候选处理结果,则检测是否存在离在线融合的候选处理结果;若存在离在线融合的候选处理结果,将离在线融合的候选处理结果确定为目标处理结果,若不存在离在线融合的候选处理结果,将离线候选处理结果确定为目标处理结果。
此外,在设定检测时间检测是否存在离线候选处理结果时,若不存在离线候选处理结果,则继续检测是否存在离在线融合的候选处理结果;若存在离在线融合的候选处理结果,继续在接下来的预设时间间隔内检测该时间间隔内新返回的候选处理结果中是否存在在线候选处理结果;若存在在线候选处理结果,将在线候选处理结果确定为目标处理结果;若不存在在线候选处理结果,将离在线融合的候选处理结果确定为目标处理结果,若不存在离在线融合的候选处理结果,则启动超长等待机制,等待在线候选处理结果,并将在线候选处理结果确定为目标处理结果。
举例说明,如图3所示,决策中心用于接收离线语义解析组件返回的离线语义解析结果和/或离在线融合的语义解析结果,以及接收在线语义解析组件返回的在线语义解析结果,对决策中心获取到的这些候选处理结果进行检测、判断:此处将在离线语义解析结果用r1表示,将在线语义解析结果用r2表示,将离在线融合的语义解析结果用r3表示。检测是否存在r1,若存在r1启动500ms延时,并在延时期间检测是否存在r2,若存在r2则将r2确定为目标处理结果,若不存在r2则检测是否存在r3,若存在r3则将r3确定为目标处理结果,若不存在r3则r1确定为目标处理结果;若在首次检测时不存在r1,则检测是否存在r3,若存在r3则启动500ms延时,并在延时期间检测是否存在r2,若存在r2将r2确定为目标处理结果,若不存在r2将r3确定为目标处理结果,若不存在r3则启动超长等待机制,等待r2,将r2确定为目标处理结果。
由此,在设定的响应时间范围内(如上述预设时间间隔与语义解析结果的检测时间的总和)完成对全部候选处理结果的筛选,从中选择出准确度或优先级较高的候选处理结果。
此外,离线语音识别容易受语音泛化的影响,识别准确度不高,如果直接使用离线语音识别结果进行语义解析时,容易出现解析错误,得到的语义解析结果的准确度不高,因此本公开的语音处理方法中还提供了判断离线语音识别结果是否可用的过程。
如图4所示,可包括以下步骤:
S401,计算离线语音识别结果的置信度。
在本公开实施例中可以根据离线语音识别结果与预期的识别结果或预先存储的语音识别结果之间的文字和/音节的匹配度来确定离线语音识别结果的置信度。例如,将用户语音对应的离线语音识别结果与本地存储的可执行语音指令对应的识别结果进行文字和/或音节匹配,如用户语音“遮阳帘”在离线语音识别中可能被识别为“这样年”或“这阳帘”等结果,可以判断离线语音识别结果与本地语音识别库中的“遮阳帘”的匹配程度。在一些实施例中,本地存储的参与匹配的识别结果可预先进行模糊匹配和泛化处理。
S402,获取离线语音识别结果的字符长度。
在本公开实施例中,获取离线语音识别结果的文本的字符长度,根据字符长度筛选掉难以通过语义解析得到可用信息的语音识别结果。
S403,响应于置信度大于或等于置信度阈值且字符长度大于或等于长度阈值,将离线语音识别结果保留,以执行对离线语音识别结果进行离线语义解析的步骤。
在本公开实施例中,判断上述置信度是否大于或等于预设的置信度阈值,以及判断上述字符长度是否大于或等于预设的长度阈值,若置信度大于或等于置信度阈值且字符长度大于或等于长度阈值,则认为离线语音识别结果可用,将该离线语音识别结果保留,以对该离线语音识别结果进行离线语义解析。
其中,置信度阈值和字符长度的长度阈值可根据需要设置,本公开不做限制,在一些实施例中,长度阈值可以设置为2,以此来筛选掉难以解析出可用信息的单字符语音识别结果。
S404,响应于置信度小于置信度阈值,或者字符长度小于长度阈值,将离线语音识别舍弃。
由此,在获取到离线语音识别结果后对离线语音识别结果进行置信度计算和字符长度计算,判断离线语音识别结果是否可用,若不可用则不再进行语义解析的过程,以此来保障最终得到的候选处理结果的准确度。
在一些实施例中,还可以基于置信度和字符长度对在线语音解析结果进行是否可用的判断进一步保障候选处理结果的准确度。
在一些实施例中,还可以对候选处理结果即不同组合方式对应的语义解析结果进行置信度计算以对语义解析结果进行是否可用的检测,其中语义解析结果的置信度可根据各个垂类对语义解析结果对应的指令的支持程度来计算。
综上,本公开实施例的语音处理方法,获取待处理语音数据;基于离线语音处理操作和在线语音处理操作,对待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;根据候选处理结果确定待处理语音数据对应的目标处理结果。本公开实施例通过组合在线语音处理操作和离线语音处理操作来构建多种语音处理通道,来保障语音处理的响应时间,得到多种语音处理方式对应的候选处理结果后,在不超过响应时间的情况下对这些候选处理结果进行筛选,从中选择出准确度较高的候选处理结果,在保证响应时间的同时,增强语音处理结果的准确度,以提供更加流畅、快速的语音交互体验,增强用户体验。
为详细地说明本公开实施例的语音处理方法,现结合图5进行详细描述,图5是根据本公开实施例的语音处理方法的示例性整体流程图。
S501,获取待处理语音数据。执行步骤S502和步骤S508。
S502,对待处理语音数据进行离线语音识别,以得到离线语音识别结果。
S503,计算离线语音识别结果的置信度。
S504,获取离线语音识别结果的字符长度。
S505,判断置信度和字符长度是否满足以下条件:置信度大于或等于置信度阈值且字符长度大于或等于长度阈值;若是,则执行步骤S506;若否,则执行步骤S507;
S506,将离线语音识别结果保留,并对离线语音识别结果进行离线语义解析,以得到离线语义解析结果,作为第二组合方式对应的离线候选处理结果。执行步骤S511。
S507,将离线语音识别结果舍弃。
S508,对待处理语音数据进行在线语音识别,以得到在线语音识别结果。执行步骤S509和步骤S510。
S509,对在线语音识别结果进行在线语义解析,以得到在线语义解析结果作为第一组合方式对应的在线候选处理结果。执行步骤S511。
S510,对在线语音识别结果进行离线语义解析,以得到离在线融合的语义解析结果,作为第三组合方式对应的离在线融合的候选处理结果。执行步骤S511。
S511,基于候选处理结果的优先等级,从候选处理结果中确定目标处理结果,其中,在线候选处理结果的优先等级为最高优先等级,离线候选处理结果的优先等级为最低优先等级。
图6是根据本公开第一实施例的语音处理装置的框图。
如图6所示,本公开实施例的语音处理装置600,包括:获取模块601、语音处理模块602和确定模块603。
获取模块601,用于获取待处理语音数据。
语音处理模块602,用于基于离线语音处理操作和在线语音处理操作,对所述待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果。
确定模块603,用于根据候选处理结果确定待处理语音数据对应的目标处理结果。
需要说明的是,上述对语音处理方法实施例的解释说明,也适用于本公开实施例的语音处理装置,具体过程此处不再赘述。
综上,本公开实施例的语音处理装置,获取待处理语音数据;基于离线语音处理操作和在线语音处理操作,对待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;根据候选处理结果确定待处理语音数据对应的目标处理结果。本公开实施例通过组合离线语音处理操作和在线语音处理操作来构建多种语音处理通道,来保障语音处理的响应时间,得到多种语音处理方式对应的候选处理结果后,在不超过响应时间的情况下对这些候选处理结果进行筛选,从中选择出准确度较高的候选处理结果,在保证响应时间的同时,增强语音处理结果的准确度,增强用户体验。
图7是根据本公开第二实施例的语音处理装置的框图。
如图7所示,本公开实施例的语音处理装置700,包括:获取模块701、语音处理模块702和确定模块703。
其中,获取模块701与上一实施例中的获取模块601具有相同的结构和功能,语音处理模块702与上一实施例中语音处理模块602具有相同的结构和功能,确定模块703与上一实施例中的确定模块603具有相同的结构和功能。
进一步地,所述候选处理结果包括以下至少一种:基于所述在线语音处理操作得到的在线候选处理结果、基于所述离线语音处理操作得到的离线候选处理结果以及基于所述离线语音处理操作和所述在线语音处理操作得到的离在线融合的候选处理结果。
进一步地,语音处理操作包括语音识别和语义解析中的至少一种,语音处理模块702,包括:语音识别单元7021,用于对待处理语音数据分别进行在线语音识别和离线语音识别,以得到待处理语音数据对应的在线语音识别结果和离线语音识别结果;第一语义解析单元7022,用于对所述在线语音识别结果进行在线语义解析,以得到在线语义解析结果,作为所述不同组合方式中的第一组合方式对应的所述在线候选处理结果;;第二语义解析单元7023,用于对所述离线语音识别结果进行离线语义解析,以得到离线语义解析结果,作为所述不同组合方式中的第二组合方式对应的所述离线候选处理结果;以及;以及第三语义解析单元7024,用于对所述在线语音识别结果进行离线语义解析,以得到离在线融合的语义解析结果,作为所述不同组合方式中的第三组合方式对应的所述离在线融合的候选处理结果。。
进一步地,确定模块703,包括:确定单元,用于基于所述候选处理结果的优先等级,从所述候选处理结果中确定所述目标处理结果,其中,所述在线候选处理结果的优先等级为最高优先等级,所述离线候选处理结果的优先等级为最低优先等级。
进一步地,确定单元,包括:第一检测子单元,用于检测是否存在所述离线候选处理结果;第二检测子单元,用于响应于存在所述离线候选处理结果,继续检测预设时间间隔内是否存在所述在线候选处理结果;;第一确定子单元,用于响应于存在所述在线候选处理结果,将所述在线候选处理结果确定为所述目标处理结果;第三检测子单元,用于响应于不存在所述在线候选处理结果,检测是否存在所述离在线融合的候选处理结果;第二确定子单元,用于响应于存在所述离在线融合的候选处理结果,将所述离在线融合的候选处理结果确定为所述目标处理结果;第三确定子单元,用于响应于不存在所述离在线融合的候选处理结果,将所述离线候选处理结果确定为所述目标处理结果。
进一步地,确定单元,还包括:第四检测子单元,用于响应于不存在所述离线候选处理结果,检测是否存在所述离在线融合的候选处理结果;第五检测子单元,用于响应于存在所述离在线融合的候选处理结果,继续检测所述预设时间间隔内是否存在所述在线候选处理结果;第四确定子单元,用于响应于存在所述在线候选处理结果,将所述在线候选处理结果确定为所述目标处理结果;第五确定子单元,用于响应于不存在所述在线候选处理结果,将所述离在线融合的候选处理结果确定为所述目标处理结果;第六确定子单元,用于响应于不存在所述离在线融合的候选处理结果,等待所述在线候选处理结果,并将所述在线候选处理结果确定为所述目标处理结果。
进一步地,语音处理模块702,还包括:计算单元,用于计算离线语音识别结果的置信度;获取单元,用于获取离线语音识别结果的字符长度;第一比较单元,用于响应于置信度大于或等于置信度阈值且字符长度大于或等于长度阈值,将离线语音识别结果保留,以执行对离线语音识别结果进行离线语义解析的步骤;第二比较单元,用于响应于置信度小于置信度阈值,或者字符长度小于长度阈值,将离线语音识别结果舍弃。
综上,本公开实施例的语音处理装置,获取待处理语音数据;基于离线语音处理操作和在线语音处理操作,对待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;根据候选处理结果确定待处理语音数据对应的目标处理结果。本公开实施例通过组合在线语音处理操作和离线语音处理操作来构建多种语音处理通道,来保障语音处理的响应时间,得到多种语音处理方式对应的候选处理结果后,在不超过响应时间的情况下对这些候选处理结果进行筛选,从中选择出准确度较高的候选处理结果,在保证响应时间的同时,增强语音处理结果的准确度,以提供更加流畅、快速的语音交互体验,增强用户体验。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如图1至图5所示的语音处理方法。例如,在一些实施例中,语音处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文描述的语义解析方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语音处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网以及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开的实施例,本公开还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现根据本公开上述实施例所示的语音处理方法的步骤。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种语音处理方法,包括:
获取待处理语音数据;
基于离线语音处理操作和在线语音处理操作,对所述待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;
根据所述候选处理结果确定所述待处理语音数据对应的目标处理结果。
2.根据权利要求1所述的语音处理方法,其中,所述候选处理结果包括以下至少一种:基于所述在线语音处理操作得到的在线候选处理结果、基于所述离线语音处理操作得到的离线候选处理结果以及基于所述离线语音处理操作和所述在线语音处理操作得到的离在线融合的候选处理结果。
3.根据权利要求2所述的语音处理方法,其中,语音处理操作包括语音识别和语义解析中的至少一种,所述基于离线语音处理操作和在线语音处理操作,对所述待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果包括:
对所述待处理语音数据分别进行在线语音识别和离线语音识别,以得到所述待处理语音数据对应的在线语音识别结果和离线语音识别结果;
对所述在线语音识别结果进行在线语义解析,以得到在线语义解析结果,作为所述不同组合方式中的第一组合方式对应的所述在线候选处理结果;
对所述离线语音识别结果进行离线语义解析,以得到离线语义解析结果,作为所述不同组合方式中的第二组合方式对应的所述离线候选处理结果;以及
对所述在线语音识别结果进行离线语义解析,以得到离在线融合的语义解析结果,作为所述不同组合方式中的第三组合方式对应的所述离在线融合的候选处理结果。
4.根据权利要求2所述的语音处理方法,其中,所述根据所述候选处理结果确定所述待处理语音数据对应的目标处理结果,包括:
基于所述候选处理结果的优先等级,从所述候选处理结果中确定所述目标处理结果,其中,所述在线候选处理结果的优先等级为最高优先等级,所述离线候选处理结果的优先等级为最低优先等级。
5.根据权利要求4所述的语音处理方法,其中,所述基于所述候选处理结果的优先等级,从所述候选处理结果中确定所述目标处理结果,包括:
检测是否存在所述离线候选处理结果;
响应于存在所述离线候选处理结果,继续检测预设时间间隔内是否存在所述在线候选处理结果;
响应于存在所述在线候选处理结果,将所述在线候选处理结果确定为所述目标处理结果;
响应于不存在所述在线候选处理结果,检测是否存在所述离在线融合的候选处理结果;
响应于存在所述离在线融合的候选处理结果,将所述离在线融合的候选处理结果确定为所述目标处理结果;
响应于不存在所述离在线融合的候选处理结果,将所述离线候选处理结果确定为所述目标处理结果。
6.根据权利要求5所述的语音处理方法,其中,所述基于所述候选处理结果的优先等级,从所述候选处理结果中确定所述目标处理结果,还包括:
响应于不存在所述离线候选处理结果,检测是否存在所述离在线融合的候选处理结果;
响应于存在所述离在线融合的候选处理结果,继续检测所述预设时间间隔内是否存在所述在线候选处理结果;
响应于存在所述在线候选处理结果,将所述在线候选处理结果确定为所述目标处理结果;
响应于不存在所述在线候选处理结果,将所述离在线融合的候选处理结果确定为所述目标处理结果;
响应于不存在所述离在线融合的候选处理结果,等待所述在线候选处理结果,并将所述在线候选处理结果确定为所述目标处理结果。
7.根据权利要求3所述的语音处理方法,还包括:
计算所述离线语音识别结果的置信度;
获取所述离线语音识别结果的字符长度;
响应于所述置信度大于或等于置信度阈值且所述字符长度大于或等于长度阈值,将所述离线语音识别结果保留,以执行所述对所述离线语音识别结果进行离线语义解析的步骤;
响应于所述置信度小于所述置信度阈值,或者所述字符长度小于所述长度阈值,将所述离线语音识别结果舍弃。
8.一种语音处理装置,包括:
获取模块,用于获取待处理语音数据;
语音处理模块,用于基于离线语音处理操作和在线语音处理操作,对所述待处理语音数据进行组合语音处理,以得到不同组合方式对应的候选处理结果;
确定模块,用于根据所述候选处理结果确定所述待处理语音数据对应的目标处理结果。
9.根据权利要求8所述的语音处理装置,其中,所述候选处理结果包括以下至少一种:基于所述在线语音处理操作得到的在线候选处理结果、基于所述离线语音处理操作得到的离线候选处理结果以及基于所述离线语音处理操作和所述在线语音处理操作得到的离在线融合的候选处理结果。
10.根据权利要求9所述的语音处理装置,其中,语音处理操作包括语音识别和语义解析中的至少一种,所述语音处理模块,包括:
语音识别单元,用于对所述待处理语音数据分别进行在线语音识别和离线语音识别,以得到所述待处理语音数据对应的在线语音识别结果和离线语音识别结果;
第一语义解析单元,对所述在线语音识别结果进行在线语义解析,以得到在线语义解析结果,作为所述不同组合方式中的第一组合方式对应的所述在线候选处理结果;
第二语义解析单元,用于对所述离线语音识别结果进行离线语义解析,以得到离线语义解析结果,作为所述不同组合方式中的第二组合方式对应的所述离线候选处理结果;以及
第三语义解析单元,用于对所述在线语音识别结果进行离线语义解析,以得到离在线融合的语义解析结果,作为所述不同组合方式中的第三组合方式对应的所述离在线融合的候选处理结果。
11.根据权利要求9所述的语音处理装置,其中,所述确定模块,包括:
确定单元,用于基于所述候选处理结果的优先等级,从所述候选处理结果中确定所述目标处理结果,其中,所述在线候选处理结果的优先等级为最高优先等级,所述离线候选处理结果的优先等级为最低优先等级。
12.根据权利要求11所述的语音处理装置,其中,所述确定单元,包括:
第一检测子单元,用于检测是否存在所述离线候选处理结果;
第二检测子单元,用于响应于存在所述离线候选处理结果,继续检测预设时间间隔内是否存在所述在线候选处理结果;
第一确定子单元,用于响应于存在所述在线候选处理结果,将所述在线候选处理结果确定为所述目标处理结果;
第三检测子单元,用于响应于不存在所述在线候选处理结果,检测是否存在所述离在线融合的候选处理结果;
第二确定子单元,用于响应于存在所述离在线融合的候选处理结果,将所述离在线融合的候选处理结果确定为所述目标处理结果;
第三确定子单元,用于响应于不存在所述离在线融合的候选处理结果,将所述离线候选处理结果确定为所述目标处理结果。
13.根据权利要求12所述的语音处理装置,其中,所述确定单元,还包括:
第四检测子单元,用于响应于不存在所述离线候选处理结果,检测是否存在所述离在线融合的候选处理结果;
第五检测子单元,用于响应于存在所述离在线融合的候选处理结果,继续检测所述预设时间间隔内是否存在所述在线候选处理结果;
第四确定子单元,用于响应于存在所述在线候选处理结果,将所述在线候选处理结果确定为所述目标处理结果;
第五确定子单元,用于响应于不存在所述在线候选处理结果,将所述离在线融合的候选处理结果确定为所述目标处理结果;
第六确定子单元,用于响应于不存在所述离在线融合的候选处理结果,等待所述在线候选处理结果,并将所述在线候选处理结果确定为所述目标处理结果。
14.根据权利要求10所述的语音处理装置,所述语音处理模块,还包括:
计算单元,用于计算所述离线语音识别结果的置信度;
获取单元,用于获取所述离线语音识别结果的字符长度;
第一比较单元,用于响应于所述置信度大于或等于置信度阈值且所述字符长度大于或等于长度阈值,将所述离线语音识别结果保留,以执行所述对所述离线语音识别结果进行离线语义解析的步骤;
第二比较单元,用于响应于所述置信度小于所述置信度阈值,或者所述字符长度小于所述长度阈值,将所述离线语音识别结果舍弃。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210910900.4A CN115294991A (zh) | 2022-07-29 | 2022-07-29 | 语音处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210910900.4A CN115294991A (zh) | 2022-07-29 | 2022-07-29 | 语音处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294991A true CN115294991A (zh) | 2022-11-04 |
Family
ID=83825365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210910900.4A Pending CN115294991A (zh) | 2022-07-29 | 2022-07-29 | 语音处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294991A (zh) |
-
2022
- 2022-07-29 CN CN202210910900.4A patent/CN115294991A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113138737B (zh) | 投屏场景的显示控制方法、装置、设备、介质及程序产品 | |
CN112509585A (zh) | 车载设备的语音处理方法、装置、设备及存储介质 | |
CN112528995B (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
KR20210108324A (ko) | 이동식 신호등을 검출하는 방법, 장치, 전자 기기 및 저장 매체 | |
CN113554180B (zh) | 信息预测方法、装置、电子设备及存储介质 | |
CN114491269A (zh) | 出行服务的推荐方法及装置、设备和介质 | |
CN106840185B (zh) | 基于口令的导航路线分享方法、装置、服务器及存储介质 | |
CN116127035B (zh) | 对话方法、对话模型的训练方法及装置 | |
CN114964295A (zh) | 导航方法、装置、系统及电子设备 | |
CN113554062B (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
CN113743127B (zh) | 任务型对话的方法、装置、电子设备及存储介质 | |
CN115294991A (zh) | 语音处理方法、装置及电子设备 | |
CN115455961A (zh) | 一种文本处理方法、装置、设备及介质 | |
CN113223522A (zh) | 语音识别方法、装置、设备和存储介质 | |
CN115061762A (zh) | 页面的展示方法、装置、电子设备和介质 | |
CN114428917A (zh) | 基于地图的信息共享方法、装置、电子设备和介质 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN114299522B (zh) | 图像识别方法装置、设备和存储介质 | |
US20240013364A1 (en) | Image-based vehicle damage assessment method, apparatus and storage medium | |
CN113380246A (zh) | 指令执行方法、相关装置及计算机程序产品 | |
CN116597213A (zh) | 目标检测方法、训练方法、装置、电子设备以及存储介质 | |
CN113963326A (zh) | 交通标志检测方法、装置、设备、介质和自动驾驶车辆 | |
CN116380111A (zh) | 基于地图的导航交互方法、装置及电子设备 | |
CN114861461A (zh) | 基于仿真的目标检测方法、电子设备及存储介质 |
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 |