CN115798458A - 分类语种识别方法及装置 - Google Patents
分类语种识别方法及装置 Download PDFInfo
- Publication number
- CN115798458A CN115798458A CN202211506327.7A CN202211506327A CN115798458A CN 115798458 A CN115798458 A CN 115798458A CN 202211506327 A CN202211506327 A CN 202211506327A CN 115798458 A CN115798458 A CN 115798458A
- Authority
- CN
- China
- Prior art keywords
- language
- result
- classification
- candidate set
- discrimination
- 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
Images
Landscapes
- Machine Translation (AREA)
Abstract
本申请实施例提供一种分类语种识别方法及装置,方法包括:对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果;本申请能够有效降低添加联合判决带来的时间复杂度和错误率。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种分类语种识别方法及装置。
背景技术
对于数据量较少的训练语音数据集,可能提取得到的各个语种的特征矢量间区分性不足,导致在语种识别系统的分类判决时,存在一定的误判决率。
发明内容
针对现有技术中的问题,本申请提供一种分类语种识别方法及装置,能够有效降低添加联合判决带来的时间复杂度和错误率。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种分类语种识别方法,包括:
对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;
通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
进一步地,所述对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集,包括:
对待识别语音数据进行概率线性语种判别分类;
根据相应的判决打分,取打分最高和第二高的语种作为候选集。
进一步地,所述通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,包括:
将所述候选集中的待识别语音数据的语种差异性特征矢量输入设定支持向量机二分类器进行语种判别分类;
若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果。
进一步地,所述若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果,包括:
若所述判别分类的结果为目标语种,则保持原判别结果中判决打分最高的语种为最终语种;
若所述判别分类的结果为非目标语种,则将判决打分第二高的语种更新为最终语种。
第二方面,本申请提供一种分类语种识别装置,包括:
PLDA判别模块,用于对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;
SVM判别模块,用于通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
进一步地,所述PLDA判别模块包括:
判别打分单元,用于对待识别语音数据进行概率线性语种判别分类;
候选集组建单元,用于根据相应的判决打分,取打分最高和第二高的语种作为候选集。
进一步地,所述SVM判别模块包括:
二分类判别单元,用于将所述候选集中的待识别语音数据的语种差异性特征矢量输入设定支持向量机二分类器进行语种判别分类;
识别结果确定单元,用于若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果。
进一步地,所述识别结果确定单元包括:
结果维持子单元,用于若所述判别分类的结果为目标语种,则保持原判别结果中判决打分最高的语种为最终语种;
结果更新子单元,用于若所述判别分类的结果为非目标语种,则将判决打分第二高的语种更新为最终语种。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的分类语种识别方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的分类语种识别方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的分类语种识别方法的步骤。
由上述技术方案可知,本申请提供一种分类语种识别方法及装置,通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的分类语种识别方法的流程示意图之一;
图2为本申请实施例中的分类语种识别方法的流程示意图之二;
图3为本申请实施例中的分类语种识别方法的流程示意图之三;
图4为本申请实施例中的分类语种识别方法的流程示意图之四;
图5为本申请实施例中的分类语种识别装置的结构图之一;
图6为本申请实施例中的分类语种识别装置的结构图之二;
图7为本申请实施例中的分类语种识别装置的结构图之三;
图8为本申请实施例中的分类语种识别装置的结构图之四;
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中存在的问题,本申请提供一种分类语种识别方法及装置,通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
为了能够有效降低添加联合判决带来的时间复杂度和错误率,本申请提供一种分类语种识别方法的实施例,参见图1,所述分类语种识别方法具体包含有如下内容:
步骤S101:对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集。
可选的,本申请可以在第一阶段中,对待识别的语音数据仍进行原有系统的处理过程,但对语种识别系统PLDA判决打分的结果保留原系统中得分较高的几个类别作为候选集。本节中,以取得分最高的两个为例,保留得分最高和得分第二高的两个语种结果。
步骤S102:通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
可选的,本申请可以在第二阶段中,将待识别语音的i-vector特征矢量输入至SVM分类器进行判决。若判决结果为“目标语种”,则保持原系统判决结果,判定待识别语音为得分最高的语种;若判决结果为“非目标语种”,则更改原系统判决结果,判定待识别语音为得分第二高的语种,以此提高原系统识别的准确性。
从上述描述可知,本申请实施例提供的分类语种识别方法,能够通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
在本申请的分类语种识别方法的一实施例中,参见图2,还可以具体包含如下内容:
步骤S201:对待识别语音数据进行概率线性语种判别分类。
步骤S202:根据相应的判决打分,取打分最高和第二高的语种作为候选集。
可选的,本申请可以在第一阶段中,对待识别的语音数据仍进行原有系统的处理过程,但对语种识别系统PLDA判决打分的结果保留原系统中得分较高的几个类别作为候选集。本节中,以取得分最高的两个为例,保留得分最高和得分第二高的两个语种结果。
在本申请的分类语种识别方法的一实施例中,参见图3,还可以具体包含如下内容:
步骤S301:将所述候选集中的待识别语音数据的语种差异性特征矢量输入设定支持向量机二分类器进行语种判别分类。
步骤S302:若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果。
可选的,本申请可以在第二阶段中,将待识别语音的i-vector特征矢量输入至SVM分类器进行判决。若判决结果为“目标语种”,则保持原系统判决结果,判定待识别语音为得分最高的语种;若判决结果为“非目标语种”,则更改原系统判决结果,判定待识别语音为得分第二高的语种,以此提高原系统识别的准确性。
在本申请的分类语种识别方法的一实施例中,参见图4,还可以具体包含如下内容:
步骤S401:若所述判别分类的结果为目标语种,则保持原判别结果中判决打分最高的语种为最终语种。
步骤S402:若所述判别分类的结果为非目标语种,则将判决打分第二高的语种更新为最终语种。
由上述内容可知,本申请将原有系统与SVM联合进行判决,有效降低了原有系统的语种识别错误率;只对原有判决结果的最高分与次高分的语种结果进行判决,一定程度上降低了添加联合判决带来的时间复杂度。
为了能够有效降低添加联合判决带来的时间复杂度和错误率,本申请提供一种用于实现所述分类语种识别方法的全部或部分内容的分类语种识别装置的实施例,参见图5,所述分类语种识别装置具体包含有如下内容:
PLDA判别模块10,用于对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集。
SVM判别模块20,用于通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
从上述描述可知,本申请实施例提供的分类语种识别装置,能够通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
在本申请的分类语种识别装置的一实施例中,参见图6,所述PLDA判别模块10包括:
判别打分单元11,用于对待识别语音数据进行概率线性语种判别分类。
候选集组建单元12,用于根据相应的判决打分,取打分最高和第二高的语种作为候选集。
在本申请的分类语种识别装置的一实施例中,参见图7,所述SVM判别模块20包括:
二分类判别单元21,用于将所述候选集中的待识别语音数据的语种差异性特征矢量输入设定支持向量机二分类器进行语种判别分类。
识别结果确定单元22,用于若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果。
在本申请的分类语种识别装置的一实施例中,参见图8,所述识别结果确定单元22包括:
结果维持子单元221,用于若所述判别分类的结果为目标语种,则保持原判别结果中判决打分最高的语种为最终语种。
结果更新子单元222,用于若所述判别分类的结果为非目标语种,则将判决打分第二高的语种更新为最终语种。
从硬件层面来说,为了能够有效降低添加联合判决带来的时间复杂度和错误率,本申请提供一种用于实现所述分类语种识别方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现分类语种识别装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的分类语种识别方法的实施例,以及分类语种识别装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,分类语种识别方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图9是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,分类语种识别方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集。
步骤S102:通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
从上述描述可知,本申请实施例提供的电子设备,通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
在另一个实施方式中,分类语种识别装置可以与中央处理器9100分开配置,例如可以将分类语种识别装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现分类语种识别方法功能。
如图9所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图9中所示的所有部件;此外,电子设备9600还可以包括图9中没有示出的部件,可以参考现有技术。
如图9所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的分类语种识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的分类语种识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集。
步骤S102:通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的分类语种识别方法中全部步骤的一种计算机程序产品,该计算机程序/指令被处理器执行时实现所述的分类语种识别方法的步骤,例如,所述计算机程序/指令实现下述步骤:
步骤S101:对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集。
步骤S102:通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
从上述描述可知,本申请实施例提供的计算机程序产品,通过对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,由此能够有效降低添加联合判决带来的时间复杂度和错误率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施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 (11)
1.一种分类语种识别方法,其特征在于,所述方法包括:
对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;
通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
2.根据权利要求1所述的分类语种识别方法,其特征在于,所述对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集,包括:
对待识别语音数据进行概率线性语种判别分类;
根据相应的判决打分,取打分最高和第二高的语种作为候选集。
3.根据权利要求1所述的分类语种识别方法,其特征在于,所述通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果,包括:
将所述候选集中的待识别语音数据的语种差异性特征矢量输入设定支持向量机二分类器进行语种判别分类;
若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果。
4.根据权利要求3所述的分类语种识别方法,其特征在于,所述若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果,包括:
若所述判别分类的结果为目标语种,则保持原判别结果中判决打分最高的语种为最终语种;
若所述判别分类的结果为非目标语种,则将判决打分第二高的语种更新为最终语种。
5.一种分类语种识别装置,其特征在于,包括:
PLDA判别模块,用于对待识别语音数据进行概率线性语种判别分类,得到判决打分并选择打分高于阈值的语种类别作为候选集;
SVM判别模块,用于通过设定支持向量机二分类器对所述候选集中的待识别语音数据的语种差异性特征矢量进行语种判别分类,确定最终语种识别结果。
6.根据权利要求5所述的分类语种识别装置,其特征在于,所述PLDA判别模块包括:
判别打分单元,用于对待识别语音数据进行概率线性语种判别分类;
候选集组建单元,用于根据相应的判决打分,取打分最高和第二高的语种作为候选集。
7.根据权利要求5所述的分类语种识别装置,其特征在于,所述SVM判别模块包括:
二分类判别单元,用于将所述候选集中的待识别语音数据的语种差异性特征矢量输入设定支持向量机二分类器进行语种判别分类;
识别结果确定单元,用于若所述判别分类的结果为目标语种,则保持原判别结果,否则根据所述候选集更新所述判别结果。
8.根据权利要求7所述的分类语种识别装置,其特征在于,所述识别结果确定单元包括:
结果维持子单元,用于若所述判别分类的结果为目标语种,则保持原判别结果中判决打分最高的语种为最终语种;
结果更新子单元,用于若所述判别分类的结果为非目标语种,则将判决打分第二高的语种更新为最终语种。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的分类语种识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述的分类语种识别方法的步骤。
11.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至4任一项所述的分类语种识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211506327.7A CN115798458A (zh) | 2022-11-28 | 2022-11-28 | 分类语种识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211506327.7A CN115798458A (zh) | 2022-11-28 | 2022-11-28 | 分类语种识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115798458A true CN115798458A (zh) | 2023-03-14 |
Family
ID=85442683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211506327.7A Pending CN115798458A (zh) | 2022-11-28 | 2022-11-28 | 分类语种识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798458A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116372322A (zh) * | 2023-05-09 | 2023-07-04 | 佛山市三乔焊接实业有限公司 | 一种mig焊机的新型双脉冲控制方法 |
-
2022
- 2022-11-28 CN CN202211506327.7A patent/CN115798458A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116372322A (zh) * | 2023-05-09 | 2023-07-04 | 佛山市三乔焊接实业有限公司 | 一种mig焊机的新型双脉冲控制方法 |
CN116372322B (zh) * | 2023-05-09 | 2023-10-03 | 佛山市三乔焊接实业有限公司 | 一种mig焊机的新型双脉冲控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956956A (zh) | 基于策略规则的语音识别方法及装置 | |
CN107995370B (zh) | 通话控制方法、装置及存储介质和移动终端 | |
CN111524526B (zh) | 声纹识别方法及装置 | |
CN111312283B (zh) | 跨信道声纹处理方法及装置 | |
CN111159358A (zh) | 多意图识别训练和使用方法及装置 | |
CN106649696A (zh) | 信息分类方法及装置 | |
CN104992715A (zh) | 一种智能设备的界面切换方法及系统 | |
CN115798458A (zh) | 分类语种识别方法及装置 | |
CN112529585A (zh) | 风险交易的交互唤醒方法、装置、设备及系统 | |
CN106776039A (zh) | 一种数据处理方法及装置 | |
US20200320993A1 (en) | Dialogue processing apparatus, a vehicle having the same, and a dialogue processing method | |
CN111048115A (zh) | 语音识别方法及装置 | |
KR20050033248A (ko) | 음성인식 기능을 가진 이동 통신 단말기, 및 이를 위한음소 모델링 방법 및 음성 인식 방법 | |
CN112820298B (zh) | 声纹识别方法及装置 | |
CN115984853A (zh) | 文字识别方法及装置 | |
EP4137964A1 (en) | Electronic device providing information about reason why response was changed, and operation method therefor | |
CN110931014A (zh) | 基于正则匹配规则的语音识别方法及装置 | |
CN111341320B (zh) | 短语语音的声纹识别方法及装置 | |
CN112820302A (zh) | 声纹识别方法、装置、电子设备和可读存储介质 | |
CN110544480B (zh) | 语音识别资源切换方法和装置 | |
CN112148864A (zh) | 语音交互方法、装置、计算机设备和存储介质 | |
CN111489756B (zh) | 一种声纹识别方法及装置 | |
CN116912833A (zh) | 基于文本纠错模型的文字识别方法及装置 | |
CN118298250B (zh) | 数据智能标注方法及装置 | |
CN117455558A (zh) | 基于组合模型的数据处理方法及装置 |
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 |