CN116386596A - 语种分类方法、装置、介质及电子设备 - Google Patents

Abstract

本公开涉及一种语种分类方法、装置、介质及电子设备，语种分类方法包括：获取目标音频；将目标音频输入到训练好的语种识别模型，得到目标音频属于预设候选语种集合中各候选语种的第一概率；将目标音频输入到训练好的自动语音识别模型，得到目标音频对应的识别结果，其中，识别结果包括语种标签和转写文本，语种标签用于表征一种候选语种；根据识别结果和自动语音识别模型的转写能力，配置目标音频属于各候选语种的第二概率；针对各候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；根据所有候选语种的融合概率和预设的语种分类条件，确定目标音频的目标语种，提升了语种分类效果。

Description

语种分类方法、装置、介质及电子设备

技术领域

本公开涉及语音技术领域，具体地，涉及一种语种分类方法、装置、介质及电子设备。

背景技术

在语音技术领域中，语种分类是指机器通过音频判断一个语音片段所属语种的过程。语种分类在数据收集和分析等领域有着重要的应用，例如，对特定语种的音频数据的收集以及特定语种的发音分析等等。因此，如何实现语种分类对语种分类应用是至关重要的。

发明内容

提供该部分内容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。该部分内容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。

第一方面，本公开提供一种语种分类方法，包括：

获取目标音频；

将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

第二方面，本公开提供一种语种分类装置，包括：

获取模块，用于获取目标音频；

第一输入模块，用于将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

第二输入模块，用于将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

配置模块，用于根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

融合模块，用于针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

分类模块，用于根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有至少一个计算机程序；

至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现第一方面中所述方法的步骤。

通过上述技术方案，语种识别(LID，language identification)模型能够得到目标音频属于各候选语种的第一概率，如此可以通过调节相应地阈值来实现准确率和召回率的调节；自动语音识别(ASR，Automatic Speech Recognition)模型能够捕捉到与内容相关的更加本质的音频特征，因此能够降低语种识别模型中处理目标音频时因目标音频中携带的有偏特征对分类造成的影响，因此，基于自动语音识别模型输出的语种标签和转写能力来配置目标音频属于各候选语种的第二概率，并基于第一概率和第二概率的融合概率以及语种分类条件来确定目标音频的目标语种，以实现语种识别模型和自动语音识别模型的不同优势的结合，不仅能够调节相应地阈值来实现准确率和召回率的调节，还能解决有偏特征对分类造成的影响，从而提升语种分类效果。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

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。在附图中：

图1是根据一示例性实施例示出的一种语种分类方法的流程图。

图2是根据一示例性实施例示出的一种语种分类装置的框图。

图3是根据一示例性实施例示出的一种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。

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。

本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

在相关技术中，可以采用两类模型实现音频的语种分类。第一种是利用语种识别模型，语种识别模型标注成本低，可以快速扩展支持的语种数量，然而，由于语种识别模型的输出目标是单一的语种类别，语种识别模型在训练过程中自动捕捉训练数据中与语种类别有相关性的音频特征，当不同语种类别的数据存在语种以外的其他有偏特征时(例如说话场景、音质等)，语种识别模型容易学到错误的分类特征，导致在实际使用中出现不符合预期的结果，因此，语种识别模型的训练对数据质量和分布的要求较高。值得说明的是，语种识别模型的输出可以包括音频属于各语种的概率，因此，可以设置相应的阈值对准确率和召回率进行调节，调节方式参见下述相关实施例。

第二种是带语种标签的自动语音识别模型。举例来讲，语音识别是一个序列转换问题，对于每条输入的语音，学习其对应的文字序列作为输出。在多语言自动语音识别模型的训练过程中，通过在输出的头部或尾部插入语种标签，可在解码得到转写文本的同时，输出语种标签，从而达到语种预测的目的。然而，自动语音识别模型不适合用于大量语种的分类，一方面，自动语音识别模型的训练数据的标注需要对每个语音的内容进行转写，对样本数量的需求较高，标注工作量远远大于只需打上语言标签的语种识别模型；另一方面，过多的语言混合在一个自动语音识别模型中，通常对各语言的转写效果会有较大的干扰，导致该模型的使用场景受限。此外，自动语音识别模型输出的语种标签直接作为语种预测结果，因此，不能通过设定阈值对准确率和召回率进行调节。

因此，现有技术中涉及的语种分类模型考虑的方面较为单一，无法在多个方面同时实现均衡，语种分类效果较差，这里的多个方面例如上述的准确率和召回率。

有鉴于此，本公开实施例公开了一种语种分类方法、装置、介质及电子设备，提升了语种分类的效果。

图1是根据一示例性实施例示出的一种语种分类方法的流程图。参照图1，该语种分类方法可以包括以下步骤：

步骤S101，获取目标音频。

其中，目标音频为需要进行语种识别的音频。目标音频可以是歌曲类的音频、人机问答类的音频等等。

步骤S102，将目标音频输入到训练好的语种识别模型，得到目标音频属于预设候选语种集合中各候选语种的第一概率。

其中，候选语种例如中文和英文等等。

其中，对于语种识别模型而言，其输出可以代表目标音频属于各候选语种的第一概率。示例地，以预设候选语种集合为A且l属于A为例，即l为候选语种，X为目标音频，具体地，可以用S_LID(l|X)表征X属于候选语种l的第一概率。

其中，关于语种识别模型的具体实施方式以及训练过程可以参照相关技术，本实施例在此不作赘述。

步骤S103，将目标音频输入到训练好的自动语音识别模型，得到目标音频对应的识别结果，其中，识别结果包括语种标签和转写文本。

其中，自动语音识别模型的输出包括语种标签和转写文本。值得说明的是，转写文本是与目标音频进行对齐的文本，语种标签用于表征一种候选语种，这里的候选语种意指预设候选语种集合中候选语种的一种。

其中，关于自动语音识别模型的具体实施方式以及训练过程可以参照相关技术，本实施例在此不作赘述。

步骤S104，根据识别结果和自动语音识别模型的转写能力，配置目标音频属于各候选语种的第二概率，其中，转写能力用于表征支持的文本转写的语种数量。

值得说明的是，为了实现对召回率和准确率的调节，需要基于自动语音识别模型的输出和自动语音识别模型的转写能力来配置目标音频属于各候选语种的第二概率。

值得说明的是，自动语音识别模型支持的文本转写的语种数量越多，表征其转写能力越高。

承接上述预设候选语种集合为A的示例，可以用S_ASR(l|X)表征目标音频属于候选语种l的第二概率，其中，X为目标音频，l属于A，即l为候选语种。

其中，关于配置目标音频属于各候选语种的第二概率的配置实施方式可以参照下述实施例，本实施例在此不作赘述。

步骤S105，针对各候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率。

在一些实施例中，上述步骤S105可以通过以下方式实施：针对各候选语种，对该候选语种对应的第一概率和第二概率进行加权融合，得到该候选语种对应的融合概率。

承接上述示例，可以通过以下式(1)表征候选语种l对应的融合概率：

S_comb(l|X)＝(1-λ)S_LID(l|X)+λS_ASR(l|X)(1)；

其中，S_comb(l|X)表征候选语种l的融合概率，X表征目标音频，S_LID(l|X)表征X属于候选语种l的第一概率，S_ASR(l|X)表征X属于候选语种l的第二概率，λ用于表征加权融合的加权系数。

其中，可以根据实际情况设置加权系数，本实施例在此不作限定。

步骤S106，根据所有候选语种的融合概率和预设的语种分类条件，确定目标音频的目标语种。

其中，可以根据实际的应用场景来设置相应的语种分类条件。

示例地，应用场景例如可以是给目标音频打上一个语种标签，在此情况下，语种分类条件可以设置为最大融合概率对应的候选语种为目标音频的目标语种，对应的，上述步骤S106通过以下方式实施：在所有候选语种的融合概率中确定最大融合概率；将最大融合概率对应的候选语种确定为目标音频的目标语种。

这样，将融合概率分数最大的候选语种确定为目标音频的目标语种，实现目标音频的准确分类。

示例地，应用场景例如可以是召回特定语种的音频数据，在此情况下，语种分类条件可以设置为融合概率超过对应语种阈值的候选语种为所述目标音频的目标语种，对应的，上述步骤S106通过以下方式实施：在所有候选语种的融合概率中确定融合概率超过对应语种阈值的目标候选语种；将目标候选语种确定为目标音频的目标语种。

这样，可以灵活设置语种阈值，在追求高召回率的情况下，降低相应的语种阈值，在某一关注的候选语种的融合概率超过对应语种阈值的情况下，即可认为目标音频的目标语种为该候选语种，提高相关候选语种的音频数据的召回；在追求较高的准确率的情况下，提高相应的语种阈值，在某一关注的候选语种的融合概率超过对应语种阈值的情况下，即可认为目标音频的目标语种为该候选语种，提高召回的被关注的候选语种相关音频数据的准确率。

通过上述方式，语种识别模型能够得到目标音频属于各候选语种的第一概率，如此可以通过调节相应地阈值来实现准确率和召回率的调节；自动语音识别模型能够捕捉到与内容相关的更加本质的音频特征，因此能够缓解语种识别模型中处理目标音频时因目标音频中携带的有偏特征对分类造成的影响，因此，基于自动语音识别模型输出的语种标签和转写能力来配置目标音频属于各候选语种的第二概率，并基于第一概率和第二概率的融合概率以及语种分类条件来确定目标音频的目标语种，以实现语种识别模型和自动语音识别模型的不同优势的结合，不仅能够调节相应地阈值来实现准确率和召回率的调节，还能解决有偏特征对分类造成的影响，从而提升语种分类效果。

在一些实施例中，自动语音识别模型为能够支持预设候选语种集合中所有候选语种的文本转写，在此情况下，上述步骤S104可以通过以下方式实施：将目标音频属于与语种标签对应的候选语种的第二概率配置为第一值；将目标音频属于不与语种标签对应的候选语种的第二概率配置为第二值，其中，第一值大于第二值。

示例地，第一值可以是1，第二值可以是0。

值得说明的是，在自动语音识别模型为能够支持预设候选语种集合中所有候选语种的文本转写的情况下，该自动语音识别模型具备了语种分类的能力，但没有显示的语种概率(例如，第一概率)，因此，可以将目标音频属于与语种标签对应的候选语种的第二概率配置为1，将目标音频属于不与语种标签对应的候选语种的第二概率配置为0，从而得到与第一概率类似的显示的第二概率。

示例地，可以通过下式(2)表征目标音频属于各候选语种的第二概率：

其中，S_ASR(l|X)用于表征目标音频X属于候选语种l的第二概率，y₀表征语种标签。

通过上述方案，实现了目标音频属于各候选语种的第二概率的配置，为第一概率和第二概率进行融合提供数据基础，从而实现准确率和召回率的调节。

在一些实施例中，上述第一值取值1以及第二值取值0的方式可以区分不同语种，但是无法区分属于同一语种的不同目标音频，在考虑到召回属于目标语种的音频数据的应用场景下，是通过调节相应地阈值来实现召回率和准确率的调节，但此种第一值取值1以及第二值取值0的方式使得阈值并无调整的空间。因此，可以选择自动语音识别模型的置信度来确定第一值从而区分属于同一语种的不同目标音频。举例来讲，上述将目标音频属于与语种标签对应的候选语种的第二概率配置为第一值的步骤可以通过以下方式实施：将置信度确定为第一值，并将目标音频属于与语种标签对应的候选语种的第二概率配置为第一值。

值得说明的是，在第一值取值为置信度时，第二值可以为0。

其中，识别结果还包括自动语音识别模型输出的元素序列的置信度，元素序列中的所有元素用于组成转写文本，置信度用于表征转写文本的准确程度，这里的元素可以称作为token，在自动语音识别模型中，会输出每个token对应的置信度。

示例地，在中文场景下，token可以是一个文字，也可以是构建一个文字的元音或辅音等等。又示例地，在英文场景下，token可以是一个字母，也可以是多个字母的组合。

示例地，可以通过下式(3)表征自动语音识别模型输出的元素序列的置信度：

其中，S_ASR(l|X)用于表征X属于候选语种l的第二概率，y₀用于表征语种标签，C(X,y)用于表征置信度，y用于表征元素序列。

其中，上述置信度可以通过元素序列中的所有元素的置信度的均值、极值等进行表征，这里的极值可以是极小值，也可以是极大值。

示例地，以通过所有元素的置信度的均值来表征置信度的情况下，置信度可以通过下式(4)表征：

其中，C(X,y)用于表征元素序列y的置信度，exp用于表征以自然常数e为底的指数函数，L用于表征元素序列y的长度，P(y_t|y_<t)用于表示给定t之前的所有字的条件下第t个字是y_t的概率。

在一些实施例中，语种标签可以与元素序列组成一个完整的序列进行输出，该语种标签可以在元素序列的头部，也可以在元素序列的尾部。

通过上述方式，由于置信度用于表征转写文本的准确程度，因此，利用相应的置信度作为第一值，可以表征语种标签被正确预测的概率，且置信度越高，语种标签被正确预测的概率也就越高；与之同时，也可以对不同目标音频在属于同一候选语种情况下进行区分，有利于提升例如音频数据召回应用场景下语种分类的效果。

由前文可知，过多的语言混合在一个自动语音识别模型中，通常对各语言的转写效果会有较大的干扰，导致该模型的使用场景受限，且过多的语种对自动语音识别模型的训练样本需求量较大，因此，自动语音识别模型会设置为能够支持预设候选语种集合中至少一种候选语种的文本转写，且值得说明的是，该自动语音识别模型不具备所有候选语种的文本转写的转写能力，即这里的至少一种候选语种不包括所有候选语种的情况。在此情况下，上述步骤S103可以通过以下方式实施：将目标音频输入到训练好的支持各候选语种的文本转写的自动语音识别模型，得到支持各候选语种的自动语音识别模型输出的目标音频对应的识别结果；与之同时，上述步骤S104可以通过以下方式实施：针对支持各候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将第三值配置为目标音频属于与该自动语音识别模型支持的候选语种所对应的第二概率。

其中，识别结果还包括自动语音识别模型输出的元素序列的置信度，元素序列中的所有元素用于组成转写文本，置信度用于表征转写文本的准确程度，另外，关于置信度的确定方式可以参照上述相关实施例，本实施例在此不作赘述。

以针对候选语种l为例，将目标音频输入到支持候选语种l的文本转写的自动语音识别模型，从而得到目标音频属于候选语种l的第二概率。其中，这里的支持候选语种l文本转写的自动语音识别模型可以是仅支持候选语种l的文本转写的单语言模型，也可以是支持包括候选语种l在内的多种候选语种的文本转写的混合语言模型。

在自动语音识别模型是仅支持候选语种l的文本转写的单语言模型的情况下，上述针对支持各候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将第三值配置为目标音频属于与该自动语音识别模型支持的候选语种所对应的第二概率的步骤可以通过以下方式实施：针对支持候选语种l的自动语音识别模型，将自动语音识别模型输出的置信度度确定为第三值，并将第三值配置为目标音频属于候选语种l的第二概率，即本实施方式只能将第三值确定为候选语种l的第二概率。

在自动语音识别模型是支持包括候选语种l在内的多种候选语种的文本转写的混合语言模型的情况下，上述针对支持各候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将第三值配置为目标音频属于与该自动语音识别模型支持的候选语种所对应的第二概率的步骤可以通过以下方式实施：针对支持各候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将第三值配置为目标音频属于与该自动语音识别模型支持的候选语种所对应的第二概率，即若该自动语音识别模型支持包括候选语种l、候选语种J和候选语种C，则该第三值为目标音频分别属于候选语种l、候选语种J和候选语种C的第二概率。

示例地，以下式(5)表征候选语种l的第二概率：

S_ASR(l|X)＝C_Ml(X,y)(5)；

其中，S_ASR(l|X)为候选语种l的第二概率，C_Ml(X,y)为自动语音识别模型C_Ml输出的目标音频X的元素序列y的置信度，值得说明的是，自动语音识别模型C_Ml可以为仅支持候选语种l的文本转写的单语言模型，也可以为支持包括候选语种l在内的多种候选语种的文本转写的混合语言模型。

通过上述方式，可以分别将目标音频输入到支持各候选语种的文本转写的自动语音识别模型中，即利用多个自动语音识别模型来确定所有候选语种的第二概率，从而能够降低训练自动语音识别模型的样本数量以及使得训练好的自动语音识别模型仍然可以适用于文本转写场景。

在一些实施方式中，自动语音识别模型能够支持除预设候选语种集合中第一候选语种之外的第二候选语种的文本转写，上述的根据识别结果和自动语音识别模型的转写能力，配置目标音频属于各候选语种的第二概率的步骤可以通过以下方式实施：将置信度确定为第四值，将第四值配置为目标音频属于各第二候选语种的第二概率；将数值1与第四值的差值配置为目标音频属于第一候选语种的第二概率。

其中，识别结果还包括自动语音识别模型输出的元素序列的置信度，元素序列中的所有元素用于组成转写文本，置信度用于表征转写文本的准确程度，另外，关于置信度的确定方式可以参照上述相关实施例，本实施例在此不作赘述。

仍以候选语种l、候选语种J和候选语种C为例，候选语种C和候选语种J为自动语音识别模型能够支持的第二候选语种，候选语种l为自动语音识别模型不能够支持的第一候选语种。对于自动语音识别模型输出的目标音频的元素序列的置信度，可以将该置信度设置为第四值，并作为目标音频分别属于候选语种C和候选语种J的第二概率，将数值1与该置信度的差值作为目标音频属于候选语种l的第二概率。

承接上述以候选语种C和候选语种J为自动语音识别模型能够支持的第二候选语种，候选语种l为自动语音识别模型不能够支持的第一候选语种的示例，可以通过下式(6)表征目标音频属于第一候选语种的第二概率：

S_ASR(l|X)＝1-C_B(X,y)(6)；

其中，S_ASR(l|X)用于表征目标音频属于候选语种l的第二概率，C_B用于表征支持候选语种C和候选语种J的自动语音识别模型，C_B(X,y)用于表征该自动语音识别模型输出的目标音频X的元素序列y的置信度。

值得说明的是，在一些应用场景下，对于预设候选语种集合中的所有候选语种而言，只有支持部分候选语种(即第二候选语种)的文本转写的自动语音识别模型，并不存在支持除干扰语种的其他候选语种(即第一候选语种)的文本转写，而一些应用场景，目标是为了召回属于第一候选语种的目标音频，因此，可以通过上述方式，利用支持第二候选语种的自动语音识别模型输出的置信度来确定目标音频属于第一候选语种的第二概率，从而在第一候选语种的第二概率大于相对应的语种阈值时，可以将确定属于第一候选语种的目标音频进行召回，使得整体方案的适用性更高，从而能适用更多的应用场景。

图2是根据一示例性实施例示出的一种语种分类装置的框图，参照图2，该语种分类装置200包括：

获取模块201，用于获取目标音频；

第一输入模块202，用于将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

第二输入模块203，用于将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

配置模块204，用于根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

融合模块205，用于针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

分类模块206，用于根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

可选地，所述自动语音识别模型为能够支持所述预设候选语种集合中所有候选语种的文本转写，所述配置模块204包括：

第一配置子模块，用于将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为第一值；

第二配置子模块，用于将所述目标音频属于不与所述语种标签对应的候选语种的第二概率配置为第二值，其中，所述第一值大于第二值。

可选地，所述识别结果还包括所述自动语音识别模型输出的元素序列的置信度，所述元素序列中的所有元素用于组成所述转写文本，所述置信度用于表征所述转写文本的准确程度，所述第一配置子模块具体用于将所述置信度确定为第一值，并将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为所述第一值。

可选地，所述自动语音识别模型为能够支持所述预设候选语种集合中至少一种候选语种的文本转写，所述第二输入模块203具体用于将所述目标音频输入到训练好的支持各所述候选语种的文本转写的自动语音识别模型，得到支持各所述候选语种的自动语音识别模型输出的所述目标音频对应的识别结果；

所述配置模块204还包括：

第三配置子模块，用于针对支持各所述候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将所述第三值配置为所述目标音频属于与该自动语音识别模型支持的所述候选语种所对应的第二概率。

可选地，所述自动语音识别模型能够支持除所述预设候选语种集合中第一候选语种之外的第二候选语种的文本转写，所述配置模块204还包括：

第四配置子模块，用于将所述置信度确定为第四值，将所述第四值配置为所述目标音频属于各所述第二候选语种的第二概率；

第五配置子模块，用于将数值1与所述第四值的差值配置为所述目标音频属于所述第一候选语种的第二概率。

可选地，所述融合模块205具体用于针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行加权融合，得到该候选语种对应的融合概率。

可选地，所述语种分类条件为最大融合概率对应的候选语种为所述目标音频的目标语种，所述分类模块206包括：

第一确定子模块，用于在所有所述候选语种的融合概率中确定最大融合概率；

第一分类子模块，用于将所述最大融合概率对应的候选语种确定为所述目标音频的目标语种。

可选地，所述语种分类条件为融合概率超过对应语种阈值的候选语种为所述目标音频的目标语种，所述分类模块206包括：

第二确定子模块，用于在所有所述候选语种的融合概率中确定融合概率超过对应语种阈值的目标候选语种；

第二分类子模块，用于将所述目标候选语种确定为所述目标音频的目标语种。

下面参考图3，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开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3示出的电子设备仅仅是一个示例，不应对本公开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。

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，其包括承载在非暂态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，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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，电子设备可以利用诸如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：获取目标音频；将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

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操作的计算机程序代码，上述程序设计语言包括但不限于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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取目标音频的模块”。

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。

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。

根据本公开的一个或多个实施例，示例1提供了一种语种分类方法，包括：

获取目标音频；

将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述自动语音识别模型为能够支持所述预设候选语种集合中所有候选语种的文本转写，所述根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，包括：

将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为第一值；

将所述目标音频属于不与所述语种标签对应的候选语种的第二概率配置为第二值，其中，所述第一值大于第二值。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述识别结果还包括所述自动语音识别模型输出的元素序列的置信度，所述元素序列中的所有元素用于组成所述转写文本，所述置信度用于表征所述转写文本的准确程度，所述将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为第一值，包括：

将所述置信度确定为第一值，并将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为所述第一值。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述自动语音识别模型为能够支持所述预设候选语种集合中至少一种候选语种的文本转写，所述将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，包括：

将所述目标音频输入到训练好的支持各所述候选语种的文本转写的自动语音识别模型，得到支持各所述候选语种的自动语音识别模型输出的所述目标音频对应的识别结果；

所述根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，包括：

针对支持各所述候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将所述第三值配置为所述目标音频属于与该自动语音识别模型支持的所述候选语种所对应的第二概率。

根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述自动语音识别模型能够支持除所述预设候选语种集合中第一候选语种之外的第二候选语种的文本转写，所述根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，包括：

将所述置信度确定为第四值，将所述第四值配置为所述目标音频属于各所述第二候选语种的第二概率；

将数值1与所述第四值的差值配置为所述目标音频属于所述第一候选语种的第二概率。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率，包括：

针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行加权融合，得到该候选语种对应的融合概率。

根据本公开的一个或多个实施例，示例7提供了示例1的方法，所述语种分类条件为最大融合概率对应的候选语种为所述目标音频的目标语种，所述根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种，包括：

在所有所述候选语种的融合概率中确定最大融合概率；

将所述最大融合概率对应的候选语种确定为所述目标音频的目标语种。

根据本公开的一个或多个实施例，示例8提供了示例1的方法，所述语种分类条件为融合概率超过对应语种阈值的候选语种为所述目标音频的目标语种，所述根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种，包括：

在所有所述候选语种的融合概率中确定融合概率超过对应语种阈值的目标候选语种；

将所述目标候选语种确定为所述目标音频的目标语种。

根据本公开的一个或多个实施例，示例9提供了一种语种分类装置，包括：

获取模块，用于获取目标音频；

第一输入模块，用于将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

第二输入模块，用于将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

配置模块，用于根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

融合模块，用于针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

分类模块，用于根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：

存储装置，其上存储有至少一个计算机程序；

至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现示例1-8中任一项所述方法的步骤。

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，本公开中所涉及的公开范围，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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。

Claims (11)

1.一种语种分类方法，其特征在于，包括：

获取目标音频；

将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

2.根据权利要求1所述的方法，其特征在于，所述自动语音识别模型为能够支持所述预设候选语种集合中所有候选语种的文本转写，所述根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，包括：

将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为第一值；

将所述目标音频属于不与所述语种标签对应的候选语种的第二概率配置为第二值，其中，所述第一值大于第二值。

3.根据权利要求2所述的方法，其特征在于，所述识别结果还包括所述自动语音识别模型输出的元素序列的置信度，所述元素序列中的所有元素用于组成所述转写文本，所述置信度用于表征所述转写文本的准确程度，所述将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为第一值，包括：

将所述置信度确定为第一值，并将所述目标音频属于与所述语种标签对应的候选语种的第二概率配置为所述第一值。

4.根据权利要求3所述的方法，其特征在于，所述自动语音识别模型为能够支持所述预设候选语种集合中至少一种候选语种的文本转写，所述将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，包括：

将所述目标音频输入到训练好的支持各所述候选语种的文本转写的自动语音识别模型，得到支持各所述候选语种的自动语音识别模型输出的所述目标音频对应的识别结果；

所述根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，包括：

针对支持各所述候选语种的自动语音识别模型，将该自动语音识别模型输出的置信度确定为第三值，将所述第三值配置为所述目标音频属于与该自动语音识别模型支持的所述候选语种所对应的第二概率。

5.根据权利要求3所述的方法，其特征在于，所述自动语音识别模型能够支持除所述预设候选语种集合中第一候选语种之外的第二候选语种的文本转写，所述根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，包括：

将所述置信度确定为第四值，将所述第四值配置为所述目标音频属于各所述第二候选语种的第二概率；

将数值1与所述第四值的差值配置为所述目标音频属于所述第一候选语种的第二概率。

6.根据权利要求1所述的方法，其特征在于，所述针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率，包括：

针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行加权融合，得到该候选语种对应的融合概率。

7.根据权利要求1所述的方法，其特征在于，所述语种分类条件为最大融合概率对应的候选语种为所述目标音频的目标语种，所述根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种，包括：

在所有所述候选语种的融合概率中确定最大融合概率；

将所述最大融合概率对应的候选语种确定为所述目标音频的目标语种。

8.根据权利要求1所述的方法，其特征在于，所述语种分类条件为融合概率超过对应语种阈值的候选语种为所述目标音频的目标语种，所述根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种，包括：

在所有所述候选语种的融合概率中确定融合概率超过对应语种阈值的目标候选语种；

将所述目标候选语种确定为所述目标音频的目标语种。

9.一种语种分类装置，其特征在于，包括：

获取模块，用于获取目标音频；

第一输入模块，用于将所述目标音频输入到训练好的语种识别模型，得到所述目标音频属于预设候选语种集合中各候选语种的第一概率；

第二输入模块，用于将所述目标音频输入到训练好的自动语音识别模型，得到所述目标音频对应的识别结果，其中，所述识别结果包括语种标签和转写文本，所述语种标签用于表征一种候选语种；

配置模块，用于根据所述识别结果和所述自动语音识别模型的转写能力，配置所述目标音频属于各所述候选语种的第二概率，其中，所述转写能力用于表征支持的文本转写的语种数量；

融合模块，用于针对各所述候选语种，对该候选语种对应的第一概率和第二概率进行融合，得到该候选语种对应的融合概率；

分类模块，用于根据所有所述候选语种的融合概率和预设的语种分类条件，确定所述目标音频的目标语种。

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，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。

11.一种电子设备，其特征在于，包括：

存储装置，其上存储有至少一个计算机程序；

至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现权利要求1-8中任一项所述方法的步骤。

Images