CN106453865A - 一种移动终端及语音到文本的转换方法 - Google Patents

Abstract

本发明实施例公开了一种移动终端。所述移动终端包括：接收单元、提取单元和转换单元，其中，接收单元接收同时存在的多个人物的语音信息，并将所述语音信息发送给提取单元；提取单元在全部语音信息中提取至少N个声纹特征，并将所述声纹特征发送给转换单元；其中，N为大于等于2的自然数；转换单元根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。另外，本发明实施例还公开了一种语音到文本的转换方法。采用本发明实施例的技术方案，能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息，方便用户操作，提升用户体验。

Description

一种移动终端及语音到文本的转换方法

技术领域

本发明涉及移动通信技术，尤其涉及一种移动终端及语音到文本的转换方法。

背景技术

随着信息时代的迅速发展，信息输入/输出功能的重要性在电子设备中已经被逐渐加强。人们可通过手机或录音笔(或其他具有录音功能的设备)进行录音，方便记录信息。伴随语音识别技术的发展，智能移动终端已经能够实现将语音文件转换为文本文件进行显示的功能，用户在使用具有语音文件转换文本文件进行显示的功能的智能移动终端时，不仅可以记录实时的语音信息，还可以将语音文件直接转换为文本文件并进行显示，从而使用户无需再进行一边回放语音文件一边记录录音内容的繁琐工作，使用户更加快捷方便地记录语音信息。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：

在现有技术中，虽然已经实现了将语音文件转换成文本文件进行显示的功能，但是，在使用现有技术将语音文件转换为文本文件时，如果语音文件中同时存在多个人物的语音，采用现有的语音文件到文本文件的转换方法，无法在同时存在的多个人物的语音中区分出不同人物的语音，从而无法将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。

发明内容

有鉴于此，本发明实施例提供了一种移动终端及语音到文本的转换方法，在同时存在的多个人物的语音时，能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息，从而可以方便用户操作，提升用户体验。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种移动终端，所述移动终端包括：

接收单元，用于接收同时存在的多个人物的语音信息，并将所述语音信息发送给提取单元；

所述提取单元，用于在全部语音信息中提取至少N个声纹特征，并将所述声纹特征发送给转换单元；其中，N为大于等于2的自然数；

所述转换单元，用于根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

可选地，所述提取单元用于采用多个采样周期在全部语音信息中提取至少N个声纹特征；或者，采用多个采样频率在全部语音信息中提取至少N个声纹特征。

可选地，所述转换单元包括：

匹配子单元，用于将N个声纹特征分别与预先存储的声纹特征进行匹配，并将匹配结果发送给转换子单元；

转换子单元，用于根据所述匹配结果将全部语音信息转换为各个人物对应的文本信息。

可选地，所述转换子单元用于判断各个声纹特征是否与至少一个预先存储的声纹特征匹配成功；若匹配成功，将各个声纹特征转换为各个人物对应的文本信息。

可选地，所述匹配子单元用于将N个声纹特征分别与预先存储的多种格式的声纹特征进行匹配；或者，将N个声纹特征分别与预先存储的多个声道的声纹特征进行匹配。

本发明实施例还提供了一种语音到文本的转换方法，所述方法包括：

接收同时存在的多个人物的语音信息；

在全部语音信息中提取至少N个声纹特征；其中，N为大于等于2的自然数；

根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

可选地，所述在全部语音信息中提取至少N个声纹特征，包括：

采用多个采样周期在全部语音信息中提取至少N个声纹特征；

或者，采用多个采样频率在全部语音信息中提取至少N个声纹特征。

可选地，所述根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息，包括：

将N个声纹特征分别与预先存储的声纹特征进行匹配；

根据匹配结果将全部语音信息转换为各个人物对应的文本信息。

可选地，所述根据匹配结果将全部语音信息转换为各个人物对应的文本信息，包括：

判断各个声纹特征是否与至少一个预先存储的声纹特征匹配成功；

若匹配成功，将各个声纹特征转换为各个人物对应的文本信息。

可选地，所述将N个声纹特征分别与预先存储的声纹特征进行匹配，包括：

将N个声纹特征分别与预先存储的多种格式的声纹特征进行匹配；

或者，将N个声纹特征分别与预先存储的多个声道的声纹特征进行匹配。

由此可见，本发明实施例的技术方案中，移动终端接收同时存在的多个人物的语音信息后，在全部语音信息中提取至少N个声纹特征，其中，N为大于等于2的自然数，然后根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。也就是说，在本发明提出的技术方案中，在同时存在的多个人物的语音时，移动终端能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。而不是像现有技术中，无法将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。由此可见，和现有技术相比，本发明实施例提出的移动终端及语音到文本的转换方法，能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息，从而可以方便用户使用，提升用户体验；并且，实现起来简单方便，便于普及，适用范围更广。

附图说明

图1为实现本发明各个实施例的一个可选的移动终端100的硬件结构示意图；

图2为如图1所示的移动终端100的无线通信***示意图；

图3为本发明实施例一提供的移动终端的组成结构示意图；

图4为本发明实施例二提供的移动终端的组成结构示意图；

图5为本发明实施例中语音到文本的转换方法的实现流程示意图；

图6为本发明实施例中根据N个声纹特征将语音转换为文本的实现流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明的技术方案，并不用于限定本发明的保护范围。

现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。

移动终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)、便携式多媒体播放器(PMP)、导航装置等的移动终端。

图1为实现本发明各个实施例的移动终端100的硬件结构示意，如图1所示，移动终端100可以包括：无线通信单元110、用户输入单元120、感测单元130、输出单元140、存储器150、接口单元160、控制器170和电源单元180等。图1示出了具有各种组件的移动终端100，但是应理解的是，并不要求实施所有示出的组件。可以替代地实施更多或更少的组件。将在下面详细描述移动终端100的元件。

无线通信单元110通常包括一个或多个组件，其允许移动终端100与无线通信***或网络之间的无线电通信。例如，无线通信单元110可以包括：移动通信模块111、无线互联网模块112和短程通信模块113中的至少一个。

移动通信模块111将无线电信号发送到基站(例如，接入点、节点B等)、外部终端以及服务器中的至少一个和/或从其接收无线电信号。这样的无线电信号可以包括语音通话信号、视频通话信号、或者根据文本和/或多媒体消息发送和/或接收的各种类型的数据。

无线互联网模块112支持移动终端100的无线互联网接入。无线互联网模块112可以内部或外部地耦接到终端。无线互联网模块112所涉及的无线互联网接入技术可以包括无线局域网(WLAN)、无线相容性认证(Wi-Fi)、无线宽带(Wibro)、全球微波互联接入(Wimax)、高速下行链路分组接入(HSDPA)等。

短程通信模块113是用于支持短程通信的模块。短程通信技术的一些示例包括蓝牙^TM、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)、紫蜂^TM等。

用户输入单元120可以根据用户输入的命令生成键输入数据以控制移动终端100的各种操作。用户输入单元120允许用户输入各种类型的信息，并且可以包括键盘、锅仔片、触摸板(例如，检测由于被接触而导致的电阻、压力、电容等的变化的触敏组件)、滚轮、摇杆等。特别地，当触摸板以层的形式叠加在显示单元141上时，可以形成触摸屏。

感测单元130检测移动终端100的当前状态，(例如，移动终端100的打开或关闭状态)、移动终端100的位置、用户对于移动终端100的接触(即，触摸输入)的有无、移动终端100的取向、移动终端100的加速或减速移动和方向等，并且生成用于控制移动终端100的操作的命令或信号。例如，当移动终端100实施为滑动型移动电话时，感测单元130可以感测该滑动型电话是打开还是关闭。另外，感测单元130能够检测电源单元180是否提供电力或者接口单元160是否与外部装置耦接。

接口单元160用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口(典型示例是通用串行总线USB端口)、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等。

接口单元160可以用于接收来自外部装置的输入(例如，数据信息、电力等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。

另外，当移动终端100与外部底座连接时，接口单元160可以用作允许通过其将电力从底座提供到移动终端100的路径或者可以用作允许从底座输入的各种命令信号通过其传输到移动终端100的路径。从底座输入的各种命令信号或电力可以用作用于识别移动终端100是否准确地安装在底座上的信号。

输出单元140被构造为以视觉、音频和/或触觉方式提供输出信号(例如，音频信号、视频信号、警报信号、振动信号等)。输出单元140可以包括显示单元141和音频输出模块142等。

显示单元141可以显示在移动终端100中处理的信息。例如，当移动终端100处于电话通话模式时，显示单元141可以显示与通话或其它通信(例如，文本消息收发、多媒体文件下载等)相关的用户界面(UI)或图形用户界面(GUI)。当移动终端100处于视频通话模式或者图像捕获模式时，显示单元141可以显示捕获的图像和/或接收的图像、示出视频或图像以及相关功能的UI或GUI等。

同时，当显示单元141和触摸板以层的形式彼此叠加以形成触摸屏时，显示单元141可以用作输入装置和输出装置。显示单元141可以包括液晶显示器(LCD)、薄膜晶体管LCD(TFT-LCD)、有机发光二极管(OLED)显示器、柔性显示器、三维(3D)显示器等中的至少一种。这些显示器中的一些可以被构造为透明状以允许用户从外部观看，这可以称为透明显示器，典型的透明显示器可以例如为TOLED(透明有机发光二极管)显示器等。根据特定想要的实施方式，移动终端100可以包括两个或更多显示单元(或其它显示装置)，例如，移动终端100可以包括外部显示单元(未示出)和内部显示单元(未示出)。触摸屏可用于检测触摸输入压力以及触摸输入位置和触摸输入面积。

音频输出模块142可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等模式下时，将无线通信单元110接收的或者在存储器150中存储的音频数据转换音频信号并且输出为声音。而且，音频输出模块142可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等)。音频输出模块142可以包括扬声器、蜂鸣器等。

存储器150可以存储由控制器170执行的处理和控制操作的软件程序等，或者可以暂时地存储已经输出或将要输出的数据(例如，电话簿、消息、静态图像、视频等)。而且，存储器150可以存储关于当触摸施加到触摸屏时输出的各种方式的振动和音频信号的数据。

存储器150可以包括至少一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。而且，移动终端100可以与通过网络连接执行存储器150的存储功能的网络存储装置协作。

控制器170通常控制移动终端100的总体操作。例如，控制器170执行与语音通话、数据通信、视频通话等相关的控制和处理。另外，控制器170可以包括用于再现或回放多媒体数据的多媒体模块171，多媒体模块171可以构造在控制器170内，或者可以构造为与控制器170分离。控制器170可以执行模式识别处理，以将在触摸屏上执行的手写输入或者图片绘制输入识别为字符或图像。

电源单元180在控制器170的控制下接收外部电力或内部电力并且提供操作各元件和组件所需的适当的电力。

这里描述的各种实施方式可以以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施，在一些情况下，这样的实施方式可以在控制器170中实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器150中并且由控制器170执行。

至此，已经按照其功能描述了移动终端100。下面，为了简要起见，将描述诸如折叠型、直板型、摆动型、滑动型移动终端100等的各种类型的移动终端100中的滑动型移动终端100作为示例。因此，本发明能够应用于任何类型的移动终端100，并且不限于滑动型移动终端100。

如图1中所示的移动终端100可以被构造为利用经由帧或分组发送数据的诸如有线和无线通信***以及基于卫星的通信***来操作。

现在将参考图2描述其中根据本发明的移动终端100能够操作的通信***。

这样的通信***可以使用不同的空中接口和/或物理层。例如，由通信***使用的空中接口包括例如频分多址(FDMA)、时分多址(TDMA)、码分多址(CDMA)和通用移动通信***(UMTS)(特别地，长期演进(LTE))、全球移动通信***(GSM)等。作为非限制性示例，下面的描述涉及CDMA通信***，但是这样的教导同样适用于其它类型的***。

参考图2，CDMA无线通信***可以包括多个移动终端100、多个基站(BS)270、基站控制器(BSC)275和移动交换中心(MSC)280。MSC280被构造为与公共电话交换网络(PSTN)290形成接口。MSC280还被构造为与可以经由回程线路耦接到基站270的BSC275形成接口。回程线路可以根据若干己知的接口中的任一种来构造，所述接口包括例如E1/T1、ATM、IP、PPP、帧中继、HDSL、ADSL或xDSL。将理解的是，如图2中所示的***可以包括多个

每个BS270可以服务一个或多个分区(或区域)，由多向天线或指向特定方向的天线覆盖的每个分区放射状地远离BS270。或者，每个分区可以由用于分集接收的两个或更多天线覆盖。每个BS270可以被构造为支持多个频率分配，并且每个频率分配具有特定频谱(例如，1.25MHz，5MHz等)。

分区与频率分配的交叉可以被称为CDMA信道。BS270也可以被称为基站收发器子***(BTS)或者其它等效术语。在这样的情况下，术语“基站”可以用于笼统地表示单个BSC275和至少一个BS270。基站也可以被称为“蜂窝站”。或者，特定BS270的各分区可以被称为多个蜂窝站。

作为无线通信***的一个典型操作，BS270接收来自各种移动终端100的反向链路信号。移动终端100通常参与通话、消息收发和其它类型的通信。特定BS270接收的每个反向链路信号被在特定BS270内进行处理。获得的数据被转发给相关的BSC275。BSC提供通话资源分配和包括BS270之间的软切换过程的协调的移动管理功能。BSC275还将接收到的数据路由到MSC280，其提供用于与PSTN290形成接口的额外的路由服务。类似地，PSTN290与MSC280形成接口，MSC与BSC275形成接口，并且BSC275相应地控制BS270以将正向链路信号发送到移动终端100。

移动终端中无线通信单元110的移动通信模块112基于移动终端内置的接入移动通信网络(如2G/3G/4G等移动通信网络)的必要数据(包括用户识别信息和鉴权信息)接入移动通信网络为移动终端用户的网页浏览、网络多媒体播放等业务传输移动通信数据(包括上行的移动通信数据和下行的移动通信数据)。

无线通信单元110的无线互联网模块113通过运行无线热点的相关协议功能而实现无线热点的功能，无线热点支持多个移动终端(移动终端之外的任意移动终端)接入，通过复用移动通信模块112与移动通信网络之间的移动通信连接为移动终端用户的网页浏览、网络多媒体播放等业务传输移动通信数据(包括上行的移动通信数据和下行的移动通信数据)，由于移动终端实质上是复用移动终端与通信网络之间的移动通信连接传输移动通信数据的，因此移动终端消耗的移动通信数据的流量由通信网络侧的计费实体计入移动终端的通信资费，从而消耗移动终端签约使用的通信资费中包括的移动通信数据的数据流量。

基于上述移动终端100硬件结构以及通信***，提出本发明方法各个实施例。

图3为本发明实施例一提供的移动终端的组成结构示意图，如图3所示，本发明实施例一提供的移动终端可以包括：接收单元301、提取单元302和转换单元303。结合上述实现本发明各个实施例的移动终端100的硬件结构示意图以及实现本发明各个实施例的移动终端100的无线通信***示意图可知，本发明实施例提供的移动终端中的接收单元301、提取单元302和转换单元303都可以以程序代码的形式由移动终端中的处理器执行相应功能来实现；当然也可通过具体的逻辑电路实现；在具体实施例的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

本发明实施例一提出的移动终端包括：接收单元301、提取单元302和转换单元303。其中，接收单元301可以接收同时存在的多个人物的语音信息，并将所述语音信息发送给提取单元302；然后提取单元302在全部语音信息中提取至少N个声纹特征，并将所述声纹特征发送给转换单元303；其中，N为大于等于2的自然数；最后转换单元303可以根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

接收单元301，用于接收同时存在的多个人物的语音信息，并将所述语音信息发送给提取单元302。

在本发明的具体实施例中，接收单元301可以接收同时存在的多个人物的语音信息，其中，接收单元301可以通过多种方法接收语音信息，既可以通过现场录制的方法接收语音信息，也可以通过解析已有的语音文件接收语音信息。例如，在会议现场，接收单元301可以对会议讨论中的多个人物的语音进行录制从而接收同时存在的多个人物的语音信息；或者，接收单元301可以通过解析同时存在多个人物语音信息的MP3格式的语音文件从而接收同时存在的多个人物的语音信息。

提取单元302，用于在全部语音信息中提取至少N个声纹特征，并将所述声纹特征发送给转换单元303。其中，N为大于等于2的自然数。

在本发明的具体实施例中，提取单元302获得接收单元301发送的语音信息后，可以在全部语音信息中提取至少N个声纹特征，其中，N为大于等于2的自然数。其中，提取单元302可以通过多种方法对全部语音信息中的多个声纹特征进行提取。进一步的，提取单元302可以采用多个采样周期在全部语音信息中提取至少N个声纹特征；或者，提取单元302也可以采用多个采样频率在全部语音信息中提取至少N个声纹特征。

转换单元303，用于根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

在本发明的具体实施例中，转换单元303在接收到提取单元302发送的N个不同声纹特征后，分别将N个声纹特征与预先存储的声纹特征进行匹配，然后根据匹配结果将全部语音信息转换为不同人物对应的文本信息。其中，预先存储的声纹特征与预先设定的人物存在对应的关系，表1为本发明实施例中预存声纹特征与预设人物的对应关系表，如表1所示，对于不同的预先存储的声纹特征，都存在相对应的预先设定的人物。例如，当提取的声纹特征与预存声纹特征1的匹配结果为匹配成功时，通过查询预存声纹特征与预设人物的对应关系表可以确定预存声纹特征1与预设人物1的对应关系，因此可以确定所述提取的声纹特征与预设人物1相对应，转换单元303可以将所述提取的声纹特征转换为与预设人物1对应的文本信息。

表1

图4为本发明实施例二提供的移动终端的组成结构示意图，如图4所示，转换单元303可以包括：匹配子单元3031和转换子单元3032。

匹配子单元3031，用于将N个声纹特征分别与预先存储的声纹特征进行匹配，并将匹配结果发送给转换子单元3032。

在本发明的具体实施例中，匹配子单元将提取单元302提取的一个声纹特征与预先存储的声纹特征进行匹配，从而获得一个提取的声纹特征与预先存储的声纹特征的匹配结果，重复上述操作直到获得全部语音信息中N个提取的声纹特征与预先存储的声纹特征的匹配结果。进一步的，匹配子单元3031可以将N个声纹特征分别与预先存储的多种格式的声纹特征进行匹配；或者，匹配子单元3031也可以将N个声纹特征分别与预先存储的多个声道的声纹特征进行匹配。

转换子单元3032，用于根据所述匹配结果将全部语音信息转换为各个人物对应的文本信息。

在本发明的具体实施例中，转换子单元3032可以根据N个提取的声纹特征与预先存储的声纹特征的匹配结果将全部语音信息转换为各个人物对应的文本信息。进一步的，转换子单元3032可以判断一个提取的声纹特征是否与至少一个预先存储的声纹特征匹配成功，如果匹配成功，则可以通过查询上述表1获得预存声纹信息与预设人物的对应关系，从而可以确定所述提取的声纹信息与预设人物的对应关系，并将所述提取的声纹信息转换为所述预设人物对应的文本信息。例如，当提取的声纹特征与预存声纹特征2的匹配结果为匹配成功时，通过查询预存声纹特征与预设人物的对应关系表可以确定预存声纹特征2与预设人物2的对应关系，因此可以确定所述提取的声纹特征与预设人物2相对应，转换子单元3032可以将所述提取的声纹特征转换为与预设人物2对应的文本信息。

本发明实施例提供的接收单元301、提取单元302和转换单元303都可以以程序代码的形式由移动终端中的处理器执行相应功能来实现；当然也可通过具体的逻辑电路实现；在具体实施例的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

本发明实施例提出的移动终端，移动终端接收同时存在的多个人物的语音信息后，在全部语音信息中提取至少N个声纹特征，其中，N为大于等于2的自然数，然后根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。也就是说，在本发明提出的技术方案中，在同时存在的多个人物的语音时，移动终端能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。而不是像现有技术中，无法将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。由此可见，和现有技术相比，本发明实施例提出的移动终端及语音到文本的转换方法，能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息，从而可以方便用户使用，提升用户体验；并且，实现起来简单方便，便于普及，适用范围更广。

图5为本发明实施例中语音到文本的转换方法的实现流程示意图，如图5所示，语音到文本的转换方法可以包括以下步骤：

步骤501、接收同时存在的多个人物的语音信息。

在本发明的具体实施例中，移动终端可以接收同时存在的多个人物的语音信息，其中，移动终端可以通过多种方法接收语音信息，既可以通过现场录制的方法接收语音信息，也可以通过解析已有的语音文件接收语音信息。例如，在会议现场，移动终端可以对会议讨论中的多个人物的语音进行录制从而接收同时存在的多个人物的语音信息；或者，移动终端可以通过解析同时存在多个人物语音信息的MP3格式的语音文件从而接收同时存在的多个人物的语音信息。

步骤502、在全部语音信息中提取至少N个声纹特征；其中，N为大于等于2的自然数；

在本发明的具体实施例中，移动终端在接收同时存在的多个人物的语音信息后，可以在全部语音信息中提取至少N个声纹特征，其中，N为大于等于2的自然数。其中，移动终端可以通过多种方法对全部语音信息中的多个声纹特征进行提取。进一步的，移动终端可以采用多个采样周期在全部语音信息中提取至少N个声纹特征；或者，移动终端也可以采用多个采样频率在全部语音信息中提取至少N个声纹特征。

步骤503、根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

在本发明的具体实施例中，移动终端在提取到N个不同声纹特征后，分别将N个声纹特征与预先存储的声纹特征进行匹配，然后根据匹配结果将全部语音信息转换为不同人物对应的文本信息。其中，预先存储的声纹特征与预先设定的人物存在对应的关系，如上述表1所示，对于不同的预先存储的声纹特征，都存在相对应的预先设定的人物。例如，当提取的声纹特征与预存声纹特征1的匹配结果为匹配成功时，通过查询预存声纹特征与预设人物的对应关系表可以确定预存声纹特征1与预设人物1的对应关系，因此可以确定所述提取的声纹特征与预设人物1相对应，移动终端可以将所述提取的声纹特征转换为与预设人物1对应的文本信息。

图6为本发明实施例中根据N个声纹特征将语音转换为文本的实现流程示意图，如图6所示，根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息以下步骤：

步骤503a、将N个声纹特征分别与预先存储的声纹特征进行匹配。

在本发明的具体实施例中，移动终端将提取的一个声纹特征与预先存储的声纹特征进行匹配，从而获得一个提取的声纹特征与预先存储的声纹特征的匹配结果，重复上述操作直到获得全部语音信息中N个提取的声纹特征与预先存储的声纹特征的匹配结果。进一步的，移动终端可以将N个声纹特征分别与预先存储的多种格式的声纹特征进行匹配；或者，移动终端也可以将N个声纹特征分别与预先存储的多个声道的声纹特征进行匹配。

步骤503b、根据所述匹配结果将全部语音信息转换为各个人物对应的文本信息。

在本发明的具体实施例中，移动终端可以根据N个提取的声纹特征与预先存储的声纹特征的匹配结果将全部语音信息转换为各个人物对应的文本信息。进一步的，移动终端可以判断一个提取的声纹特征是否与至少一个预先存储的声纹特征匹配成功，如果匹配成功，则可以通过查询上述表1获得预存声纹信息与预设人物的对应关系，从而可以确定所述提取的声纹信息与预设人物的对应关系，并将所述提取的声纹信息转换为所述预设人物对应的文本信息。例如，当提取的声纹特征与预存声纹特征2的匹配结果为匹配成功时，通过查询预存声纹特征与预设人物的对应关系表可以确定预存声纹特征2与预设人物2的对应关系，因此可以确定所述提取的声纹特征与预设人物2相对应，移动终端可以将所述提取的声纹特征转换为与预设人物2对应的文本信息。

根据上述的描述可知，通过上述的步骤503a～503b，移动终端在将N个声纹特征分别与预先存储的声纹特征进行匹配之后，可以根据匹配结果将全部语音信息转换为各个人物对应的文本信息，从而能够快速准确地根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息，方便用户操作，提升用户体验。

本发明实施例提出的语音到文本的转换方法，移动终端接收同时存在的多个人物的语音信息后，在全部语音信息中提取至少N个声纹特征，其中，N为大于等于2的自然数，然后根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。也就是说，在本发明提出的技术方案中，在同时存在的多个人物的语音时，移动终端能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。而不是像现有技术中，无法将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息。由此可见，和现有技术相比，本发明实施例提出的移动终端及语音到文本的转换方法，能够实现将全部语音信息中的同时存在的多个人物语音转换为各个人物对应的文本信息，从而可以方便用户使用，提升用户体验；并且，实现起来简单方便，便于普及，适用范围更广。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种移动终端，其特征在于，所述移动终端包括：

接收单元，用于接收同时存在的多个人物的语音信息，并将所述语音信息发送给提取单元；

所述提取单元，用于在全部语音信息中提取至少N个声纹特征，并将所述声纹特征发送给转换单元；其中，N为大于等于2的自然数；

所述转换单元，用于根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

2.根据权利要求1所述的移动终端，其特征在于，所述提取单元用于采用多个采样周期在全部语音信息中提取至少N个声纹特征；或者，采用多个采样频率在全部语音信息中提取至少N个声纹特征。

3.根据权利要求1所述的移动终端，其特征在于，所述转换单元包括：

匹配子单元，用于将N个声纹特征分别与预先存储的声纹特征进行匹配，并将匹配结果发送给转换子单元；

转换子单元，用于根据所述匹配结果将全部语音信息转换为各个人物对应的文本信息。

4.根据权利要求3所述的移动终端，其特征在于，所述转换子单元用于判断各个声纹特征是否与至少一个预先存储的声纹特征匹配成功；若匹配成功，将各个声纹特征转换为各个人物对应的文本信息。

5.根据权利要求3所述的移动终端，其特征在于，所述匹配子单元用于将N个声纹特征分别与预先存储的多种格式的声纹特征进行匹配；或者，将N个声纹特征分别与预先存储的多个声道的声纹特征进行匹配。

6.一种语音到文本的转换方法，其特征在于，所述方法包括：

接收同时存在的多个人物的语音信息；

在全部语音信息中提取至少N个声纹特征；其中，N为大于等于2的自然数；

根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息。

7.根据权利要求6所述的方法，其特征在于，所述在全部语音信息中提取至少N个声纹特征，包括：

采用多个采样周期在全部语音信息中提取至少N个声纹特征；

或者，采用多个采样频率在全部语音信息中提取至少N个声纹特征。

8.根据权利要求6所述的方法，其特征在于，所述根据N个声纹特征将全部语音信息转换为不同人物对应的文本信息，包括：

将N个声纹特征分别与预先存储的声纹特征进行匹配；

根据匹配结果将全部语音信息转换为各个人物对应的文本信息。

9.根据权利要求8所述的方法，其特征在于，所述根据匹配结果将全部语音信息转换为各个人物对应的文本信息，包括：

判断各个声纹特征是否与至少一个预先存储的声纹特征匹配成功；

若匹配成功，将各个声纹特征转换为各个人物对应的文本信息。

10.根据权利要求8所述的方法，其特征在于，所述将N个声纹特征分别与预先存储的声纹特征进行匹配，包括：

将N个声纹特征分别与预先存储的多种格式的声纹特征进行匹配；

或者，将N个声纹特征分别与预先存储的多个声道的声纹特征进行匹配。