音频内容识别方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及音频内容识别方法、装置、设备和计算机可读介质。
背景技术
为了提升用户观看视频的体验,需要为视频添加字幕。人工添加字幕成本高且效率有限。而现有的自动添加字幕技术,在音频中有多种内容时准确率不能得到保证。其中,音频中的多种内容例如歌声、说话声、咳嗽声、笑声、关门声等。以及,难以应对存在多语种语音片段的音频。
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音频内容识别方法、装置、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。
第一方面,本公开的一些实施例提供了一种音频内容识别方法,该方法包括:对音频进行切分,得到语音片段集合和非语音片段集合;确定上述语音片段集合中的每个语音片段的类型和语种信息;对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
第二方面,本公开的一些实施例提供了一种音频内容识别装置,装置包括:切分单元,被配置成对音频进行切分,得到语音片段集合和非语音片段集合;确定单元,被配置成确定上述语音片段集合中的每个语音片段的类型和语种信息;识别单元,被配置成对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
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如第一方面中任一实现方式描述的方法。
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如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过将音频中的说话和音乐片段分别进行识别,使两种音频内容都能得到更好的识别效果。以及,通过对不同语种内容的音频分别进行识别,进一步提升了语音识别的效果。
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。
图1是本公开的一些实施例的音频内容识别方法的一个应用场景的示意图;
图2是根据本公开的音频内容识别方法的一些实施例的流程图;
图3是根据本公开的音频内容识别方法的另一些实施例的流程图;
图4是根据本公开的音频内容识别装置的一些实施例的结构示意图;
图5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示出了可以应用本公开的一些实施例的音频内容识别方法的一个应用场景的示意图。
在图1所示的应用场景中,首先,计算设备101可以对音频102进行切分,得到语音片段集合103和非语音片段集合104。在本应用场景中,上述音频包含三段音频片段,分别标号为1、2、3。其中,标号为1和3的音频片段为语音片段。标号为2的音频片段为非语音片段。之后,确定上述语音片段集合103中的每个语音片段集合中的每个语音片段的类型和语种信息。在本应用场景中,上述类型包括说话语音片段和唱歌语音片段。其中,上述标号为1的音频片段为中文说话语音片段,如附图标记105所示。上述标号为3的音频片段为英文唱歌语音片段,如附图标记106所示。最后,上述计算设备101可以对于上述语音片段集合103中的每个语音片段,基于上述语音片段的类型和语种信息105、106,对上述语音片段进行语音识别,得到第一识别结果107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或电子设备组成的分布式集群,也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备101的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备101。
继续参考图2,示出了根据本公开的音频内容识别方法的一些实施例的流程200。该音频内容识别方法,包括以下步骤:
步骤201,对音频进行切分,得到语音片段集合和非语音片段集合。
在一些实施例中,音频内容识别方法的执行主体(例如图1所示的计算设备)可以通过使用语音识别软件或者线上语音识别工具对上述音频进行切分,得到语音片段集合和非语音片段集合。
在一些实施例中,上述执行主体还可以使用VAD(Voice Activation Detection,语音活性检测)技术,对上述音频进行切分,得到语音片段集合和非语音片段集合。
在一些实施例的一些可选的实现方式中,上述执行主体还可以将上述预先获取到的音频输入到预先训练好的语音活性检测模型中,得到上述语音片段集合和上述非语音片段集合。
步骤202,确定上述语音片段集合中的每个语音片段的类型和语种信息。
在一些实施例中,上述语音片段的类型可以包括:笑声语音片段、自然声语音片段、说话语音片段中的至少一项。
在一些实施例的一些可选的实现方式中,上述语音片段的类型可以包括:拟声语音片段、说话语音片段和唱歌语音片段中的至少一项。
在一些实施例中,音频内容识别方法的执行主体可以通过使用语音识别软件或者线上语音识别工具确定上述语音片段集合中的每个语音片段的类型和语种信息。
在一些实施例中,上述执行主体还可以使用AED(Activity Event Detection,音频事件检测)技术确定上述语音片段集合中的每个语音片段的类型。使用LID(LanguageIdentification,语言识别)技术,确定上述语音片段集合中的每个语音片段的语种信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以将将上述语音片段输入到预先训练好的音频事件检测模型中,得到上述语音片段的类型;将上述语音片段输入到预先训练好的语种识别模型中,得到上述语音片段的语种信息。
步骤203,对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
在一些实施例中,上述执行主体可以将不同类型和语种的语音片段输入到不同的语音识别软件模块中进行识别。
在一些实施例的一些可选的实现方式中,上述执行主体还可以首先对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,在预先设定的语音识别模型集合中,确定用于识别上述语音片段的语音识别模型。之后,将上述语音片段输入到用于识别上述语音片段的语音识别模型中,得到第一识别结果。
本公开的一些实施例提供的方法通过将音频中的说话和音乐片段用不同的模型进行识别,使两种音频内容都能得到更好的识别效果。以及,通过使用不同的模型是被不同语种内容的音频,进一步提升了语音识别的效果。
进一步参考图3,其示出了音频内容识别方法的另一些实施例的流程300。该音频内容识别方法的流程300,包括以下步骤:
步骤301,对音频进行切分,得到语音片段集合和非语音片段集合。
步骤302,确定上述语音片段集合中的每个语音片段的类型和语种信息。
步骤303,对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
在一些实施例中,步骤301-303的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-203,在此不再赘述。
步骤304,确定上述非语音片段集合中的每个非语音片段的标签。
在一些实施例中,上述执行主体可以通过使用音频识别软件或者线上音频识别工具,确定上述非语音片段集合中的每个非语音片段的标签。
在一些实施例中,上述执行主体还可以通过使用音频事件检测网络,确定上述非语音片段集合中的每个非语音片段的标签。
步骤305,对上述第一识别结果和上述标签进行分句,得到第二识别结果。
在一些实施例中,上述第一识别结果和上述标签按照对应的音频片段在音频中的出现时间构成待分句文本。
在一些实施例中,上述执行主体可以通过使用分句软件或者线上分句工具,对上述第一识别结果和上述标签进行分句。
在一些实施例中,上述执行主体还可以通过使用分句网络,对上述第一识别结果和上述标签进行分句。
在一些实施例中,上述执行主体还可以通过接收人工输入,对上述第一识别结果和上述标签进行分句。
步骤306,将上述第二识别结果中的每个分句添加到目标视频对应的视频帧中,得到带有字幕的视频。
在一些实施例中,上述第二识别结果中的每个分句按照对应的音频片段在音频中的起始时间和结束时间与上述目标视频中的至少一个视频帧对应。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的音频内容识别方法的流程300体现了确定非语音片段的标签、对第一识别结果和标签进行分句和将第二识别结果添加到视频中的步骤。由此,这些实施例描述的方案可以使生成的字幕中含有非语音片段的标签。以及,通过对第一识别结果和标签进行分句,使音频识别的结果可以更好的展示在视频中。总体上进一步提高了用户观看视频的体验。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种音频内容识别装置的一些实施例,这些装置实施例与图2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4所示,一些实施例的音频内容识别装置400包括:切分单元401、第一确定单元402、识别单元403。其中,切分单元401,被配置成对音频进行切分,得到语音片段集合和非语音片段集合;第一确定单元402,被配置成确定上述语音片段集合中的每个语音片段的类型和语种信息;识别单元403,被配置成对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
在一些实施例的可选实现方式中,装置400还包括:第二确定单元,被配置成确定上述非语音片段集合中的每个非语音片段的标签;分句单元,被配置成对上述第一识别结果和上述标签进行分句,得到第二识别结果。
在一些实施例的可选实现方式中,装置400还包括:添加单元,被配置成将上述第二识别结果中的每个分句添加到目标视频对应的视频帧中,得到带有字幕的视频。
在一些实施例的可选实现方式中,切分单元401进一步被配置成:将上述预先获取到的音频输入到预先训练好的语音活性检测模型中,得到上述语音片段集合和上述非语音片段集合。
在一些实施例的可选实现方式中,上述语音片段的类型包括:拟声语音片段、说话语音片段和唱歌语音片段中的至少一项。
在一些实施例的可选实现方式中,第一确定单元402进一步被配置成:将上述语音片段输入到预先训练好的音频事件检测模型中,得到上述语音片段的类型;将上述语音片段输入到预先训练好的语种识别模型中,得到上述语音片段的语种信息。
在一些实施例的可选实现方式中,识别单元403进一步被配置成:对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,在预先设定的语音识别模型集合中,确定用于识别上述语音片段的语音识别模型;将上述语音片段输入到用于识别上述语音片段的语音识别模型中,得到第一识别结果。
在一些实施例的可选实现方式中,第二确定单元进一步被配置成:将上述非语音片段集合中的每个非语音片段输入到预先训练好的声音事件检测模型中,得到上述非语音片段的标签。
可以理解的是,该装置400中记载的诸单元与参考图2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400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器或终端设备)500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5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5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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5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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501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所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***、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***、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***、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:对音频进行切分,得到语音片段集合和非语音片段集合;确定上述语音片段集合中的每个语音片段的类型和语种信息;对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
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,所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***、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***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:一种处理器包括切分单元、确定单元、识别单元。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,切分单元还可以被描述为“切分音频的单元”。
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***(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种音频内容识别方法,包括:对音频进行切分,得到语音片段集合和非语音片段集合;确定上述语音片段集合中的每个语音片段的类型和语种信息;对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
根据本公开的一个或多个实施例,上述方法还包括:确定上述非语音片段集合中的每个非语音片段的标签;对上述第一识别结果和上述标签进行分句,得到第二识别结果。
根据本公开的一个或多个实施例,上述方法还包括:将上述第二识别结果中的每个分句添加到目标视频对应的视频帧中,得到带有字幕的视频。
根据本公开的一个或多个实施例,上述对预先获取到的音频进行切分,得到语音片段集合和非语音片段集合,包括:将上述预先获取到的音频输入到预先训练好的语音活性检测模型中,得到上述语音片段集合和上述非语音片段集合。
根据本公开的一个或多个实施例,上述语音片段的类型包括:拟声语音片段、说话语音片段和唱歌语音片段中的至少一项。
根据本公开的一个或多个实施例,上述确定上述语音片段集合中的每个语音片段的类型和语种信息,包括:将上述语音片段输入到预先训练好的音频事件检测模型中,得到上述语音片段的类型;将上述语音片段输入到预先训练好的语种识别模型中,得到上述语音片段的语种信息。
根据本公开的一个或多个实施例,上述对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果,包括:对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,在预先设定的语音识别模型集合中,确定用于识别上述语音片段的语音识别模型;将上述语音片段输入到用于识别上述语音片段的语音识别模型中,得到第一识别结果。
根据本公开的一个或多个实施例,上述确定上述非语音片段集合中的每个非语音片段的标签,包括:将上述非语音片段集合中的每个非语音片段输入到预先训练好的声音事件检测模型中,得到上述非语音片段的标签。
根据本公开的一个或多个实施例,提供了一种音频内容识别装置,包括:切分单元,被配置成对音频进行切分,得到语音片段集合和非语音片段集合;确定单元,被配置成确定上述语音片段集合中的每个语音片段的类型和语种信息;识别单元,被配置成对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,对上述语音片段进行语音识别,得到第一识别结果。
根据本公开的一个或多个实施例,装置还包括:第二确定单元,被配置成确定上述非语音片段集合中的每个非语音片段的标签;分句单元,被配置成对上述第一识别结果和上述标签进行分句,得到第二识别结果。
根据本公开的一个或多个实施例,装置还包括:添加单元,被配置成将上述第二识别结果中的每个分句添加到目标视频对应的视频帧中,得到带有字幕的视频。
根据本公开的一个或多个实施例,切分单元进一步被配置成:将上述预先获取到的音频输入到预先训练好的语音活性检测模型中,得到上述语音片段集合和上述非语音片段集合。
根据本公开的一个或多个实施例,上述语音片段的类型包括:拟声语音片段、说话语音片段和唱歌语音片段中的至少一项。
根据本公开的一个或多个实施例,第一确定单元进一步被配置成:将上述语音片段输入到预先训练好的音频事件检测模型中,得到上述语音片段的类型;将上述语音片段输入到预先训练好的语种识别模型中,得到上述语音片段的语种信息。
根据本公开的一个或多个实施例,识别单元进一步被配置成:对于上述语音片段集合中的每个语音片段,基于上述语音片段的类型和语种信息,在预先设定的语音识别模型集合中,确定用于识别上述语音片段的语音识别模型;将上述语音片段输入到用于识别上述语音片段的语音识别模型中,得到第一识别结果。
根据本公开的一个或多个实施例,第二确定单元进一步被配置成:将上述非语音片段集合中的每个非语音片段输入到预先训练好的声音事件检测模型中,得到上述非语音片段的标签。
根据本公开的一个或多个实施例,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如上述任一的方法。
根据本公开的一个或多个实施例,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如上述任一的方法。
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。