CN112509578A - 一种语音信息的识别方法、装置、电子设备和存储介质 - Google Patents
一种语音信息的识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112509578A CN112509578A CN202011455674.2A CN202011455674A CN112509578A CN 112509578 A CN112509578 A CN 112509578A CN 202011455674 A CN202011455674 A CN 202011455674A CN 112509578 A CN112509578 A CN 112509578A
- Authority
- CN
- China
- Prior art keywords
- text
- spoken
- written
- text data
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000000463 material Substances 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000013519 translation Methods 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000036651 mood Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal 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
- G10L15/22—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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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
- G10L15/26—Speech to text systems
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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本公开实施例公开了一种语音信息的识别方法、装置、电子设备和存储介质，该方法包括：获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；确定书面化文本与口语化文本的关联关系；获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；将所述口语文本资料用于语音信息的识别。本公开实施例的技术方案，根据获取到的文本语料对，确定了书面化文本与口语化文本的关联关系，并根据书面文本资料和上述关联关系，获取到对应的口语文本资料，并用于语音信息的识别，获取到了适用于口语化日常生活场景的文本信息，提高了口语化语音信息的识别能力。
Description
技术领域
本公开实施例涉及语音识别技术，尤其涉及一种语音信息的识别方法、装置、电子设备和存储介质。
背景技术
随着科技的不断进步，语音识别技术得到迅速发展，被广泛应用于智能控制等多个领域，为人们的社会生活提供了极大便利。
现有的语音识别技术，通常是从书籍等文献资料中，获取书面的文本资料，并根据语音信息与文本资料的对应关系组成训练资料，训练后获取语音识别模型，进而通过该语音识别模型实现语音识别。
但这样的语音识别方模型，并不适合于日常生活中使用的社交语言，社交语言相比于书面的文本资料语言，表述更加随意，并不完全符合标准的语法规则，因此，现有的语音识别方式对于日常生活类的应用场景中，语音识别效果较差。
发明内容
本公开提供了一种语音信息的识别方法、装置、设备和存储介质，以实现对日常生活中口语化语音信息的识别。
第一方面，本公开实施例提供了一种语音信息的识别方法，包括：
获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
确定书面化文本与口语化文本的关联关系；
获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
将所述口语文本资料用于语音信息的识别。
第二方面，本公开实施例提供了一种语音信息的识别装置，包括：
文本语料对获取模块，用于获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
关联关系获取模块，用于确定书面化文本与口语化文本的关联关系；
口语文本资料获取模块，用于获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
语音识别执行模块，用于将所述口语文本资料用于语音信息的识别。
第三方面，本公开实施例提供了一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，处理装置执行程序时实现本公开任意实施例的语音信息的识别方法。
第四方面，本公开实施例提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行本公开任意实施例的语音信息的识别方法。
本公开实施例的技术方案，根据获取到的文本语料对，确定了书面化文本与口语化文本的关联关系，并根据书面文本资料和上述关联关系，获取到对应的口语文本资料，并用于语音信息的识别，获取到了适用于口语化日常生活场景的文本信息，提高了口语化语音信息的识别能力。
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是本公开的一种语音信息的识别方法的一个实施例的流程图；
图2是本公开的一种语音信息的识别装置的一个实施例的结构框图；
图3是适于用来实现本公开实施例的一种电子设备的结构框图。
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。
实施例一
图1是本公开实施例一提供的一种语音信息的识别方法的流程图，本实施例可适用于针对日常生活场景下语音信息的识别，该方法可以由本公开实施例中的语音信息的识别装置来执行，该装置可以通过软件和/或硬件实现，并集成在电子设备中，该方法具体包括如下步骤：
S110、获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系。
口语化文本，是日常生活中使用的语言格式，具有通俗易懂、易表达的特点，具有较强的随意性，语言结构较为简单、散乱，符合日常说话习惯；书面化文本，是文献资料以及正式场合中使用的语言格式，具有逻辑性强的特点，且具有较强的规范性，语法结构较为严谨、完整，符合阅读习惯。一个文本语料对中包括一个书面化文本和一个口语化文本，反应了书面化文本与口语化文本的映射关系，例如，书面化文本“我觉得这本书不错”对应的口语化文本为“这本书不错，我觉得”。
可选的，在本公开实施例中，所述口语化文本包括回读文本、倒装文本、语气词替换文本、疑问方式转换文本、儿化音文本和/或不连贯文本。其中，回读文本，是在语句中复述某些词语，通常是为了强调这些词语，也与个人的用词习惯相关，例如，回读文本“我们一定，我们一定要完成这件事”，在口语叙述“我们一定”时，存在复述现象，对应的书面化文本应为“我们一定要完成这件事”；倒装是将语句中的主语、谓语、宾语、状语等词语，颠倒顺序的一种语法表述方式，通常是为了强调、突出某个词语，有时也与个人的用词习惯相关，例如，倒装文本“地上散落着许多书，横七竖八的”，是将定语“横七竖八”进行了后置，对应的书面化文本应为“地上横七竖八的散落着许多书”；语气词是表示语气的虚词，通常出现在句尾或句中停顿处，表示各种语气，例如，语气词替换文本“吃饭了么”，对应的书面化文本应为“吃饭了吗”；疑问句是句子语气中的一个分类，目的是询问一些事情，所以表达内容并不是肯定的，例如，书面化文本“这个会议，你可以不去吗”，对应的口语化文本可能为“这个会议，你不可以不去吗”；儿化音，是因为一些字的末位韵母因卷舌动作而发生的音变现象，例如，书面化文本为“画画”，对应的口语化文本为“画画儿”；不连贯文本，是在口语表述时，出现的断字或多字现象，例如，口语化表述“我们一一起走”，对应的书面化文本为“我们一起走”。
S120、确定书面化文本与口语化文本的关联关系。
由于文本语料对包括书面化文本与口语化文本的映射关系，因此在获取到一个或多个文本语料对后，可以将文本语料对中的所有映射关系进行汇总，例如，以关联对照表的形式进行汇总，文本语料对中的每个书面化文本在关联对照表中，都存在唯一匹配的口语化文本，该关联对照表即表征了书面化文本与口语化文本的关联关系。
可选的，在本公开实施例中，所述确定书面化文本与口语化文本的关联关系，包括：根据所述至少一个文本语料对，获取文本翻译模型，所述文本翻译模型表征所述书面化文本与口语化文本的关联关系。将获取到的文本语料对作为训练样本，对初始的文本翻译模型，例如，神经网络模型，进行翻译训练，训练后的文本翻译模型，具备了将书面化文本翻译为口语化文本的能力。
可选的，在本公开实施例中，所述根据所述至少一个文本语料对，获取文本翻译模型，包括：构建基于Transformer架构的神经网络模型，并通过所述至少一个文本语料对，对所述基于Transformer架构的神经网络模型进行文本翻译训练，以获取训练完成的文本翻译模型。Transformer架构是一种Attention(注意力)机制的Encoder(编码器)-Decoder(解码器)结构，包括6个相互堆叠的Encoder层和6个相互堆叠Decoder层，并通过与末层Decoder层连接的输出层输出结果；传统的神经网络模型中通常采用卷积神经网络(Convolutional Neural Networks，CNN)和循环神经网络(Recurrent Neural Network，RNN)，只关注了距离较近的字之间的相关性，例如，在书面化文本“我们一起去学校”中，由于“一”距离“们”较近，因此具有较强的相关性，“去”距离“们”较远，几乎没有相关性，但在实际应用中不同距离的字之间，不能仅根据字间距离作为相关性的评判依据，有时字间距离较远也具有较强的相关性；例如，与上述书面化文本对应的口语化文本“我们去学校，一起”，结果正是“去”与“们”具备了极大的相关性；而本公开实施例采用的基于Transformer架构的神经网络模型，在获取到的书面化文本后，每个字之间的相关性都是相同的，准确的表达了各字之间的关联关系，保证了各文字的独立性。
S130、获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料。
书面文本资料是由多个书面化的文本构成的资料集合，而书面化的文本是通过电子报刊、电子书籍和网页等获取的，采用书面形式表述的文本信息；根据获取到的关联关系(例如，上述技术方案中的关联对照表)，获取与书面文本资料对应的口语文本资料。
可选的，在本公开实施例中，所述根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料，包括：将所述书面文本资料，输入至所述文本翻译模型中，以获取对应的口语文本资料。可以通过上述技术方案中的文本翻译模型，对书面文本资料进行翻译后，获取对应的口语文本资料。
可选的，在本公开实施例中，在获取对应的口语文本资料后，还包括：根据预设筛选规则，对所述口语文本资料进行筛选，以获取标准口语文本资料；所述将所述口语文本资料用于语音信息的识别，包括：将所述标准口语文本资料用于语音信息的识别。由于文本翻译模型在训练中会有噪声或扰动存在，获取到的文本翻译模型可能存在翻译偏差，所以需要根据预设筛选规则，去除翻译结果中的偏差项，例如，口语化文本与对应的书面化文本虽然表述方式有区别，但实质内容相同，因此，翻译后的口语化文本与对应的书面化文本中大部分的文字是相同的，如果翻译后的口语化文本与对应的书面化文本中，几乎不存在相似汉字，即汉字相似度低于预设相似阈值，则表明该项翻译结果不准确。
可选的，所述预设筛选规则包括句长筛选、未登陆词筛选和/或句频筛选。由于书面文本资料，是符合用户阅读习惯，规范化的文本资料，而本公开实施例中，书面文本资料都是表达规范的完整句子，既非单一的词汇，也非多个词汇杂乱无章的排列，因此，对于获取到的口语文本资料，句子过长或过短，都会认定为错误的翻译结果，需要进行删除；由于书面文本资料的多样性，如果多个不同的书面文本资料都获取到了相同的口语文本资料，那么也表明获取到的文本翻译模型存在偏差，因此，对于句频(即句子出现频率)高于预设频率阈值的口语文本资料，认定为错误的翻译结果，需要进行删除；未登陆词(Out OfVocabulary)，是没有被收录在分词词表中但必须切分出来的词，包括各类专有名词(例如，人名、地名、企业名等)、缩写词和新增词汇等，未登录词应该被切分为独立的词汇，但可能被误切分在不同的词汇中，造成语句翻译时的分词错误，因此，对于包含未登录词的口语文本资料也需要进行删除，不能作为语音识别模型的训练样本。
S140、将所述口语文本资料用于语音信息的识别。
获取到口语文本资料后，通过语音合成技术，可以获取到与口语文本资料匹配的口语语音资料，进而将口语文本资料和口语语音资料组成语音训练语料对，用于语音信息的识别。
可选的，在本公开实施例中，所述将所述口语文本资料用于语音信息的识别，包括：根据所述口语文本资料，获取语音识别模型，并通过所述语音识别模型对获取到的语音信息进行识别。将口语文本资料和口语语音资料组成的语音训练语料对，对初始语音识别模型(例如，基于神经网络的初始语音识别模型)进行训练，进而获取的语音识别模型，具备了针对口语化语言场景的识别能力。
可选的，在本公开实施例中，所述根据所述口语文本资料，获取语音识别模型，包括：根据所述口语文本资料，获取口语语音识别模型；和/或根据所述口语文本资料以及所述书面文本资料，获取通用语音识别模型。根据口语文本资料，除了可以训练获取针对口语化语言场景的口语语音识别模型，还可以通过语音合成技术，获取与书面文本资料匹配的书面语音资料，进而将由口语文本资料和口语语音资料组成语音训练语料对，以及由书面文本资料和书面语音资料组成的语音训练语料对均作为训练样本，进而获取到的通过语音识别模型，兼具了针对口语化语言场景和书面化语言场景的识别能力。
本公开实施例的技术方案，根据获取到的文本语料对，确定了书面化文本与口语化文本的关联关系，并根据书面文本资料和上述关联关系，获取到对应的口语文本资料，并用于语音信息的识别，获取到了适用于口语化日常生活场景的文本信息，提高了口语化语音信息的识别能力。
实施例二
图2是本公开实施例二提供的一种语音信息的识别装置的结构框图，具体包括：文本语料对获取模块210、关联关系获取模块220、口语文本资料获取模块230和语音识别执行模块240。
文本语料对获取模块210，用于获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
关联关系获取模块220，用于确定书面化文本与口语化文本的关联关系；
口语文本资料获取模块230，用于获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
语音识别执行模块240，用于将所述口语文本资料用于语音信息的识别。
本公开实施例的技术方案，根据获取到的文本语料对，确定了书面化文本与口语化文本的关联关系，并根据书面文本资料和上述关联关系，获取到对应的口语文本资料，并用于语音信息的识别，获取到了适用于口语化日常生活场景的文本信息，提高了口语化语音信息的识别能力。
可选的，在上述技术方案的基础上，关联关系获取模块220，具体用于根据所述至少一个文本语料对，获取文本翻译模型，所述文本翻译模型表征所述书面化文本与口语化文本的关联关系。
可选的，在上述技术方案的基础上，口语文本资料获取模块230，具体用于将所述书面文本资料，输入至所述文本翻译模型中，以获取对应的口语文本资料。
可选的，在上述技术方案的基础上，语音识别执行模块240，具体用于根据所述口语文本资料，获取语音识别模型，并通过所述语音识别模型对获取到的语音信息进行识别。
可选的，在上述技术方案的基础上，所述口语化文本包括回读文本、倒装文本、语气词替换文本、疑问方式转换文本、儿化音文本和/或不连贯文本。
可选的，在上述技术方案的基础上，关联关系获取模块220，具体用于构建基于Transformer架构的神经网络模型，并通过所述至少一个文本语料对，对所述基于Transformer架构的神经网络模型进行文本翻译训练，以获取训练完成的文本翻译模型。
可选的，在上述技术方案的基础上，语音信息的识别装置，还包括：
标准口语文本资料获取模块，用于根据预设筛选规则，对所述口语文本资料进行筛选，以获取标准口语文本资料。
可选的，在上述技术方案的基础上，语音识别执行模块240，具体用于将所述标准口语文本资料用于语音信息的识别。
可选的，在上述技术方案的基础上，所述预设筛选规则包括句长筛选规则、未登陆词筛选规则和/或句频筛选规则。
可选的，在上述技术方案的基础上，语音识别执行模块240，具体用于根据所述口语文本资料，获取口语语音识别模型；和/或根据所述口语文本资料以及所述书面文本资料，获取通用语音识别模型。
上述装置可执行本公开任意实施例所提供的语音信息的识别方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开任意实施例提供的方法。
实施例三
图3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***、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***、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***、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：获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；确定书面化文本与口语化文本的关联关系；获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；将所述口语文本资料用于语音信息的识别。
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，标准口语文本资料获取模块，可以被描述为“用于根据预设筛选规则，对所述口语文本资料进行筛选，以获取标准口语文本资料的模块”。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***(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***、装置或设备使用或与指令执行***、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***、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】提供了一种语音信息的识别方法，包括：
获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
确定书面化文本与口语化文本的关联关系；
获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
将所述口语文本资料用于语音信息的识别。
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，还包括：
根据所述至少一个文本语料对，获取文本翻译模型，所述文本翻译模型表征所述书面化文本与口语化文本的关联关系；
将所述书面文本资料，输入至所述文本翻译模型中，以获取对应的口语文本资料。
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，还包括：
根据所述口语文本资料，获取语音识别模型，并通过所述语音识别模型对获取到的语音信息进行识别。
根据本公开的一个或多个实施例，【示例4】提供了示例1的方法，还包括：
所述口语化文本包括回读文本、倒装文本、语气词替换文本、疑问方式转换文本、儿化音文本和/或不连贯文本。
根据本公开的一个或多个实施例，【示例5】提供了示例2的方法，还包括：
构建基于Transformer架构的神经网络模型，并通过所述至少一个文本语料对，对所述基于Transformer架构的神经网络模型进行文本翻译训练，以获取训练完成的文本翻译模型。
根据本公开的一个或多个实施例，【示例6】提供了示例2的方法，还包括：
根据预设筛选规则，对所述口语文本资料进行筛选，以获取标准口语文本资料；
将所述标准口语文本资料用于语音信息的识别。
根据本公开的一个或多个实施例，【示例7】提供了示例6的方法，还包括：
所述预设筛选规则包括句长筛选、未登陆词筛选和/或句频筛选。
根据本公开的一个或多个实施例，【示例8】提供了示例3的方法，还包括：
根据所述口语文本资料，获取口语语音识别模型；
和/或根据所述口语文本资料以及所述书面文本资料，获取通用语音识别模型。
根据本公开的一个或多个实施例，【示例9】提供了一种语音信息的识别装置，包括：
文本语料对获取模块，用于获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
关联关系获取模块，用于确定书面化文本与口语化文本的关联关系；
口语文本资料获取模块，用于获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
语音识别执行模块，用于将所述口语文本资料用于语音信息的识别。
根据本公开的一个或多个实施例，【示例10】提供了示例9的装置，还包括：
关联关系获取模块，具体用于根据所述至少一个文本语料对，获取文本翻译模型，所述文本翻译模型表征所述书面化文本与口语化文本的关联关系。
口语文本资料获取模块，具体用于将所述书面文本资料，输入至所述文本翻译模型中，以获取对应的口语文本资料。
根据本公开的一个或多个实施例，【示例11】提供了示例9的装置，还包括：
语音识别执行模块，具体用于根据所述口语文本资料，获取语音识别模型，并通过所述语音识别模型对获取到的语音信息进行识别。
根据本公开的一个或多个实施例，【示例12】提供了示例9的装置，还包括：
所述口语化文本包括回读文本、倒装文本、语气词替换文本、疑问方式转换文本、儿化音文本和/或不连贯文本。
根据本公开的一个或多个实施例，【示例13】提供了示例10的装置，还包括：
关联关系获取模块，具体用于构建基于Transformer架构的神经网络模型，并通过所述至少一个文本语料对，对所述基于Transformer架构的神经网络模型进行文本翻译训练，以获取训练完成的文本翻译模型。
根据本公开的一个或多个实施例，【示例14】提供了示例10的装置，还包括：
标准口语文本资料获取模块，用于根据预设筛选规则，对所述口语文本资料进行筛选，以获取标准口语文本资料。
语音识别执行模块，具体用于将所述标准口语文本资料用于语音信息的识别。
根据本公开的一个或多个实施例，【示例15】提供了示例14的装置，还包括：
所述预设筛选规则包括句长筛选规则、未登陆词筛选规则和/或句频筛选规则。
根据本公开的一个或多个实施例，【示例16】提供了示例11的装置，还包括：
语音识别执行模块，具体用于根据所述口语文本资料，获取口语语音识别模型；和/或根据所述口语文本资料以及所述书面文本资料，获取通用语音识别模型。
根据本公开的一个或多个实施例，【示例17】提供了一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，处理装置执行程序时实现如示例1-8中任一所述的语音信息的识别方法。
根据本公开的一个或多个实施例，【示例18】提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如示例1-8中任一所述的语音信息的识别方法。
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。
Claims (11)
1.一种语音信息的识别方法，其特征在于，包括：
获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
确定书面化文本与口语化文本的关联关系；
获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
将所述口语文本资料用于语音信息的识别。
2.根据权利要求1所述的方法，其特征在于，所述确定书面化文本与口语化文本的关联关系，包括：根据所述至少一个文本语料对，获取文本翻译模型，所述文本翻译模型表征所述书面化文本与口语化文本的关联关系；
所述根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料，包括：将所述书面文本资料，输入至所述文本翻译模型中，以获取对应的口语文本资料。
3.根据权利要求1所述的方法，其特征在于，所述将所述口语文本资料用于语音信息的识别，包括：根据所述口语文本资料，获取语音识别模型，并通过所述语音识别模型对获取到的语音信息进行识别。
4.根据权利要求1所述的方法，其特征在于，所述口语化文本包括回读文本、倒装文本、语气词替换文本、疑问方式转换文本、儿化音文本和/或不连贯文本。
5.根据权利要求2所述的方法，其特征在于，所述根据所述至少一个文本语料对，获取文本翻译模型，包括：
构建基于Transformer架构的神经网络模型，并通过所述至少一个文本语料对，对所述基于Transformer架构的神经网络模型进行文本翻译训练，以获取训练完成的文本翻译模型。
6.根据权利要求2所述的方法，其特征在于，在获取对应的口语文本资料后，还包括：
根据预设筛选规则，对所述口语文本资料进行筛选，以获取标准口语文本资料；
所述将所述口语文本资料用于语音信息的识别，包括：
将所述标准口语文本资料用于语音信息的识别。
7.根据权利要求6所述的方法，其特征在于，所述预设筛选规则包括句长筛选、未登陆词筛选和/或句频筛选。
8.根据权利要求3所述的方法，其特征在于，所述根据所述口语文本资料，获取语音识别模型，包括：
根据所述口语文本资料，获取口语语音识别模型；
和/或根据所述口语文本资料以及所述书面文本资料，获取通用语音识别模型。
9.一种语音信息的识别装置，其特征在于，包括：
文本语料对获取模块，用于获取至少一个文本语料对，所述文本语料对包括书面化文本与口语化文本的映射关系；
关联关系获取模块，用于确定书面化文本与口语化文本的关联关系；
口语文本资料获取模块，用于获取书面文本资料，并根据所述书面文本资料和所述关联关系获取所述书面文本资料对应的口语文本资料；
语音识别执行模块，用于将所述口语文本资料用于语音信息的识别。
10.一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，其特征在于，所述处理装置执行所述程序时实现如权利要求1-8中任一所述的语音信息的识别方法。
11.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的语音信息的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455674.2A CN112509578A (zh) | 2020-12-10 | 2020-12-10 | 一种语音信息的识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455674.2A CN112509578A (zh) | 2020-12-10 | 2020-12-10 | 一种语音信息的识别方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112509578A true CN112509578A (zh) | 2021-03-16 |
Family
ID=74973451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011455674.2A Pending CN112509578A (zh) | 2020-12-10 | 2020-12-10 | 一种语音信息的识别方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112509578A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290299A1 (en) * | 2011-05-13 | 2012-11-15 | International Business Machines Corporation | Translating Between Spoken and Written Language |
| US20140149119A1 (en) * | 2012-11-28 | 2014-05-29 | Google Inc. | Speech transcription including written text |
| CN110287461A (zh) * | 2019-05-24 | 2019-09-27 | 北京百度网讯科技有限公司 | 文本转换方法、装置及存储介质 |
| US20200013391A1 (en) * | 2019-06-18 | 2020-01-09 | Lg Electronics Inc. | Acoustic information based language modeling system and method |
| CN110853621A (zh) * | 2019-10-09 | 2020-02-28 | 科大讯飞股份有限公司 | 语音顺滑方法、装置、电子设备及计算机存储介质 |
| CN111681642A (zh) * | 2020-06-03 | 2020-09-18 | 北京字节跳动网络技术有限公司 | 语音识别评估方法、装置、存储介质及设备 |
-
2020
- 2020-12-10 CN CN202011455674.2A patent/CN112509578A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290299A1 (en) * | 2011-05-13 | 2012-11-15 | International Business Machines Corporation | Translating Between Spoken and Written Language |
| US20140149119A1 (en) * | 2012-11-28 | 2014-05-29 | Google Inc. | Speech transcription including written text |
| CN110287461A (zh) * | 2019-05-24 | 2019-09-27 | 北京百度网讯科技有限公司 | 文本转换方法、装置及存储介质 |
| US20200013391A1 (en) * | 2019-06-18 | 2020-01-09 | Lg Electronics Inc. | Acoustic information based language modeling system and method |
| CN110853621A (zh) * | 2019-10-09 | 2020-02-28 | 科大讯飞股份有限公司 | 语音顺滑方法、装置、电子设备及计算机存储介质 |
| CN111681642A (zh) * | 2020-06-03 | 2020-09-18 | 北京字节跳动网络技术有限公司 | 语音识别评估方法、装置、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027331B (zh) | 用于评估翻译质量的方法和装置 | |
| CN111462735B (zh) | 语音检测方法、装置、电子设备及存储介质 | |
| CN110516253B (zh) | 中文口语语义理解方法及*** | |
| WO2021072875A1 (zh) | 智能对话的生成方法、装置、计算机设备及计算机存储介质 | |
| CN111368559A (zh) | 语音翻译方法、装置、电子设备及存储介质 | |
| US20240021202A1 (en) | Method and apparatus for recognizing voice, electronic device and medium | |
| CN111951779B (zh) | 语音合成的前端处理方法及相关设备 | |
| KR20180005850A (ko) | 자동 통역 방법 및 장치, 및 기계 번역 방법 및 장치 | |
| KR102041621B1 (ko) | 인공지능 음성인식 기반 기계학습의 대규모 말뭉치 구축을 위한 대화형 말뭉치 분석 서비스 제공 시스템 및 구축 방법 | |
| JP2023535709A (ja) | 言語表現モデルシステム、事前訓練方法、装置、機器及び媒体 | |
| CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
| CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
| CN111382261B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
| CN110991165A (zh) | 文本中人物关系提取方法及装置、计算机设备和存储介质 | |
| CN111178056A (zh) | 基于深度学习的文案生成方法、装置及电子设备 | |
| CN112906381B (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
| CN112765971B (zh) | 文本语音的转换方法、装置、电子设备及存储介质 | |
| CN111489735A (zh) | 语音识别模型训练方法及装置 | |
| CN111368560A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
| CN112906380A (zh) | 文本中角色的识别方法、装置、可读介质和电子设备 | |
| CN111625649A (zh) | 文本处理方法、装置、电子设备及介质 | |
| CN114492375A (zh) | 文本处理方法和装置、电子设备以及计算机可读存储介质 | |
| CN111400454A (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
| Jeeva et al. | Intelligent image text reader using easy ocr, nrclex & nltk | |
| CN114970470B (zh) | 文案信息处理方法、装置、电子设备和计算机可读介质 |
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 |