CN114399998B - 语音处理方法、装置、设备、存储介质及程序产品 - Google Patents

Abstract

本公开提供了一种语音处理方法、装置、设备、存储介质及程序产品。本公开涉及语音技术领域，尤其涉及一种语音处理方法、装置、设备、存储介质及程序产品。在本公开的一些实施例中，语音处理装置获取待识别语音，将待识别语音输入已经训练完成的语音识别图神经网络，得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点和连接于任意两个词文本节点之间的有向边，待识别语音中的至少一个音节与所述多个词文本节点中的至少一个词文本节点存在映射关系，依次输入的音节可以通过与音节对应的词文本节点的有向边确定在词文本节点之间的跳转关系，进而形成待识别语音在词文本节点之间跳转形成的路径，以得到最终的语音识别结果，提供一种新的语音识别方式。

Description

语音处理方法、装置、设备、存储介质及程序产品

技术领域

本公开涉及语音技术领域，尤其涉及一种语音处理方法、装置、设备、存储介质及程序产品。

背景技术

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素得成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此，语音识别图神经网络应运而生。

现有的语音识别图神经网络广泛应用在社交网络、推荐***、物理***、化学分子预测、知识图谱等领域。但是，语音识别图神经网络还未应用至语音识别中。

发明内容

本公开提供了一种语音处理方法、装置、设备、存储介质及程序产品。

本公开实施例提供一种语音处理方法，包括：

获取待识别语音，其中，所述待识别语音包括多个音节；

将所述待识别语音输入语音识别图神经网络，以得到语音识别文本；

其中，所述语音识别图神经网络包括多个词文本节点以及连接于任意两个词文本节点之间的有向边，且所述词文本节点代表词文本，所述词文本节点之间的所述有向边表示输入至所述语音识别图神经网络的所述音节在时间维度上的跳转关系，所述待识别语音中的至少一个音节与所述多个词文本节点中的至少一个词文本节点存在映射关系。

本公开实施例还提供一种语音处理装置，包括：

获取模块，用于获取待识别语音，其中，所述待识别语音包括多个音节；

语音识别模块，用于将所述待识别语音输入语音识别图神经网络，以得到语音识别文本；其中，所述语音识别图神经网络包括多个词文本节点以及连接于任意两个词文本节点之间的有向边，且所述词文本节点代表词文本，所述词文本节点之间的所述有向边表示输入至所述语音识别图神经网络的所述音节在时间维度上的跳转关系，所述待识别语音中的至少一个音节与所述多个词文本节点中的至少一个词文本节点存在映射关系。

本公开实施例还提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法中的各步骤。

本公开实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法中的各步骤。

本公开实施例还提供一种计算机程序产品，包括计算机程序。所述计算机程序在被处理器执行时实现上述的方法中的各步骤。

在本公开的一些实施例中，语音处理装置获取待识别语音，将待识别语音输入已经训练完成的语音识别图神经网络，得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点和连接于任意两个词文本节点之间的有向边，待识别语音中的至少一个音节与所述多个词文本节点中的至少一个词文本节点存在映射关系，依次输入的音节可以通过与音节对应的词文本节点的有向边确定在词文本节点之间的跳转关系，进而形成待识别语音在词文本节点之间跳转形成的路径，以得到最终的语音识别结果，提供一种新的语音识别方式。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开第一实施例提供的一种语音处理方法的流程示意图；

图2为本公开示例性实施例提供的一种第一网络关系图的结构示意图；

图3为本公开示例性实施例提供的一种第二网络关系图的结构示意图；

图4为本公开示例性实施例提供的已输入音节对应的第一网络子图的构建过程；

图5为公开第二实施例提供的一种语音处理方法的流程示意图；

图6为公开第三实施例提供的一种语音处理方法的流程示意图；

图7a为本公开示例性实施例提供的一种语音处理装置的结构框图；

图7b为本公开示例性实施例提供的另一种语音处理装置的结构框图；

图8为本公开示例性实施例提供的一种电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

现有的语音识别图神经网络广泛应用在社交网络、推荐***、物理***、化学分子预测、知识图谱等领域。但是，图神经网络还未应用至语音识别中。

在本公开的一些实施例中，语音处理装置获取待识别语音，将待识别语音输入已经训练完成的语音识别图神经网络，得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点和连接于任意两个词文本节点之间的有向边，待识别语音中的至少一个音节与多个词文本节点中的至少一个词文本节点存在映射关系，依次输入的音节可以通过与音节对应的词文本节点的有向边确定在词文本节点之间的跳转关系，进而形成待识别语音在词文本节点之间跳转形成的路径，以得到最终的语音识别结果，提供一种新的语音识别方式。

以下结合附图，详细说明本公开各实施例提供的技术方案。

图1为本公开第一实施例提供的一种语音处理方法的流程示意图。如图1所示，该语音处理方法包括：

S101：获取待识别语音，其中，待识别语音包括多个音节；

S102：将待识别语音输入语音识别图神经网络，以得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点以及连接于任意两个词文本节点之间的有向边，且词文本节点代表词文本，词文本节点之间的有向边表示输入至语音识别图神经网络的音节在时间维度上的跳转关系，待识别语音中的至少一个音节与多个词文本节点中的至少一个词文本节点存在映射关系。

在本实施例中，上述方法的执行主体语音处理装置可以为终端设备或者服务器。当上述方法的执行主体为终端设备时，本公开实施例不限定终端设备的实现形式，例如，终端设备可以是智能手机、平板电脑、个人电脑、智能音响、和智能穿戴设备。当上述方法的执行主体为服务器时，本实施例不限定服务器的实现形式，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括处理器、硬盘、内存、***总线等，和通用的计算机架构类似。

在本实施例中，音节作为组成语音的最小语音单位，以音节对应的词文本作为词文本节点；在音节对应的词文本节点之间添加有向边，表示语音对应的音节在时间维度上的跳转关系。形成语音识别网络关系图，对构建完成的语音识别网络关系图进行训练，得到训练完成的语音识别图神经网络。语音处理装置获取待识别语音，将待识别语音输入语音识别图神经网络，以得到语音识别文本。

需要说明的是，词文本以字或词为单位，一个音节对应至少一个词文本，一个词文本与语音识别图神经网络中的一个词文本节点对应，至少一个词文本与语音识别图神经网络中的至少一个词文本节点对应，因此，一个音节与语音识别图神经网络中的至少一个词文本节点存在映射关系。例如，音节“zhong”对应多个词文本“中”、“种”、“终”、“重”、“忠”、“中间”、“中午”、“种子”、“各种”、“终点”、“终于”、“重要”、“重量”、“忠心”和“忠诚”等。音节“zhong”与语音识别图神经网络中与词文本“中”、“种”、“终”、“重”、“忠”、“中间”、“中午”、“种子”、“各种”、“终点”、“终于”、“重要”、“重量”、“忠心”和“忠诚”等一一对应的词文本节点存在映射关系。再例如，音节“shang”对应多个词文本“上”、“伤”、“商”、“尚”、“上面”、“上下”、“伤病”、“伤心”、“商人”、“商量”、“高尚”和“尚且”等。音节“shang”与语音识别图神经网络中与词文本“上”、“伤”、“商”、“尚”、“上面”、“上下”、“伤病”、“伤心”、“商人”、“商量”、“高尚”和“尚且”等一一对应的词文本节点存在映射关系。

需要说明的是，图神经网络是一种新型的人工智能神经网络，相比于传统的神经网络，图神经网络的输入为图结构数据(Graph)，或者称为图，其由节点和边组成，可以表示为G＝(V，E)，其中，V表示节点(Vertices)，E表示边(Edges)，每个节点可以用于表示一个对象，边表示节点之间的关联关系。在实际应用场景中，很多数据都可以表示成图的形式，例如，在化学领域中，每个原子可以表示为一个节点，原子之间的化学键则可以表示为边。又例如，在社交网络领域，每个用户可以表示为一个节点，用户之间的关系可以表示为边。又例如，在地图领域中，每个地点可以表示为一个节点，地点之间的路径、距离等关系可以表示为边。在本实施例中，词文本以字或词为单位，每个词文本表示为一个节点，音对应的音节在时间维度上的跳转关系可以表示为有向边，因此，可以将图神经网络应用于语音识别场景中。

在本实施例中，将待识别语音输入语音识别图神经网络，以得到语音识别文本。一种可实现的方式为，语音识别图神经网络根据已经输入语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图；根据后续输入的待识别语音的剩余音节，对第一网络关系图继续进行节点关系构建操作，直至待识别语音输入完毕，以得到第二网络关系图；根据第二网络关系图中包含的词文本路径，确定语音识别文本。其中，词文本路径为语音识别图神经网络中包含的词文本节点通过对应的有向边依次连接形成的路径。其中，语音处理装置接收输入的待识别语音，将待识别语音输入至其内部集成的语音识别图神经网络内，在语音识别图神经网络内部，根据已经输入语音识别图神经网络的已输入音节，在语音识别图神经网络已输入音节对应的词文本节点之间进行节点关系构建操作，得到第一网络关系图；根据后续输入的待识别语音的剩余音节，对第一网络关系图继续进行节点关系构建操作，针对每个后续音节，进行节点关系的迭代过程，直至待识别语音输入完毕，得到第二网络关系图；第二网络关系图包括的词文本路径为与待识别语音关联的词文本路径，第二网络关系图包括的词文本路径中选出与待识别语音相匹配的目标词文本路径，将目标词文本路径包含的词文本节点对应的语音识别文本，作为最终的语音识别文本。本公开利用语音识别图神经网络直接将语音在图上进行计算，得到语音识别文本，提高语音识别的准确度。

例如，图2为本公开示例性实施例提供的一种第一网络关系图的结构示意图。图3为本公开示例性实施例提供的一种第二网络关系图的结构示意图。如图2所示，语音识别图神经网络根据已经输入的与文本“我是”对应的语音，进行节点构建操作，以得到第一网络关系图；如图3所示，语音识别图神经网络根据后续输入的待识别语音与“中国人”对应的剩余音节，对第一网络关系图继续进行节点关系构建操作，直至待识别语音输入完毕，以得到第二网络关系图。其中，如图3所示，第二网络关系图中包括四条词文本路径，从四条词文本路径选择出路径得分最高的目标词文本路径，将目标词文本路径包含的词文本节点“我”、词文本节点“是”、词文本节点“中”、词文本节点“国”、词文本节点“人”对应的语音识别文本“我是中国人”，作为最终的语音识别文本。

在上述实施例中，语音处理装置根据已经输入语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图。一种可实现的方式为，获取与已输入音节对应的第一网络子图；确定与第一网络子图存在跳转关系的词文本节点构建的第二网络子图；对第一网络子图和第二网络子图进行节点关系构建操作，以得到第一网络关系图。其中，语音处理装置获取输入的第一个音节，确定第一个音节对应的词文本节点；第一个音节对应的词文本节点作为第一网络子图；分别确定第一个音节对应的词文本节点存在跳转关系的词文本节点，第一个音节对应的词文本节点存在跳转关系的词文本节点构成第二网络子图，将第一网络子图和第二网络子图对应的词文本节点进行连接，得到已经输入第一个音节对应的第一网络关系图。本公利用已输入音节，直接进行节点关系构建操作，确定已输入音节对应的第一网络子图，以及确定已输入语音即将跳转的第二网络子图。

在上述实施例中，语音处理装置在对第一网络子图和第二网络子图进行节点关系构建操作，以得到第一网络关系图之后，根据后续输入的第二个音节，去除第一网络关系图中的与第二个音节不存在映射关系的词文本节点，得到当前已输入音节对应的新的第一网络子图。其中，语音处理装置在得到已经输入第一个音节对应的第一网络关系图之后，根据后续输入的第二个音节，确定第二个音节对应的词文本节点，将第一网络关系图中的与第二个音节不存在映射关系的词文本节点去除，即激活与第二个音节存在映射关系的词文本节点，形成已输入的前两个音节对应的第一网络子图。依次类推，得到后续已输入音节对应的新的第一网络子图。第一网络关系图在目标音节到来后，将目标音节对应的节点激活，也就是去掉其他不对应的节点，提高语音识别的准确率。

例如，图4为本公开示例性实施例提供的已输入音节对应的第一网络子图的构建过程，语音处理装置获取输入的第一个音节“wo”，确定第一个音节对应的词文本节点，第一个音节“wo”对应的词文本节点作为第一网络子图；分别确定第一个音节对应的词文本节点存在跳转关系的词文本节点“是”、“叫”、“有”和“们”等。第一个音节对应的词文本节点存在跳转关系的词文本节点“是”、“叫”、“有”和“们”构成第二网络子图，将第一网络子图和第二网络子图对应的词文本节点进行连接，得到，得到已经输入第一个音节对应的第一网络关系图。语音处理装置接收后续输入的第二个音节“shi”，将与第二个音节不存在映射关系的词文本节点“叫”、“有”和“们”等去除，即激活与第二个音节“shi”存在映射关系的词文本节点“是”，形成已输入的前两个音节对应的第一网络子图。依次类推，得到后续已输入音节对应的新的第一网络子图。

在一种可选实施例中，语音处理装置确定与第一网络子图存在跳转关系的词文本节点构建的第二网络子图。一种可实现的方式为，确定与第一网络子图存在跳转关系的候选词文本节点；根据第一网络子图和候选词文本节点之间的有向边的跳转概率，从候选词文本节点中选择出跳转概率大于等于设定概率阈值的目标词文本节点；确定与目标词文本节点存在跳转关系的子图，以得到第二网络子图。需要说明的是，本公开实施例对设定概率阈值不作限定，设定概率阈值可以根据实际情况作出调整。对第一网络子图存在所述跳转关系的候选词文本节点进行筛选，得到较小的第二网络子图，减少语音识别的计算量，提高语音识别效率。

例如，如图4所示，语音处理装置获取第一个音节“wo”对应的词文本节点作为第一网络子图，确定与第一网络子图存在跳转关系的候选词文本节点“是”、“叫”、“有”、“们”和“今天”；其中，第一网络子图和候选词文本节点“是”之间的有向边的跳转概率为0.98，第一网络子图和候选词文本节点“叫”之间的有向边的跳转概率为0.8，第一网络子图和候选词文本节点“有”之间的有向边的跳转概率为0.85，第一网络子图和候选词文本节点“们”之间的有向边的跳转概率为0.9，第一网络子图和候选词文本节点“今天”之间的有向边的跳转概率为0.5。从候选词文本节点中选择出跳转概率大于等于设定概率阈值0.7的目标词文本节点为“是”、“叫”、“有”、“们”；根据目标词文本节点为“是”、“叫”、“有”、“们”构建网络图，以得到第二网络子图。

在一种可选实施例中，语音处理装置对第一网络子图和第二网络子图进行节点关系构建操作，以得到第一网络关系图。一种可实现的方式为，将第一网络子图和第二网络子图进行连接，以得到联通子图；对联通子图进行优化操作，以得到第一网络关系图。对联通子图进行优化操作，减少语音识别的计算量，提高语音识别效率。其中，语音处理装置对联通子图进行优化操作，包括但不限于以下至少一种优化操作：

优化操作一：从联通子图包含的词文本路径中筛选出对应的语音识别文本相同的词文本路径；对筛选出对应的语音识别文本相同的词文本路径进行去重操作。

优化操作二：若连续输入两个相同的音节，判断两个相同的音节是否连续；若两个相同的音节连续，则将两个相同的音节对应的两个词文本节点中去除一个词文本节点。

优化操作三：计算联通子图中包含的各词文本路径的路径得分；去除路径得分小于路径得分阈值的词文本路径。需要说明的是，本申请实施例对路径得分阈值不作限定，路径得分阈值可以根据实际情况作出调整。

在上述优化操作一中：联通子图可能包含有相同的词文本路径。例如，词文本节点“我”、词文本节点“是”、词文本节点“中”、词文本节点“国”和词文本节点“人”；词文本节点“我”、词文本节点“是”和词文本节点“中国人”都对应于相同的语音识别文本“我是中国人”，则语音识别文本相同的词文本路径进行去除，只保留一条词文本路径。语音识别文本相同的词文本路径的去除规则可以随机去除，也可以按照词文本路径的路径得分进行去除，本申请实施例不作限定。

在上述优化操作二中，例如，对于连续输入的两个相同的音节“zhong”，对两个相同的音节对应的语音片段进行声音连续性检测，若两个相同的音节对应的语音片段为声音连续片段，则两个相同的音节连续，将两个相同的音节对应的两个词文本节点中去除一个词文本节点；若两个相同的音节对应的语音片段为声音不连续片段，则两个相同的音节不连续，保留两个相同的音节对应的两个词文本节点。

在上述优化操作三中，根据联通子图中包含的各词文本路径包含的每条有向边的转移得分和有向边的权重，计算每条有向边的转移概率；将该条词文本路径包含的所有词文本节点之间的有向边的转移概率的和值，作为该条词文本路径的路径得分，去除路径得分小于路径得分阈值的词文本路径。

在上述实施例中，语音处理装置根据第二网络关系图中包含的词文本路径，确定语音识别文本。一种可实现的方式为，计算第二网络关系图中包含的各词文本路径的路径得分；从第二网络关系图中包含的各词文本路径中选择路径得分满足路径得分条件的目标词文本路径；将目标此词文本路径包含的各词文本节点按照有向边方向组成的文本，作为语音识别文本。其中，针对第二网络关系图中包含的每条词文本路径，根据该条词文本路径包含的所有词文本节点之间的有向边的转移得分和有向边的权重，计算该词文本路径的转移概率，将该转移概率作为该词文本路径的路径得分；从第二网络关系图中包含的各词文本路径中选择路径得分最高的词文本路径，目标此词文本路径包含的各词文本节点按照有向边方向组成的文本，作为语音识别文本。第二网络关系图的词文本路径，确定满足路径得分条件目标词文本路径，进而确定语音识别文本，提高语音识别的准确率。

例如，如图3所示，第二网络关系图中包括四条词文本路径。第一条词文本路径：词文本节点“我”、词文本节点“是”、词文本节点“中”、词文本节点“国”和词文本节点“人”形成的词文本路径；第二条词文本路径：词文本节点“我”、词文本节点“是”、词文本节点“中”、词文本节点“华”和词文本节点“人”形成的词文本路径；第三条词文本路径：词文本节点“我”、词文本节点“是”、词文本节点“种”、词文本节点“植”和词文本节点“人”形成的词文本路径；词文本节点“我”、词文本节点“是”、词文本节点“种”和词文本节点“子”形成的词文本路径。根据每条词文本路径包含的所有词文本节点之间的有向边的转移得分和有向边的权重，计算该条词文本路径的路径得分；其中，根据每条有向边的转移得分和有向边的权重，计算每条有向边的转移概率；将该条词文本路径包含的所有词文本节点之间的有向边的转移概率的和值，作为该条词文本路径的路径得分。其中，四条词文本路径的路径得分分别为：第一条词文本路径的路径得分为80分，第二条词文本路径的路径得分为75分，第三条词文本路径的路径得分为50分，第四条词文本路径的路径得分为5分。

结合上述各实施例的描述，图5为公开第二实施例提供的一种语音处理方法的流程示意图。如图5所示，所示方法包括：

S501：获取待识别语音；其中，待识别语音包括多个音节；

S502：将待识别语音输入语音识别图神经网络；

S503：利用语音识别图神经网络根据已经输入语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图；

S504：根据后续输入的待识别语音的剩余音节，对第一网络关系图继续进行节点关系构建操作，直至待识别语音输入完毕，以得到第二网络关系图；

S505：根据第二网络关系图中包含的词文本路径，确定语音识别文本。

在本实施例中，本实施例中的各步骤的实现方式可参见前述各实施例中的相应部分内容的描述，本实施例也能取得前述相应实施例部分的有益效果，在此不再赘述。

当上述实施例中的语音识别图神经网路集成于智能设备中时，结合上述各实施例的描述，图6为公开第三实施例提供的一种语音处理方法的流程示意图。如图6所示，所示方法包括：

S601：智能设备响应语音输入操作，获取待识别语音；

S602：智能设备响应语音识别操作，将待识别语音输入语音识别图神经网络中进行语音识别，以得到语音识别文本；

S603：展示语音识别文本。

例如，智能设备在显示屏上展示一界面，界面包括语音录入控件和语音识别控件；智能设备响应用户对语音录入控件的触发操作，利用智能设备上的声音采集装置采集用户输入的待识别语音；智能设备响应用户对语音识别控件的触发操作，利用智能设备内集成的语音识别图神经网络进行语音识别，得到语音识别文本；智能设备在显示屏上展示语音识别文本。

在本公开的上述方法实施例中，语音处理装置获取待识别语音，将待识别语音输入已经训练完成的语音识别图神经网络，得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点和连接于任意两个词文本节点之间的有向边，待识别语音中的至少一个音节与多个词文本节点中的至少一个词文本节点存在映射关系，依次输入的音节可以通过与音节对应的词文本节点的有向边确定在词文本节点之间的跳转关系，进而形成待识别语音在词文本节点之间跳转形成的路径，以得到最终的语音识别结果，提供一种新的语音识别方式。

图7a为本公开示例性实施例提供的一种语音处理装置70的结构框图。如图7a所示，该语音处理装置70包括：获取模块71和语音识别模块72。

其中，获取模块71，用于获取待识别语音，其中，待识别语音包括多个音节；

语音识别模块72，用于将待识别语音输入语音识别图神经网络中，以得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点以及连接于任意两个词文本节点之间的有向边，且词文本节点代表词文本，词文本节点之间的有向边表示输入至语音识别图神经网络的音节在时间维度上的跳转关系，待识别语音中的至少一个音节与多个词文本节点中的至少一个词文本节点存在映射关系。

可选地，图7b为本公开示例性实施例提供的另一种语音处理装置70的结构框图。如图7b所示，该语音识别模块72包括第一网络构建子模块721，第二网络构建子模块722和确定子模块723；

第一网络构建子模块721，用于利用语音识别图神经网络根据已经输入语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图；

第二网络构建子模块722，用于根据后续输入的待识别语音的剩余音节，对第一网络关系图继续进行节点关系构建操作，直至待识别语音输入完毕，以得到第二网络关系图；

确定子模块723，用于根据第二网络关系图中包含的词文本路径，确定语音识别文本，其中，词文本路径为语音识别图神经网络中包含的词文本节点通过对应的有向边依次连接形成的路径。

可选地，第一网络构建子模块721在根据已经输入语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图时，用于获取与已输入音节对应的第一网络子图；确定与第一网络子图存在跳转关系的词文本节点构建的第二网络子图；对第一网络子图和第二网络子图进行节点关系构建操作，以得到第一网络关系图。

可选地，第一网络构建子模块721在确定与第一网络子图存在跳转关系的词文本节点构建的第二网络子图时，用于确定与第一网络子图存在跳转关系的候选词文本节点；根据第一网络子图和候选词文本节点之间的有向边的跳转概率，从候选词文本节点中选择出跳转概率大于等于设定概率阈值的目标词文本节点；确定与目标词文本节点存在跳转关系的子图，以得到第二网络子图。

可选地，第一网络构建子模块721在对第一网络子图和第二网络子图进行节点关系构建操作，以得到第一网络关系图时，用于将第一网络子图和第二网络子图进行连接，以得到联通子图；对联通子图进行优化操作，以得到第一网络关系图。

可选地，第一网络构建子模块721在对联通子图进行优化操作，包括以下至少一种操作：

从联通子图包含的词文本路径中筛选出对应的语音识别文本相同的词文本路径；对筛选出对应的语音识别文本相同的词文本路径进行去重操作；

若连续输入两个相同的音节，判断两个相同的音节是否连续；若两个相同的音节连续，则将两个相同的音节对应的两个词文本节点中去除一个词文本节点；

计算联通子图中包含的各词文本路径的路径得分；去除路径得分小于路径得分阈值的词文本路径。

可选地，确定子模块723在根据第二网络关系图中包含的词文本路径，确定语音识别文本时，用于计算第二网络关系图中包含的各词文本路径的路径得分；从第二网络关系图中包含的各词文本路径中选择路径得分满足路径得分条件的目标词文本路径；将目标此词文本路径包含的各词文本节点按照有向边方向组成的文本，作为语音识别文本。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元806加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元806，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如文本处理方法。例如，在一些实施例中，文本处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元806。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的文本处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本处理方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端－服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(＂VirtualPrivate Server＂，或简称＂VPS＂)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

相应地，本公开实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序，且计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行图1方法实施例中的各步骤。

相应地，本公开实施例还提供一种计算机程序产品，计算机程序产品包括计算机程序/指令，计算机程序/指令被处理器执行图1的方法实施例中的各步骤。

在本公开的上述装置、设备、存储介质和程序产品实施例中，语音处理装置获取待识别语音，将待识别语音输入已经训练完成的语音识别图神经网络，得到语音识别文本；其中，语音识别图神经网络包括多个词文本节点和连接于任意两个词文本节点之间的有向边，待识别语音中的至少一个音节与多个词文本节点中的至少一个词文本节点存在映射关系，依次输入的音节可以通过与音节对应的词文本节点的有向边确定在词文本节点之间的跳转关系，进而形成待识别语音在词文本节点之间跳转形成的路径，以得到最终的语音识别结果，提供一种新的语音识别方式。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种语音处理方法，包括：

获取待识别语音，其中，所述待识别语音包括多个音节；

将所述待识别语音输入语音识别图神经网络，以得到语音识别文本；

其中，所述语音识别图神经网络包括多个词文本节点以及连接于任意两个词文本节点之间的有向边，且所述词文本节点代表词文本，所述词文本节点之间的所述有向边表示输入至所述语音识别图神经网络的所述音节在时间维度上的跳转关系，所述待识别语音中的至少一个音节与所述多个词文本节点中的至少一个词文本节点存在映射关系。

2.根据权利要求1所述的方法，其中，所述将所述待识别语音输入语音识别图神经网络，以得到语音识别文本，包括：

利用语音识别图神经网络根据已经输入所述语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图；

根据后续输入的所述待识别语音的剩余音节，对所述第一网络关系图继续进行节点关系构建操作，直至所述待识别语音输入完毕，以得到第二网络关系图；

根据所述第二网络关系图中包含的词文本路径，确定所述语音识别文本，其中，所述词文本路径为所述语音识别图神经网络中包含的所述词文本节点通过对应的所述有向边依次连接形成的路径。

3.根据权利要求2所述的方法，其中，所述根据已经输入所述语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图，包括：

获取与所述已输入音节对应的第一网络子图；

确定与所述第一网络子图存在所述跳转关系的词文本节点构建的第二网络子图；

对所述第一网络子图和所述第二网络子图进行节点关系构建操作，以得到所述第一网络关系图。

4.根据权利要求3所述的方法，其中，所述确定与所述第一网络子图存在所述跳转关系的词文本节点构建的第二网络子图，包括：

确定与所述第一网络子图存在所述跳转关系的候选词文本节点；

根据所述第一网络子图和所述候选词文本节点之间的所述有向边的跳转概率，从所述候选词文本节点中选择出跳转概率大于等于设定概率阈值的目标词文本节点；

确定与所述目标词文本节点存在所述跳转关系的子图，以得到所述第二网络子图。

5.根据权利要求3所述的方法，其中，所述对所述第一网络子图和所述第二网络子图进行节点关系构建操作，以得到所述第一网络关系图，包括：

将所述第一网络子图和所述第二网络子图进行连接，以得到联通子图；

对所述联通子图进行优化操作，以得到所述第一网络关系图。

6.根据权利要求5所述的方法，其中，所述对所述联通子图进行优化操作，包括以下至少一种操作：

从所述联通子图包含的词文本路径中筛选出对应的语音识别文本相同的词文本路径；对所述筛选出对应的语音识别文本相同的词文本路径进行去重操作；

若连续输入两个相同的音节，判断两个相同的音节是否连续；若两个相同的音节连续，则将两个相同的音节对应的两个词文本节点中去除一个词文本节点；

计算所述联通子图中包含的各词文本路径的路径得分；去除所述路径得分小于路径得分阈值的词文本路径。

7.根据权利要求3所述的方法，其中，所述在对所述第一网络子图和所述第二网络子图进行节点关系构建操作，以得到所述第一网络关系图之后，所述方法还包括：

根据后续输入的目标音节，去除第一网络关系图中的与所述目标音节不存在所述映射关系的词文本节点，得到当前已输入音节对应的第三网络子图。

8.根据权利要求2所述的方法，其中，所述根据所述第二网络关系图中包含的词文本路径，确定所述语音识别文本，包括：

计算所述第二网络关系图中包含的各词文本路径的路径得分；

从所述第二网络关系图中包含的各词文本路径中选择路径得分满足路径得分条件的目标词文本路径；

将所述目标此词文本路径包含的各词文本节点按照有向边方向组成的文本，作为所述语音识别文本。

9.一种语音处理装置，包括：

获取模块，用于获取待识别语音，其中，所述待识别语音包括多个音节；

语音识别模块，用于将所述待识别语音输入语音识别图神经网络，以得到语音识别文本；其中，所述语音识别图神经网络包括多个词文本节点以及连接于任意两个词文本节点之间的有向边，且所述词文本节点代表词文本，所述词文本节点之间的所述有向边表示输入至所述语音识别图神经网络的所述音节在时间维度上的跳转关系，所述待识别语音中的至少一个音节与所述多个词文本节点中的至少一个词文本节点存在映射关系。

10.根据权利要求9所述的语音处理装置，其中，所述语音识别模块包括：第一网络构建子模块，第二网络构建子模块和确定子模块；

所述第一网络构建子模块，用于利用语音识别图神经网络根据已经输入所述语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图；

所述第二网络构建子模块，用于根据后续输入的所述待识别语音的剩余音节，对所述第一网络关系图继续进行节点关系构建操作，直至所述待识别语音输入完毕，以得到第二网络关系图；

所述确定子模块，用于根据所述第二网络关系图中包含的词文本路径，确定所述语音识别文本，其中，所述词文本路径为所述语音识别图神经网络中包含的所述词文本节点通过对应的所述有向边依次连接形成的路径。

11.根据权利要求10所述的语音处理装置，其中，所述第一网络构建子模块在根据已经输入所述语音识别图神经网络的已输入音节，进行节点关系构建操作，以得到第一网络关系图时，用于获取与所述已输入音节对应的第一网络子图；确定与所述第一网络子图存在所述跳转关系的词文本节点构建的第二网络子图；对所述第一网络子图和所述第二网络子图进行节点关系构建操作，以得到所述第一网络关系图。

12.根据权利要求11所述的语音处理装置，其中，所述第一网络构建子模块在确定与所述第一网络子图存在所述跳转关系的词文本节点构建的第二网络子图时，用于确定与所述第一网络子图存在所述跳转关系的候选词文本节点；根据所述第一网络子图和所述候选词文本节点之间的所述有向边的跳转概率，从所述候选词文本节点中选择出跳转概率大于等于设定概率阈值的目标词文本节点；确定与所述目标词文本节点存在所述跳转关系的子图，以得到所述第二网络子图。

13.根据权利要求11所述的语音处理装置，其中，所述第一网络构建子模块在对所述第一网络子图和所述第二网络子图进行节点关系构建操作，以得到所述第一网络关系图时，用于将所述第一网络子图和所述第二网络子图进行连接，以得到联通子图；对所述联通子图进行优化操作，以得到所述第一网络关系图。

14.根据权利要求13所述的语音处理装置，其中，所述第一网络构建子模块在对所述联通子图进行优化操作，包括以下至少一种操作：

从所述联通子图包含的词文本路径中筛选出对应的语音识别文本相同的词文本路径；对所述筛选出对应的语音识别文本相同的词文本路径进行去重操作；

若连续输入两个相同的音节，判断两个相同的音节是否连续；若两个相同的音节连续，则将两个相同的音节对应的两个词文本节点中去除一个词文本节点；

计算所述联通子图中包含的各词文本路径的路径得分；去除所述路径得分小于路径得分阈值的词文本路径。

15.根据权利要求11所述的语音处理装置，其中，所述第一网络构建子模块在对所述第一网络子图和所述第二网络子图进行节点关系构建操作，以得到所述第一网络关系图之后，还用于根据后续输入的目标音节，去除第一网络关系图中的与所述目标音节不存在所述映射关系的词文本节点，得到当前已输入音节对应的第三网络子图。

16.根据权利要求10所述的语音处理装置，其中，所述确定子模块，在根据所述第二网络关系图中包含的词文本路径，确定所述语音识别文本时，用于计算所述第二网络关系图中包含的各词文本路径的路径得分；从所述第二网络关系图中包含的各词文本路径中选择路径得分满足路径得分条件的目标词文本路径；将所述目标此词文本路径包含的各词文本节点按照有向边方向组成的文本，作为所述语音识别文本。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法中的各步骤。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法中的各步骤。

Images