CN1162840C - 一种将语音文件转换成文本文件的方法 - Google Patents
一种将语音文件转换成文本文件的方法 Download PDFInfo
- Publication number
- CN1162840C CN1162840C CNB021128197A CN02112819A CN1162840C CN 1162840 C CN1162840 C CN 1162840C CN B021128197 A CNB021128197 A CN B021128197A CN 02112819 A CN02112819 A CN 02112819A CN 1162840 C CN1162840 C CN 1162840C
- Authority
- CN
- China
- Prior art keywords
- speech recognition
- recognition device
- voice document
- storehouse
- text
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Machine Translation (AREA)
Abstract
一种将语音文件转换成文本文件的方法,包括如下步骤:(1)获取需要转换的语音文件,利用语音播放器播放该语音文件,播放长度至少包含50个字;(2)由使用者识别,输入相应的文字,获得用于训练的语音文件和对应的文本文件;(3)利用步骤2获得的训练文件,对带有语音识别器库的基本的语音识别器,采用语音自适应技术重新估计语音参数;(4)由此获得与录音者相关的语音识别器,利用该语音识别器识别需转换的语音文件,将其转换为文本文件。
Description
技术领域
本发明涉及一种语音识别方法,特别是一种自适应的语音识别方法,可以直接处理识别语音文件,并将其转换成文本文件。
背景技术
计算机的广泛应用,推动了语音识别研究的进展,特别是近二十多年来,随着隐马尔可夫模型(HMM)理论的提出及逐步工程化,研究者们利用隐马尔可夫模型建立的语音识别***,已有部分进入商业应用。作为商业应用的语音识别***,通常包括与讲话人无关的基本的语音识别器,由于不同的使用者的发音有较大的差别,必须对该基本的语音识别器进行训练,利用语音自适应技术对特定用户的语言参数重新估计,以获得讲话者相关的语音识别器,这里的自适应技术可以是最大后验自适应(MAP)或最大似然线性回归自适应(MLLR),这类技术已在商业化的语音识别器中应用。
目前对语音识别器进行训练的方法一般是,由识别器附带若干精选的标准文本,使用者朗读标准文本,识别器经过对使用者语音的实时采集和分析,重新估算与使用者相关的声学模型参数,生成与使用者相关的语音识别器(例如IBM Via Voice,Dragon Naturally Speaking,Kurzwil1)。这种方法,由于使用者的语音与标准语音差别较大,同时,声学特性矢量在不同的语音前后关系中表现出明显变化,因而如果使用者的语音带有方言口音,或者语言涉及比较专业的领域时,要提高识别率,训练量是很大的。为减小训练量,中国发明专利申请CN1298533A公开了一种用于特殊领域或方言的语音识别器,该识别器在提交用户使用之前,首先采集方言或特殊领域的语言数据,采用讲话人自适应技术对基本语音识别器进行处理,重新估计HMM参数,以获得与讲话人无关的方言或特殊领域的语音识别器,作为商业销售的产品,这种产品由于针对某种方言或特殊领域(如化工技术)进行了参数调整,当提供给该方言或特殊领域的使用者使用时,由于与使用者的语音差别相对较小,可以减少所需的训练量。
不管如何,为达到一定的识别率要求,特定的语音识别使用者必须对商业化的语音识别器进行训练。上节中提供的两类***,在提交用户使用后的训练阶段都是一样的,即由识别器提供预先准备好的标准文本,用户根据识别器的指示朗读注册文本,通过语音自适应技术重新估计语音参数,生成与该用户相关的语音识别器。这种方法,通常用于语音输入领域,作为一种输入方法使用时,用户可以预先对语音识别器进行训练,但是,当用于识别预先存储好的语音文件(如演讲、讲课、采访的录音等)时,请讲话者来对语音识别器进行训练是不现实的,而且,由于汉语的方言众多,即使讲话者是用普通话讲的,常常也带有较重的地方口音,这使得未经训练的标准语音识别器难以准确识别;同时,即使是采用某种方言的语音识别器,由于汉语方言的地域区别很大(如以苏南地区为例,不但相邻的苏州和无锡两市的口音不同,苏州市和下属县级市的口音也不同,甚至如苏州的吴中区内也有多种方言),未经训练的方言语音识别器也无法准确识别邻近地域的方言。
因此,用现有的语音识别器训练方法,无法实现对语音文件的识别转换,即使勉强使用自带的标准识别器,识别率也很低,不能达到实用的要求。一旦能解决这个问题,语音识别技术将不再只是一种代替键盘的即时输入技术,而能方便地将演讲、讲课、采访的录音等转换成文字,因而有着巨大的应用前景。
发明内容
本发明目的是提供一种将语音文件转换成文本文件的方法,能够利用语音文件对语音识别器进行训练,使语音识别器对语音文件有较高的识别率。
为达到上述目的,本发明采用的技术方案是:一种将语音文件转换成文本文件的方法,包括如下步骤:
(1)获取需要转换的语音文件,利用语音播放器播放该语音文件,播放长度至少包含50个字;
(2)以上述部分语音文件作为用于训练的语音文件,由使用者识别,输入相应的文字,获得对应的文本文件;
(3)利用步骤2获得的训练文件,对带有语音识别器库的基本的语音识别器,采用语音自适应技术重新估计语音参数:
(4)由此获得与录音者相关的语音识别器,利用该语音识别器识别需转换的语音文件,将其转换为文本文件。
上述技术方案中,所述的“语音播放器”用于将语音文件转换成声音播放,供使用者识别输入,语音播放器既可以是带有声卡和喇叭(或耳机)的计算机,也可以采用数码录、放音装置如数码录音机等:所述的“带有语音识别器库的基本的语音识别器”是指可销售的语音识别器,这类识别器一般已由厂家进行了标准的训练,可以识别至少一种标准语音,如标准普通话或某种方言:所述的“语音自适应技术”是现有技术,可以采用隐马尔可夫模型(HMM),用最大归纳自适应技术(MAP)或最大似然线性回归自适应技术(MLLR)进行语音自适应参数调整,并且可以选择性地执行贝叶斯平滑。
上述技术方案中,可以包括下述可选步骤,即在所述第3步骤后,用调整参数后的语音识别器判断识别文件,如识别率未达到规定要求,则重复步骤1到3,进行再次的改进训练直至识别率达到规定要求。这里的识别率规定要求,一般是指识别率的基本要求,可以由用户设定,通常选择在70%-90%,达到该识别率要求时,***将自动进入识别阶段,如果达不到该设定要求,***会提示进行再次训练:当然,在达到设定要求的情况下,***仍可以应用户的要求进行再次的训练。
上述技术方案中,所述步骤1中播放语音文件的长度为播放50至2 50个字:所播放的该部分语音文件,可以位于待转换文件的起始,也可以位于待转换文件的中间,还可以位于待转换文件的结尾处。为便于使用者识别输入,在所述步骤1中可以采用调速播放软件播放所述语音文件,使播放速度与使用者录入对应文字的速度相一致。
上述技术方案中,在步骤2中所述的文字输入,可以采用键盘输入,也可以采用手写板输入。输入只是为了获得对照用的文本文件,输入方式可以采用现有的任一种输入法,甚至,如果使用者的语音输入识别率很高的话,也可以采用语音输入方法。
上述技术方案中,所述步骤3中的语音识别器库可以是标准普通话库,也可以是方言库,还可以是用于特定行业领域的语音库。
为进一步提高识别率及扩展适用的范围,可以采用的另一种技术方案是,所述步骤3中的基本的语音识别器可以带有至少2个语音识别器库,所述步骤3可以分解为,首先根据训练文件判断选择较接近的语音识别器库,再对该语音识别器库采用语音自适应技术重新估计语音参数。
上述技术方案中,所述的“选择较接近的语音识别器库”,可以由***自动选择,也可以由用户根据情况指定,这里的语音识别器库,可以包括应用于一般领域的标准普通话库、一些常用的方言库、某些特殊领域的普通话库,以及特殊领域的方言库。
上述技术方案中,在经过3次训练未能达到基本识别率时,判定为语音识别器库选择错误,重新选择语音识别器库并利用存储的3次训练文件对该语音识别器库进行训练识别。在无法达到基本识别率时,可以给用户发出提示,由用户选择是否接受较低识别率的识别。
上述技术方案中,所述的语音识别器库可以包括标准普通话库、官话库、吴语库、川语库、粤语库和闽南语库。
本发明工作原理是:在汉语言的识别过程中,会遇到非常多的方言,还有不标准的方言,以及方言与普通话的某种混合体,因而大大提高了识别的难度,对于预先录制的语音文件,如果不经训练直接识别,识别率会非常低(除非讲话者的口音较标准,这种情况是很少见的),而如现有技术般请讲话者来对语音识别器进行训练是不可行的。本发明为此进行了反向思维,将录音的一小部分内容通过人的识别输入到计算机中,代替原来使用的标准文本,用于对语音识别器进行训练,从而达到了训练的目的,可以大大提高对语音文件的识别率,使其进入实用阶段。另一方面,汉语言虽然方言繁多,但从语音分类上来讲,大体可以分为官话区、吴语区(有时也细分为吴语区和越语区)、川语区、粤语区和闽南语区,各个方言区内的方言虽然仍存在发音的不同,但通常其发音较为类似,语法结构相同,因此,可以用某一语区中较有代表性的方言制成该语区的语音库,对于识别该语区的方言来说,采用该语音库,其识别率和学习的难度将大大低于采用标准普通话库。这样,本发明提供了进一步的技术方案,即基本的语音识别器可以带有多个语音识别器库,一个通用的***中可以带有标准普通话库及上述各种方言库,在识别时,首先用自动或人工的方式选择一种比较接近的语音识别器库,以获得较高的识别率及较低的训练强度。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
1、由于本发明利用录制好的语音文件进行反向训练,不需要讲话者到场对识别器进行训练,因而利用本发明方法制成的***,其使用者不必是讲话者,特别适用于对录制的演讲、讲课、采访等内容识别成文本文件进行整理;
2、由于本发明语音至文本的转换是非实时的,对计算机硬件配置、运算速度等要求不高;另一方面,如果计算机配置较好,可以对语音文件快速处理,不必象现有技术那样使用与讲话基本相同的时间进行转换,提高了使用效率。
附图说明
附图1为本发明实施例一的方法流程图;
附图2为实施例一中语音识别器的工作原理图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述:
实施例一:参见附图1和图2所示,一种将语音文件转换成文本文件的方法,包括如下步骤:
(1)获取需要转换的语音文件,利用语音播放器播放该语音文件,播放长度包含50至250个字,播放位置由用户指定,所述语音播放器采用调速播放软件,播放速度由用户调节至与使用者录入对应文字的速度相一致;
(2)以上述部分语音文件作为用于训练的语音文件,由使用者识别,输入相应的文字,获得对应的文本文件,使用者可以采用键盘输入方法,也可以采用手写板输入;
(3)利用步骤2获得的训练文件,对带有语音识别器库的基本的语音识别器,采用语音自适应技术重新估计语音参数;
(4)用调整参数后的语音识别器判断识别文件,如识别率未达到规定要求,则重复步骤1到3,进行再次的改进训练直至识别率达到规定要求。
(5)由此获得与录音者相关的语音识别器,利用该语音识别器识别需转换的语音文件,将其转换为文本文件。
实施例二:一种将语音文件转换成文本文件的方法,包括如下步骤:
(1)获取需要转换的语音文件,利用语音播放器播放该语音文件,播放长度至少包含50个字;
(2)以上述部分语音文件作为用于训练的语音文件,由使用者识别,输入相应的文字,获得对应的文本文件;
(3)利用步骤2获得的训练文件,对带有语音识别器库的基本的语音识别器,采用语音自适应技术重新估计语音参数;所述基本的语音识别器带有6个语音识别器库,分别为标准普通话库、官话库、吴语库、川语库、粤语库和闽南语库,首先根据训练文件判断选择较接近的语音识别器库,再对该语音识别器库采用语音自适应技术重新估计语音参数。
(4)由此获得与录音者相关的语音识别器,利用该语音识别器识别需转换的语音文件,将其转换为文本文件。
Claims (10)
1.一种将语音文件转换成文本文件的方法,其特征在于,包括如下步骤:
(1)获取需要转换的语音文件,利用语音播放器播放该语音文件,播放长度至少包含50个字;
(2)以上述部分语音文件作为用于训练的语音文件,由使用者识别,输入相应的文字,获得对应的文本文件;
(3)利用步骤2获得的训练文件,对带有语音识别器库的基本的语音识别器,采用语音自适应技术重新估计语音参数;
(4)由此获得与录音者相关的语音识别器,利用该语音识别器识别需转换的语音文件,将其转换为文本文件。
2.如权利要求1所述的将语音文件转换成文本文件的方法,其特征在于:包括下述可选步骤,即在所述第3步骤后,用调整参数后的语音识别器判断识别文件,如识别率未达到规定要求,则重复步骤1到3,进行再次的改进训练直至识别率达到规定要求。
3.如权利要求1所述的将语音文件转换成文本文件的方法,其特征在于:所述步骤1中播放的长度为播放50至250个字。
4.如权利要求3所述的将语音文件转换成文本文件的方法,其特征在于:所播放的该部分语音文件,选自待转换文件的起始部分、中间部分、结尾部分中的一处。
5.如权利要求1或3或4所述的将语音文件转换成文本文件的方法,其特征在于:在所述步骤1中采用调速播放软件播放所述语音文件,使播放速度与使用者录入对应文字的速度相一致。
6.如权利要求1所述的将语音文件转换成文本文件的方法,其特征在于:在步骤2中所述的文字输入,采用键盘输入或手写板输入中的一种方法。
7.如权利要求1所述的将语音文件转换成文本文件的方法,其特征在于:所述步骤3中的语音识别器库选自标准普通话库、方言库、特定行业领域的语音库。
8.如权利要求1所述的将语音文件转换成文本文件的方法,其特征在于:所述步骤3中的基本的语音识别器带有至少2个语音识别器库,所述步骤3分解为,首先根据训练文件判断选择较接近的语音识别器库,再该语音识别器库采用语音自适应技术重新估计语音参数。
9.如权利要求8所述的将语音文件转换成文本文件的方法,其特征在于:在经过3次训练未能达到基本识别率时,判定为语音识别器库选择错误,重新选择语音识别器库并利用存储的3次训练文件对该语音识别器库进行训练识别。
10.如权利要求8所述的将语音文件转换成文本文件的方法,其特征在于:所述的语音识别器库可以包括标准普通话库、官话库、吴语库、川语库、粤语库和闽南语库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB021128197A CN1162840C (zh) | 2002-03-25 | 2002-03-25 | 一种将语音文件转换成文本文件的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB021128197A CN1162840C (zh) | 2002-03-25 | 2002-03-25 | 一种将语音文件转换成文本文件的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1371090A CN1371090A (zh) | 2002-09-25 |
CN1162840C true CN1162840C (zh) | 2004-08-18 |
Family
ID=4742274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB021128197A Expired - Fee Related CN1162840C (zh) | 2002-03-25 | 2002-03-25 | 一种将语音文件转换成文本文件的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1162840C (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839548B (zh) * | 2012-11-26 | 2018-06-01 | 腾讯科技(北京)有限公司 | 一种语音交互方法、装置、***和移动终端 |
CN104732975A (zh) * | 2013-12-20 | 2015-06-24 | 华为技术有限公司 | 一种语音即时通讯方法及装置 |
CN104252517B (zh) * | 2014-01-08 | 2018-05-15 | 五八同城信息技术有限公司 | 基于语音识别和云标签的简历推荐*** |
CN105159870B (zh) * | 2015-06-26 | 2018-06-29 | 徐信 | 一种精准完成连续自然语音文本化的处理***及方法 |
CN107657842A (zh) * | 2017-11-02 | 2018-02-02 | 北京中智高新技术研究院 | 一种人工智能普通话练习设备、方法以及应用 |
CN109036424A (zh) * | 2018-08-30 | 2018-12-18 | 出门问问信息科技有限公司 | 语音识别方法、装置、电子设备及计算机可读存储介质 |
CN111159334A (zh) * | 2019-12-10 | 2020-05-15 | 贝壳技术有限公司 | 用于房源跟进信息处理的方法及*** |
-
2002
- 2002-03-25 CN CNB021128197A patent/CN1162840C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN1371090A (zh) | 2002-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moreno et al. | A recursive algorithm for the forced alignment of very long audio segments. | |
CN101382937B (zh) | 基于语音识别的多媒体资源处理方法及其在线教学*** | |
JP2006039120A (ja) | 対話装置および対話方法、並びにプログラムおよび記録媒体 | |
WO2003010754A1 (fr) | Systeme de recherche a entree vocale | |
US20110093263A1 (en) | Automated Video Captioning | |
Choi et al. | Finding intonational boundaries using acoustic cues related to the voice source | |
CN111489765A (zh) | 一种基于智能语音技术的话务服务质检方法 | |
US7280963B1 (en) | Method for learning linguistically valid word pronunciations from acoustic data | |
CN1162840C (zh) | 一种将语音文件转换成文本文件的方法 | |
CN1333501A (zh) | 一种动态汉语语音合成方法 | |
CN1645363A (zh) | 便携式即时方言互译装置及其方法 | |
CN1945692A (zh) | 一种在语音合成***中提升提示音匹配效果的智能方法 | |
CN1153127C (zh) | 普通话语音输入和训练方法及普通话听写机 | |
CN1267838C (zh) | 一种语音检索方法及采用该方法的音像信息检索*** | |
JP5713782B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN1819019A (zh) | 基于矩阵特征向量范数的语音识别装置及其语音识别方法 | |
Adell Mercado et al. | Buceador, a multi-language search engine for digital libraries | |
CN1924996A (zh) | 利用语音辨识以选取声音内容的***及其方法 | |
Whetten et al. | Evaluating Automatic Speech Recognition and Natural Language Understanding in an Incremental Setting | |
CN118136047B (zh) | 一种基于语义语调的语音情感分析方法 | |
CN113362803B (zh) | 一种arm侧离线语音合成的方法、装置及存储介质 | |
Žgank et al. | The SI TEDx-UM speech database: A new Slovenian spoken language resource | |
Lo et al. | Multi-scale spoken document retrieval for Cantonese broadcast news | |
Kulkarni et al. | DL Based Speech to Text Converter for Audio Visual Applications | |
Fayan et al. | Enhancing Content Creation Workflows through Automatic Speech Recognition Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |