语音识别结果的处理方法、装置、电子设备和存储介质与流程

本公开的实施例涉及语音识别技术领域，具体涉及语音识别结果的处理方法、装置、电子设备和存储介质。

背景技术：

语音识别技术(automaticspeechrecognition，asr)是利用超大规模语言模式识别以及自主学习技术，预测对话语境，对各类业务生成的声音信号做集中的分析处理，实现高效的语音转写文字服务。

语音识别出的文本通常会存在错误，需要对其进行纠正。例如，对于一些专有名词，如人名及专业术语，识别难度较大，错误率较高，常会映射成一些常用词，需要将其纠正为专有名词。现有技术中的纠错方式存在准确率不高的问题。

因此，有必要提出一种新的对语音识别结果进行处理的技术方案。

技术实现要素：

本公开的实施例提出了语音识别结果的处理方法、装置、电子设备和存储介质。

第一方面，本公开提供了一种语音识别结果的处理方法，包括：

根据目标文本和相应的目标音频，确定目标文本中每个文字对应的至少一个读音，其中，目标文本通过对目标音频进行语音识别得到；

根据目标文本中每个文字对应的至少一个读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；

在确定目标文本中存在目标内容的情况下，将目标内容修改为预设词语。

在一些可选的实施方式中，根据目标文本和相应的目标音频，确定目标文本中每个文字对应的至少一个读音，包括：

将目标文本和目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音。

在一些可选的实施方式中，在目标文本中存在目标内容的情况下，将目标内容修改为预设词语，包括：

根据目标内容、预设词语以及目标内容在目标文本中的相关内容，确定是否需要对目标内容进行修改；

在确定需要对目标内容进行修改的情况下，将目标内容修改为预设词语。

在一些可选的实施方式中，根据目标内容、预设词语以及目标内容在目标文本中的相关内容，确定是否需要对目标内容进行修改，包括：

将目标内容、预设词语以及目标内容在目标文本中的相关内容输入预先训练的第二机器学习模型，得到是否需要对目标内容进行修改的判断结果。

在一些可选的实施方式中，根据目标文本中每个文字对应的至少一个读音，确定目标文本中是否存在与预设词语的读音一致的目标内容，包括：

确定预设词语的频次等级，其中，频次等级表示预设词语在目标文本中的出现频次或者出现概率的高低；

在预设词语的频次等级为第一等级的情况下，根据目标文本中每个文字对应的第一预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；

在预设词语的频次等级为第二等级的情况下，根据目标文本中每个文字对应的第二预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；

其中，第一等级高于第二等级，第一预设数目大于第二预设数目。

在一些可选的实施方式中，预设词语来自于预设词语集，预设词语集中词语的读音通过字典树方式存储。

在一些可选的实施方式中，目标音频为目标会议的音频，预设词语为目标会议对应的热词。

第二方面，本公开提供了一种语音识别结果的处理装置，包括：

音字对齐单元，用于将目标文本和相应的目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音，其中，目标文本通过对目标音频进行语音识别得到；

匹配单元，用于根据目标文本中每个文字对应的至少一个读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；

修改单元，用于在目标文本中存在目标内容的情况下，将目标内容修改为预设词语。

在一些可选的实施方式中，音字对齐单元进一步用于：

将目标文本和目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音。

在一些可选的实施方式中，修改单元进一步用于：

根据目标内容、预设词语以及目标内容在目标文本中的相关内容，确定是否需要对目标内容进行修改；

在确定需要对目标内容进行修改的情况下，将目标内容修改为预设词语。

在一些可选的实施方式中，修改单元进一步用于：

将目标内容、预设词语以及目标内容在目标文本中的相关内容输入预先训练的第二机器学习模型，得到是否需要对目标内容进行修改的判断结果。

在一些可选的实施方式中，匹配单元进一步用于：

确定预设词语的频次等级，其中，频次等级表示预设词语在目标文本中的出现频次或者出现概率的高低；

在预设词语的频次等级为第一等级的情况下，根据目标文本中每个文字对应的第一预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；

在预设词语的频次等级为第二等级的情况下，根据目标文本中每个文字对应的第二预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；

其中，第一等级高于第二等级，第一预设数目大于第二预设数目。

在一些可选的实施方式中，预设词语来自于预设词语集，预设词语集中词语的读音通过字典树方式存储。

在一些可选的实施方式中，目标音频为目标会议的音频，预设词语为目标会议对应的热词。

第三方面，本公开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时，使得一个或多个处理器实现如本公开第一方面任一实施方式描述的方法。

第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被一个或多个处理器执行时实现如本公开第一方面任一实施方式描述的方法。

本公开的实施例提供的语音识别结果的处理方法、装置、电子设备和存储介质，根据目标文本和相应的目标音频确定目标文本中文字对应的读音，能够更准确地获得目标文本中文字的读音，在此基础上结合预设词语进行纠错，能够提高语音识别文本纠错的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的，而并不认为是对本发明的限制。在附图中：

图1是根据本公开的语音识别结果处理系统的一个实施例的系统架构图；

图2是根据本公开的语音识别结果处理方法的一个实施例的流程图；

图3是根据本公开的读音匹配步骤的一个实施例的分解流程图；

图4是根据本公开的语音识别结果处理装置的一个实施例的结构示意图；

图5是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。

需要说明的是，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。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语音识别结果处理方法、装置、终端设备和存储介质的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音交互类应用、视频会议类应用、短视频社交类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有麦克风和扬声器的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来语音识别结果处理服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上采集的目标文本和目标音频提供处理服务的后台服务器。后台服务器可以对接收到的目标文本和目标音频等进行相应处理。

在一些情况下，本公开所提供的语音识别结果处理方法可以由终端设备101、102、103和服务器105共同执行，例如，“根据目标文本和相应的目标音频，确定目标文本中每个文字对应的至少一个读音”的步骤可以由服务器105执行，“根据目标文本中每个文字对应的至少一个读音，确定目标文本中是否存在与预设词语的读音一致的目标内容”的步骤可以由终端设备101、102、103执行。本公开对此不做限定。相应地，语音识别结果处理装置也可以分别设置于终端设备101、102、103和服务器105中。

在一些情况下，本公开所提供的语音识别结果处理方法可以由终端设备101、102、103执行，相应地，语音识别结果处理装置也可以设置于终端设备101、102、103中，这时，系统架构100也可以不包括服务器105。

在一些情况下，本公开所提供的语音识别结果处理方法可以由服务器105执行，相应地，语音识别结果处理装置也可以设置于服务器105中，这时，系统架构100也可以不包括终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，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中的终端设备、网络和服务器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终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的语音识别结果处理方法的一个实施例的流程200，应用于图1中的终端设备或服务器，该流程200包括以下步骤：

步骤201，根据目标文本和相应的目标音频，确定目标文本中每个文字对应的至少一个读音(即进行音字对齐)，其中，目标文本通过对目标音频进行语音识别得到。

在本实施例中，目标文本是待处理的文本，其通过对目标音频进行语音识别得到。上述语音识别技术可以利用语言模式识别以及自主学习技术，对各类业务生成的声音信号做集中的分析处理，实现高效的语音转写文字服务。其中，语音识别可以包含特征提取、模式匹配和参考模型库三个基本部分，分为学习和训练两个阶段。首先对识别内容的特征参数进行训练，得到参考模板，再将测试模板与存在的参考模板通过识别决策进行匹配，获得最佳匹配的参考模板就构成了语音识别的结果。

在本实施例中，目标文本可以对应于任何语言，例如汉语、英语等，本公开对此不做限定。本实施例中的文字可以是目标文本对应的语言中特定的语言单位，例如汉语中的汉字、英语中的单词等。

在一个例子中，步骤201可以按照如下方式实施：将目标文本和目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音。这里，第一机器学习模型为声学模型。上述声学模型可以采用隐马尔科夫模型进行建模，也可以采用深度学习模型进行建模，还可以采取其他模型结构进行建模，本公开对此不做限定。可以预先通过训练样本集(训练样本集中的每个训练样本包括文本样本、音频样本以及文本样本中的文字和音频样本中音素的对应关系)进行机器学习训练，从而得到上述第一机器学习模型。

在上述例子中，第一机器学习模型可以输出每个文字对应的多个读音，例如输出每个文字对应的5个读音、10个读音、20个读音等。举例来说，假设目标文本的内容为“黄河”，目标音频为一段时长为2s的音频文件。在将上述目标文本和目标音频输入第一机器学习模型后，第一机器学习模型可以先确定目标文本中每个文字对应的音频段落，例如“黄”对应于目标音频中0s-1s的音频段落，“河”对应于目标音频中1s-2s的音频段落。之后，第一机器学习模型可以通过分析音频段落包含的声音信号，判断其可能对应的读音。例如，通过分析0s-1s音频段落包含的声音信号，判断相应的读音可能为“huang”、“tang”和“hang”。据此，第一机器学习模型可以输出“黄”对应的多个读音，即“huang”、“tang”和“hang”。类似地，第一机器学习模型还可以输出“河”对应的多个读音。

在上述例子中，第一机器学习模型还可以输出每个读音对应的概率，例如“huang”对应的概率为0.6，“tang”对应的概率为0.2，“hang”对应的概率为0.1。

步骤202，根据目标文本中每个文字对应的至少一个读音，确定目标文本中是否存在与预设词语的读音一致的目标内容。

在本实施例中，预设词语可以是预先设定的、用于作为纠错标准的词语。预设词语可以是预先收集的语音识别领域的易错词，还可以是与目标文本的来源场景相关的词语等等。

在一个例子中，目标文本可以来源于会议场景，目标音频可以是目标会议的音频，预设词语可以是目标会议对应的热词。其中，目标会议可以是线上会议。目标会议对应的热词可以是与目标会议相关的词语，例如目标会议的参会人姓名、目标会议的标题中的词语、目标会议的历史文本(例如会议字幕或者会议记录等)中的词语等等。在这些应用场景中，随着会议的进行，热词可能会相应地变化，也即是说，预设词语也可以是变化的。

在本实施例中，可以基于目标文本中每个文字对应的至少一个读音，从目标文本中查找与预设词语读音一致的目标内容。其中，在目标文本和预设词语均为汉语的情况下，目标内容可能是词语，也可能是不构成词语的多个汉字。

在一个例子中，预设词语可以来自于预设词语集，预设词语集中词语的读音可以通过字典树(trie树)方式存储。如此，有利于提高对预设词语的读音的检索效率，进而提高查找目标内容的效率。

在一个例子中，步骤202可以进一步包括以下步骤：

步骤2021，确定预设词语的频次等级，其中，频次等级表示预设词语在目标文本中的出现频次或者出现概率的高低。

在会议场景的例子中，可以将预设词语的频次等级划分为高频次等级和低频次等级。其中，高频次等级的预设词语在目标文本中的出现频次或者出现概率较高。在第一种情形中，高频次等级的预设词语在目标文本中实际出现的频次较高，例如可以统计目标文本中各个词语的出现频次，将出现频次高于预设频次的词语确定为高频次等级的预设词语。在第二种情形中，高频次等级的预设词语在目标文本中出现的概率较高(不一定会实际出现)，例如在会议场景中，参会人姓名通常来说出现的可能性较高，可以将其确定为高频次等级的预设词语。

低频次等级的预设词语在目标文本中的出现频次或者出现概率较低。在第一种情形中，低频次等级的预设词语在目标文本中实际出现的频次较低，例如可以统计目标文本中各个词语的出现频次，将出现频次低于预设频次的词语确定为低频次等级的预设词语。在第二种情形中，低频次等级的预设词语在目标文本中出现的概率较低(不一定实际出现)，例如在线上会议场景中，参会人的通讯联系人的姓名可能出现，但是出现概率较参会人姓名的出现概率低，可以将其确定为低频次等级的预设词语。

在本实施例中，可以根据具体情况确定预设词语的频次等级，本公开对此不做限定。

步骤2022，在预设词语的频次等级为第一等级的情况下，根据目标文本中每个文字对应的第一预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容。

步骤2023，在预设词语的频次等级为第二等级的情况下，根据目标文本中每个文字对应的第二预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容。

在步骤2022和步骤2023中，第一等级高于第二等级，第一预设数目大于第二预设数目。举例来说，对于会议场景中高频次等级的预设词语，例如会议参会人的姓名，可以获取目标文本中每个文字对应的较多数目的读音(例如概率最高的5个读音)，在此基础上进行读音匹配。如此，能够避免遗漏对应较低概率的读音恰好与预设词语的读音匹配的情形，有利于保证读音匹配的准确度，进而提高语音识别文本纠错的准确度。对于会议场景中低频次等级的预设词语，例如参会人的通讯联系人的姓名，可以获取目标文本中每个文字对应的较少数目的读音(例如概率最高的3个读音)，在此基础上进行读音匹配。如此，有利于减少需要处理的数据量，提高处理速度。

步骤203，在确定目标文本中存在目标内容的情况下，将目标内容修改为预设词语。

在一个例子中，在将目标内容修改为预设词语之前，可以先判断对目标内容进行修改的必要性。在该例子中，步骤203可以进一步包括以下步骤：

首先，可以根据目标内容、预设词语以及目标内容在目标文本中的相关内容，确定是否需要对目标内容进行修改。

其次，可以在确定需要对目标内容进行修改的情况下，将目标内容修改为预设词语。

这里，目标内容在目标文本中的相关内容，例如是目标内容所在的句子、目标内容所在的段落、目标文本全文等。

这里，可以从目标内容与预设词语的读音相似度、目标内容所在句子的句子通顺度、替换为预设词语后句子的通顺度等中的一个或多个角度判断是否需要修改。例如，可以在目标内容与预设词语的读音相似度大于预设相似度阈值的情况下，确定需要对目标内容进行修改。又例如，可以在目标内容所在句子的句子通顺度小于预设通顺度阈值的情况下，确定需要对目标内容进行修改。又例如，可以在将目标内容替换为预设词语后的句子通顺度高于原句子通顺度的情况下，确定需要对目标内容进行修改。此外，还可以同时从上述多个角度对修改目标内容的必要性进行综合评分，据此确定是否需要对目标内容进行修改。

这里，可以将目标内容、预设词语以及目标内容在目标文本中的相关内容输入预先训练的第二机器学习模型，得到是否需要对目标内容进行修改的判断结果。其中，可以预先通过训练样本集(该训练样本集中的训练样本包括样本目标内容、样本预设词语、样本目标内容的相关文本以及表示是否需要对样本目标内容进行修改的标签)进行机器学习训练，从而得到上述第二机器学习模型。

本公开的实施例提供的语音识别结果的处理方法，根据目标文本和相应的目标音频确定目标文本中文字对应的读音，能够更准确地获得目标文本中文字的读音，在此基础上结合预设词语进行纠错，能够提高语音识别文本纠错的准确度。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种语音识别结果处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种终端设备中。

如图4所示，本实施例的语音识别结果处理装置400包括：音字对齐单元401、匹配单元402和修改单元403。其中，音字对齐单元401，用于将目标文本和相应的目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音，其中，目标文本通过对目标音频进行语音识别得到；匹配单元402，用于根据目标文本中每个文字对应的至少一个读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；修改单元403，用于在目标文本中存在目标内容的情况下，将目标内容修改为预设词语。

在本实施例中，语音识别结果处理装置400的音字对齐单元401、匹配单元402和修改单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在一些可选的实施方式中，音字对齐单元401可以进一步用于：将目标文本和目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音。

在一些可选的实施方式中，修改单元403可以进一步用于：根据目标内容、预设词语以及目标内容在目标文本中的相关内容，确定是否需要对目标内容进行修改；在确定需要对目标内容进行修改的情况下，将目标内容修改为预设词语。

在一些可选的实施方式中，修改单元403可以进一步用于：将目标内容、预设词语以及目标内容在目标文本中的相关内容输入预先训练的第二机器学习模型，得到是否需要对目标内容进行修改的判断结果。

在一些可选的实施方式中，匹配单元402可以进一步用于：确定预设词语的频次等级，其中，频次等级表示预设词语在目标文本中的出现频次或者出现概率的高低；在预设词语的频次等级为第一等级的情况下，根据目标文本中每个文字对应的第一预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；在预设词语的频次等级为第二等级的情况下，根据目标文本中每个文字对应的第二预设数目的读音，确定目标文本中是否存在与预设词语的读音一致的目标内容；其中，第一等级高于第二等级，第一预设数目大于第二预设数目。

在一些可选的实施方式中，预设词语来自于预设词语集，预设词语集中词语的读音通过字典树方式存储。

在一些可选的实施方式中，目标音频为目标会议的音频，预设词语为目标会议对应的热词。

需要说明的是，本公开的实施例提供的语音识别结果处理装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，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终端设备的计算机系统500的结构示意图。图5示出的计算机系统500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，计算机系统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ram503中，还存储有计算机系统500操作所需的各种程序和数据。处理装置501、rom502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可以允许计算机系统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的计算机系统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。

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rom502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、或半导体的系统、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系统、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系统、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。

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，使得该电子设备实现如图2所示的实施例及其可选实施方式示出的语音识别结果处理方法。

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系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到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。其中，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，音字对齐单元还可以被描述为“用于将目标文本和相应的目标音频输入预先训练的第一机器学习模型，得到目标文本中每个文字对应的至少一个读音的单元”。

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。