生成词典与语音识别的方法、装置与流程

本公开涉及数据处理技术领域，尤其涉及自然语言处理、语音处理技术领域。提供了一种生成词典与语音识别的方法、装置、电子设备和可读存储介质。

背景技术：

现有技术在根据英文词典生成包含词片段的词典时，通常采用的是基于英文单词中共现频率最高的相邻序列来生成词典，但是采用这种方式所生成的词片段无法保证与英文单词的发音相对应，从而导致基于词典来识别英文单词时的计算量大、延时高、无法实时上屏的问题。

技术实现要素：

根据本公开的第一方面，提供了一种生成词典的方法，包括：获取英文词典；根据所述英文词典中各英文单词的发音来切分各英文单词，使得切分各英文单词所得到的词片段的数目等于各英文单词的发音片段的数目；根据各英文单词的词片段，生成词典。

根据本公开的第二方面，提供了一种语音识别的方法，包括：获取输入音频；在词典中查找与所述输入音频的发音片段对应的目标词片段，根据查找得到的目标词片段生成所述输入音频的识别结果。

根据本公开的第三方面，提供了一种生成词典的装置，包括：第一获取单元，用于获取英文词典；切分单元，用于根据所述英文词典中各英文单词的发音来切分各英文单词，使得切分各英文单词所得到的词片段的数目等于各英文单词的发音片段的数目；生成单元，用于根据各英文单词的词片段，生成词典。

根据本公开的第四方面，提供了一种语音识别的装置，包括：第二获取单元，用于获取输入音频；识别单元，用于在词典中查找与所述输入音频的发音片段对应的目标词片段，根据查找得到的目标词片段生成所述输入音频的识别结果。

根据本公开的第五方面，提供了一种电子设备，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如上所述的方法。

根据本公开的第六方面，提供了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如上所述的方法。

根据本公开的第七方面，提供了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如上所述的方法。

由以上技术方案可以看出，根据英文单词的发音来切分英文单词，确保了切分所得到的词片段的数目与英文单词的发音片段的数目是相同的，从而实现了将英文单词的发音与拼写进行相互关联的目的，使得所生成的词典中的词片段与英文单词的发音片段能够一一对应。

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是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是用来实现本公开实施例的生成词典与语音识别的方法的电子设备的框图。

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机构的描述。

图1是根据本公开第一实施例的示意图。如图1所示，本实施例的生成词典的方法，具体可以包括如下步骤：

s101、获取英文词典；

s102、根据所述英文词典中各英文单词的发音来切分各英文单词，使得切分各英文单词所得到的词片段的数目等于各英文单词的发音片段的数目；

s103、根据各英文单词的词片段，生成词典。

本实施例的生成词典的方法，根据英文单词的发音来切分英文单词，确保了切分所得到的词片段的数目与英文单词的发音片段的数目是相同的，从而实现了将英文单词的发音与拼写进行相互关联的目的，使得所生成的词典中的词片段与英文单词的发音片段能够一一对应。

本实施例执行s101获取的英文词典中包含多个英文单词，例如可以选取日常常用的10万个英文单词来构成本实施例中的英文词典。

本实施例在执行s101获取英文词典之后，执行s102根据英文词典中各英文单词的发音切分各英文单词，从而使得切分各英文单词所得到的词片段的数目等于各英文单词的发音片段的数目。

本实施例中英文单词的发音片段，为英文单词的发音中包含的音频片段，不同的发音片段对应不同的发音；由于每个英文单词对应于一个或者多个发音片段，因此本实施例执行s102时会将每个英文单词相应地切分为一个或者多个词片段。

举例来说，若英文单词为“speech”，“speech”的发音中包含发出“si”的音频、发出“pi”的音频与发出“chi”的音频，因此“speech”的发音片段的数目为三，本实施例执行s102时会将“speech”切分为“s”、“pee”与“ch”这三个词片段。

也就是说，本实施例在执行s102将各英文单词切分为一个或者多个词片段(wordpiece)时，通过英文单词的发音对切分英文单词所得到的词片段的数量进行限制，使得切分所得到的各词片段能够与相应的发音片段对应，从而建立英文单词中词片段与发音片段之间的对应关系。

本实施例在执行s102将各英文单词进行切分之后，执行s103根据各英文单词的词片段来生成词典，所生成的词典中包含切分各英文单词所得到的词片段。

可以理解的是，本实施例在执行s102将不同的英文单词进行切分时，可能会得到相同的词片段，因此本实施例在执行s103根据各英文单词的词片段生成词典时，会执行去除重复的词片段的操作，从而使得所生成的词典中仅包含不同的词片段。

另外，本实施例在执行s103根据各英文单词的词片段生成词典时，还会对各词片段的标识信息进行标注，所标注的标识信息与各词片段的发音片段相对应，使得根据发音片段即可确定与其对应的词片段。

本实施例通过上述方法，根据英文单词的发音来切分英文单词，确保了切分所得到的词片段的数目与英文单词的发音片段的数目是相同的，从而实现了将英文单词的发音与拼写进行相互关联的目的，使得所生成的词典中的词片段与英文单词的发音片段能够一一对应。

图2是根据本公开第二实施例的示意图。如图2中所示，本实施例在执行s103“根据各英文单词的词片段，生成词典”时，具体可以包括如下步骤：

s201、根据各词片段的发音，将各词片段进行分类；

s202、在确定与发音对应的分类中包含多个词片段的情况下，使用该发音的发音片段代替所述多个词片段，生成词典。

由于上述实施例在根据英文单词的发音来切分得到词片段时，会导致词片段的归并性较差，使得所生成的词典中词片段的数目会大大增加，从而会极大地增加计算量与延时。

因此，本实施例通过将具有相同发音的词片段进行归并的方式，实现对词典中词片段的数目进行压缩的目的，从而降低了计算量与延时。

本实施例在执行s201根据各词片段的发音将各词片段进行分类时，即将具有相同发音的词片段合并一类，从而得到与不同发音所对应的分类，每个分类中包含一个或者多个词片段。

本实施例在执行s201将各词片段进行分类之后，执行s202在确定与发音对应的分类中包含多个词片段的情况下，使用该发音的发音片段来代替该分类中的多个词片段，从而生成词典。

也就是说，本实施例在执行s202时，若发现对应一个发音的词片段有多个时，便使用与该发音对应的发音片段来代替多个词片段，从而极大地减少词典中词片段的数目。

举例来说，若与发音“pi”对应的分类中包含“pee”与“pea”两个词片段，则使用该发音的发音片段“pi”来代替这两个词片段。

另外，本实施例在执行s202使用发音的发音片段来代替多个词片段之后，还会建立该发音片段与多个词片段之间的对应关系，从而根据所建立的对应关系能够查找到与发音片段相对应的多个词片段。

图3是根据本公开第三实施例的示意图。如图3所示，本实施例的语音识别的方法，具体可以包括如下步骤：

s301、获取输入音频；

s302、在词典中查找与所述输入音频的发音片段对应的目标词片段，根据查找得到的目标词片段生成所述输入音频的识别结果。

由于所生成的词典中的各词片段是与发音片段相对应的，因此本实施例在对输入音频进行识别时，能够根据词典得到与输入音频的发音片段所对应的目标词片段，进而根据所得到的目标词片段来生成输入音频的识别结果，因此实现了发音片段与词片段之间的一一对应，无需进行发音片段的多对一或者一对多的映射，从而提升语音识别的准确性与效率。

本实施例执行s301所获取的输入音频，可以为包含中英文混合输入的音频，也可以仅为包含英文输入的音频。

可以理解的是，若词典是通过归并具有相同发音的词片段的方式所得到的，即某个发音的词片段是该发音的发音片段时，为了能够准确得到与输入音频的发音片段对应的目标词片段，本实施例在执行s302在词典中查找与输入音频的发音片段对应的目标词片段时，可以采用的可选实现方式为：在词典中查找与发音片段对应的词片段，即在词典中查找与发音片段具有相同发音的词片段，例如根据词片段所标注的标识信息进行查找；在确定所查找到的词片段与发音片段相同时，根据预设的对应关系，从与发音片段对应的多个词片段中选取一个作为目标词片段。

本实施例中预设的对应关系中包含发音片段及其对应的词片段，该对应关系可以在合并具有相同发音的词片段来生成词典时生成，也可以为在生成词典之后，根据各发音片段及其对应的词片段来生成。

可以理解的是，本实施例在执行s302从与发音片段对应的多个词片段中选取一个作为目标词片段时，所选取的目标词片段为能够与已识别内容组成准确的英文单词的词片段。

举例来说，若输入音频为“sipichi”，若词典中与发音片段“pi”对应的词片段为“pi”，即两者相同，若预设的对应关系中，与发音片段“pi”对应的词片段中包含“pee”与“pea”两个词片段，则本实施例执行s302时会选取“pee”，即选取能够与“s”组成英文单词的“pee”作为与发音片段“pi”对应的目标词片段。

另外，本实施例在执行s302在词典中查找与输入音频的发音片段对应的目标词片段之后，还可以将所查找到的目标词片段进行上屏，由于输入音频的每个发音片段都有可以上屏的词片段，因此本实施例能够实现英文单词识别时的实时上屏，从而提升语音识别时的流式体验，缩短用户的感知空白期，让用户觉得语音识别的“等待时间”更短。

本实施例在执行s302根据查找得到的目标词片段生成输入音频的识别结果时，可以按发音片段的顺序依次将组合各目标词片段，从而将组合结果作为输入音频的识别结果。

图4是根据本公开第四实施例的示意图。如图4所示，本实施例的生成词典的装置400，包括：

第一获取单元401、用于获取英文词典；

切分单元402、用于根据所述英文词典中各英文单词的发音来切分各英文单词，使得切分各英文单词所得到的词片段的数目等于各英文单词的发音片段的数目；

生成单元403、用于根据各英文单词的词片段，生成词典。

第一获取单元401获取的英文词典中包含多个英文单词，例如可以选取日常常用的10万个英文单词来构成第一获取单元401中的英文词典。

本实施例在由第一获取单元401获取英文词典之后，由切分单元402根据英文词典中各英文单词的发音切分各英文单词，从而使得切分各英文单词所得到的词片段的数目等于各英文单词的发音片段的数目。

也就是说，切分单元402将各英文单词切分为一个或者多个词片段(wordpiece)时，通过英文单词的发音对切分英文单词所得到的词片段的数量进行限制，使得切分所得到的各词片段能够与相应的发音片段对应，从而建立英文单词中词片段与发音片段之间的对应关系。

本实施例在由切分单元402将各英文单词进行切分之后，由生成单元403根据各英文单词的词片段来生成词典，即所生成的词典中包含切分各英文单词所得到的词片段。

可以理解的是，生成单元403将不同的英文单词进行切分时，可能会得到相同的词片段，因此生成单元403在根据各英文单词的词片段生成词典时，会执行去除重复的词片段的操作，从而使得所生成的词典中仅包含不同的词片段。

另外，生成单元403在根据各英文单词的词片段生成词典时，还会对各词片段的标识信息进行标注，所标注的标识信息与各词片段的发音片段相对应，使得根据发音片段即可确定与其对应的词片段。

生成单元403在根据各英文单词的词片段，生成词典时，可以采用的可选实现方式为：根据各词片段的发音，将各词片段进行分类；在确定与发音对应的分类中包含多个词片段的情况下，使用该发音的发音片段代替所述多个词片段，生成词典。

生成单元403在根据各词片段的发音将各词片段进行分类时，即将具有相同发音的词片段合并一类，从而得到与不同发音所对应的分类，每个分类中包含一个或者多个词片段。

生成单元403在将各词片段进行分类之后，在确定与发音对应的分类中包含多个词片段的情况下，使用该发音的发音片段来代替该分类中的多个词片段，从而生成词典。

也就是说，生成单元403若发现对应一个发音的词片段有多个时，便使用与该发音对应的发音片段来代替多个词片段，从而极大地减少词典中词片段的数目。

另外，生成单元403在使用发音的发音片段来代替多个词片段之后，还会建立该发音片段与多个词片段之间的对应关系，从而根据所建立的对应关系能够查找到与发音片段相对应的多个词片段。

图5是根据本公开第五实施例的示意图。如图5所示，本实施例的语音识别的装置500，包括：

第二获取单元501、用于获取输入音频；

识别单元502、用于在词典中查找与所述输入音频的发音片段对应的目标词片段，根据查找得到的目标词片段生成所述输入音频的识别结果。

第二获取单元501所获取的输入音频，可以为包含中英文混合输入的音频，也可以仅为包含英文输入的音频。

可以理解的是，若词典是通过归并具有相同发音的词片段的方式所得到的，即某个发音的词片段是该发音的发音片段时，为了能够准确得到与输入音频的发音片段对应的目标词片段，识别单元502在词典中查找与输入音频的发音片段对应的目标词片段时，可以采用的可选实现方式为：在词典中查找与发音片段对应的词片段；在确定所查找到的词片段与发音片段相同时，根据预设的对应关系，从与发音片段对应的多个词片段中选取一个作为目标词片段。

识别单元502中预设的对应关系中包含发音片段及其对应的词片段，该对应关系可以在合并具有相同发音的词片段来生成词典时生成，也可以为在生成词典之后，根据各发音片段及其对应的词片段来生成。

可以理解的是，识别单元502在从与发音片段对应的多个词片段中选取一个作为目标词片段时，所选取的目标词片段为能够与已识别内容组成准确的英文单词的词片段。

另外，本实施例的语音识别装置500还包含上屏单元503，用于在识别单元502在词典中查找与输入音频的发音片段对应的目标词片段之后，将所查找到的目标词片段进行上屏。

识别单元502在根据查找得到的目标词片段生成所述输入音频的识别结果时，可以按发音片段的顺序依次将组合各目标词片段，从而将组合结果作为输入音频的识别结果。

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。

如图6所示，是根据本公开实施例的生成词典与语音识别的方法的电子设备的框图。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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如生成词典与语音识别的方法。例如，在一些实施例中，生成词典与语音识别的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608。

在一些实施例中，计算机程序的部分或者全部可以经由rom602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram603并由计算单元601执行时，可以执行上文描述的生成词典与语音识别的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成词典与语音识别的方法。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(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系统上执行和/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，可以从存储系统、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系统、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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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系统和技术，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。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统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(“virtualprivateserver”，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系统的服务器，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。

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。