用于识别语音的方法和装置与流程

1.本公开的实施例涉及计算机技术领域，具体涉及用于识别语音的方法和装置。


背景技术：

2.在一个语音识别的应用场景中，并不是每一个意图在表达出来的时候都是连贯不停顿的一句话。因此，一个通用的全场景端点检测算法就无法满足用户的实际需求，因为对同一个用户来说，不同的意图对应的说话语速和停顿的时间是不一样的。
3.语音识别引擎在某些场景下，比如卡顿，网络状态变差等情况，识别失败或不全，导致识别结果有较大差别，影响语音识别用户体验。
4.现有技术通常从语音流层检测用户是否一段时间未继续说话，结束尾点。这种方式固定识别的时间过于呆板，因此缺乏灵活性。


技术实现要素：

5.本公开的实施例提出了用于识别语音的方法和装置。
6.第一方面，本公开的实施例提供了一种用于识别语音的方法，包括：响应于检测到语音帧，实时将语音帧转换成当前文本；若不存在之前保存的历史文本，将当前文本输入语义解析模型，得到解析结果；如果解析结果包括有效意图槽位，则结束语音尾点完成识别；输出有效意图槽位对应的指令。
7.在一些实施例中，该方法还包括：如果解析结果不包括有效意图槽位，则保存当前文本作为历史文本并继续检测新的语音帧，延迟语音尾点检测时间。
8.在一些实施例中，该方法还包括：若存在之前保存的历史文本，则将当前文本和历史文本输入语义解析模型，得到新的解析结果；如果新的解析结果不包括有效意图槽位，则将当前文本合并到历史文本中保存，并继续检测新的语音帧，延迟语音尾点检测时间；如果新的解析结果包括有效意图槽位，则结束语音尾点完成识别，清空历史文本，并输出有效意图槽位对应的指令。
9.在一些实施例中，将当前文本和历史文本输入语义解析模型，包括：将当前文本和历史文本进行拼接；如果能够拼接成功，则将拼接后的当前文本和历史文本输入语义解析模型，得到新的解析结果。
10.在一些实施例中，将当前文本和历史文本输入语义解析模型，包括：如果拼接失败，则将历史文本重置为当前文本，只将当前文本输入语义解析模型。
11.在一些实施例中，该方法还包括：如果解析结果包括有效意图槽位且为固定结果，则将解析结果作为缓存指令，并存储缓存指令和文本的对应关系表；响应于获取到待解析文本，将待解析文本与对应关系表匹配；若匹配成功，则不通过语义解析模型，直接返回待解析文本对应的缓存指令。
12.第二方面，本公开的实施例提供了一种用于识别语音的装置，包括：转换单元，被配置成响应于检测到语音帧，实时将语音帧转换成当前文本；解析单元，被配置成若不存在
之前保存的历史文本，将当前文本输入语义解析模型，得到解析结果；判断单元，被配置成如果解析结果包括有效意图槽位，则结束语音尾点完成识别；输出单元，被配置成输出有效意图槽位对应的指令。
13.在一些实施例中，该装置还包括拼接单元，被配置成：如果解析结果不包括有效意图槽位，则保存当前文本作为历史文本并继续检测新的语音帧，延迟语音尾点检测时间。
14.在一些实施例中，拼接单元进一步被配置成：若存在之前保存的历史文本，则将当前文本和历史文本输入语义解析模型，得到新的解析结果；如果新的解析结果不包括有效意图槽位，则将当前文本合并到历史文本中保存，并继续检测新的语音帧，延迟语音尾点检测时间；如果新的解析结果包括有效意图槽位，则结束语音尾点完成识别，清空历史文本，并输出有效意图槽位对应的指令。
15.在一些实施例中，拼接单元进一步被配置成：将当前文本和历史文本进行拼接；如果能够拼接成功，则将拼接后的当前文本和历史文本输入语义解析模型，得到新的解析结果。
16.在一些实施例中，拼接单元进一步被配置成：如果拼接失败，则将历史文本重置为当前文本，只将当前文本输入语义解析模型。
17.在一些实施例中，该装置还包括缓存单元，被配置成：如果解析结果包括有效意图槽位且为固定结果，则将解析结果作为缓存指令，并存储缓存指令和文本的对应关系表；响应于获取到待解析文本，将待解析文本与对应关系表匹配；若匹配成功，则不通过语义解析模型，直接返回待解析文本对应的缓存指令。
18.第三方面，本公开的实施例提供了一种用于识别语音的电子设备，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，使得一个或多个处理器实现如第一方面中任一的方法。
19.第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
20.本公开的实施例提供的用于识别语音的方法和装置，通过建立语义解析模型，在识别的同时解析意图，对于有效意图，将提前完成识别解析流程，大大提高语音识别解析速度；对于无效意图，自动延长语音尾点的时间，继续识别，直至识别有效意图，能够提高识别的准确性。
附图说明
21.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：
22.图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
23.图2是根据本公开的用于识别语音的方法的一个实施例的流程图；
24.图3是根据本公开的用于识别语音的方法的一个应用场景的示意图；
25.图4是根据本公开的用于识别语音的方法的又一个实施例的流程图；
26.图5是根据本公开的用于识别语音的装置的一个实施例的结构示意图；
27.图6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
28.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。
29.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。
30.图1示出了可以应用本公开的用于识别语音的方法或用于识别语音的装置的实施例的示例性系统架构100。
31.如图1所示，系统架构100可以包括麦克风101、控制器102、语音识别服务器103、语义理解服务器104。网络用以在控制器102、语音识别服务器103、语义理解服务器104之间提供通信链路的介质。网络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。
32.用户可以使用麦克风101向控制器102输入语音。然后控制器102通过网络与语音识别服务器103、语义理解服务器104交互，以接收或发送消息等。麦克风101可以是安装在无人车等移动装置上的语音输入设备，麦克风101还可以是手机、电脑等的内置设备。控制器可以是车载设备也可以是手机、电脑等的内置设备。控制器102具有接收和发送信息的功能。
33.控制器102还具备离线语音识别和语义理解的功能。例如可离线识别出唤醒词等。如果离线无法进行语音识别，则需要将语音发送到语音识别服务器，进行语音识别，得到文字。再将文字发到语义理解服务器，得到指令。
34.语音识别服务器103，用于接收控制器102发送的语音，并将语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。语音识别服务器102上安装有语音识别系统。语音识别系统一般分训练和解码两阶段。训练，即通过大量标注的语音数据训练声学模型。解码，即通过声学模型和语言模型将训练集外的语音数据识别成文字，训练的声学模型好坏直接影响识别的精度。
35.语义理解服务器103，用于接收控制器102发送的文字结果，并根据文字结果进行语义分析。语义分析指运用各种方法，学习与理解一段文本所表示的语义内容，任何对语言的理解都可以归为语义分析的范畴。一段文本通常由词、句子和段落来构成，根据理解对象的语言单位不同，语义分析又可进一步分解为词汇级语义分析、句子级语义分析以及篇章级语义分析。一般来说，词汇级语义分析关注的是如何获取或区别单词的语义，句子级语义分析则试图分析整个句子所表达的语义，而篇章语义分析旨在研究自然语言文本的内在结构并理解文本单元(可以是句子从句或段落)间的语义关系。简单地讲，语义分析的目标就是通过建立有效的模型和系统，实现在各个语言单位(包括词汇、句子和篇章等)的自动语义分析，从而实现理解整个文本表达的真实语义。
36.需要说明的是，语音识别服务器103、语义理解服务器104可以是硬件，也可以是软件。当服务器为硬件时，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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
37.需要说明的是，本公开的实施例所提供的用于识别语音的方法一般由控制器102执行，相应地，用于识别语音的装置一般设置于控制器102中。
38.应该理解，图1中的麦克风、控制器、语音识别服务器、语义理解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麦克风、控制器、语音识别服务器、语义理解服务器。
39.继续参考图2，示出了根据本公开的用于识别语音的方法的一个实施例的流程200。该用于识别语音的方法，包括以下步骤：
40.步骤201，响应于检测到语音帧，实时将语音帧转换成当前文本。
41.在本实施例中，用于识别语音的方法的执行主体(例如图1所示的控制器)可以通过有线连接方式或者无线连接方式从麦克风实时获取连续的语音帧。每获取一个语音帧就计算该语音帧的平均能量。平均能量的计算方法可采用现有技术，在此不再赘述。响应于检测到平均能量大于预设的起点门限的第一语音帧，将第一个语音帧和第一个语音帧之后的语音帧实时通过asr(automatic speech recognition,语音识别)技术转换成当前文本。
42.步骤202，若不存在之前保存的历史文本，将当前文本输入语义解析模型，得到解析结果。
43.在本实施例中，如果上一次语音识别后解析失败，则会将语音识别结果保存为历史文本。如果上一次识别成功，则不会有历史文本。如果没有历史文本，则将当前识别出的当前文本直接输入语义解析模型。该模型用于判断解析用户意图，比如『我想听xxx』,『导航去xxx』等，可以解析出对应的意图槽位。模型覆盖常用场景，包括车控指令，导航指令，音乐指令，电话指令等。语义解析模型是通过槽位填充技术实现的。槽位填充(slot filling)技术是指为了让用户意图转化为用户明确的指令而补全信息的过程。在当今槽位识别方法中，主要有基于知识的槽位识别与基于模型的槽位识别两种方法：
44.(1)基于知识的槽位识别方法。这种方案使用人工构建的知识库，通过一定的规则匹配进行槽位识别。
45.(2)基于模型的槽位识别方法。这种方案将槽位填充问题转换为序列标注问题，使用统计机器学习模型进行槽位识别。
46.步骤203，如果解析结果包括有效意图槽位，则结束语音尾点完成识别。
47.在本实施例中，常用场景具备对应的句式，比如“我想听xxx”,“导航去xxx”等。从语义解析模型里面如果匹配到这些场景特征词即可进行识别尾点检测的优化，提前结束尾点识别。而其他如百科类场景就不符合。
48.这里涉及语音端点检测技术，语音端点检测技术是指在噪声环境中检测出人在开始说话到说话结束的一段语音，即检测人说一句话的起点和尾点。每一次的语音识别流程中，在语音识别引擎开始处理之前，需要通过语音端点检测技术来对语音数据进行切分。每获取到一个语音帧就计算该语音帧的平均能量，然后将该语音帧的平均能量和预设的起点门限进行比较。如果该语音帧的平均能量大于预设的起点门限，则认为该语音帧为待识别的语音的起始帧。
49.本技术的方案将从起始帧开始包括之后的语音帧实时进行识别，得到语音识别的中间识别结果，不需要检测能量来判断用户是否说完，语义完整即认为用户已经说完指令，不用再等待一段静默期即可返回识别结果。而现有技术需要等到检测到尾点后才将从起点
到尾点的一段语音一起进行识别。
50.步骤204，输出有效意图槽位对应的指令，清空历史文本。
51.在本实施例中，可将用户输入的口语转换成机器可执行的指令，然后输出到相应的执行模块来执行。例如，用户说“我想听《我和我的祖国》”，则转换成指令“播放歌曲《我和我的祖国》”输出到多媒体模块去执行。如果是基于历史文本进行的解析，则需要在解析成功后清空历史文本。
52.步骤205，若存在之前保存的历史文本，则将当前文本和历史文本输入语义解析模型，得到新的解析结果。
53.在本实施例中，若存在之前保存的历史文本，则说明前次未成功解析出用户的意图。用户前次可能没说完，有停顿。当前收到的语音是前次收到的补充。因此需要将当前文本和历史文本一起输入语义解析模型，得到新的解析结果。将当前文本和历史文本进行拼接；如果能够拼接成功，则将拼接后的当前文本和历史文本输入语义解析模型，得到新的解析结果。如果拼接失败，则将历史文本重置为当前文本，只将当前文本输入语义解析模型。
54.例如，历史文本为“我要去”，当前文本为“朝阳大悦城”，则可将2者拼接成“我要去朝阳大悦城”，然后输入语义解析模型，得到用户的意图是导航去朝阳大悦城。而如果历史文本为“我要去”，当前文本为“我要听”，则舍弃历史文本“我要去”，重置历史文本为“我要听”。
55.如果当前文本能够解析出有效意图槽位，则直接得到解析结果，清空历史文本。
56.步骤206，如果解析结果不包括有效意图槽位，则保存当前文本作为历史文本并继续检测新的语音帧，延迟语音尾点检测时间。
57.在本实施例中，如果用户没有说完整，是解析不出有效意图槽位的，则可将已经识别出的当前文本保存为历史文本。继续检测新的语音帧，自动延迟语音尾点。而不是根据功率和超时来确定尾点。
58.继续参见图3，图3是根据本实施例的用于识别语音的方法的应用场景的一个示意图。在图3的应用场景中，在控制打电话的语音交互过程中，用户刚说出“打”时，计算出语音帧的平均能量，且检测到该语音帧的平均能量大于预设的起点门限，将它作为第一语音帧。将第一语音帧和第一语音帧之后的语音帧连续进行语音识别，得到当前文本，再把当前文本输入语义解析模型，得到解析结果。如果用户说话时在说出特定的词“打电话给”后停顿了，则此时解析不出有效意图槽位。则将当前文本“打电话给”保存起来作为历史文本，等待用户继续输入语音。根据新的语音帧识别出“爸爸”后，将历史文本“打电话给”和当前文本“爸爸”拼接后输入语义解析模型，得到解析结果，包括了有效意图槽位，因此结束语音识别，输出指令给拨号模块“拨打爸爸的电话”。
59.进一步参考图4，其示出了用于识别语音的方法的又一个实施例的流程400。该用于识别语音的方法的流程400，包括以下步骤：
60.步骤401，响应于检测到语音帧，实时将语音帧转换成当前文本。
61.步骤401与步骤201基本相同，因此不再赘述。
62.步骤402，将当前文本与缓存指令对应关系表匹配。
63.在本实施例中，可预先存储一些缓存指令和文本的对应关系，缓存的指令是针对于获得的语义解析结果是固定的才能进行缓存的，对于“导航去xx”这种动态结果是不能缓
存的。缓存指令可以缓存泛化的指令，比如"打开一下那个车门"。除了预先存储的缓存指令之外，还可在使用过程中，随时存储已经识别解析出来的指令作为缓存指令。
64.步骤403，如果匹配成功，则输出当前文本匹配的缓存指令。
65.在本实施例中，接收到语音转换成文本后，直接跟缓存指令对应关系表匹配，如果查找到文本对应的缓存指令，则无需再输入语义解析模型进行解析，提前结束尾点检测，提前返回指令。
66.步骤404，如果没有匹配成功，且不存在之前保存的历史文本，将当前文本输入语义解析模型，得到解析结果。
67.步骤405，如果解析结果包括有效意图槽位，则结束语音尾点完成识别。
68.步骤406，输出有效意图槽位对应的指令，清空历史文本。
69.步骤407，若存在之前保存的历史文本，则将当前文本和历史文本输入语义解析模型，得到新的解析结果。
70.步骤408，如果解析结果不包括有效意图槽位，则保存当前文本作为历史文本并继续检测新的语音帧，延迟语音尾点检测时间。
71.步骤404-步骤408与步骤202-206基本相同，因此不再赘述。
72.从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别语音的方法的流程400体现了对"非动态结果"即语义解析结果是固定的，比如"打开主驾车窗"的结果优化处理，可进一步提前结束尾点检测，提高反应速度。
73.进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别语音的装置的一个实施例，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电子设备中。
74.如图5所示，本实施例的用于识别语音的装置500包括：转换单元501、解析单元502、判断单元503和输出单元504。其中，转换单元501，被配置成响应于检测到语音帧，实时将语音帧转换成当前文本；解析单元502，被配置成若不存在之前保存的历史文本，将当前文本输入语义解析模型，得到解析结果；判断单元503，被配置成如果解析结果包括有效意图槽位，则结束语音尾点完成识别；输出单元504，被配置成输出有效意图槽位对应的指令。
75.在本实施例中，用于识别语音的装置500的转换单元501、解析单元502、判断单元503和输出单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
76.在本实施例的一些可选的实现方式中，装置500还包括拼接单元(附图中未示出)，被配置成：如果解析结果不包括有效意图槽位，则保存当前文本作为历史文本并继续检测新的语音帧，延迟语音尾点检测时间。
77.在本实施例的一些可选的实现方式中，拼接单元进一步被配置成：若存在之前保存的历史文本，则将当前文本和历史文本输入语义解析模型，得到新的解析结果；如果新的解析结果不包括有效意图槽位，则将当前文本合并到历史文本中保存，并继续检测新的语音帧，延迟语音尾点检测时间；如果新的解析结果包括有效意图槽位，则结束语音尾点完成识别，清空历史文本，并输出有效意图槽位对应的指令。
78.在本实施例的一些可选的实现方式中，拼接单元进一步被配置成：将当前文本和历史文本进行拼接；如果能够拼接成功，则将拼接后的当前文本和历史文本输入语义解析
模型，得到新的解析结果。
79.在本实施例的一些可选的实现方式中，拼接单元进一步被配置成：如果拼接失败，则将历史文本重置为当前文本，只将当前文本输入语义解析模型。
80.在本实施例的一些可选的实现方式中，装置500还包括缓存单元(附图中未示出)，被配置成：如果解析结果包括有效意图槽位且为固定结果，则将解析结果作为缓存指令，并存储缓存指令和文本的对应关系表；响应于获取到待解析文本，将待解析文本与对应关系表匹配；若匹配成功，则不通过语义解析模型，直接返回待解析文本对应的缓存指令。
81.下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的控制器)600的结构示意图。图6示出的控制器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
82.如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602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。
83.通常，以下装置可以连接至i/o接口605：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606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
84.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609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601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，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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。
85.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：响应于检测到语音帧，实时将语音帧转换成当前文本；若不存在之前保存的历史文本，将当前文本输入语义解析模型，得到解析结果；如果解析结果包括有效意图槽位，则结束语音尾点完成识别；输出有效意图槽位对应的指令。
86.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实施例的操作的计算机程序代码，所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)。
87.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。
88.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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括转换单元、解析单元、判断单元和输出单元。其中，这些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，转换单元还可以被描述为“响应于检测到语音帧，实时将所述语音帧转换成当前文本的单元”。
89.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，本公开中所涉及的发明范围，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所述发明构思的情况下，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。