语音处理方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，特别涉及智能语音以及深度学习等领域的语音处理方法、装置、电子设备及存储介质。


背景技术：

2.在实际应用中，很多场景下会需要对用户输入的语音进行语义完整性评估。比如，在智能家居、智能音箱等远场语音识别场景中，在对用户的语音进行识别过程中，可结合语义完整性评估结果确定出何时结束语音识别。
3.目前的语义完整性评估方式中，通常仅参考了语音识别结果等文本特征，从而导致评估结果的准确性较差。


技术实现要素：

4.本公开提供了语音处理方法、装置、电子设备及存储介质。
5.一种语音处理方法，包括：
6.获取待处理语音的特征，包括：所述语音的语音识别结果以及所述语音识别结果中的各字符的音频持续长度；
7.根据所述特征对所述语音进行语义完整性评估，得到评估结果。
8.一种语音处理装置，包括：第一处理模块以及第二处理模块；
9.所述第一处理模块，用于获取待处理语音的特征，包括：所述语音的语音识别结果以及所述语音识别结果中的各字符的音频持续长度；
10.所述第二处理模块，用于根据所述特征对所述语音进行语义完整性评估，得到评估结果。
11.一种电子设备，包括：
12.至少一个处理器；以及
13.与所述至少一个处理器通信连接的存储器；其中，
14.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以上所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
16.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
17.上述公开中的一个实施例具有如下优点或有益效果：可结合语音识别结果以及语音识别结果中的各字符的音频持续长度等特征来进行语义完整性评估，即可结合文本特征以及音频特征来进行语义完整性评估，从而提升了评估结果的准确性等。
18.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
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1为本公开所述语音处理方法实施例的流程图；
21.图2为本公开所述“我想听周**的歌”这一语音中的各字符的音频持续长度第一示意图；
22.图3为本公开所述“我想听周**的歌”这一语音中的各字符的音频持续长度第二示意图；
23.图4为本公开所述评估模型的输入和输出示意图；
24.图5为本公开所述“关机”这一语音对应的处理方式示意图；
25.图6为本公开所述“我想听”这一语音对应的处理方式示意图；
26.图7为本公开所述“播放”这一语音对应的处理方式示意图；
27.图8为本公开所述语音处理装置实施例800的组成结构示意图；
28.图9示出了可以用来实施本公开的实施例的电子设备900的示意性框图。
具体实施方式
29.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。
30.另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
31.图1为本公开所述语音处理方法实施例的流程图。如图1所示，包括以下具体实现方式。
32.在步骤101中，获取待处理语音的特征，包括：所述语音的语音识别结果以及语音识别结果中的各字符的音频持续长度。
33.在步骤102中，根据获取到的特征对语音进行语义完整性评估，得到评估结果。
34.可以看出，上述方法实施例所述方案中，可结合语音识别结果以及语音识别结果中的各字符的音频持续长度等特征来进行语义完整性评估，即可结合文本特征以及音频特征来进行语义完整性评估，从而提升了评估结果的准确性等。
35.图1所示实施例的执行主体不作限制，比如，可为智能音箱等智能设备，也可为云端的服务器等。
36.优选地，所述评估结果可包括：完整、不完整以及不确定是否完整。
37.如前所述，本公开所述方案中，获取到的特征中可包括语音识别结果中的各字符的音频持续长度，即音频特征。对于同一语音识别结果，借助于音频特征，可得到不同的评估结果。
38.比如，对于“我想听周**的歌”这一语音，按照现有的评估方式，如果仅参考语音识别结果等文本特征，得到的评估结果将是固定的，如完整，但采用本公开所述方案后，根据用户表达方式的不同，可得到不同的评估结果。
39.图2为本公开所述“我想听周**的歌”这一语音中的各字符的音频持续长度第一示意图。如图2所示，假设其中的各字符的音频持续长度基本一致，那么采用本公开所述方案，得到的评估结果可为完整。
40.图3为本公开所述“我想听周**的歌”这一语音中的各字符的音频持续长度第二示意图。如图3所示，假设其中的“歌”字的发音明显拉长，即“歌”字的音频持续长度明显大于其它各字的音频持续长度，那么按照本公开所述方案，得到的评估结果可为不完整，这种情况下，通常之后用户还会发出具体的歌曲名称的语音。
41.可见，采用本公开所述方案，借助于音频特征，可得到更为准确的语义完整性评估结果。
42.在搜索、输入法等近场语音识别场景中，用户可通过点击应用(app)上的相关按钮等来开始语音识别，并可在语音表达完成时，松开按钮以结束语音识别。
43.但在智能家居、智能音箱等远场语音识别场景中，用户与智能设备之间仅通过语音进行交互，并不会通过上述按钮等方式来告知智能设备语音识别的开始和结束，相应地，可通过唤醒 语音活动检测(vad，voice activity detection)方式确定出何时开始语音识别，并可通过vad尾点检测方式确定出何时结束语音识别。
44.现有方式中，在确定何时结束语音识别时，可设置一个阈值，即静音时长对应的阈值，当静音时长达到该阈值后，即可停止识别，但这种方式的准确性通常较差。为此，又提出可结合语音的语义完整性评估结果来确定出何时结束语音识别。
45.相应地，本公开的一个实施例中，在对用户的语音进行识别过程中，可统计静音时长，当静音时长达到预先设定的第二阈值时，可将当前已获取的语音作为待处理的语音。进一步地，可获取所述语音对应的特征，包括：语音识别结果以及语音识别结果中的各字符的音频持续长度，并可根据获取到的特征对语音进行语义完整性评估，得到评估结果。
46.本公开的一个实施例中，还可进一步执行以下之一或任意组合：若评估结果为完整，则结束本次语音识别；若评估结果为不完整，则对预先设定的第一阈值进行调整，得到第三阈值，第三阈值大于第一阈值，第一阈值大于第二阈值，并在当静音时长达到第三阈值时，结束本次语音识别；若评估结果为不确定是否完整，则当静音时长达到第一阈值时，结束本次语音识别。
47.比如，用户可向智能音箱发出语音，相应地，在对用户发出的语音进行识别过程中，若在一段语音之后出现了静音，那么可统计静音时长，即统计静音持续时长。
48.当静音时长达到预先设定的第二阈值时，可对当前已获取的语音进行语义完整性评估，所用特征可包括：当前已获取的语音的语音识别结果，以及语音识别结果中的各字符的音频持续长度。
49.各阈值的具体取值可根据实际需要而定，比如，第一阈值可为600ms，第二阈值可为300ms，第一阈值即为按照现有方式设置的静音时长对应的阈值。
50.语音识别结果中的各字符的音频持续长度可称为音频特征，如何获取各字符的音频持续长度不作限制，比如，可采用现有的获取方式。
51.在实际应用中，除音频特征以及语音识别结果外，获取到的特征中还可进一步包括一些其它特征，如当前设备状态、上文查询(query)、上文响应、用户画像等，具体包括哪些特征可根据实际需要而定。
52.其中，当前设备状态可以是指智能设备是否在播放多媒体资源等，上文query可以是指用户在上一次或上n次发出的语音，n为大于一的正整数，上文响应可以是指智能设备针对用户发出的语音给出的响应，比如，用户上一次发出的语音为“暂停”，对应的上文响应可以是指智能设备是否执行了暂停操作，用户画像可以是指用户的年龄、性别等。
53.本公开的一个实施例中，可将获取到的特征输入预先训练得到的评估模型，根据评估模型的输出确定出语义完整性的评估结果。
54.评估模型具体为何种模型不作限制，比如，可为深度神经网络(dnn，deep neural networks)模型，或为长短期记忆网络(lstm，long short-term memory)模型等。
55.本公开的一个实施例中，可获取评估模型输出的评估值，若获取到的评估值位于预先设定的第一取值范围内，则可确定评估结果为不完整，若获取到的评估值位于预先设定的第二取值范围内，则可确定评估结果为不确定是否完整，若获取到的评估值位于预先设定的第三取值范围内，则可确定评估结果为完整，其中，第一取值范围内的数值小于第二取值范围内的数值，第二取值范围内的数值小于第三取值范围内的数值。
56.比如，评估值可为0～1之间的值，第一取值范围可为[0,0.5)，第二取值范围可为[0.5,0.8)，第三取值范围可为[0.8,1]。
[0057]
综合上述介绍，图4为本公开所述评估模型的输入和输出示意图，具体实现请参照前述相关说明，不再赘述。
[0058]
可以看出，上述方式中，借助于评估模型，可准确高效地确定出语义完整性的评估结果，从而为后续处理奠定了良好基础。
[0059]
若评估结果为完整，那么可结束本次语音识别，即可直接结束本次语音识别，无需等到第一阈值，从而使得用户可以更快地得到反馈/响应，进而提升了语音交互效率。
[0060]
图5为本公开所述“关机”这一语音对应的处理方式示意图。如图5所示，假设第二阈值为300ms，第一阈值为600ms，当静音时长达到300ms时，若获取到的评估结果为完整，那么可直接结束本次语音识别。
[0061]
若评估结果为不完整，那么可对预先设定的第一阈值进行调整，得到第三阈值，第三阈值大于第一阈值，并可在当静音时长达到第三阈值时，结束本次语音识别。即可增大第一阈值，从而尽可能地避免了语音的提前截断，进而提升了语音识别结果的准确性等。
[0062]
图6为本公开所述“我想听”这一语音对应的处理方式示意图。如图6所示，假设第二阈值为300ms，第一阈值为600ms，当静音时长达到300ms时，若获取到的评估结果为不完整，那么可对第一阈值进行调整，从而得到第三阈值，假设第三阈值为1.6s，相应地，当静音时长达到1.6s时，可结束本次语音识别，若在300ms之后、达到1.6s之前，接收到了新的语音，如图中所示的“*香”，那么可对新的语音进行识别，并可在新的语音之后，重新统计静音时长等。
[0063]
本公开的一个实施例中，可按照评估值越小对应的第三阈值越大的原则，对第一阈值进行调整，得到第三阈值。
[0064]
比如，当评估值为0.2时，对应的第三阈值可为1.2s，当评估值为0.4时，对应的第三阈值可为1.0s等。如何确定出不同的评估值对应的第三阈值不作限制，比如，可按照“评估值越小对应的第三阈值越大的原则”设计一个计算公式，根据评估值以及所述计算公式计算出对应的第三阈值。
[0065]
按照上述处理方式，可以更细的粒度来调整第三阈值的取值，评估值不同，对应的第三阈值也不同，从而可使得第三阈值的设置更为准确等。
[0066]
若评估结果为不确定是否完整，那么当静音时长达到第一阈值时，可结束本次语音识别。
[0067]
图7为本公开所述“播放”这一语音对应的处理方式示意图。如图7所示，假设第二阈值为300ms，第一阈值为600ms，当静音时长达到300ms时，若获取到的评估结果为不确定是否完整，那么当静音时长达到600ms时，可结束本次语音识别。
[0068]
即当评估结果为不确定是否完整时，由于不确定用户是否表达了完整的语义，因此为防止语音的提前截断，不会在300ms时结束本次语音识别，同时，为了避免语音交互速度过慢，也不会延长第一阈值，而是当静音时长达到600ms时，即可结束本次语音识别。
[0069]
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
[0070]
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
[0071]
图8为本公开所述语音处理装置实施例800的组成结构示意图。如图8所示，包括：第一处理模块801以及第二处理模块802。
[0072]
第一处理模块801，用于获取待处理语音的特征，包括：所述语音的语音识别结果以及语音识别结果中的各字符的音频持续长度。
[0073]
第二处理模块802，用于根据获取到的特征对语音进行语义完整性评估，得到评估结果。
[0074]
上述装置实施例所述方案中，可结合语音识别结果以及语音识别结果中的各字符的音频持续长度等特征来进行语义完整性评估，即可结合文本特征以及音频特征来进行语义完整性评估，从而提升了评估结果的准确性等。
[0075]
优选地，所述评估结果可包括：完整、不完整以及不确定是否完整。
[0076]
本公开的一个实施例中，第一处理模块801可在对用户的语音进行识别过程中，统计静音时长，当静音时长达到预先设定的第二阈值时，将当前已获取的语音作为待处理语音。
[0077]
进一步地，第一处理模块801可获取所述语音对应的特征，包括：语音识别结果以及语音识别结果中的各字符的音频持续长度。相应地，第二处理模块802可根据获取到的特征对语音进行语义完整性评估，得到评估结果。
[0078]
在实际应用中，除音频特征以及语音识别结果外，获取到的特征中还可进一步包括一些其它特征，如当前设备状态、上文query、上文响应、用户画像等，具体包括哪些特征可根据实际需要而定。
[0079]
其中，当前设备状态可以是指智能设备是否在播放多媒体资源等，上文query可以是指用户在上一次或上n次发出的语音，n为大于一的正整数，上文响应可以是指智能设备针对用户发出的语音给出的响应，比如，用户上一次发出的语音为“暂停”，对应的上文响应
可以是指智能设备是否执行了暂停操作，用户画像可以是指用户的年龄、性别等。
[0080]
本公开的一个实施例中，第二处理模块802可将获取到的特征输入预先训练得到的评估模型，根据评估模型的输出确定出语义完整性的评估结果。
[0081]
评估模型具体为何种模型不作限制，比如，可为dnn模型，或为lstm模型等。
[0082]
本公开的一个实施例中，第二处理模块802可获取评估模型输出的评估值，若获取到的评估值位于预先设定的第一取值范围内，则可确定评估结果为不完整，若获取到的评估值位于预先设定的第二取值范围内，则可确定评估结果为不确定是否完整，若获取到的评估值位于预先设定的第三取值范围内，则可确定评估结果为完整，其中，第一取值范围内的数值小于第二取值范围内的数值，第二取值范围内的数值小于第三取值范围内的数值。
[0083]
比如，评估值可为0～1之间的值，第一取值范围可为[0,0.5)，第二取值范围可为[0.5,0.8)，第三取值范围可为[0.8,1]。
[0084]
本公开的一个实施例中，第二处理模块802还可进一步执行以下之一或任意组合：若评估结果为完整，则结束本次语音识别；若评估结果为不完整，则对预先设定的第一阈值进行调整，得到第三阈值，第三阈值大于第一阈值，第一阈值大于第二阈值，并在当静音时长达到第三阈值时，结束本次语音识别；若评估结果为不确定是否完整，则当静音时长达到第一阈值时，结束本次语音识别。
[0085]
也就是说，若评估结果为完整，那么可直接结束本次语音识别，无需等到第一阈值，从而使得用户可以更快地得到反馈/响应，进而提升了语音交互效率。若评估结果为不完整，那么可对预先设定的第一阈值进行调整，得到第三阈值，第三阈值大于第一阈值，并可在当静音时长达到第三阈值时，结束本次语音识别，即可增大第一阈值，从而尽可能地避免了语音的提前截断，进而提升了语音识别结果的准确性等。若评估结果为不确定是否完整时，由于不确定用户是否表达了完整的语义，因此为防止语音的提前截断，不会在第二阈值时结束本次语音识别，同时，为了避免语音交互速度过慢，也不会延长第一阈值，而是当静音时长达到第一阈值时，即可结束本次语音识别。
[0086]
另外，本公开的一个实施例中，第二处理模块802可按照评估值越小对应的第三阈值越大的原则，对第一阈值进行调整，得到第三阈值。
[0087]
图8所示装置实施例的具体工作流程可参见前述方法实施例中的相关说明。
[0088]
本公开所述方案可应用于人工智能领域，特别涉及智能语音以及深度学习等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0089]
另外，本公开所述实施例中的语音信息并不是针对某一特定用户的语音信息，并不能反映出某一特定用户的个人信息，本公开所述实施例中，语音处理方法的执行主体可以通过各种公开、合法合规的方式获取语音信息，例如可以是经过了用户的授权从用户处获取等。总之，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。
[0090]
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。
[0091]
图9示出了可以用来实施本公开的实施例的电子设备900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、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，个人数字助理、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。
[0092]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0093]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
[0094]
计算单元901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901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901执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述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908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行本公开所述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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。
[0095]
本文中以上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。
[0096]
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。
[0097]
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。
[0098]
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。
[0099]
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。
[0100]
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，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。
[0101]
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。
[0102]
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。