一种停顿识别方法、装置、设备及存储介质与流程

1.本技术实施例涉及数据处理技术领域，尤其涉及一种停顿识别方法、装置、设备及存储介质。


背景技术：

2.语音合成技术是一种将文字转化为语音的技术，通常需要先判断输入的语种，再根据对应语种的语法法则，对文本做切分。
3.在现有技术中，对文本的切分方式通常采用人为手段进行切分，人为切分方式的效率较低，且人为主观意识较强，受人为主观意识影响，文本切分的结果通常也不同，最终会影响切分结果的准确度。


技术实现要素：

4.本技术提供一种停顿识别方法、装置、设备及存储介质，以实现自动化的对文本进行停顿识别，提高停顿识别的准确性，以及提高停顿位置的确定效率。
5.第一方面，本技术实施例提供了一种停顿识别方法，该方法包括：
6.识别待处理文本中的成分片语和各所述成分片语的成分类别；
7.对所述待处理文本进行分词，得到至少一个拆分词组；
8.根据各所述拆分词组在所述待处理文本中的词序，生成词组序列；
9.根据所述词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。
10.第二方面，本技术实施例还提供了一种停顿识别装置，该装置包括：
11.成分类别识别模块，识别待处理文本中的成分片语和各所述成分片语的成分类别；
12.拆分词组确定模块，对所述待处理文本进行分词，得到至少一个拆分词组；
13.词组序列生成模块，根据各所述拆分词组在所述待处理文本中的词序，生成词组序列；
14.停顿位置确定模块，根据所述词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。
15.第三方面，本技术实施例还提供了一种停顿识别设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如本技术第一方面实施例所提供的任一停顿识别方法。
16.第四方面，本技术实施例还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，该程序被处理器执行所述程序时实现如本技术第一方面实施例所提供的任一停顿识别方法。
17.本技术实施例通过识别待处理文本中的成分片语和各成分片语的成分类别；对待处理文本进行分词，得到至少一个拆分词组；根据各拆分词组在待处理文本中的词序，生成
词组序列；根据词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。上述方案通过确定词组序列中各拆分词组，以及各拆分词组所属成分片语和对应类别的方式，实现了对待处理文本停顿位置的自动化确定，提高了待处理文本停顿位置确定的准确度和确定效率。
附图说明
18.图1是本技术实施例一中的一种停顿识别方法的流程示意图；
19.图2a是本技术实施例二中的一种停顿识别方法的流程示意图；
20.图2b是本技术实施例二中的一种句法树的结构示意图；
21.图2c是本技术实施例二中的一种句法树的结构示意图；
22.图3是本技术实施例三中的一种停顿识别装置的结构示意图；
23.图4是本技术实施例四中的一种停顿识别设备的结构示意图。
具体实施方式
24.下面结合附图和实施例对本技术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本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
25.实施例一
26.图1为本技术实施例一提供的一种停顿识别方法的流程示意图，本实施例可适用于对文本的停顿位置进行识别的情况，该方法可以由停顿识别装置来执行，该装置可采用软件和/或硬件的方式实现。如图1所示，该方法具体包括如下步骤：
27.s110、识别待处理文本中的成分片语和各成分片语的成分类别。
28.其中，待处理文本可以是待处理的文字文本或语音文本，且可以是任一语种的文本，例如可以是中文文本；待处理文本可以是一段文字文本或语音文本，还可以是一句文字文本或语音文本，本实施例对此不进行限制。例如，待处理文本可以是“深度学习是很强大的”。
29.其中，成分片语可以是起某一类词作用，在句子中可以单独作为一个句子成分的字群。各成分片语的成分类别可以包括名词片语、形容词片语、动词片语、副词片语和连接词片语等中的至少一种。示例性的，待处理文本为“深度学习是很强大的”，相应的，成分片语可以是“深度学习”和“是很强大的”；相应的，成分片语“深度学习”对应的成分类别为名词类别，成分片语“是很强大的”对应的成分类别为动词片语。
30.示例性的，待处理文本中的成文片语和各成分片语的成分类别可以由人为识别，还可以由预先训练好的机器学习模型进行识别。
31.在一个可选实施例中，识别待处理文本中的成分片语和各成分片语的成分类别，包括：将待处理文本输入至句法分析器中，得到待处理文本中的成分片语和各成本片语的成分类别；其中，句法分析器基于标注有成分类别标签的训练成分片语对预先构建的机器学习模型训练得到。
32.训练构建的机器学习模型的训练集可以是标注有成分类别标签的训练成分片语，句法分析器的机器学习模型可以由相关技术人员根据句法分析器的功能进行自行创建，并
通过现有的算法对模型参数进行调整，例如，采用交叉熵损失函数。句法分析器的机器学习模型还可以由相关技术人员，根据现有的已训练好的神经网络模型，例如可以是文本处理类的神经网络模型，通过迁移学习的方式，采用标注有成分类别标签的训练成分片语作为训练集，训练句法分析器的机器学习模型。
33.句法分析器能够正确识别出待处理文本中的成分片语，以及成分片语对应的成分类别。例如，输入“深度”和“学习”，句法分析器能够正确识别出它们属于同一片语，并且能够识别出是名词片语；输入“学习”和“很”，句法分析器能够识别出它们不属于同一片语；输入“深度学习是很强大的”，句法分析器能够识别出“深度学习”属于同一片语，且是名词片语，“是很强大的”属于同一片语，且是动词片语。
34.本可选实施例通过将待处理文本输入至句法分析器的方式，得到待处理文本中的成分片语和各成本片语的成分类别，实现了对待处理文本中的成分片语和各成分片语的成分类别的自动化识别，提高了成分片语和各成分片语的成分类别识别的准确性。
35.s120、对待处理文本进行分词，得到至少一个拆分词组。
36.其中，拆分词组可以是由至少一个词组成的词语或短语。拆分词组可以是根据成分类别对待处理文本进行拆分的成分片语，还可以是对成分片语继续拆分后得到的词组。示例性的，若待识别处理文本为“深度学习是很强大的”，成分片语可以是“深度学习”和“是很强大的”，对应的拆分词组可以是“深度学习”和“是很强大的”。相应的，成分片语“深度学习”还可以拆分成“深度”和“学习”两个拆分词组，以及成分片语“是很强大的”可以拆分出“是”、“很”和“强大的”三个拆分词组。
37.s130、根据各拆分词组在待处理文本中的词序，生成词组序列。
38.其中，词序可以是拆分词组根据成分类别，在待处理文本中的排列顺序，例如，待处理文本“深度学习是很强大的”中，拆分词组可以为“深度学习”，对应的成分类别为名词类别；拆分词组“是很强大的”，对应的成分类别为动词类别，则词组序列可以是按名词类别在前，动词类别在后的顺序组成的词组序列。例如，词组可以是“深度学习”和“是很强大的”，相应的，词组序列可以是由词组“深度学习”在前，“是很强大的”在后组成的词组序列。
39.s140、根据词组序列中各拆分词组所属成分片语和对应成本类别，确定待处理文本的停顿位置。
40.示例性的，若待处理文本为“深度学习是很强大的”，则对应的拆分词组可以是“深度”、“学习”、“是”、“很”和“强大的”，相应的，拆分词组“深度”和“学习”对应的成分片语为“深度学习”，对应的成分类别为名词类别；拆分词组“是”、“很”和“强大的”对应的成分片语为“是很强大的”，对应的成分类别为动词类别。
41.示例性的，待处理文本的停顿位置可以位于不同成分片语之间，还可以位于不同拆分词组之间。例如，若停顿位置位于不同成分片语之间，则待处理文本为“深度学习是很强大的”时，停顿位置可以位于“深度学习”和“是很强大的”之间；若停顿位置位于不同拆分词组之间，则待处理文本为“深度学习是很强大的”时，停顿位置可以位于“深度”、“学习”、“是”、“很”和“强大的”五个拆分词组之间。
42.需要说明的是，确定待处理文本的停顿位置之后，还可以采用在待处理文本的停顿位置做标记的方式，生成标记后的待处理文本，从而能够更加清晰的获知待处理文本的停顿位置。
43.在一个可选实施例中，在待处理文本的各停顿位置中添加预设停顿字符，生成目标文本。
44.其中，预设停顿字符可以由相关技术人员提前设定，例如可以符号“&”或“#”，本实施例对此不进行限制。目标文本可以是为待处理文本添加预设停顿字符后的文本。
45.示例性的，以待处理文本为“深度学习是很强大的”，预设停顿字符为“#”为例，若停顿位置位于不同成分片语之间，则目标文本为“深度学习#是很强大的”；若停顿位置位于不同拆分词组之间，则目标文本为“深度#学习#是#很#强大的”。本可选实施例通过在待处理文本的各停顿位置中添加预设停顿字符的方式，生成目标文本，实现了对待处理文本的停顿位置的可视化，从而能够清楚的获知待处理文本的停顿位置。
46.需要说明的是，为待处理文本的各停顿位置中添加预设停顿字符，生成的目标文本，能够作为语音识别、语音合成或文本分析等领域中，相关机器学习模型的样本数据集。
47.在一个可选实施例中，根据目标文本，对预设语音合成模型进行训练。
48.目标文本可以作为预设语音合成模型的数据样本集，例如可以是训练集、测试集和验证集中的至少一种。示例性的，可以将目标样本作为训练集，用于对预设语音合成模型进行训练；还可以将目标样本作为测试集，用于对预设语音合成模型进行测试；又可以将目标样本作为验证集，用于对预设语音合成模型进行验证。
49.示例性的，还可以将目标样本同时作为训练集、测试集和验证集，并按照设定比例对目标样本进行划分，例如设定比例可以是6:2:2，并按照6:2:2的划分比例，将目标样本划分为60％占比的训练集、20％占比的测试集和20％占比的验证集，对预设语音合成模型进行训练、测试和验证。本可选实施例通过根据目标文本，并可以将目标文本作为预设语音合成模型的训练集、测试集和验证集，实现了对预设语音合成模型的训练、测试和验证，提高了对预设语音合成模型训练、测试和验证的准确度。
50.本技术实施例通过识别待处理文本中的成分片语和各成分片语的成分类别；对待处理文本进行分词，得到至少一个拆分词组；根据各拆分词组在待处理文本中的词序，生成词组序列；根据词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。上述方案通过确定词组序列中各拆分词组，以及各拆分词组所属成分片语和对应类别的方式，实现了对待处理文本停顿位置的自动化确定，提高了待处理文本停顿位置确定的准确度。
51.实施例二
52.图2a为本技术实施例二提供的一种停顿识别方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进。
53.进一步的，将“根据所述词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置”操作，细化为“根据各所述拆分词组的词性、各所述拆分词组所属成分片语的成分类别、以及各所述拆分词组的词序，构建句法树；其中，所述句法树中的根节点为句子，子节点为成分类别，叶子节点为词性；根据所述句法树，确定所述待处理文本的停顿位置。”以完善对待处理文本的停顿位置的确定方式。
54.如图2a所示，该方法包括以下具体步骤：
55.s210、识别待处理文本中的成分片语和各成分片语的成分类别。
56.s220、对待处理文本进行分词，得到至少一个拆分词组。
57.s230、根据各拆分词组在待处理文本中的词序，生成词组序列。
58.s240、根据各拆分词组的词性、各拆分词组所属成分片语的成分类别、以及各拆分词组的词序，构建句法树；其中，句法树中的根节点为句子，子节点为成分类别，叶子节点为词性。
59.其中，各拆分词组的词性可以包括名词、动词、形容词、代词、副词、连词和介词等中的至少一种。句法树的结构示意图如图2b所示，从上至下分别为根节点、子节点和叶子节点；相应的，根节点为句子，子节点为成分类别，叶子节点为词性。
60.以待处理文本为“深度学习是很强大的”为例，句法树的节点为句子，即为“深度学习是很强大的”；子节点为成分类别，即子节点为成分片语“深度学习”对应的名词片语，以及成分片语“是很强大的”对应的动词片语。叶子节点为词性，即名词片语“深度学习”对应的“深度”和“学习”为名词词性的叶子节点，“是很强大的”对应的“是”为连词词性，“很”和“强大的”为形容词词性的叶子节点。
61.示例性的，根据各拆分词组的词性、各拆分词组所属成分片语的成分类别、以及各拆分词组的词序，构建的句法树，可以只包含根节点和子节点，即只包含句子和成分类别；还可以包含根节点、子节点和叶子节点，即包含句子、成分类别和各拆分词组。
62.具体的，根据各拆分词组的词性、各拆分词组所属成分片语的成分类别、以及各拆分词组的词序，构建句法树。例如，由“深度学习是很强大”构建的句法树如图2c所示，“深度学习是很强大的”作为句法树中的根节点；名词片语“深度学习”在前，动词片语“是很强大的”在后；而根据名词片语“深度学习”拆分得到的拆分词组中，“深度”和“学习”的位置为，名词词性“深度”在前，名词词性“学习”在后。同理，形容词片语“是很强大的”中连词词性“是”在前，形容词词性“很”在中间，形容词词性“强大的”在后。
63.s250、根据句法树，确定待处理文本的停顿位置。
64.示例性的，可以在句法树中的子节点处，确定待处理文本的停顿位置，例如，根据成分类别，确定待处理文本的停顿位置。以句子为“深度学习是很强大的”为例，句子“深度学习是很强大的”子节点为名词片语“深度学习”和动词片语“是很强大的”，则停顿位置可以在“深度学习”和“是很强大的”之间。
65.示例性的，还可以在句子树中的叶子节点处，确定待处理文本的停顿位置，例如，根据拆分词组的词性，确定待处理文本的停顿位置。以句子为“深度学习是很强大的”为例，“深度学习是很强大的”子节点为名词片语“深度学习”和动词片语“是很强大的”，名词片语“深度学习”可以拆分名词“深度”和“学习”；“是很强大的”可以拆分为连词“是”，形容词“很”和形容词“强大的”的叶子节点，则停顿位置可以在“深度”、“学习”“是”“很”和“强大的”之间。
66.在一个可选实施例中，根据句法树，确定待处理文本的停顿位置，包括：根据句法树中各节点对应拆分词组的字符数量，确定待处理文本的停顿位置。
67.其中，各节点可以是子节点或叶子节点，若节点为子节点，则对应拆分词组可以是按成分类别拆分的成分片语；若节点为叶子节点，则对应拆分词组可以是按词性拆分的词组。字符数量可以是拆分词组中所包含的字符个数，例如，若拆分词组为“深度学习”，则拆分词组的字符数量为4。
68.示例性的，可以根据句法树中节点对应拆分词组的字符数量，确定待处理文本的
停顿位置。例如，若待处理文本为“深度学习是很强大的”，对应的子节点为“深度学习”和“是很强大的”，则拆分词组“深度学习”的字符数量为4，拆分词组“是很强大的”的字符数量为5。子节点“深度学习”对应的叶子节点为“深度”，和“学习”，“深度”和“学习”对应的字符数量为2；子节点“是很强大的”对应的叶子节点为“是”、“很”和“强大的”，且对应的字符数量分别为1、1和3。可以根据实际需求，根据句法树中子节点或叶子节点对应拆分词组的字符数量，确定待处理文本的停顿位置。本可选实施例通过根据句法树中各节点对应拆分词组的字符数量，确定待处理文本的停顿位置，实现了可以根据相关需求，确定待处理文本的停顿位置。
69.在一个可选实施例中，根据句法树中各节点对应拆分词组的字符数量，确定待处理文本的停顿位置，包括：确定待处理文本中各成分片语之间的位置为停顿位置；将字符数量大于预设数量阈值的成分片语在句法树中的子节点作为目标子节点；将目标子节点的叶子节点对应拆分词组作为目标词组，并将待处理文本的目标词组之间的位置作为停顿位置。
70.其中，预设数量阈值可以由相关技术人员进行提前设置，例如可以设置为2个。
71.确定待处理文本中各成分片语之间的位置为停顿位置。以待处理文本为“深度学习确实很强大”，预设数量阈值为4为例进行举例说明。待处理文本“深度学习确实很强大”各成分片语为“深度学习”和“确实很强大”，对应停顿位置在“深度学习”和“是很强大的”之间。将字符数量大于预设数量阈值的成分片语在句法树中的子节点作为目标子节点；成分片语“深度学习”对应的字数数量为4，字符数量等于预设数量阈值，因此，无需再次对“深度学习”进行拆分。“确实很强大”对应的字符数量为5。成分片语“确实很强大”对应的字符数量大于预设数量阈值，则将“确实很强大”对应的子节点作为目标子节点。
72.将目标子节点的叶子节点对应拆分词组作为目标词组，并将待处理文本的目标词组之间的位置作为停顿位置。将目标子节点“确实很强大”的叶子节点对应的拆分词组作为目标词组；“确实很强大”对应的拆分词组为动词词性的词组“确实”，以及形容词词性的“很强大”，则将拆分词组“确实”和“很强大”作为目标词组，并将“确实”和“很强大”之间的位置作为停顿位置。
73.本可选实施例通过确定待处理文本中各成分片语之间的位置为停顿位置；将字符数量大于预设数量阈值的成分片语在句法树中的子节点作为目标子节点；将目标子节点的叶子节点对应拆分词组作为目标词组，并将待处理文本的目标词组之间的位置作为停顿位置。上述方案通过设定预设数量阈值，并将字符数量与预设数量阈值比较的方式，确定待处理文本的停顿位置，实现了对待处理文本停顿位置的自定义确定，增加了对停顿位置确定方式的多样性。
74.本实施例方案通过根据各拆分词组的词性、各拆分词组所属成分片语的成分类别、以及各拆分词组的词序，构建句法树；根据句法树，确定待处理文本的停顿位置。上述方案通过构建句法树的方式，确定待处理文本的停顿位置，实现了对待处理文本停顿位置的准确确定。
75.实施例三
76.图3为本技术实施例三提供的一种停顿识别装置的结构示意图。本技术实施例所提供的一种停顿识别装置可执行本技术任意实施例所提供的一种停顿识别方法，具备执行
方法相应的功能模块和有益效果。该装置可采用软件和/或硬件的方式实现。如图3所示，该装置具体包括：成分类别识别模块301、拆分词组确定模块302、词组序列生成模块303和停顿位置确定模块304。其中，
77.成分类别识别模块301，识别待处理文本中的成分片语和各所述成分片语的成分类别；
78.拆分词组确定模块302，对所述待处理文本进行分词，得到至少一个拆分词组；
79.词组序列生成模块303，根据各所述拆分词组在所述待处理文本中的词序，生成词组序列；
80.停顿位置确定模块304，根据所述词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。
81.本技术实施例通过识别待处理文本中的成分片语和各成分片语的成分类别；对待处理文本进行分词，得到至少一个拆分词组；根据各拆分词组在待处理文本中的词序，生成词组序列；根据词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。上述方案通过确定词组序列中各拆分词组，以及各拆分词组所属成分片语和对应类别的方式，实现了对待处理文本停顿位置的自动化确定，提高了待处理文本停顿位置确定的准确度。
82.可选的，停顿位置确定模块304，包括：
83.句法树构建单元，用于根据各所述拆分词组的词性、各所述拆分词组所属成分片语的成分类别、以及各所述拆分词组的词序，构建句法树；其中，所述句法树中的根节点为句子，子节点为成分类别，叶子节点为词性；
84.停顿位置确定单元，用于根据所述句法树，确定所述待处理文本的停顿位置。
85.可选的，停顿位置确定单元，包括：
86.停顿位置确定子单元，用于根据所述句法树中各节点对应拆分词组的字符数量，确定所述待处理文本的停顿位置。
87.可选的，停顿位置确定子单元，具体用于：
88.确定所述待处理文本中各所述成分片语之间的位置为停顿位置；
89.将字符数量大于预设数量阈值的成分片语在所述句法树中的子节点作为目标子节点；
90.将所述目标子节点的叶子节点对应拆分词组作为目标词组，并将所述待处理文本的目标词组之间的位置作为停顿位置。
91.可选的，成分类别识别模块301，包括：
92.成分类别确定单元，用于将所述待处理文本输入至句法分析器中，得到所述待处理文本中的成分片语和各所述成本片语的成分类别；
93.其中，所述句法分析器基于标注有成分类别标签的训练成分片语对预先构建的机器学习模型训练得到。
94.可选的，该装置还包括：
95.目标文本生成模块，用于在所述待处理文本的各所述停顿位置中添加预设停顿字符，生成目标文本。
96.可选的，该装置还包括：
97.模型训练模块，用于根据所述目标文本，对预设语音合成模型进行训练。
98.上述停顿识别装置可执行本技术任意实施例所提供的停顿识别方法，具备执行各停顿识别方法相应的功能模块和有益效果。
99.实施例四
100.图4是本技术实施例四提供的一种停顿识别设备的结构示意图。停顿识别设备是一种电子设备，图4示出了适于用来实现本技术实施方式的示例性电子设备400的框图。图4显示的电子设备400仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
101.如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
102.总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
103.电子设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
104.系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)404和/或高速缓存存储器405。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
105.具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本技术所描述的实施例中的功能和/或方法。
106.电子设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口411进行。并且，电子设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器412通过总线403与电子设备400的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
107.处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本技术实施例所提供的一种停顿识别的方法。
108.实施例五
109.本技术实施例五还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术实施例所提供的调度命令发送方法，包括：识别待处理文本中的成分片语和各所述成分片语的成分类别；对所述待处理文本进行分词，得到至少一个拆分词组；根据各所述拆分词组在所述待处理文本中的词序，生成词组序列；根据所述词组序列中各拆分词组所属成分片语和对应成本类别，确定所述待处理文本的停顿位置。
110.本技术实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
111.计算机可读的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。计算机可读的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。
112.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，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
113.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技术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)
114.注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。