[發(fā)明專利]文本規(guī)整方法及裝置

在審

• 申請?zhí)枺?/td>: 201910023851.0
• 申請日: 2019-01-10
• 公開（公告）號: CN111435595A
• 公開（公告）日: 2020-07-21
• 發(fā)明（設計）人: 趙超
• 申請（專利權(quán)）人: 北京搜狗科技發(fā)展有限公司;搜狗（杭州）智能科技有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G10L15/25;G10L15/02;G06F40/289;G06F40/30;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京華圣典睿知識產(chǎn)權(quán)代理有限公司 11510
• 代理人: 趙景平

本發(fā)明公開了一種文本規(guī)整方法及裝置，所述方法包括：獲取語音數(shù)據(jù)及所述語音數(shù)據(jù)對應的識別文本；獲取所述識別文本中的詞單元及所述詞單元對應的詞向量；提取規(guī)整特征，具體包括從所述語音數(shù)據(jù)中提取語音特征，并從所述識別文本中提取文本特征；將所述詞向量及所述規(guī)整特征對應的特征向量輸入預先構(gòu)建的文本規(guī)整模型，根據(jù)所述文本規(guī)整模型的輸出得到所述詞單元對應的標簽，所述標簽至少包括：刪除；根據(jù)所述詞單元對應的標簽對所述識別文本進行規(guī)整，得到規(guī)整后的語音識別文本。利用本發(fā)明方案，可以使口語化的語音識別文本更具理解性及表達規(guī)范性。

技術(shù)領(lǐng)域

本發(fā)明涉及文本處理領(lǐng)域，具體涉及一種文本規(guī)整方法及裝置。

背景技術(shù)

同聲傳譯，簡稱“同傳”，是指在不打斷講話者的條件下，將講話內(nèi)容不間斷的實時的翻譯給聽眾。其最大的特點在于效率高，聽眾可以及時地獲取信息，被廣泛地應用于國際會議、外交談判等重要場合。目前，隨著人工智能技術(shù)的發(fā)展，出現(xiàn)了機器同傳，機器同傳最大的優(yōu)勢是不會因為疲倦而導致譯出率下降。但由于機器同傳受限于語音識別及機器翻譯技術(shù)，目前機器同傳的總體翻譯質(zhì)量與人工同傳相比還有較大差距，尤其是在一些演講場合，演講者往往根據(jù)主題以及思路即興演講，演講過程中會出現(xiàn)語義不完整、重復、語氣詞等口語化表達，這種現(xiàn)象會影響后續(xù)的翻譯質(zhì)量，甚至會導致翻譯完全錯誤。針對這種情況，現(xiàn)有的機器同傳產(chǎn)品通常采用基于規(guī)則的方法去除其中的一些口語化表達詞，但效果不佳，進而會使后續(xù)機器同傳的效果受到較大影響。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種文本規(guī)整方法及裝置，以使語音識別文本更具理解性及表達規(guī)范性。

為此，本發(fā)明提供如下技術(shù)方案：

一種文本規(guī)整方法，所述方法包括：

獲取語音數(shù)據(jù)及所述語音數(shù)據(jù)對應的識別文本；

獲取所述識別文本中的詞單元及所述詞單元對應的詞向量；

提取規(guī)整特征，具體包括從所述語音數(shù)據(jù)中提取語音特征，并從所述識別文本中提取文本特征；

將所述詞向量及所述規(guī)整特征對應的特征向量輸入預先構(gòu)建的文本規(guī)整模型，根據(jù)所述文本規(guī)整模型的輸出得到所述詞單元對應的標簽，所述標簽至少包括：刪除；

根據(jù)所述詞單元對應的標簽對所述識別文本進行規(guī)整，得到規(guī)整后的語音識別文本。

可選地，所述文本特征包括以下任意一項或多項：詞性特征、Ngram重復特征、臨近詞模糊匹配得分。

可選地，所述語音特征包括以下任意一項或多項：基頻特征、停頓特征、能量特征。

可選地，所述根據(jù)所述詞單元對應的標簽對所述識別文本進行規(guī)整，得到規(guī)整后的文本包括：

刪除所述識別文本中標簽為刪除的詞單元，得到規(guī)整后的文本。

可選地，在獲取所述識別文本中的各詞單元及所述詞單元對應的詞向量之前，所述方法還包括：

濾除所述識別文本中的語氣詞。

可選地，所述方法還包括：

獲取與所述語音數(shù)據(jù)同步的說話人口型信息；

所述提取規(guī)整特征還包括：

從所述口型信息中提取口型特征。

一種文本規(guī)整裝置，所述裝置包括：

語音接收模塊，用于獲取語音數(shù)據(jù)；

識別文本獲取模塊，用于獲取所述語音數(shù)據(jù)對應的識別文本；

詞單元獲取模塊，用于獲取所述識別文本中的各詞單元及所述詞單元對應的詞向量；