[發明專利]語音評測及語音識別方法、裝置、設備及存儲介質

在審

• 申請號: 201910496211.1
• 申請日: 2019-06-10
• 公開（公告）號: CN112151018A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 張平
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G10L15/04
• 分類號: G10L15/04;G10L15/14;G10L15/16;G10L25/51
• 代理公司: 北京展翼知識產權代理事務所(特殊普通合伙) 11452
• 代理人: 王明遠

公開了一種語音評測及語音識別方法、裝置、設備及存儲介質。輸出提示信息，提示信息用于提示用戶發出針對測試文本的語音，測試文本包括一個或多個字/詞；接收語音；基于與測試文本中的字/詞對應的字/詞識別模型，對語音進行識別，字/詞識別模型用于識別語音是否與其對應的字/詞相匹配；基于識別結果，對語音進行評測。由此在對多語種混合的待評測語音(例如英語和漢語混合的語音)進行評測時，可以直接選用字/詞識別模型，而無需再考慮語種識別器的切換問題，并且通過對待評測語音進行字/詞級別的識別，可以得到更為準確的識別結果。

技術領域

本公開涉及語音交互領域，特別是涉及一種語音評測及語音識別方法、裝置、設備及存儲介質。

背景技術

教育作為永不過時的話題，越來越受到家長的重視，針對兒童的各種教育機構也層出不窮。一般來說，線下教育成本較高，需要家長接送孩子上課，占用家長很多時間，由于交通、天氣等原因還會給家長帶來諸多不便，同時線下教育的價格也較高。因此，線上教育勢必會取代線下教育，成為一種主流的教育方式。

隨著素質教育的全面推進，兒童的語言教育越來越被重視。如何對兒童的發音進行評測，是實現在線語言教育的關鍵。

一方面，兒童可能會同時接受多語種的語言教育(如漢語和英語)，因此如何對兒童發出的包含多語種的語音數據進行評測，是目前的一個難點。舉例來說，在兒童發出的語音數據中同時含有英文單詞和中文詞語的情況下，現有的方案需要利用不同的語種識別器來識別兒童的語音數據，在識別過程中需要切換不同的語種識別器，實現起來較為復雜。

另一方面，由于不同年齡段兒童的發音特點和發音習慣不同，使得通用的ASR(Automatic Speech Recognition，自動語音識別)技術無法正常識別兒童發音，也就無法為其準確打分。并且，不同文本及教材的打分邏輯以及關注點不同，所以需要大量的教師資源及算法開發來進行打分邏輯梳理及算法建模工作。

因此，需要一種更為行之有效的語音評測方案，以為兒童的在線語言教育提供技術支持。

發明內容

本公開的一個目的在于，提供一種語音評測方案，以為解決上述至少一種技術問題提供技術支持。

根據本公開的第一個方面，提出了一種語音評測方法，包括：輸出提示信息，提示信息用于提示用戶發出針對測試文本的語音，測試文本包括一個或多個字/詞；接收語音；基于與測試文本中的字/詞對應的字/詞識別模型，對語音進行識別，字/詞識別模型用于識別語音是否與所述字/詞識別模型對應的字/詞相匹配；基于識別結果，對語音進行評測。

可選地，測試文本包括多個字/詞，該方法還包括：對語音進行切分，以得到多個音頻片段，其中，基于與測試文本中的字/詞對應的字/詞識別模型對語音進行識別的步驟包括：基于多個字/詞識別模型對每個音頻片段進行識別，以確定每個音頻片段對應的字/詞，其中，每個字/詞識別模型對應多個字/詞中的一個字/詞。

可選地，字/詞識別模型為隱馬爾可夫模型，其中，基于多個字/詞識別模型對每個音頻片段進行識別以確定每個音頻片段對應的字/詞的步驟包括：對每個音頻片段進行特征提取，以得到音頻片段的特征序列；將特征序列分別輸入多個字/詞識別模型，以得到每個字/詞識別模型生成特征序列的概率值；在存在概率值大于第一閾值的字/詞識別模型的情況下，將音頻片段識別為生成的概率值最大的字/詞識別模型所對應的字/詞。

可選地，字/詞識別模型為隱馬爾可夫模型，測試文本包括單個字/詞，基于與測試文本中的字/詞對應的字/詞識別模型對語音進行識別的步驟包括：對語音進行特征提取，以得到語音的特征序列；將特征序列輸入與字/詞對應的字/詞識別模型，以得到字/詞識別模型生成特征序列的概率值；在概率值大于第二閾值的情況下，將語音識別為字/詞。

可選地，基于神經網絡進行特征提取。