[發明專利]從音頻文件中提取有聲片段的方法、裝置設備及存儲介質

有效

• 申請號: 201911206708.1
• 申請日: 2019-11-29
• 公開（公告）號: CN110910863B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 張天祥;范磊;楊麗濤
• 申請（專利權）人: 上海依圖信息技術有限公司
• 主分類號: G10L15/04
• 分類號: G10L15/04;G10L25/78
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 徐紅銀

1.一種從音頻文件中提取有聲片段的方法，其特征在于，包括：

獲取待處理音頻文件；

對所述待處理音頻文件進行分割，得到多個音頻片段；

對每個所述音頻片段進行語音識別，得到語音識別結果，所述語音識別結果包括以字為單位的文本以及每個字在所述音頻文件中的偏移位置；

基于所述音頻文件的語音識別結果中是否存在文本判斷音頻片段是否有聲，并在有聲時，根據該文本中的首字的偏移位置，記錄有聲片段的開始位置，并繼續遍歷所述文本，直至出現一個不存在文本的音頻片段，以上一個音頻片段中的文本中最后一個字所對應的偏移位置作為該有聲片段的結束位置，提取所述有聲片段；

針對兩個相鄰的有聲片段，當前一有聲片段的語音識別結果中的文本的尾字所對應的偏移位置與后一有聲片段的語音識別結果中的文本的首字所對應的偏移位置之差小于預定閾值時，將該兩段有聲片段進行合并輸出。

2.根據權利要求1所述的方法，其特征在于，在得到多個音頻片段后攢批進行所述語音識別處理，得到各個批次的所述語音識別結果。

3.根據權利要求2所述的方法，其特征在于，對于各個批次的所述語音識別進行排序合并，得到排序后的完整的所述語音識別結果。

4.根據權利要求3所述的方法，其特征在于，還包括：

從頭開始遍歷所述語音識別結果，并基于所述語音識別結果是否存在文本判斷當前音頻片段是否有聲；

當所述語音識別結果中存在文本時，判斷為當前的音頻片段有聲；

根據該文本中的首字的偏移位置，記錄有聲片段的開始位置；

繼續遍歷所述文本，直至出現一個不存在文本的音頻片段，以上一個音頻片段中的文本中最后一個字所對應的偏移位置作為該有聲片段的結束位置；

重復上述步驟，直至針對所述語音識別結果均已判斷完畢，得到所有所述有聲片段并提取。

5.一種從音頻文件中提取有聲片段的裝置，其特征在于，包括：

獲取模塊，用于獲取待處理音頻文件；

切分模塊，用于對所述待處理音頻文件進行分割，得到多個音頻片段；

語音識別模塊，用于對每個所述音頻片段進行語音識別，得到語音識別結果，所述語音識別結果包括以字為單位的文本以及每個字在所述音頻文件中的偏移位置；

提取模塊，基于所述語音識別結果中是否存在文本判斷音頻片段是否有聲，并在有聲時，根據該文本中的首字的偏移位置，記錄有聲片段的開始位置繼續遍歷所述文本，直至出現一個不存在文本的所述音頻片段，以上一個所述音頻片段中的文本中最后一個字所對應的偏移位置作為該所述有聲片段的結束位置，提取所述有聲片段，以及針對兩個相鄰的有聲片段，當前一有聲片段的語音識別結果中的文本的尾字所對應的偏移位置與后一有聲片段的語音識別結果中的文本的首字所對應的偏移位置之差小于預定閾值時，將該兩段有聲片段進行合并輸出。

6.根據權利要求5所述的裝置，其特征在于，所述語音識別模塊具體用于：在得到多個音頻片段后攢批進行所述語音識別處理，得到各個批次的所述語音識別結果。

7.根據權利要求6所述的裝置，其特征在于，所述語音識別模塊具體用于：對于各個批次的所述語音識別進行排序合并，得到排序后的完整的所述語音識別結果。

8.根據權利要求7所述的裝置，其特征在于，所述提取模塊具體用于：

從頭開始遍歷所述語音識別結果，并基于所述語音識別結果是否存在文本判斷當前音頻片段是否有聲；

當所述語音識別結果中存在文本時判斷為當前的音頻片段有聲；

根據該文本中的首字的偏移位置，記錄有聲片段的開始位置；

繼續遍歷所述文本，直至出現一個不存在文本的音頻片段，以上一個音頻片段中的文本中最后一個字所對應的偏移位置作為該有聲片段的結束位置；

重復上述步驟，直至針對所述語音識別結果均已判斷完畢，得到所有所述有聲片段并提取。