[發明專利]語音播放系統、方法、裝置及設備

在審

• 申請號: 202011300616.2
• 申請日: 2020-11-18
• 公開（公告）號: CN114582348A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 龍舟;周明智
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G10L15/30;G10L15/28
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 錢秀茹

本申請公開了語音播放系統，通過在客戶端識別多個語音文件是否屬于同一活動，在服務端通過原子化的語音識別服務對每個語音文件進行語音識別，得到每個語音識別文本中詞元素相對所屬語音文件的起始點的局部時間信息，再由客戶端確定每個語音識別文本中詞元素相對活動起始點的全局時間信息，在語音播放控制器中自動依次打開語音文件播放列表中的多個語音文件，以連貫播放整個活動的多段語音數據，顯示與整個活動的語音播放進度對應的語音識別文本，與顯示的語音識別文本對應的時間信息為全局時間信息。采用這種處理方式，可以有效降低服務端語音識別服務對應用的耦合性，達到用戶側無感知回放整個活動語音，并同步顯示語音識別文本的良好使用體驗。

技術領域

本申請涉及語音處理技術領域，具體涉及語音播放系統、相關方法和裝置，以及電子設備。

背景技術

在會議、審訊、面談等多種智能語音速記場景下，會面臨茶歇、中途休息等導致暫停語音錄制的情況，這樣就會導致整場會議下來后產生多個語音文件，后期要基于整場會議的多個語音文件，對整場會議語音進行連貫回放，并同步顯示語音識別文本。

目前，一種典型的基于整場會議的多個語音文件連貫回放整場會議語音，并同步顯示語音識別文本的方式是，在服務端對一個會議進行語音識別處理時，由服務端采用流式方式，不斷向該會議的一個語音文件中追加因暫停語音錄制產生的多段碎片化的語音數據，使得多段語音識別最終只產出一個語音文件，并識別出整場會議的完整語音識別結果。然后，將該會議的一個完整語音文件及一個完整語音識別結果發送至客戶端，在客戶端播放該完整語音文件，并同步顯示對應文本，以便于用戶對照正在播放的語音查看對應文本。

然而，在實現本發明過程中，發明人發現上述技術方案至少存在如下問題：1)語音識別服務端要感知多段語音識別數據在應用層面是否需要合并，以及處理多段語音識別數據合并的邏輯，這樣就導致服務端對基于整場會議的多個語音文件連貫回放整場會議語音、并同步顯示語音識別文本應用的耦合性高，因此難以向多個應用提供原子化的通用語音識別服務；2)服務端無法靈活應對不同用戶的可變需求，比如有些應用系統既需要對整場會議進行多段語音及對應文本總覽，又需要展示分段的子話題。綜上所述，如何降低服務端語音識別服務對基于整場會議的多個語音文件連貫回放整場會議語音、并同步顯示語音識別文本應用的耦合性，成為本領域技術人員迫切需要解決的問題。

發明內容

本申請提供語音播放系統，以解決現有技術存在的服務端語音識別服務對基于整場會議的多個語音文件連貫回放整場會議語音、并同步顯示語音識別文本應用的耦合性較高的問題。本申請另外提供語音播放方法和裝置，以及電子設備。

本申請提供一種語音播放系統，包括：

客戶端，用于確定目標活動包括的多個語音文件；接收服務端發送的與所述語音文件對應的語音識別文本和所述文本中詞元素相對所屬語音文件的起始點的局部時間信息；根據多個語音文件的時間信息和所述局部時間信息，確定所述詞元素相對目標活動起始點的全局時間信息；以及，在語音播放控制器中依次打開語音文件播放列表中的所述多個語音文件，以連貫播放與多個語音文件對應的目標活動的多段語音數據；顯示與目標活動的語音播放進度對應的語音識別文本，與顯示的語音識別文本對應的時間信息包括全局時間信息；

服務端，用于對所述語音文件執行語音識別處理，向客戶端發送所述語音識別文本及所述詞元素的局部時間信息。

本申請還提供一種語音播放方法，包括：

確定目標活動包括的多個語音文件；

接收服務端發送的與所述語音文件對應的語音識別文本和所述文本中詞元素相對所屬語音文件的起始點的局部時間信息；

根據所述多個語音文件的時間信息和所述局部時間信息，確定所述詞元素相對目標活動起始點的全局時間信息；