[發(fā)明專利]語音識(shí)別方法、語音識(shí)別系統(tǒng)及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011420932.3
• 申請(qǐng)日: 2020-12-08
• 公開（公告）號(hào): CN114627854A
• 公開（公告）日: 2022-06-14
• 發(fā)明（設(shè)計(jì)）人: 朱云峰;嚴(yán)秋紅;陸東明;張亮;董斌
• 申請(qǐng)（專利權(quán)）人: 中國電信股份有限公司
• 主分類號(hào): G10L15/02
• 分類號(hào): G10L15/02;G10L15/04;G10L15/26;G10L15/28;G10L25/87
• 代理公司: 中國貿(mào)促會(huì)專利商標(biāo)事務(wù)所有限公司 11038
• 代理人: 許海蘭

本發(fā)明提供語音識(shí)別方法、語音識(shí)別系統(tǒng)及存儲(chǔ)介質(zhì)。語音識(shí)別方法包括：語音流處理步驟，接收語音流，將所述語音流分割為語音幀；語音幀處理步驟，對(duì)所述語音幀進(jìn)行靜音判斷；以及語音識(shí)別步驟，根據(jù)所述靜音判斷的結(jié)果，與語音識(shí)別引擎交互消息。

技術(shù)領(lǐng)域

本發(fā)明總體上涉及語音的自動(dòng)化處理領(lǐng)域，更具體地涉及語音識(shí)別方法、語音識(shí)別系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)

語音識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于生產(chǎn)生活的各個(gè)方面。例如，在呼叫場(chǎng)景下，實(shí)時(shí)語音識(shí)別技術(shù)的主要應(yīng)用場(chǎng)景包括但不限于智能坐席助手、實(shí)時(shí)質(zhì)檢等話務(wù)中心智能應(yīng)用的實(shí)時(shí)語音識(shí)別場(chǎng)景。實(shí)現(xiàn)這些業(yè)務(wù)場(chǎng)景的基礎(chǔ)是要利用語音識(shí)別引擎將呼叫中的主被叫語音識(shí)別為文字，作為后續(xù)業(yè)務(wù)處理模塊的輸入，并且，這些場(chǎng)景對(duì)語音識(shí)別的實(shí)時(shí)性要求比較高，基本都要做到所說即所得。呼叫場(chǎng)景是雙人對(duì)話場(chǎng)景，分為主叫與被叫，目前實(shí)現(xiàn)方式一般為一通呼叫占用兩路語音識(shí)別引擎并發(fā)能力，包括一路主叫語音及一路被叫語音。這種機(jī)制下，一路引擎支持一條語音。轉(zhuǎn)換成呼叫數(shù)，語音識(shí)別引擎支持的最大呼叫數(shù)＝語音識(shí)別引擎并發(fā)數(shù)/2。

在呼叫數(shù)量快速增加的情況下，對(duì)于語音識(shí)別引擎的并發(fā)數(shù)要求也更多，這對(duì)于軟硬件資源均提出了更高的要求。

發(fā)明內(nèi)容

在下文中給出了關(guān)于本發(fā)明的簡(jiǎn)要概述，以便提供關(guān)于本發(fā)明的一些方面的基本理解。但是，應(yīng)當(dāng)理解，這個(gè)概述并不是關(guān)于本發(fā)明的窮舉性概述。它并不是意圖用來確定本發(fā)明的關(guān)鍵性部分或重要部分，也不是意圖用來限定本發(fā)明的范圍。其目的僅僅是以簡(jiǎn)化的形式給出關(guān)于本發(fā)明的某些概念，以此作為稍后給出的更詳細(xì)描述的前序。

在人說話時(shí)，有說話和停頓兩種場(chǎng)景，對(duì)應(yīng)的語音為話音與靜音兩部分。在雙人對(duì)話場(chǎng)景，一方說話時(shí)，另一方往往是傾聽狀態(tài)。呼叫場(chǎng)景也是一種雙人對(duì)話場(chǎng)景，表現(xiàn)為主叫說話的時(shí)候，被叫靜音，被叫說話的時(shí)候，主叫靜音。在目前的識(shí)別場(chǎng)景下，如果一通呼叫持續(xù)30秒，則語音識(shí)別引擎將被占用主被叫兩路語音識(shí)別時(shí)間各30秒。然而，對(duì)話中的單軌語音(主叫方、被叫方的任意一者)一般有較長(zhǎng)的靜音段，對(duì)靜音段的識(shí)別實(shí)際是語音識(shí)別引擎能力的浪費(fèi)。

本發(fā)明針對(duì)此問題，提出語音識(shí)別方法、語音識(shí)別系統(tǒng)及存儲(chǔ)介質(zhì)，實(shí)現(xiàn)只將有效語音幀傳送給語音識(shí)別引擎，節(jié)省靜音段的引擎識(shí)別資源。

根據(jù)本發(fā)明的一個(gè)方面，提供一種語音識(shí)別方法，包括：語音流處理步驟，接收語音流，將所述語音流分割為語音幀；語音幀處理步驟，對(duì)所述語音幀進(jìn)行靜音判斷；以及語音識(shí)別步驟，根據(jù)所述靜音判斷的結(jié)果，與語音識(shí)別引擎交互消息。

在本發(fā)明的實(shí)施例中，還包括：識(shí)別結(jié)果處理步驟，從所述語音識(shí)別引擎獲取識(shí)別結(jié)果后，計(jì)算所述識(shí)別結(jié)果在原語音流中的時(shí)間位置。

在本發(fā)明的實(shí)施例中，在所述識(shí)別結(jié)果處理步驟中，根據(jù)所述語音識(shí)別引擎返回的時(shí)間位置及存儲(chǔ)的靜音時(shí)長(zhǎng)信息計(jì)算所述識(shí)別結(jié)果在原語音流中的時(shí)間位置。

在本發(fā)明的實(shí)施例中，在所述語音識(shí)別步驟中，與所述語音識(shí)別引擎交互消息包括新建語音識(shí)別會(huì)話、發(fā)送待識(shí)別語音幀、獲取識(shí)別結(jié)果、結(jié)束語音識(shí)別會(huì)話。

在本發(fā)明的實(shí)施例中，新建的所述語音識(shí)別會(huì)話的會(huì)話信息包括：會(huì)話標(biāo)識(shí)、語音標(biāo)識(shí)、語音的呼叫隨路信息、語音的處理位置。

在本發(fā)明的實(shí)施例中，在所述語音幀處理步驟中，通過語音端點(diǎn)檢測(cè)對(duì)所述語音幀進(jìn)行靜音判斷。

在本發(fā)明的實(shí)施例中，如果所述語音幀不是靜音幀，上一幀語音是靜音幀時(shí)，新建所述語音識(shí)別會(huì)話，如果所述語音幀不是靜音幀，上一幀語音不是靜音幀時(shí)，繼續(xù)進(jìn)行所述語音識(shí)別；如果所述語音幀是靜音幀，上一幀語音不是靜音幀時(shí)，結(jié)束所述語音識(shí)別會(huì)話，如果所述語音幀是靜音幀，上一幀語音是靜音幀時(shí)，計(jì)算靜音段時(shí)長(zhǎng)。

在本發(fā)明的實(shí)施例中，在新建所述語音識(shí)別會(huì)話時(shí)，增加所述語音識(shí)別引擎的當(dāng)前并發(fā)數(shù)，結(jié)束所述語音識(shí)別會(huì)話時(shí)，減少所述語音識(shí)別引擎的當(dāng)前并發(fā)數(shù)。