[發明專利]自動語音識別技術的清洗方法、裝置以及電子設備

在審

• 申請號: 202210267032.2
• 申請日: 2022-03-17
• 公開（公告）號: CN114627875A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 朱彥浩;胡郡郡;唐大閏
• 申請（專利權）人: 北京明略昭輝科技有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G06F16/33;G06F16/783;G06F40/20
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 沈園園

1.一種自動語音識別技術的清洗方法，其特征在于，包括：

將待測試視頻進行切分，得到多段第一時長的目標視頻段；

將所述目標視頻段通過自動語音技術識別技術得到對應的目標文本；

將所述目標視頻段和對應的目標文本發送至已訓練的網絡結構模型中，由所述網絡結構模型對所述目標文本內的字符進行打分，得到所述字符的得分；

當所述字符的得分大于或等于閾值的情況下，保留所述目標文本中的所述字符；

當所述字符的得分小于閾值的情況下，從所述目標文本中刪除所述字符。

2.根據權利要求1所述的方法，其特征在于，在將所述目標視頻段和對應的目標文本發送至已訓練的網絡結構模型中之前，所述方法還包括：

獲取第一視頻和第二視頻；

根據所述第一視頻和所述第二視頻確定正樣本和負樣本；

使用所述正樣本和所述負樣本訓練網絡結構模型，得到已訓練的所述網絡結構模型。

3.根據權利要求2所述的方法，其特征在于，所述根據所述第一視頻和所述第二視頻確定正樣本視和負樣本包括：

從所述第一視頻中提取出多段第一時長的第一視頻段，從所述第二視頻中提取出多段所述第一時長的第二視頻段；

識別所述第一視頻段的語音信息，得到所述第一視頻段的第一文本，識別所述第二視頻段的語音信息，得到所述第二視頻段的第二文本；

將所述第一視頻段和所述第一文本作為所述正樣本，將所述第一視頻段和所述第二文本作為所述負樣本。

4.根據權利要求3所述的方法，其特征在于，所述從所述第一視頻中提取出多段第一時長的第一視頻段并從所述第二視頻中提取出多段第一時長的第二視頻段包括：

對所述第一視頻進行第一數量次隨機采樣，每次隨機采樣所述第一時長的所述第一視頻段，得到所述第一數量的所述第一時長的所述第一視頻段；

對所述第二視頻進行所述第一數量次隨機采樣，每次隨機采樣所述第一時長的所述第二視頻段，得到所述第一數量的所述第一時長的所述第二視頻段。

5.根據權利要求2所述的方法，其特征在于，所述使用所述正樣本和所述負樣本訓練網絡結構模型，得到已訓練的所述網絡結構模型包括：

將所述第一視頻段和所述第二視頻段作為待訓練視頻段發送至未訓練的網絡結構模型中進行訓練，在所述待訓練視頻段與所述正樣本對應的情況下，輸出結果為1；

在所述待訓練視頻段與所述負樣本對應的情況下，輸出結果為0；

在所述待訓練視頻段訓練結束后，得到已訓練的所述網絡結構模型。

6.根據權利要求1-5任意一項所述的方法，其特征在于，所述將所述目標視頻段和對應的目標文本發送至已訓練的網絡結構模型中，由所述網絡結構模型對所述目標文本內的字符進行打分包括：

通過所述目標視頻段得到第二數量的視頻畫面；

通過所述目標文本得到第三數量的所述字符；

通過注意力機制計算所述字符對所有所述視頻畫面的關注分，得到第二數量的所述關注分；

獲得所述第二數量的所述關注分的和；

將所述和與所述第二數量的商作為所述字符對應的得分。

7.根據權利要求1所述的方法，其特征在于，所述方法還包括：

對所述目標文本執行保留和刪除操作后，進行保存。

8.一種自動語音識別技術的清洗裝置，其特征在于，包括：

切分模塊，用于將待測試視頻進行切分，得到多段第一時長的目標視頻段；

第一處理模塊，用于將所述目標視頻段通過自動語音技術識別技術得到對應的目標文本；

發送模塊，用于將所述目標視頻段和對應的目標文本發送至已訓練的網絡結構模型中，由所述網絡結構模型對所述目標文本內的字符進行打分，得到所述字符的得分；

第二處理模塊，用于當所述字符的得分大于或等于閾值的情況下，保留所述目標文本中的所述字符；

第三處理模塊，用于當所述字符的得分小于閾值的情況下，從所述目標文本中刪除所述字符。