[发明专利]一种添加标点的方法和系统

权利要求书

1.一种添加标点的方法，其特征在于，该方法包括：

将待处理语音文件作为整体，根据作为整体的所述待处理语音文件中包含的每个词和每个词的语义特征，识别所述待处理语音文件中出现的所有特征单元N1；

基于静音检测将所述待处理语音文件分为一个以上的待处理语段，根据每个待处理语段包含的每个词和每个词的语义特征，识别所述待处理语音文件中出现的所有特征单元N2；

利用基于分词和词语的语义特征建立的语言模型，根据所述所有特征单元N1确定所述待处理语音文件的各种标点状态的第一综合权重，根据所述所有特征单元N2确定所述待处理语音文件的各种标点状态的第二综合权重；

对所述待处理语音文件的各种标点状态的第一综合权重和第二综合权重进行加权处理，得到第三综合权重，根据所述第三综合权重为所述待处理语音文件添加标点。

2.根据权利要求1所述的方法，其特征在于，

同步进行所述所有特征单元N1的识别和所述所有特征单元N2的识别。

3.根据权利要求1或2所述的方法，其特征在于，

将所述待处理语音文件分为两路分别进行特征单元识别，其中一路将所述待处理语音文件作为整体识别出所述所有特征单元N1，另一路先对所述待处理语音文件进行静音检测，根据静音检测结果将所述待处理语音文件分为一个以上的待处理语段，然后再根据每个待处理语段包含的每个词和每个词的语义特征，识别所述待处理语音文件中出现的所有特征单元N2。

4.根据权利要求1所述的方法，其特征在于，根据每个待处理语段包含的每个词和每个词的语义特征，识别所述待处理语音文件中出现的所有特征单元N2包括：

识别每个待处理语段中出现的特征单元，将所有待处理语段中出现的特征单元的并集确定为所述所有特征单元N2。

5.根据权利要求1所述的方法，其特征在于，所述静音检测包括：

根据当前的应用场景确定静音阈值，检测所述待处理语音文件中的静音时长，在所述静音时长大于所述静音阈值时，在所述静音时长对应的静音处从所述待处理语音文件中划分出待处理语段。

6.根据权利要求1所述的方法，其特征在于，所述语言模型通过如下步骤建立：

对语料库中的语句进行分词处理，其中，语料库中的语句预先添加了标点；

根据分词处理后的语句中每个词的语义特征，依据预先设定的特征模板，搜索所述语料库中出现的特征单元，根据特征单元中的每个词后面的标点状态，记录所述语料库中每个特征单元的每种标点状态的出现次数；

根据每个特征单元的每种标点状态的出现次数，确定每个特征单元的每种标点状态的权重，建立包括每个特征单元与自身各种标点状态的权重的对应关系的语言模型。

7.根据权利要求1或6所述的方法，其特征在于，所述特征单元包括独词特征单元和/或多词特征单元，所述独词特征单元依据独词特征模板得到，所述多词特征单元依据多词特征模板得到；

其中，所述独词特征模板包括获取与当前基准位置的相对位置关系满足预定要求的单个词、以及所述单个词的语义特征，依据独词特征模板得到独词特征单元包括：

分别以每个词所处的位置作为所述当前基准位置，根据所述独词特征模板确定与当前基准位置的相对位置关系满足所述独词特征模板要求的单个词，根据该单个词的语义特征识别独词特征单元，所述独词特征单元包括所述单个词、所述单个词的语义特征以及所述单个词的位置与当前基准位置的相对位置关系；

所述多词特征模板包括获取与当前基准位置的相对位置关系满足预定要求的多个词、以及所述多个词中每个词的语义特征，依据多词特征模板得到多词特征单元包括：

分别以每个词所处的位置作为所述当前基准位置，根据所述多词特征模板确定与当前基准位置的相对位置关系满足所述多词特征模板要求的多个词，根据该多个词中每个词的语义特征识别多词特征单元，所述多词特征单元包括所述多个词、所述多个词中每个词的语义特征、以及每个词的位置与所述当前基准位置的相对位置关系。