[发明专利]语音识别方法及装置

说明书

本申请实施例提供一种语音识别方法及装置，涉及信息处理技术领域，该方法包括：获取多通道语音文件；将多通道语音文件分离为每个对话人的独立语音子文件；获得每个独立语音子文件的起始时间信息、终止时间信息及对话人标识信息；将每个独立语音子文件识别为文本；生成多通道语音文件的特征信息，该特征信息包括多通道语音文件对应的每个独立语音子文件的文本信息、每个独立语音子文件的起始时间信息和终止时间信息、每个独立语音子文件的排序信息及每个独立语音子文件的对话人标识信息。因此可以从多通道语音文件中分离出每个对话人的文本信息、各文本信息对应的时序信息和角色信息，将这些信息作为机器学习的训练数据，从而提高机器学习的性能。

技术领域

本申请实施例涉及信息处理技术领域，特别涉及一种语音识别方法及装置。

背景技术

随着信息技术的不断发展，语音识别技术也得到了快速地发展，目前，语音识别技术被广泛地应用于人们的日常生活中，用户可以通过在电子设备中输入语音的方式，实现一些需求，例如在智能手机中输入语音，来发布打车需求。

考虑到用户在电子设备中输入的语音通常包含丰富的内容，因此可以作为机器学习的样本数据进行训练，生成语音模型。但是，现有技术中，仅利用语音的文本信息进行训练，导致机器学习的性能较低。

发明内容

为了解决上述问题，本申请实施例提供了一种语音识别方法及装置。

具体地，本申请实施例是通过如下技术方案实现的：

根据本申请实施例的第一方面，提供一种语音识别方法，所述方法包括：

获取多通道语音文件，其中，所述多通道语音文件包含多个对话人进行对话的语音数据；

将所述多通道语音文件分离为每个对话人的独立语音子文件；

获得每个独立语音子文件的起始时间信息、终止时间信息及对话人标识信息；

将所述每个独立语音子文件识别为文本；

生成所述多通道语音文件的特征信息，其中，所述特征信息包括：所述多通道语音文件对应的所述每个独立语音子文件的文本信息、所述每个独立语音子文件的起始时间信息、所述每个独立语音子文件的终止时间信息、所述每个独立语音子文件的排序信息及所述每个独立语音子文件的对话人标识信息。

本申请实施例中，所述排序信息通过以下方式得到：

根据所述每个独立语音子文件的起始时间信息对所述每个独立语音子文件的文本进行排序后得到所述文本排序信息。

本申请实施例中，所述多通道语音文件的特征信息用于机器学习。

本申请实施例中，所述将所述多通道语音文件分离为每个对话人的独立语音子文件，包括：

使用语音端点检测算法，除去所述多通道语音文件中的静音和噪声部分，得到语音除噪结果{S1,S2,…Sn}，其中，Si包括第i个有效语音文件及所述第i个有效语音文件的起始时间信息及终止时间信息，i≤n；

使用语音通道分离算法，对所述语音除噪结果{S1,S2,…Sn}进行处理，得到语音通道分离结果{A1,A2,…,Am}，其中，Aj包括所述多个对话人中的第j个对话人的独立语音子文件及所述第j个对话人的独立语音子文件的起始时间信息和终止时间信息，j≤m。

本申请实施例中，所述将所述多通道语音文件分离为每个对话人的独立语音子文件，包括：

使用语音通道分离算法，对所述多通道语音文件进行处理，得到语音通道分离结果{T1,T2,…Tq}，其中，Ti包括所述多个对话人中的第i个对话人的独立语音子文件及所述第i个对话人的独立语音子文件的起始时间信息和终止时间信息，i≤q；