[发明专利]语音识别方法、装置、介质及电子设备

说明书

本公开涉及一种语音识别方法、装置、介质及电子设备。方法包括：获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；提取所述目标音频数据对应的第一文本数据；提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；根据所述第二文本数据，对所述第一文本数据进行修正，得到修正后的第一文本数据。由此，可以避免因目标视频数据中杂音或者背景音乐对语音识别准确度的影响，从而提升了目标音频数据对应的文本内容的准确度。

技术领域

本公开涉及语音识别领域，具体地，涉及一种语音识别方法、装置、介质及电子设备。

背景技术

随着人工智能技术的发展，语音识别(Automatic Speech Recognition，ASR)技术取得了巨大的进步，并开始进入家电、通信、汽车、医疗等各个领域。其中，ASR技术常用于获取视频中音频对应的文本内容。但当视频中有杂音或者背景音乐时，ASR的识别准确度将受到影响。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音识别方法，包括：

获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；

提取所述目标音频数据对应的第一文本数据；

提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；

根据所述第二文本数据，对所述第一文本数据进行修正，得到修正后的第一文本数据。

第二方面，本公开提供一种语音识别装置，包括：

获取模块，用于获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；

第一提取模块，用于提取所述获取模块获取到的所述目标音频数据对应的第一文本数据；

第二提取模块，用于提取所述获取模块获取到的所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；

修正模块，用于根据所述第二提取模块提取到的所述第二文本数据，对所述第一提取模块提取到的所述第一文本数据进行修正，得到修正后的第一文本数据。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。

在上述技术方案中，当目标视频数据中存在杂音或者背景音乐时，可能导致提取到的目标视频数据中目标音频数据对应的第一文本数据不准确，因此，在提取到第一文本数据后，并不直接将其作为语音识别结果，而是通过用于描述目标视频数据中目标图像数据的第二文本数据对其进行修正，并将修正后的第一文本数据作为语音识别结果。由此，可以避免因目标视频数据中杂音或者背景音乐对语音识别准确度的影响，从而提升了目标音频数据对应的文本内容的准确度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明