一种语音识别方法、装置、设备及介质与流程

本发明实施例涉及语音识别技术领域，尤其涉及一种语音识别方法、装置、设备及介质。

背景技术：

随着物联网技术的发展，智能控制已成为今后的发展方向，语音控制技术是智能控制最重要的方面，随着相关技术的不断研发，将语音控制技术应用到各种电子设备已取得了初步成果。

但是，目前的语音识别技术的识别准确率还不高。

技术实现要素：

本发明实施例提供一种语音识别方法、装置、设备及介质，通过所述方法可提高语音识别的准确率。

第一方面，本发明实施例提供了一种语音识别方法，所述方法包括：

获取语音请求；

基于预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息；

其中，所述预先训练好的语音识别系统基于实时获取的训练元数据进行实时训练得到。

第二方面，本发明实施例还提供了一种语音识别装置，所述装置包括：

获取模块，用于获取语音请求；

识别模块，用于基于预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息；

其中，所述预先训练好的语音识别系统基于实时获取的训练元数据进行实时训练得到。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储多个程序；

当所述多个程序中的至少一个被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述第一方面所提供的语音识别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面所述的语音识别方法。

本发明实施例提供的一种语音识别方法，通过基于实时获取的训练元数据对语音识别系统进行训练，得到预先训练好的语音识别系统，由于该方式下得到的语音识别系统对各新出现的元数据进行了及时学习，故该方式下得到的语音识别系统具备较高的识别准确度，当得到语音请求时，基于所述预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息，上述语音识别方案提高了语音识别的准确度。

附图说明

图1是本发明实施例一提供的一种语音识别方法流程示意图；

图2是本发明实施例一提供的一种训练元数据收集过程示意图；

图3是本发明实施例二提供的一种语音识别装置的结构示意图；

图4是本发明实施例三提供的一种电子设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种语音识别方法流程示意图，本实施例提供的语音识别方法适用于通过语音对各智能设备进行控制的情况，所述智能设备例如包括：智能音箱、智能电视、智能手机或者智能车载设备等。所述语音识别方法由语音识别装置执行，所述装置由软件和/或硬件的实现，一般集成于终端中，例如智能音箱、智能电视、智能手机或者智能车载设备等。具体参见图1所示，所述语音识别方法包括如下步骤：

步骤110、获取语音请求。

具体的，可通过语音拾取输入装置获取所述语音请求；例如通过语音遥控器获取用户对电视发出的语音请求；或者通过智能音箱的语音接收麦克风获取用户对智能音箱发出的语音请求。

所述语音请求根据控制的设备不同而不同，例如当控制的设备为智能电视时，所述语音请求可以是“请调高/调低音量”、“请切换到体育频道”或者“请播放某影星主演的关于谍战的影片”等针对电视功能的一些请求。当控制的设备为智能音箱时，所述语音请求具体可以音乐、视频、百科的点播请求，例如“请播放生日快乐歌”等针对音箱功能的一些请求。

步骤120、基于预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息。

其中，所述预先训练好的语音识别系统基于实时获取的训练元数据进行实时训练得到。随着时代的发展，很多带有时代气息的外来语、流行词(例如职场小白、小菜鸟)被人们广泛使用；且随着影视内容的日新月异，每天都会生成大量新的视频数据；因此，为了提高语音识别的准确度，语音识别系统需要优先对所述外来语、流行词以及新的视频数据等新内容进行学习。针对此，如何及时获取丰富的训练元数据成了能否提高语音识别系统识别准确度的关键。

进一步的，所述方法还包括：实时获取训练元数据，具体包括：

在目标网络基础设施基于网络服务框架搭建训练元数据收集平台；

通过所述训练元数据收集平台调用应用程序接口api实时访问ott网站，以实现对训练元数据的获取。

其中，所述目标网络基础设施包括亚马逊、阿里巴巴等提供的网络基础设施。所述网络服务框架例如可以为：springcloud。所述ott网站提供各种最新的视频、流行词、外来语等数据服务业务，因此通过在目标网络基础设施上搭建训练元数据收集平台，可实现对最新的训练元数据有针对性的及时收集，进而实现了丰富训练元数据的收集。所述训练元数据包含的字段信息包括：节目标题(例如：家有儿女、延禧攻略、快乐大本营等)、情节描述、类型(例如综艺、言情、古装等)、演员、剧组、工作室信息、图像海报、客户评级信息、版本信息以及发行日期等。所述训练元数据包括一种或多种语言以及同一种语言中的多种方言。

进一步的，通过所述训练元数据收集平台调用应用程序接口api实时访问ott网站，以实现对训练元数据的获取，包括：

通过所述训练元数据收集平台调用api实时访问ott网站，基于预设规则获取视频标签信息；

根据所述视频标签信息解析所述视频的元数据。

ott网站上的各视频服务商提供的视频类型侧重点不同，有的视频服务商侧重于电影、电视剧、综艺等的服务；有的视频服务商侧重于原创、资讯、纪录片等的服务。所述视频标签信息包括视频名称、视频类型以及视频链接等基本信息。

进一步的，所述基于预设规则获取视频标签信息，包括：

获取设定数量的视频标签信息；

或者，按照视频的更新时间获取视频标签信息，比如每次均获取更新时间在距当前时间一天以内的视频标签信息。

进一步的，所述方法还包括：

将实时获取的训练元数据基于不同语种生成目标文件；或者，将实时获取的训练元数据基于各地方言生成目标文件；将所述目标文件实时上传至语音识别平台，以基于实时获取的训练元数据对语音识别系统进行实时训练。

其中，所述目标文件包括基于至少两种语言的文件，例如一种是基于汉语生成的目标文件，另一种是基于英语生成的目标文件；所述目标文件还可以包括基于地方方言生成的文件。所述目标文件具体可以是xml文件或json文件。

将所述目标文件实时上传至语音识别平台，具体可以为：

将所述目标文件的完整版本实时上传至语音识别平台；

或者，将当前版本的目标文件与之前版本的目标文件之间的区别元数据上传至语音识别平台，以避免重复元数据的重复上传，节省上传流量，提高上传速度；其中，所述目标文件包括文件版本信息。

进一步的，当语音识别平台接收到所述目标文件时，可对目标文件中元数据的合法性进行校验，并对应生成指示校验通过或者校验失败的报告，以提高元数据的质量。具体的校验方法可以采用crc算法进行。语音识别平台还可进一步基于上传来的元数据建立知识图谱，并将建立的知识图谱结合至语音识别系统的训练中，知识图谱可为语音识别过程引入更多的上下文关联，例如，通过知识图谱，可由影片名称推出该影片的导演、主演，并可以进一步由主演推出该主演演过的其他影片。比如，用户请求“播放刘德华关于谍战的影片”，则根据元数据的知识图谱，主动推荐给用户《无间道》、《天机富春山居图》等影片。

通过收集外来语、流行语等训练元数据，以及通过基于各地方方言、各语种对收集到的元数据进行转换处理，可使语音识别系统的识别功能与时俱进，充分理解用户的语音请求，体现出极高的智能化程度。

在智能设备的应用场景上，普通存在节目名称或通路名称，无法用通用的语言表述，如通路hdmi1、ypbpr、component、av1或者composite1；节目名称如sbs1，channel7等；网站名称如www.sohu.com；www.zaobao.com；财富网www.18.com.cn等，通过将这些元数据汇总至数据收集平台，并上传到语音识别平台进行智能理解，机器训练，以提高语音识别系统的识别准确度，通过自动语言识别，自然语言理解及意图输出，有利于提高语音控制电视功能，做到“语音功能直达”。

本实施例提供的一种语音识别方法，通过基于实时获取的训练元数据对语音识别系统进行训练，得到预先训练好的语音识别系统，由于该方式下得到的语音识别系统对各新出现的元数据进行了及时学习，故该方式下得到的语音识别系统具备较高的识别准确度，当得到语音请求时，基于所述预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息，上述语音识别方案提高了语音识别的准确度。

进一步的，在上述实施例的基础上，参见图2所示的一种训练元数据收集过程示意图，元数据收集平台210从多个影视内容服务商200收集视频元数据，以及通过外来词汇收集程序201对外来词汇元数据(例如迷你、的士等词)进行收集，通过流行语收集程序202对流行语元数据(例如职场菜鸟)进行收集，通过智能设备用语收集程序203对智能设备用语元数据(例如通路hdmi1、ypbpr、component、av1或者composite1；节目名称如sbs1，channel7)进行收集；并将收集来的元数据按照设定格式导出，生成元数据文件220(包括基于多语种的元数据文件、基于多地方方言的元数据文件)，进一步将所述元数据文件上传至语音识别平台300，并存储在语音识别平台300指定的存储空间230，语音识别平台300基于存储的元数据建立知识图谱240，并结合知识图谱240对语音识别系统250进行实时训练，当接收到用户的语音请求时260，通过训练好的语音识别系统250对所述语音请求进行识别，得到所述语音请求对应的意图信息270。

通过构建元数据收集平台，实时收集视频服务商更新的视频元数据，并按多区域(即多方言)、多语种的方式，输出元数据文件供给语音识别平台进行自然语言识别、自然语言理解，实现了使语音识别系统能够及时基于新的元数据进行训练学习，并结合元数据的知识图谱进行理解，从而更准确地识别用户语音请求的意图，更加方便用户用当地语言实现节目和视频资源的访问，提高了语音识别系统的智能化程度，改善了用户体验。通过增加对外来词汇、流行语、网站以及智能设备本机控制元数据的收集，增加了语音识别系统训练元数据的种类，提高了语音识别系统的适用领域。

实施例二

图3为本发明实施例二提供的一种语音识别装置的结构示意图，参见图3所示，所述装置包括：获取模块310和识别模块320；

其中，获取模块310，用于获取语音请求；识别模块320，用于基于预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息；其中，所述预先训练好的语音识别系统基于实时获取的训练元数据进行实时训练得到。

进一步的，所述装置还包括：

元数据获取模块，用于实时获取训练元数据；

其中，所述训练元数据包括视频元数据、流行语元数据、外来词汇元数据、以及智能设备本机控制元数据中的至少一种。

进一步的，所述元数据获取模块包括：

搭建单元，用于在目标网络基础设施基于springcloud搭建训练元数据收集平台；

获取单元，用于通过所述训练元数据收集平台调用应用程序接口api实时访问ott网站，以实现对训练元数据的获取。

进一步的，所述获取单元包括：

获取子单元，用于通过所述训练元数据收集平台调用api实时访问ott网站，基于预设规则获取视频标签信息；

解析子单元，用于根据所述视频标签信息解析所述视频的元数据。

进一步的，所述获取子单元具体用于：

获取设定数量的视频标签信息；

或者，按照视频的更新时间获取视频标签信息。

进一步的，所述装置还包括：

生成模块，用于将实时获取的训练元数据基于不同语种生成目标文件；或者，将实时获取的训练元数据基于各地方言生成目标文件；

上传模块，用于将所述目标文件实时上传至语音识别平台，以基于实时获取的训练元数据对语音识别系统进行实时训练。

进一步的，所述上传模块具体用于：

将所述目标文件的完整版本实时上传至语音识别平台；

或者，将当前版本的目标文件与之前版本的目标文件之间的区别元数据上传至语音识别平台；

其中，所述目标文件包括文件版本信息。

本实施例提供的语音识别装置，通过基于实时获取的训练元数据对语音识别系统进行训练，得到预先训练好的语音识别系统，由于该方式下得到的语音识别系统对各新出现的元数据以及不同语种、不同地域方言的元数据进行了及时学习，故该方式下得到的语音识别系统具备较高的识别准确度，当得到语音请求时，基于所述预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息，通过上述语音识别方案提高了语音识别的准确度。

实施例三

图4为本发明实施例五提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如语音识别装置的获取模块310和识别模块320)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(例如语音识别装置的获取模块310和识别模块320)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的语音识别方法，该方法包括：

获取语音请求；

基于预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息；

其中，所述预先训练好的语音识别系统基于实时获取的训练元数据进行实时训练得到。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的语音识别方法。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的语音识别方法的技术方案。

实施例四

本发明实施例四还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的语音识别方法，该方法包括：

获取语音请求；

基于预先训练好的语音识别系统对所述语音请求进行语音识别，得到所述语音请求对应的意图信息；

其中，所述预先训练好的语音识别系统基于实时获取的训练元数据进行实时训练得到。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的语音识别方法中的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。