语音质量检测方法、装置、计算机设备及存储介质与流程

1.本申请涉及人工智能技术领域，尤其涉及一种语音质量检测方法、装置、计算机设备及存储介质。


背景技术：

2.语音质量检测是应用于各个数据传输平台的一个重要监管系统，通过对语音进行质量检测可以减少违规数据的传输，从而使得语音数据在传输的过程中更加安全可靠。
3.传统的语音质量检测往往需要投入大量人力，主要采用通过人工听录音的方式针对坐席话术进行是否违规的判断。然而，由于质检数据庞大，其抽检比例仅能达到1％～2％，处理时效低，且具有滞后性，在人工进行质检时往往会导致检测精确度低下的问题。


技术实现要素：

4.本申请实施例的目的在于提出一种语音质量检测方法、装置、计算机设备及存储介质，以解决语音质量检测精确度低下的技术问题。
5.为了解决上述技术问题，本申请实施例提供一种语音质量检测方法，采用了如下所述的技术方案：
6.在接收到录音文件时，转换所述录音文件为文本数据；
7.拆分所述文本数据为多个交互文本；
8.获取预设的意图识别模型，所述意图识别模型包括第一识别模型和第二识别模型，输入所述交互文本至所述第一识别模型，根据所述第一识别模型确定所述交互文本是否为疑似违规文本；
9.在所述交互文本为所述疑似违规文本时，根据所述第二识别模型和所述文本数据确定所述疑似违规文本是否为目标违规文本，在所述第二识别模型检测到违规意图时，确定所述疑似违规文本为所述目标违规文本。
10.进一步的，所述拆分所述文本数据为多个交互文本的步骤具体包括：
11.识别所述文本数据中的角色标签和对话时段；
12.按照所述角色标签和所述对话时段对所述文本数据进行分类，确定同一所述对话时段且包括所有所述角色标签的文本数据为一个所述交互文本。
13.进一步的，所述根据所述第一识别模型确定所述交互文本是否为疑似违规文本的步骤具体包括：
14.输入所述交互文本至所述第一识别模型，得到所述交互文本的文本标签；
15.将所述文本标签与预设标签进行匹配，在所述文本标签与所述预设标签匹配成功时，确定所述交互文本为所述疑似违规文本。
16.进一步的，所述根据所述第二识别模型和所述文本数据确定所述疑似违规文本是否为目标违规文本的步骤具体包括：
17.输入所述疑似违规文本至预设二分类识别模型，在所述预设二分类识别模型输出
违规标签时，确定所述疑似违规文本为中间违规文本；
18.获取所述中间违规文本的文本类型，基于所述第二识别模型和所述文本类型确定所述中间违规文本是否为目标违规文本。
19.进一步的，所述基于所述第二识别模型和所述文本类型确定所述中间违规文本是否为目标违规文本的步骤具体包括：
20.在所述文本类型为疑似联合违规时，获取所述中间违规文本在所述文本数据中的邻近预设时间范围内的检测文本；
21.将所述检测文本输入至第二识别模型中，在检测到所述检测文本存在违规意图时，确定所述中间违规文本为所述目标违规文本。
22.进一步的，所述基于所述第二识别模型和所述文本类型确定所述中间违规文本是否为目标违规文本的步骤具体包括：
23.在所述文本类型为疑似语义违规时，输入所述文本数据至所述第二识别模型；
24.在检测到所述文本数据中存在所述违规意图时，确定所述中间违规文本为所述目标违规文本。
25.进一步的，在所述确定所述交互文本是否为疑似违规文本的步骤之后还包括：
26.在所述交互文本非所述疑似违规文本时，获取所述交互文本的质检点，基于所述质检点对所述交互文本进行检测。
27.为了解决上述技术问题，本申请实施例还提供一种语音质量检测装置，采用了如下所述的技术方案：
28.转换模块，用于在接收到录音文件时，转换所述录音文件为文本数据；
29.拆分模块，用于拆分所述文本数据为多个交互文本；
30.第一确认模块，用于获取预设的意图识别模型，所述意图识别模型包括第一识别模型和第二识别模型，输入所述交互文本至所述第一识别模型，根据所述第一识别模型确定所述交互文本是否为疑似违规文本；
31.第二确认模块，用于在所述交互文本为所述疑似违规文本时，根据所述第二识别模型和所述文本数据确定所述疑似违规文本是否为目标违规文本，在所述第二识别模型检测到违规意图时，确定所述疑似违规文本为所述目标违规文本。
32.为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述语音质量检测方法的步骤。
33.为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述语音质量检测方法的步骤。
34.上述语音质量检测方法，通过在接收到录音文件时，转换录音文件为文本数据；拆分文本数据为多个交互文本，通过对单个的交互文本进行检测可以提高对违规文本的检测准确率及检测效率；之后，获取预设的意图识别模型，意图识别模型包括第一识别模型和第二识别模型，输入交互文本至第一识别模型，根据第一识别模型确定交互文本是否为疑似违规文本，通过模型检测可以进一步提高对违规文本的检测准确率；而后，在交互文本为所述疑似违规文本时，根据第二识别模型和文本数据确定疑似违规文本是否为目标违规文
本，在第二识别模型检测到违规意图时，确定疑似违规文本为目标违规文本，由此实现了对语音质量的高效精确检测，提高了违规语句的识别准确率，并且通过模型对语句是否违规进行检测，进一步避免了违规数据的使用。
附图说明
35.为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1是本申请可以应用于其中的示例性系统架构图；
37.图2根据本申请的语音质量检测方法的一个实施例的流程图；
38.图3是根据本申请的语音质量检测装置的一个实施例的结构示意图；
39.图4是根据本申请的计算机设备的一个实施例的结构示意图。
40.附图标记：语音质量检测装置300、转换模块301、拆分模块302、第一确认模块303以及第二确认模块304。
具体实施方式
41.除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
42.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
43.为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
44.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
45.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
46.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
47.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
48.需要说明的是，本申请实施例所提供的语音质量检测方法一般由服务器/终端设备执行，相应地，语音质量检测装置一般设置于服务器/终端设备中。
49.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
50.继续参考图2，示出了根据本申请的语音质量检测的方法的一个实施例的流程图。所述的语音质量检测方法，包括以下步骤：
51.步骤s201，在接收到录音文件时，转换所述录音文件为文本数据；
52.在本实施例中，录音文件为对话交互录音文件，在接收到录音文件时，则转换该录音文件为文本数据。该转换可通过asr(automatic speech recognition，自动语音识别)转换，具体地，在得到录音文件时，对该录音文件进行预处理，得到语音特征，之后通过语音识别模型识别比对预设语音模版和该语音特征，得到识别结果，该识别结果即为得到的文本数据。
53.步骤s202，拆分所述文本数据为多个交互文本；
54.在本实施例中，在得到文本数据时，将该文本数据拆分为多个交互文本，其中，交互文本为对话人之间的交互文本数据。识别当前文本数据，按照该文本数据中对话的时间顺序，可将文本数据拆分为多个交互文本。在得到该交互文本时，还可以依次将该交互文本按照时间顺序编号，而后存储在预设的数据库中。
55.需要强调的是，为进一步保证上述交互文本的私密和安全性，上述交互文本还可以存储于一区块链的节点中。
56.本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
57.步骤s203，获取预设的意图识别模型，所述意图识别模型包括第一识别模型和第二识别模型，输入所述交互文本至所述第一识别模型，根据所述第一识别模型确定所述交互文本是否为疑似违规文本；
58.在本实施例中，意图识别模型为预先设定的文本意图识别模型，该意图识别模型包括第一识别模型和第二识别模型，其中，第一识别模型为bert(预训练语言模型)中的多分类识别模型，即通过该第一识别模型可以得到所有交互文本对应的文本标签；第二识别模型为预设的文本检测模型，通过该第二识别模型可以对输入的数据进行文本检测。具体地，在得到文本数据对应的交互文本时，将得到的所有交互文本输入至第一识别模型中，通过第一识别模型识别得到交互文本对应的文本标签。其中，文本标签为分类标签，根据该文本标签可以确定当前交互文本所涉及的违规类型。若通过该第一识别模型识别得到当前交互文本的文本标签为预设标签中的一种，则确定该交互文本为疑似违规文本；若通过该第一识别模型识别得到当前交互文本的文本标签不属于预设标签中的一种，则确定该交互文本非疑似违规文本。
59.步骤s204，在所述交互文本为所述疑似违规文本时，根据所述第二识别模型和所述文本数据确定所述疑似违规文本是否为目标违规文本，在所述第二识别模型检测到违规意图时，确定所述疑似违规文本为所述目标违规文本。
60.在本实施例中，在确定交互文本为疑似违规文本时，根据该第二识别模型和文本数据确定该疑似违规文本是否为目标违规文本。具体地，在得到以为疑似违规文本时，获取该疑似违规文本的文本类型，该文本类型包括疑似联合违规和疑似语义违规。在该疑似违规文本为疑似联合违规时，从当前文本数据中获取邻近预设时间范围内的检测文本，将该检测文本输入至第二识别模型中，检测该检测文本中是否存在违规意图；在该第二识别模型检测到检测文本中存在违规意图时，确定该交互文本为目标违规文本。在该疑似违规文本为疑似语义违规时，则输入该文本数据至第二识别模型，之间根据该第二识别模型检测该文本数据中全文是否存在违规意图；在该第二识别模型检测到文本数据中存在违规意图时，确定该疑似违规文本为目标违规文本。
61.本实施例实现了对语音质量的高效精确检测，提高了违规语句的识别准确率，并且通过模型对语句是否违规进行检测，进一步避免了违规数据的使用。
62.在本申请的一些实施例中，上述拆分所述文本数据为多个交互文本包括：
63.识别所述文本数据中的角色标签和对话时段；
64.按照所述角色标签和所述对话时段对所述文本数据进行分类，确定同一所述对话时段且包括所有所述角色标签的文本数据为一个所述交互文本。
65.在本实施例中，在得到文本数据时，还可以通过识别该文本数据中的角色标签和对话时段，将该文本数据按照角色标签和对话时段的时间顺序划分为多个交互文本。具体地，角色标签为文本数据中对话人的标签，不同的对话人对应不同的角色标签；对话时段则为一轮对话发生的时段，一轮对话对应一个对话时段。在得到文本数据时，则识别该文本数据中的角色标签和对话时段，将该同一对话时段且包括所有角色标签的文本数据为一个交互文本。
66.本实施例通过对文本数据进行拆分得到多个交互文本，提高了对语音违规文本检测的精度，使得通过交互文本能够更精确地检测到当前语音文本中的违规文本。
67.在本申请的一些实施例中，上述根据所述第一识别模型确定所述交互文本是否为疑似违规文本包括：
68.输入所述交互文本至所述第一识别模型，得到所述交互文本的文本标签；
69.将所述文本标签与预设标签进行匹配，在所述文本标签与所述预设标签匹配成功时，确定所述交互文本为所述疑似违规文本。
70.在本实施例中，第一识别模型为bert(预训练语言模型)中的多分类识别模型，输入交互文本至第一识别模型，通过第一识别模型输出得到当前交互文本的文本标签。该文本标签为当前交互文本的意图标签，包括重大违规标签和话术违规等不同类别的标签。在得到该文本标签时，获取存储的预设标签，根据不同的场景可以设定不同的预设标签。匹配得到文本标签和预设标签，在该文本标签与预设标签中的任一标签一致时，即确定该文本标签与预设标签匹配成功，当前交互文本即为疑似违规文本。
71.本实施例通过对疑似违规文本进行检测，避免了对语音文本的违规误检测，确保了语音文本的检测准确率，提高了语音文本的检测精度。
72.在本申请的一些实施例中，上述根据所述第二识别模型和所述文本数据确定所述疑似违规文本是否为目标违规文本包括：
73.输入所述疑似违规文本至预设二分类识别模型，在所述预设二分类识别模型输出违规标签时，确定所述疑似违规文本为中间违规文本；
74.获取所述中间违规文本的文本类型，基于所述第二识别模型和所述文本类型确定所述中间违规文本是否为目标违规文本。
75.在本实施例中，在根据第二识别模型和文本数据对疑似违规文本进行确定时，还可以通过预设二分类识别模型对疑似违规文本进行更进一步的检测，以提高语音文件中违规文本的检测准确率。具体地，在得到疑似违规文本时，输入该疑似违规文本至预设二分类识别模型中，该预设二分类识别模型为预先设定的bert(预训练语言模型)中的二分类识别模型，根据该预设二分类识别模型可以对输入的数据进行单分类识别，得到唯一的分类结果。通过该预设二分类识别模型对该疑似违规文本进行检测，可以确定是否为中间违规文本，若该预设二分类识别模型输出违规标签，则确定该疑似违规文本为中间违规文本；若该预设二分类识别模型输出非违规标签，则确定该疑似违规文本为非中间违规文本，该疑似违规文本不存在违规。其中，该违规标签和非违规标签可用1和0表示，1表示违规标签，0表示非违规标签。在确定疑似违规文本为中间违规文本时，则获取该中间违规文本的文本类型，根据该文本类型和第二识别模型确定该中间违规文本是否为目标违规文本。
76.本实施例通过预设二分类识别模型对疑似违规文本进行进一步检测，提高了对语音文本的检测精度，避免了对非违规文本的误检测，提高了对语音文本中违规文本的检测准确率。
77.在本申请的一些实施例中，上述基于所述第二识别模型和所述文本类型确定所述中间违规文本是否为目标违规文本包括：
78.在所述文本类型为疑似联合违规时，获取所述中间违规文本在所述文本数据中的邻近预设时间范围内的检测文本；
79.将所述检测文本输入至第二识别模型中，在检测到所述检测文本存在违规意图时，确定所述中间违规文本为所述目标违规文本。
80.在本实施例中，中间违规文本的文本类型同样可分为疑似联合违规和疑似语义违规，疑似联合违规即表示当前中间违规文本可能联合上下文存在共同违规，疑似语义违规即表示当前中间违规文本可能存在文本语义的违规。解析该中间违规文本的文本标签可以得到当前中间违规文本的文本类型。在该中间违规文本为疑似联合违规时，获取当前疑似违规文本所在的文本数据中的邻近预设时间范围内的检测文本，如当前交互文本的前一时刻的交互文本。在得到该检测文本时，将该检测文本输入至第二识别模型，在该第二识别模型检测到当前检测文本中存在违规意图时，则确定该中间违规文本为目标违规文本。
81.本实施例实现了对疑似联合违规文本的精确检测，提高了语音文本的检测精度和检测效率。
82.在本申请的一些实施例中，上述基于所述第二识别模型和所述文本类型确定所述中间违规文本是否为目标违规文本包括：
83.在所述文本类型为疑似语义违规时，输入所述文本数据至所述第二识别模型；
84.在检测到所述文本数据中存在所述违规意图时，确定所述中间违规文本为所述目
标违规文本。
85.在本实施例中，疑似语义违规表示当前中间违规文本可能存在文本语义的违规。解析该中间违规文本的文本标签可以得到当前中间违规文本的文本类型。在该中间违规文本为疑似语义违规时，输入该文本数据至该第二识别模型，在检测到该文本数据中存在当前中间违规文本对应的违规意图时，则确定该中间违规文本为目标违规文本。
86.本实施例实现了对疑似语义违规文本的精确检测，提高了语音文本的检测精度和检测效率。
87.在本申请的一些实施例中，在上述确定所述交互文本是否为疑似违规文本之后还包括：
88.在所述交互文本非所述疑似违规文本时，获取所述交互文本的质检点，基于所述质检点对所述交互文本进行检测。
89.在本实施例中，在交互文本非疑似违规文本时，获取该交互文本的质检点。不同的交互文本对应不同的质检点。根据该交互文本的节点信息可以确定当前交互文本关联的质检点，该节点信息则为该交互文本的流程节点信息。在确定当前交互文本对应的质检点时，基于该质检点的预设质检方式对该交互文本进行检测。
90.本实施例实现了对非疑似违规文本的质量检测，提高了检测范围，避免了对违规文本的检测遗漏。
91.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
92.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
93.进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种语音质量检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
94.如图3所示，本实施例所述的语音质量检测装置300包括：转换模块301、拆分模块302、第一确认模块303以及第二确认模块304。其中：
95.转换模块301，用于在接收到录音文件时，转换所述录音文件为文本数据；
96.在本实施例中，录音文件为对话交互录音文件，在接收到录音文件时，则转换该录音文件为文本数据。该转换可通过asr(automatic speech recognition，自动语音识别)转换，具体地，在得到录音文件时，对该录音文件进行预处理，得到语音特征，之后通过语音识别模型识别比对预设语音模版和该语音特征，得到识别结果，该识别结果即为得到的文本数据。
97.拆分模块302，用于拆分所述文本数据为多个交互文本；
98.其中，拆分模块302包括：
99.第一识别单元，用于识别所述文本数据中的角色标签和对话时段；
100.分类单元，用于按照所述角色标签和所述对话时段对所述文本数据进行分类，确定同一所述对话时段且包括所有所述角色标签的文本数据为一个所述交互文本。
101.在本实施例中，在得到文本数据时，将该文本数据拆分为多个交互文本，其中，交互文本为对话人之间的交互文本数据。识别当前文本数据，按照该文本数据中对话的时间顺序，可将文本数据拆分为多个交互文本。在得到该交互文本时，还可以依次将该交互文本按照时间顺序编号，而后存储在预设的数据库中。
102.需要强调的是，为进一步保证上述交互文本的私密和安全性，上述交互文本还可以存储于一区块链的节点中。
103.本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
104.第一确认模块303，用于获取预设的意图识别模型，所述意图识别模型包括第一识别模型和第二识别模型，输入所述交互文本至所述第一识别模型，根据所述第一识别模型确定所述交互文本是否为疑似违规文本；
105.其中，第一确认模块303包括：
106.第二识别单元，用于输入所述交互文本至所述第一识别模型，得到所述交互文本的文本标签；
107.匹配单元，用于将所述文本标签与预设标签进行匹配，在所述文本标签与所述预设标签匹配成功时，确定所述交互文本为所述疑似违规文本。
108.在本实施例中，意图识别模型为预先设定的文本意图识别模型，该意图识别模型包括第一识别模型和第二识别模型，其中，第一识别模型为bert(预训练语言模型)中的多分类识别模型，即通过该第一识别模型可以得到所有交互文本对应的文本标签；第二识别模型为预设的文本检测模型，通过该第二识别模型可以对输入的数据进行文本检测。具体地，在得到文本数据对应的交互文本时，将得到的所有交互文本输入至第一识别模型中，通过第一识别模型识别得到交互文本对应的文本标签。其中，文本标签为分类标签，根据该文本标签可以确定当前交互文本所涉及的违规类型。若通过该第一识别模型识别得到当前交互文本的文本标签为预设标签中的一种，则确定该交互文本为疑似违规文本；若通过该第一识别模型识别得到当前交互文本的文本标签不属于预设标签中的一种，则确定该交互文本非疑似违规文本。
109.第二确认模块304，用于在所述交互文本为所述疑似违规文本时，根据所述第二识别模型和所述文本数据确定所述疑似违规文本是否为目标违规文本，在所述第二识别模型检测到违规意图时，确定所述疑似违规文本为所述目标违规文本。
110.其中，第二确认模块304包括：
111.第一确认单元，用于输入所述疑似违规文本至预设二分类识别模型，在所述预设
array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
125.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
126.所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如语音质量检测方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
127.所述处理器62在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述语音质量检测方法的计算机可读指令。
128.所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
129.本实施例提出的计算机设备，实现了对语音质量的高效精确检测，提高了违规语句的识别准确率，并且通过模型对语句是否违规进行检测，进一步避免了违规数据的使用。
130.本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的语音质量检测方法的步骤。
131.本实施例提出的计算机可读存储介质，实现了对语音质量的高效精确检测，提高了违规语句的识别准确率，并且通过模型对语句是否违规进行检测，进一步避免了违规数据的使用。
132.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
133.显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其
依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。