基于多模型的音频识别方法、装置、电子设备和可读介质与流程

1.本公开的实施例涉及计算机领域，具体涉及基于多模型的音频识别方法、装置、电子设备和可读介质。


背景技术：

2.目前，对于音频的识别，通常采用的方式为：用户或者系统根据一些预先定义的参数，选择一个或多个音频识别模型对用户提供的音频进行识别，等待模型识别完成后，呈现一个或多个识别结果供用户选择。
3.然而，采用上述方式通常会存在以下技术问题：
4.第一，根据一些预先定义的参数，选择一个或多个音频识别模型，需要用户了解参数的含义，当用户不熟悉参数的含义时，通常无法准确选择音频识别模型，导致音频识别的准确率较低；
5.第二，在选择完音频识别模型，用户无法实时感知音频识别结果，在多个模型进行识别时，会占用过多的计算资源，以及用户需要花费较长的时间选择识别结果。


技术实现要素：

6.本公开的内容部分用于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。本公开的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。
7.本公开的一些实施例提出了基于多模型的音频识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种基于多模型的音频识别方法，该方法包括：响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列；对于上述切分音频序列中的每个切分音频，执行如下处理步骤：将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组，其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型相异；根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组；确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1；响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型；将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。
9.第二方面，本公开的一些实施例提供了一种基于多模型的音频识别装置，装置包括：切分单元，被配置成响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列；切分音频识别单元，被配置成对于上述切分音
频序列中的每个切分音频，执行如下处理步骤：将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组，其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型相异；根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组；确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1；确定单元，被配置成响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型；输入单元，被配置成将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。
10.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
11.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
12.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于多模型的音频识别方法，提高了对音频识别的准确性，以及提升了对音频的识别效率。具体来说，导致音频识别的准确率较低的原因在于：根据一些预先定义的参数，选择一个或多个音频识别模型，需要用户了解参数的含义，当用户不熟悉参数的含义时，通常无法准确选择音频识别模型，导致音频识别的准确率较低。基于此，本公开的一些实施例的基于多模型的音频识别方法，首先，响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列。由此，可以通过各个模型逐步对音频进行识别，以选择出合适的音频识别模型，避免占用过多的计算资源。接着，对于上述切分音频序列中的每个切分音频，执行如下处理步骤：首先，将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组。其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型相异。由此，可以为选择出合适的音频识别模型，提供了数据支持。接着，根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组。由此，便于后续根据用户对切分音频识别结果的选择，选择出音频识别的准确率较高的音频识别模型。然后，确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1。再然后，响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型。由此，可以根据多个模型对同一音频的识别结果，选择出识别准确率最好的音频识别模型。同时，由于预先对目标音频进行了切分，避免了占用过多的计算资源，以及识别时间。最后，将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别候选结果。从而，提高了对音频识别的准确性，以及提升了对音频的识别效率。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是根据本公开的基于多模型的音频识别方法的一些实施例的流程图；
15.图2是根据本公开的基于多模型的音频识别装置的一些实施例的结构示意图；
16.图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
17.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
18.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
19.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
20.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
21.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
22.下面将参考附图并结合实施例来详细说明本公开。
23.图1是根据本公开的基于多模型的音频识别方法的一些实施例的流程图。示出了根据本公开的基于多模型的音频识别方法的一些实施例的流程100。该基于多模型的音频识别方法，包括以下步骤：
24.步骤101，响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列。
25.在一些实施例中，基于多模型的音频识别方法的执行主体(例如，计算设备)可以响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列。这里，目标音频可以是待识别的音频。例如，目标音频可以是用户上传的人交流沟通的录音。音频识别选择操作可以是指选择上述目标音频进行音频识别的操作。例如，音频识别选择操作可以是点击上述目标音频进行音频识别。这里，目标音频的时长均为大于等于预设时长的音频。例如，预设时长可以为5分钟。实践中，上述执行主体可以按照目标时长对上述目标音频进行有序切分处理(可以是按照一定时长进行切分，例如，按照5秒为一个单位时长进行划分)，以生成切分音频序列。例如，目标时长可以是5秒钟，上述执行主体可以以5秒钟为单位对上述目标音频进行有序切分处理，以生成切分音频序列。对于不足5秒钟的切分音频，按照实际音频时长进行切分。即，切分音频的持续时长等于5秒钟或小于5秒钟。
26.可选地，在对上述目标音频进行有序切分处理，以生成切分音频序列之前，上述方
法还包括：
27.第一步，接收用户提交的待识别音频。实践中，可以通过有线连接或无线连接的方式接收用户对应的用户端提交的待识别音频。这里，待识别音频可以是指已去除语气助词的音频。
28.第二步，去除上述待识别音频中符合空白音频条件的音频片段，以对上述待识别音频进行更新，以及将更新后的待识别音频作为目标音频。其中，上述空白音频条件为：音频片段中不包含目标语音。这里，目标语音可以是指音频中核心人说话的声音。核心人可以是指音频多次说话的人。
29.在一些实施例的一些可选的实现方式中，上述执行主体还可以通过以下步骤对上述目标音频进行切分处理，以生成切分音频组：
30.第一步，确定上述目标音频的持续时长。
31.第二步，响应于上述持续时长大于等于预设时长，根据第一预设切分时长，对上述目标音频进行切分处理，以生成切分音频组。这里，预设时长可以是1个小时。第一预设切分时长可以是10秒钟。实践中，可以按照10秒钟为一个切分单位时长，对上述目标音频进行切分处理，以生成切分音频组。即，切分音频的持续时长为10秒钟或小于10秒钟。
32.第三步，响应于上述持续时长小于上述预设时长，根据第二预设切分时长，对上述目标音频进行切分处理，以生成切分音频组。其中，上述第二预设切分时长小于上述第一预设切分时长。第二预设切分时长可以是1分钟。实践中，可以按照1分钟为一个切分单位时长，对上述目标音频进行切分处理，以生成切分音频组。即，切分音频的持续时长为1分钟或小于1分钟。
33.步骤102，对于上述切分音频组中的每个切分音频，执行如下处理步骤：
34.步骤1021，将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组。
35.在一些实施例中，上述执行主体可以将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组。其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型相异。这里，音频识别模型组中的音频识别模型可以为预先训练的用于识别音频的神经网络模型。音频识别模型组中的音频识别模型还可以为：声学模型，语言模型。例如，音频识别模型还可以为：高斯混合模型，n元文法模型，trie树。上述音频识别模型组中的各个音频识别模型均为不同类型的音频识别模型。例如，音频识别模型的类型可以包括但不限于：用于识别会议音频的模型、用于识别用户说话交流的音频的模型、用于识别教师讲课的音频的模型。这里，音频识别模型可以是以音频为输入，以识别出的音频文字为输出，训练的神经网络模型。例如，音频识别模型可以是预先训练的卷积神经网络模型或循环神经网络模型。切分音频识别结果可以表示识别的上述切分音频的音频文字。
36.实践中，上述执行主体可以将上述切分音频分别输入至预先训练的音频识别模型组中的各个音频识别模型中，得到切分音频识别结果组。
37.步骤1022，根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组。
38.在一些实施例中，上述执行主体可以根据用户提交的对应上述切分音频识别结果
组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组。其中，选择信息为用户提交的选择切分音频识别结果组中切分音频识别结果的信息。切分音频识别结果组中的切分音频识别结果对应上述各个选择信息中的选择信息。选择信息可以表示选取上述选择信息对应的切分音频识别结果或不选取上述选择信息对应的切分音频识别结果。
39.实践中，上述执行主体可以从上述切分音频识别结果组选择出对应的选择信息表征选择切分音频识别结果的切分音频识别结果作为目标音频识别候选结果，得到目标音频识别候选结果组。
40.在一些实施例的一些可选的实现方式中，上述执行主体可以对于上述各个选择信息中的每个选择信息，响应于确定上述选择信息表征选取上述选择信息对应的切分音频识别结果，将上述选择信息对应的切分音频识别结果确定为目标音频识别候选结果。
41.可选地，在步骤1022之前，上述方法还包括：
42.第一步，控制相关联的音频播放设备播放上述切分音频，以供用户根据所播放的切分音频，对上述切分音频识别结果组中的切分音频识别结果进行选择操作。这里，相关联的音频播放设备可以是指与上述执行主体通信连接的声音播放设备。例如，音频播放设备可以是扬声器。这里，选择操作可以表示选取某一切分音频识别结果或不选取某一切分音频识别结果。
43.第二步，接收上述用户对上述切分音频识别结果组中的每个切分音频识别结果的选择信息。
44.可选地中的相关内容作为本公开的一个发明点，由此解决了背景技术提及的技术问题二“在选择完音频识别模型，用户无法实时感知音频识别结果，在多个模型进行识别时，会占用过多的计算资源，以及用户需要花费较长的时间选择识别结果。”。会占用过多的计算资源，以及用户需要花费较长的时间选择识别结果的因素往往如下：在选择完音频识别模型，用户无法实时感知音频识别结果，在多个模型进行识别时，会占用过多的计算资源，以及用户需要花费较长的时间选择识别结果。如果解决了上述因素，就能达到减少计算资源的浪费的效果。为了达到这一效果，首先，控制相关联的音频播放设备播放上述切分音频，以供用户根据所播放的切分音频，对上述切分音频识别结果组中的切分音频识别结果进行选择操作。由此，可以在多个模型对音频进行识别时，使得用户可以参与其中。即，用户可以将自己听到的音频内容与模型对音频的识别结果进行比对，从而选择出音频识别率较高的模型。此外，又因为，对音频进行了切分，从而避免了占用过多的计算资源。然后，接收上述用户对上述切分音频识别结果组中的每个切分音频识别结果的选择信息。由此，可以根据用户的选择信息，选择出一个音频识别率最好的音频识别模型，避免了用户需要花费较长的时间选择识别结果。
45.步骤1023，确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1。
46.在一些实施例中，上述执行主体可以确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1。
47.可选地，响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量大于1，将上述目标音频识别候选结果组对应的各个音频识别模型作为更新后的音
频识别模型组，将去除了上述切分音频的切分音频组作为更新后的切分音频组，再次执行上述处理步骤。
48.在一些实施例中，上述执行主体可以响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量大于1，将上述目标音频识别候选结果组对应的各个音频识别模型作为更新后的音频识别模型组，将去除了上述切分音频的切分音频组作为更新后的切分音频组，再次执行上述处理步骤。
49.可选地，上述执行主体还可以通过以下步骤再次执行上述处理步骤：
50.第一步，将目标执行次数增加1。其中，上述目标执行次数初始为1，上述目标执行次数表征上述处理步骤的执行次数。
51.第二步，确定上述目标执行次数是否小于等于预设次数。其中，上述预设次数为：目标数值的向上取整值，上述目标数值为：上述切分音频组所包括的切分音频的数量的二分之一。
52.第三步，响应于确定上述目标执行次数小于等于上述预设次数，再次执行上述处理步骤。
53.由此，可以减少多个模型的使用时间，减少计算资源的浪费。
54.步骤103，响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型。
55.在一些实施例中，上述执行主体可以响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型。
56.步骤104，将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。
57.在一些实施例中，上述执行主体可以将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。这里，目标音频的剩余切分音频可以是指切分音频序列中未输入至目标音频识别模型中的各个切分音频。
58.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于多模型的音频识别方法，提高了对音频识别的准确性，以及提升了对音频的识别效率。具体来说，导致音频识别的准确率较低的原因在于：根据一些预先定义的参数，选择一个或多个音频识别模型，需要用户了解参数的含义，当用户不熟悉参数的含义时，通常无法准确选择音频识别模型，导致音频识别的准确率较低。基于此，本公开的一些实施例的基于多模型的音频识别方法，首先，响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列。由此，可以通过各个模型逐步对音频进行识别，以选择出合适的音频识别模型，避免占用过多的计算资源。接着，对于上述切分音频序列中的每个切分音频，执行如下处理步骤：首先，将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组。其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型相异。由此，可以为选择出合适的音频识别模型，提供了数据支持。接着，根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切
分音频识别结果作为目标音频识别候选结果组。由此，便于后续根据用户对切分音频识别结果的选择，选择出音频识别的准确率较高的音频识别模型。然后，确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1。再然后，响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型。由此，可以根据多个模型对同一音频的识别结果，选择出识别准确率最好的音频识别模型。同时，由于预先对目标音频进行了切分，避免了占用过多的计算资源，以及识别时间。最后，将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。从而，提高了对音频识别的准确性，以及提升了对音频的识别效率。
59.进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种基于多模型的音频识别装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
60.如图2所示，一些实施例的基于多模型的音频识别装置200包括：切分单元201、切分音频识别单元202、确定单元203和输入单元204。其中，切分单元201，被配置成响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列；切分音频识别单元202，被配置成对于上述切分音频序列中的每个切分音频，执行如下处理步骤：将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组，其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型相异；根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组；确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1；确定单元203，被配置成响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型；输入单元204，被配置成将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。
61.可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
62.下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300(例如，计算设备)的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
63.如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
64.通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄
像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
65.特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
66.需要说明的是，本公开的一些实施例中记载的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
67.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
68.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列；对于上述切分音频序列中的每个切分音频，执行如下处理步骤：将上述切分音频输入至预先训练的音频识别模型组中，得到切分音频识别结果组，其中，上述音频识别模型组中的音频识别模型对应上述切分音频识别结果组中的切分音频识别结果，上述音频识别模型组中的各个音频识别模型
相异；根据用户提交的对应上述切分音频识别结果组的各个选择信息，从上述切分音频识别结果组选择出至少一个切分音频识别结果作为目标音频识别候选结果组；确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量是否为1；响应于确定上述目标音频识别候选结果组包括的目标音频识别候选结果的数量为1，将上述目标音频识别候选结果组对应的音频识别模型确定为目标音频识别模型；将上述目标音频的剩余切分音频输入至上述目标音频识别模型中，得到目标音频识别结果。
69.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公开的一些实施例的操作的计算机程序代码，上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)。
70.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
71.描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括切分单元、切分音频识别单元、确定单元和输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，切分单元还可以被描述为“响应于检测到作用于目标音频的音频识别选择操作，对上述目标音频进行有序切分处理，以生成切分音频序列的单元”。
72.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
73.以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。