[发明专利]一种广播电视语音识别系统方法及系统

说明书

技术领域

本发明涉及音视频处理技术领域，特别涉及一种广播电视语音识别方法及系统。

背景技术

目前在广播电视领域，对广播电视语音识别主要利用适用于各行业的传统语音识别方法，而传统的语音识别主要采用模式匹配法，分为训练和识别两个阶段，其中在训练阶段，用户将词汇表中的每一词依次读或者说一遍，并且将其特征矢量作为模板存入模板库；在识别阶段，将输入语音的特征矢量依次与模板库中的每个模板进行相似度比较，将相似度最高者作为识别结果输出。

但是该语音识别应用在广播电视领域的语音识别存在以下问题：

1）广播电视行业对语音识别往往有特别的、不同于其他行业的处理和操作，但是由于上述传统语音识别是应用于各行业的，对于广播电视行业没有针对性，不能根据广播电视行业的特点对广播电视数据中的非语音内容进行过滤。因为在广播电视行业内非语音内容对于语音识别是不在处理范围之内的，所以如果不对非语音内容进行过滤，就还需要对其进行传输和处理，不仅导致传输资源和计算资源的浪费，而且还会由于非语音内容的存在导致出现较多的误识别操作，并且影响处理速度。

2）由于传统语音识别技术不具备针对广播电视行业的语音识别功能，导致识别结果不够完整，例如，对于一段广播电视数据无法判断出说话发生的场景以及说话人的身份等重要信息，无法对语音内容根据不同的说话人进行分段，无法标识每个语音词的时间戳，对后续其他广播电视业务的智能化、自动化处理无法提供任何有价值的参考信息。

综上，传统的语音识别方法应用在广播电视行业中存在耗费资源、处理速度慢、准确度不高、提供信息量不足等问题。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是如何针对广播电视行业特点进行语音识别，避免传统语音识别方法在广播电视行业应用中存在的缺点，为后续其它广播电视行业业务的智能化、自动化处理提供充足可用的基础数据。

（二）技术方案

为解决上述技术问题，本发明提供了一种广播电视语音识别方法，包括：

S1、根据广播电视数据提取出音频数据；

S2、对所述音频数据进行预处理，得到特征文本数据；

S3、将所述特征文本数据发送给云服务器进行识别处理，得到男女声识别、说话人识别以及语音识别结果；

S4、对所述数据预处理、男女声识别、说话人识别以及语音识别结果进行融合以及结构化文本标识，生成结构化的语音识别结果。

进一步地，步骤S2对所述音频数据进行预处理具体包括：

S21、对所述音频数据进行切分和碎片化处理生成若干个句子文件；

S22、对所述句子文件进行非语音过滤，留下语音句子文件；

S23、对每个语音句子文件进行宽窄带判别，对判别为宽带信号的语音句子文件添加宽带标识，判别为窄带信号的语音句子文件添加窄带标识；

S24、对添加宽带标识和窄带标识的语音句子文件进行音频特征提取，得到特征文本数据，其中所述特征文本数据中包含该语音句子的起止时间、语音特征信息、该句子归属的音视频文件名称和对应的宽窄带标识。

进一步地，步骤S3将所述特征文本数据发送给云服务器进行识别处理包括：男女声识别、说话人识别、语音内容识别和标点符号识别，生成含有标识的语音识别结果。

进一步地，步骤S4对所述语音识别结果进行融合以及结构化文本标识具体包括：

S41、对各个语音识别结果进行汇总、对齐，并按照其中包含的起止时间进行排序；

S42、对排序后的语音识别结果按照结构化格式进行标记，包括说话人性别标识、说话人标识、语音内容、标点符号以及时间戳。

进一步地，步骤S3进行识别处理的过程是根据语言模型库进行识别的，且所述语音模型库通过网络文本采集和网络文本学习不断进行更新。

为解决上述技术问题，本发明还提供了一种广播电视语音识别系统，该系统包括：

提取单元，根据广播电视数据提取出音频数据；

预处理终端，对所述音频数据进行预处理，得到特征文本数据，并发送给云服务器；

云服务器，对所述特征文本数据进行识别处理，得到语音识别结果，并对所述语音识别结果进行融合以及结构化文本标识，生成结构化的语音识别结果。

进一步地，所述预处理终端包括：

切分模块，对所述音频数据进行切分和碎片化处理生成若干个句子文件；

非语音过滤模块，对所述句子文件进行非语音过滤，留下语音句子文件；