[发明专利]一种词边界估计方法、装置及电子设备

说明书

本发明提供一种词边界估计方法、装置及电子设备，获取待进行语音识别的语音数据；对所述语音数据分帧，并提取每一帧语音的声学特征；对于每一帧语音，计算所述声学特征在各声学建模单元上的后验概率；基于所述后验概率，在WFST模型中搜索，得到所述语音数据的识别结果及识别结果中每一词的词尾时间边界。即通过本发明，可以实现对语音识别过程中的每个词添加时间边界信息。

技术领域

本发明涉及语音识别领域，更具体的说，涉及一种词边界估计方法、装置及电子设备。

背景技术

语音识别中的词边界估计，属于语音识别技术领域。对于一段给定的语音信号，我们可以通过语音识别技术得到对应的文本信息。

但是在一些特定场景下，需要在识别的过程中，对每个词添加准确的时间边界信息。比如，客服场景中，我们通过语音识别技术转录的文本中发现客服人员说了一些不文明的言语词汇，此时可以根据为词添加的时间边界信息快速定位到对应词在录音中的位置。

发明内容

有鉴于此，本发明提供一种词边界估计方法、装置及电子设备，以解决亟需对语音识别过程中的每个词添加时间边界信息的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种词边界估计方法，包括：

获取待进行语音识别的语音数据；

对所述语音数据分帧，并提取每一帧语音的声学特征；

对于每一帧语音，计算所述声学特征在各声学建模单元上的后验概率；

基于所述后验概率，在WFST模型中搜索，得到所述语音数据的识别结果及识别结果中每一词的词尾时间边界；所述词尾时间边界基于空边确定；所述空边输出为空。

可选地，基于所述后验概率，在WFST模型中搜索，得到所述语音数据的识别结果及识别结果中每一词的词尾时间边界，包括：

获取所述WFST模型中的WFST优化模型；所述WFST优化模型识别出所述语音数据中的词语的结尾时间与实际结尾时间不一致；

在WFST优化模型搜索过程中，将当前词语的WFST输出保存在令牌中；所述令牌包括：输出词以及输出词的时间信息；

判断是否确定出当前词语的词尾时间边界；

若确定出当前词语的词尾时间边界，更新所述令牌中保存的内容。

可选地，所述确定出当前词语的词尾时间边界，包括：

获取紧邻当前词语输出的一组空边；

将一组所述空边中最后一个输出为空的边对应的所述令牌中的时间信息的末尾时间作为所述当前词语的词尾时间边界。

可选地，基于所述后验概率，在WFST优化模型中搜索，得到所述语音数据的识别结果及识别结果中每一词的词尾时间边界，还包括：

判断是否确定出识别结果中每一词的词尾时间边界；

若否，返回执行所述在WFST优化模型搜索过程中，将当前词语的WFST输出保存在令牌中这一步骤。

可选地，若判断出已确定出所述语音数据的识别结果中每一词的词尾时间边界之后，还包括：

选取当前时刻所有令牌中代价最小的令牌中的输出结果作为所述语音数据的语音识别结果；所述语音识别结果包括：所述语音数据的识别结果及识别结果中每一词的词尾时间边界。

可选地，所述空边的输入为空。

可选地，基于所述后验概率，在WFST模型中搜索，得到所述语音数据的识别结果及识别结果中每一词的词尾时间边界，包括：