[发明专利]一种语种识别方法、装置、电子设备及存储介质

权利要求书

1.一种语种识别方法，其特征在于，包括：

对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，所述第一预设数量的人声音频帧组对应的定位方式各不相同；

对所述第一预设数量的人声音频帧组进行语种识别，得到第一预设数量的第一语种识别结果，并根据所述第一预设数量的第一语种识别结果确定所述音频数据的最终识别语种；

其中，所述第一预设数量基于当前识别等级确定，所述当前识别等级用于表征当前语种识别的重要程度；

所述对所述第一预设数量的人声音频帧组进行语种识别，包括：

针对各人声音频帧组，判断定位的人声音频帧之间是否时序相邻；

若是，则对时序相邻的人声音频帧进行拼接，并于拼接得到的音频段的时长大于等于预设时长时，基于预先训练的语种识别模型对所述拼接得到的音频段进行语种识别。

2.根据权利要求1所述的方法，其特征在于，所述当前识别等级基于以下至少一者确定：

通信范围内的通信持续时间；

所述通信持续时间内，所述最终识别语种的识别稳定性；以及，

所述通信持续时间内，语种识别的处理资源剩余量；

其中，所述通信范围为参加通信的客户端所组成的范围，所述通信持续时间为所述通信范围中首个客户端加入所述通信范围的时刻到当前时刻的时段；

所述最终识别语种的识别稳定性根据连续多次的最终识别语种确定；

所述语种识别的处理资源剩余量包括用于进行语种识别的计算资源和存储资源的剩余量。

3.根据权利要求2所述的方法，其特征在于，所述当前识别等级与所述通信持续时间负相关；和/或，

与所述最终识别语种的识别稳定性负相关；和/或，

与所述处理资源剩余量正相关。

4.根据权利要求1所述的方法，其特征在于，所述对音频数据进行人声音频帧定位，包括：

于每接收到通信范围内的单位时间的音频数据时，对最近接收的第二预设数量个单位时间的音频数据进行分帧；

基于第一预设数量的人声音频帧定位方式，对分帧后的音频帧中的人声音频帧进行定位。

5.根据权利要求4所述的方法，其特征在于，所述人声音频帧定位方式的类型包含下述至少一种：

噪音音频帧过滤类型，人声识别类型，以及综合所述噪音音频帧过滤和所述人声识别的综合类型。

6.根据权利要求5所述的方法，其特征在于，若人声音频帧定位方式的类型包含所述噪音音频帧过滤类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从属于噪音音频过滤类型的噪音音频帧过滤方式中选取第三预设数量的噪音音频帧过滤方式；

根据第三预设数量的噪音音频帧过滤方式分别对所述音频数据进行噪音音频帧过滤，将过滤后的音频帧定位为人声音频帧；

将基于相同噪音音频帧过滤方式定位的人声音频帧作为一组人声音频帧，得到第三预设数量的人声音频帧组；

其中，所述第三预设数量小于等于所述第一预设数量。

7.根据权利要求5所述的方法，其特征在于，若人声音频帧定位方式的类型包含所述人声识别类型，则所述对音频数据进行人声音频帧定位，得到第一预设数量的人声音频帧组，包括：

从预先训练的具有不同神经网络结构的人声识别模型中选取第四预设数量的人声识别模型；

将所述音频数据在频域的信号分别输入第四预设数量的人声识别模型，基于第四预设数量的人声识别模型分别对所述音频数据进行人声识别，并将识别为人声的音频帧定位为人声音频帧；

将基于相同人声识别模型定位的人声音频帧作为一组人声音频帧，得到第四预设数量的人声音频帧组；

其中，所述第四预设数量小于等于所述第一预设数量。