[发明专利]多语种语音关键词检测、模型生成方法及电子设备

说明书

本申请公开了一种多语种语音关键词检测、关键词模型生成方法及电子设备、计算机可读存储介质，关键词模型生成方法包括：获取多个对应不同语种的关键词文本；将所述多个对应不同语种的关键词文本分别转换为各个语种对应的音素序列；基于不同语种的音素与目标语种的音素的映射关系，将所述语种对应的音素序列转换为所述目标语种的音素序列；根据转换后的目标语种的音素序列，生成所述多个对应不同语种的关键词文本对应的关键词模型。本申请实可以提高多语种语音关键词的检测效率。

技术领域

本申请涉及语音识别技术领域，尤其涉及一种多语种音频关键词检测方法、关键词模型生成方法及电子设备、计算机可读存储介质。

背景技术

多语种语音关键词检测任务中，一个难点在于多语种混杂现象，比如一句话中出现多个语种。语种识别往往需要足够时长的音频，比如5-10秒。而一句话中多语种混杂的现象的持续时长有可能会比较短。例如某些英文名的持续时长可能只有不到1秒的时间，而语种识别无法处理这么短的时长。另外，这种技术方案，需要事先训练语种识别模型以及关键词模型。而这两种模型都需要事先准备好大量的训练音频，语种数量越多，获取训练音频的成本也就越大，特别对很多小语种来说，获取训练数据的难度往往非常大。

如何提高多语种语音关键词的检测效率，是本申请所要解决的技术问题。

发明内容

本申请实施例的目的是提供一种多语种语音关键词检测方法、关键词模型生成方法及电子设备、计算机可读存储介质，用以解决多语种语音关键词检测效率低的问题。

为了解决上述技术问题，本说明书是这样实现的：

第一方面，提供了一种关键词模型生成方法，包括：获取多个对应不同语种的关键词文本；将所述多个对应不同语种的关键词文本分别转换为各个语种对应的音素序列；基于不同语种的音素与目标语种的音素的映射关系，将所述语种对应的音素序列转换为所述目标语种的音素序列；根据转换后的目标语种的音素序列，生成所述多个对应不同语种的关键词文本对应的关键词模型。

可选的，所述语种对应的音素序列中的同一个音素对应所述目标语种的音素序列中的至少一个音素。

可选的，在所述同一个音素对应所述目标语种的音素序列中的多个不同的音素时，所述多个不同的音素分别具有对应的权重，所述权重表示所述同一个音素被表示成所述多个不同的音素中的每个音素的概率。

可选的，根据转换后的目标语种的音素序列，生成所述多个对应不同语种的关键词文本对应的关键词模型，包括：

根据所述目标语种中的所述多个不同的音素，分别对应所述同一个音素生成多个不同的关键词模型，以生成所述多个对应不同语种的关键词文本对应的关键词模型。

第二方面，提供了一种多语种语音关键词检测方法，包括：接收待检测语音；对所述待检测语音进行分段处理得到多个音频片段：将每个音频片段转换为对应的音频特征；将所述音频特征输入根据第一方面所述的关键词模型进行计算，以得到对应音频片段的关键词概率；根据所述关键词概率检测所述音频片段中的关键词。

可选的，将每个音频片段转换为对应的音频特征，包括：确定所述音频片段的音频帧的数量；将所述音频片段的每个音频帧转换为一组对应维数的音频特征值；根据所述音频帧的数量和所述维数确定所述音频片段对应的音频特征矩阵。

可选的，将所述音频特征输入所述关键词模型进行计算，以得到对应音频片段的关键词概率，包括：基于所述关键词模型对应的目标语种关键词的音素和所述音频片段的音频帧，形成一个包括多个节点状态的网络，其中每个音素和对应的一个音频帧形成一个节点状态；将每个音频帧对应的音频特征作为参数，利用预定算法计算每个节点状态的后验概率；确定所述多个节点状态中后验概率的最大值，以作为所述音频片段的关键词概率。