[发明专利]一种语音处理方法、装置、电子设备及存储介质

权利要求书

1.一种语音处理方法，其特征在于，包括：

获取目标语音；

将所述目标语音输入至语音处理模型的语音识别网络，根据所述语音识别网络的隐藏层的输出得到语音特征提取结果；所述语音特征提取结果包括所述目标语音的文本特征和高级语义特征；

将所述语音特征提取结果输入至所述语音处理模型的语义理解网络，得到所述目标语音的语义理解结果。

2.根据权利要求1所述的语音处理方法，其特征在于，所述语音处理模型包括多个语音识别网络，所述多个语音识别网络具有不同的网络结构；

相应的，所述将所述目标语音输入至语音处理模型的语音识别网络，根据所述语音识别网络的隐藏层的输出得到语音特征提取结果，包括：

将所述目标语音分别输入至所述语音处理模型的各个语音识别网络，获取每个语音识别网络的隐藏层输出的特征向量；

对所述每个语音识别网络的隐藏层输出的特征向量进行融合，得到融合特征向量；

将所述融合特征向量作为所述语音特征提取结果。

3.根据权利要求2所述的语音处理方法，其特征在于，所述语音识别网络的隐藏层包括依次连接的多个中间隐藏层；

相应的，所述获取每个语音识别网络的隐藏层输出的特征向量，包括：

针对每个语音识别网络的隐藏层，获取所述隐藏层包括的多个中间隐藏层中的最后一层中间隐藏层所输出的特征向量。

4.根据权利要求1所述的语音处理方法，其特征在于，所述获取目标语音，包括：

获取直播视频数据流；

提取所述直播视频数据流中的语音数据，并将所述语音数据作为所述目标语音。

5.根据权利要求1所述的语音处理方法，其特征在于，所述方法还包括：

获取预训练的语音识别网络，根据所述语音识别网络和初始语义理解网络构建初始语音处理模型；

获取训练样本，所述训练样本包括样本语音和所述样本语音对应的样本语义信息；

将所述样本语音输入至所述初始语音处理模型的语音识别网络，根据所述语音识别网络的隐藏层的输出得到样本语音特征提取结果，所述样本语音特征提取结果包括所述样本语音的文本特征和高级语义特征；

将所述样本语音特征提取结果输入至所述初始语音处理模型的初始语义理解网络，得到所述样本语音的语义理解结果；

根据所述样本语音的语义理解结果和所述样本语音对应的样本语义信息确定所述初始语音处理模型的损失值；

根据所述损失值调整所述初始语义理解网络的参数直至满足训练结束条件，得到所述语音处理模型。

6.一种语音处理装置，其特征在于，包括：

语音获取单元，被配置为执行获取目标语音；

特征提取单元，被配置为执行将所述目标语音输入至语音处理模型的语音识别网络，根据所述语音识别网络的隐藏层的输出得到语音特征提取结果；所述语音特征提取结果包括所述目标语音的文本特征和高级语义特征；

语义理解单元，被配置为执行将所述语音特征提取结果输入至所述语音处理模型的语义理解网络，得到所述目标语音的语义理解结果。

7.根据权利要求6所述的语音处理装置，其特征在于，所述语音处理模型包括多个语音识别网络，所述多个语音识别网络具有不同的网络结构；

相应的，所述特征提取单元，包括：

特征向量获取单元，被配置为执行将所述目标语音分别输入至所述语音处理模型的各个语音识别网络，获取每个语音识别网络的隐藏层输出的特征向量；

融合单元，被配置为执行对所述每个语音识别网络的隐藏层输出的特征向量进行融合，得到融合特征向量；将所述融合特征向量作为所述语音特征提取结果。

8.根据权利要求7所述的语音处理装置，其特征在于，所述语音识别网络的隐藏层包括依次连接的多个中间隐藏层；相应的，所述特征向量获取单元在获取每个语音识别网络的隐藏层输出的特征向量时，具体用于：

针对每个语音识别网络的隐藏层，获取所述隐藏层包括的多个中间隐藏层中的最后一层中间隐藏层所输出的特征向量。