[发明专利]一种语音处理方法、装置、电子设备及存储介质

说明书

本公开关于一种语音处理方法、装置、电子设备及存储介质，该方法包括：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。本公开提高了对输入语音内容理解的准确性，当应用于直播视频内容的异常检测时，可以提高对直播视频内容异常检测的准确性。

技术领域

本公开涉及语音处理技术领域，尤其涉及一种语音处理方法、装置、电子设备及存储介质。

背景技术

语音内容理解是一种基于语音识别技术和自然语言理解技术来对语音中表述的内容进行理解的技术。相关技术中，一般先使用语音识别模型将输入语音转化为纯文本，然后以该纯文本作为后续自然语言理解模型的输入，从该纯文本中提取有用信息进行语音内容的理解，但是直接基于该纯文本得到的理解结果往往不够准确，导致相关技术中对于语音内容理解存在准确性差的问题。

发明内容

本公开提供一种语音处理方法、装置、电子设备及存储介质，以至少解决相关技术中对于语音内容理解的准确性差的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种语音处理方法，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。

在一示例性的实施方式中，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。

在一示例性的实施方式中，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。

在一示例性的实施方式中，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。

在一示例性的实施方式中，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；