[发明专利]音频质检方法、装置、设备以及存储介质

权利要求书

1.一种音频质检方法，包括：

获取对话音频，其中，所述对话音频记录客户与客服之间的对话；

对所述对话音频进行人声分离，得到第一音频和第二音频，其中，所述第一音频和所述第二音频仅包含一位说话人；

对所述第一音频和所述第二音频进行语音识别，得到所述第一音频对应的第一文本和所述第二音频对应的第二文本；

对所述第一文本和所述第二文本进行角色判定，选取客服对应的文本；

对所述客服对应的文本进行文本内容语义分类，得到所述对话音频的质检结果。

2.根据权利要求1所述的方法，其中，所述对所述对话音频进行人声分离，得到第一音频和第二音频，包括：

将所述对话音频输入至预先训练的人声分离模型，得到所述第一音频和所述第二音频，其中，所述人声分离模型包括以下一项：声纹模型-聚合层次聚类Xvector-AHC、高斯混合模型GMM、隐马尔科夫模型HMM。

3.根据权利要求2所述的方法，其中，所述人声分离模型是Xvector-AHC，所述Xvector-AHC包括Xvector和AHC；以及

所述将所述对话音频输入至预先训练的人声分离模型，得到所述第一音频和所述第二音频，包括：

将所述对话音频划分为多个音频片段；

将所述多个音频片段分别输入至Xvector，得到多个音频片段的特征；

利用AHC对所述多个音频片段的特征进行聚类，以及基于聚类结果确定所述多个音频片段的类别；

对同一类别的音频片段进行组合，得到所述第一音频和所述第二音频。

4.根据权利要求1所述的方法，其中，所述对所述第一音频和所述第二音频进行语音识别，得到所述第一音频对应的第一文本和所述第二音频对应的第二文本，包括：

将所述第一音频和所述第二音频分别输入预先训练的语音识别模型，得到所述第一文本和所述第二文本，其中，所述语音识别模型包括以下一项：长短期记忆网络-联接时间分类器LSTM-CTC、GMM、HMM。

5.根据权利要求1所述的方法，其中，所述对所述第一文本和所述第二文本进行角色判定，包括：

将所述第一文本和所述第二文本分别输入至预先训练的角色判定模型，得到所述第一文本对应的角色和所述第二文本对应的角色，其中，所述角色判定模型包括以下一项：文本级卷积神经网络TextCNN、字符级卷积神经网络CharCNN、区域卷积神经网络RCNN、转换器Transformer、深层语境词表示模型ELMO、转换器输出式双向编码器表示BERT。

6.根据权利要求1所述的方法，其中，所述对所述客服对应的文本进行文本内容语义分类，得到所述对话音频的质检结果，包括：

将所述客服对应的文本输入至预先训练的语义分类模型，得到所述质检结果，其中，所述语义分类模型包括以下一项：BERT、ELMO、TextCNN、CharCNN、RCNN、Transformer。

7.一种音频质检装置，包括：

获取模块，被配置成获取对话音频，其中，所述对话音频记录客户与客服之间的对话；

分离模块，被配置成对所述对话音频进行人声分离，得到第一音频和第二音频，其中，所述第一音频和所述第二音频仅包含一位说话人；

识别模块，被配置成对所述第一音频和所述第二音频进行语音识别，得到所述第一音频对应的第一文本和所述第二音频对应的第二文本；

判定模块，被配置成对所述第一文本和所述第二文本进行角色判定，选取客服对应的文本；

分类模块，被配置成对所述客服对应的文本进行文本内容语义分类，得到所述对话音频的质检结果。

8.根据权利要求7所述的装置，其中，所述分离模块包括：

分离子模块，被配置成将所述对话音频输入至预先训练的人声分离模型，得到所述第一音频和所述第二音频，其中，所述人声分离模型包括以下一项：声纹模型-聚合层次聚类Xvector-AHC、高斯混合模型GMM、隐马尔科夫模型HMM。