[发明专利]直播语音同传方法、装置、介质及电子设备

权利要求书

1.一种直播语音同传方法，其特征在于，所述方法包括：

获取目标语种和原始音频流数据，所述原始音频流数据为对直播数据解码得到；

对所述原始音频流数据进行分句，并同步识别各分句语音对应的原始字幕文本；

将各分句语音分别对应的所述原始字幕文本翻译为目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音，所述目标字幕文本为所述目标语种的文本；

将所述目标语音作为目标音频流数据，以构成经过同传后的直播数据。

2.根据权利要求1所述的方法，其特征在于，所述将各分句语音分别对应的所述原始字幕文本翻译为目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音包括：

获取各分句语音分别对应的所述原始字幕文本翻译得到的翻译文本；

根据所述分句语音所在的时间轴确定所述分句语音对应的分句时长，并确定所述分句时长对应的音素数值范围；

计算所述翻译文本中的实际音素数量；

若所述实际音素数量处于所述音素数值范围内，则将所述翻译文本作为所述目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音。

3.根据权利要求2所述的方法，其特征在于，所述将各分句语音分别对应的所述原始字幕文本翻译为目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音还包括：

若所述实际音素数量不处于所述音素数值范围内，则根据所述实际音素数量和所述音素数值范围之间的大小关系，和预设文本调整规则对所述翻译文本进行调整；

若调整后的翻译文本中的实际音素数量处于所述音素数值范围内，则将所述调整后的翻译文本作为所述目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音。

4.根据权利要求2所述的方法，其特征在于，所述获取各分句语音分别对应的所述原始字幕文本翻译得到的翻译文本包括：

获取所述各分句语音分别对应的所述原始字幕文本翻译得到的多个候选文本；

将所述多个候选文本中优先级最高的候选文本确定为所述翻译文本。

5.根据权利要求4所述的方法，其特征在于，所述将各分句语音分别对应的所述原始字幕文本翻译为目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音还包括：

若所述实际音素数量不处于所述音素数值范围内，则按照所述优先级，将所述多个候选文本依次确定为所述翻译文本，直至所述翻译文本的实际音素数量处于所述音素数值范围内，或所述多个候选文本都已被遍历结束为止。

6.根据权利要求5所述的方法，其特征在于，所述将各分句语音分别对应的所述原始字幕文本翻译为目标字幕文本，并根据所述目标字幕文本合成与所述分句语音对应的目标语音还包括：

若所述多个候选文本都已被遍历结束，且所述翻译文本的实际音素数量仍不处于所述音素数值范围内，则将所述多个候选文本中优先级最高的候选文本确定为所述目标字幕文本；

根据所述目标字幕文本合成中间语音，并通过所述分句语音对应的所述分句时长对所述中间语音进行调速，以使经过所述调速后的中间语音对应的时长与所述分句时长一致，将经过所述调速后的中间语音确定为与所述分句语音对应的目标语音。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取原始语种；

所述对所述原始音频流数据进行分句，并同步识别各分句语音对应的原始字幕文本包括：

对所述原始音频流数据进行分句，并根据所述原始语种同步识别各分句语音对应的原始字幕文本。