一种混杂语句对齐方法、电子装置和存储介质

技术领域

本发明涉及自然语言处理，特别涉及一种混杂语句对齐方法、电子装置和存储介质。

背景技术

为了使虚拟人说话时的口型逼真、生动、准确，需要将语音与说话的内容进行对齐。但虚拟人回答的中文文本中有时会涉及大量的夹杂多语言或符号的内容，如外语文字、特殊符号等，目前的语音对齐技术对这些未知的非规范语块的处理效果不太理想，很大程度上影响了用户的交互体验。目前针对混合多语言的中文文本的对齐方法主要有两种：基于字典的对齐和句子级别的语音识别文本对齐。这两种方法都存在较为明显的不足，无法满足对高准确率、简易快速的对齐需求。具体如下：

基于字典的对齐需要为世界上所有语言建立词典，将外文文字映射为音素。对齐时，在进行语言判别后，使用各语言的模型，将所有文字统一映射成音素，进行强制对齐。该方法准确率虽然高，但是工作量巨大——需要对世界上所有语言的全部单词建立发音字典。此外，对于特殊符号、缩写以及数字等的读音也无法穷举。

句子级别的语音识别文本对齐，根据音频和参考文本对，使用语音识别引擎来解码整个音频数据，获得语音识别文本。使用动态编程算法进行特征最大匹配，从而实现句子级别的对齐。但这种方法需要用到大的声学模型和语言模型，计算量非常大，降低了对齐速度。同时语音识别结果受引擎识别能力和中文混杂文本复杂度的影响，对齐效果差，不能获得精确的时间信息。

发明内容

为解决上述技术问题，本发明提供一种混杂语句对齐方法、电子装置和存储介质，具体的技术方案如下：

一种混杂语句对齐方法，包括：

获取混杂文本和目标音频；所述混杂文本包含规范语块与非规范语块；所述混杂文本和所述目标音频具有时间上的对应关系；

使用预先训练好的神经网络模型识别出所述混杂文本中的非规范语块与规范语块，产生分类结果；

根据所述分类结果，对齐所述混杂文本和所述目标音频，获取音频文本时间链接。

优选地，还包括：训练所述神经网络模型，具体包括：

获取训练文本集；所述训练文本集包含纯中文文本、混杂文本；

将所述训练集中的非规范语块标记为未知音素；

根据所述训练文本集训练所述神经网络模型。

优选地，所述对齐所述混杂文本和所述目标音频，包括：

使用规范语块发音词典，将混合文本中的规范语块转换为规范音素序列。

进一步优选地，所述对齐所述混杂文本和所述目标音频，包括：

根据所述规范音素序列，使用强制对齐算法，标记所有所述规范语块及所有所述非规范语块在所述目标音频上的起止时间；

根据各所述非规范语块在所述目标音频上的起止时间，对各所述非规范语句块所对应的音频片段进行规范语句语音识别，获取非规范音素序列；

合并所述规范音素序列和所述非规范音素序列，获取音频文本时间链接。

进一步优选地，还包括：以识别准确率为最终导向，对所述神经网络模型进行区分度训练。

进一步优选地，还包括：所述根据所述训练文本集训练所述神经网络模型，基于以交叉熵损失最小化为准则进行训练。

进一步优选地，所述神经网络模型基于时延深度神经网络。

进一步优选地，所述训练文本集还包括：文字符号混杂文本、字母缩写文本。

另一方面，提供一种电子装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器，用于执行所述存储器上所存放的计算机程序，实现所述一种混杂语句对齐方法。

另一方面，提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现所述一种混杂语句对齐方法。

本发明至少包括以下一项技术效果：

(1)通过输入任意一段音频和相对应的包含多语言的中文文本，可准确输出音素序列中每个音素的起始和结束时间。相比较于传统的对齐方法，本方法可以靶向性地识别文本中的外语或其他非规范语块，只需进行局部的语音识别，大大降低了计算量，提升了语音对齐的整体速度和性能；

(2)纯中文语块不受语音识别引擎能力的影响，大大提升了对齐效果；

(3)充分利用了已有的中文信息，最大限度地避免了误识，具有简单快速、准确率高的优点。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1的流程示意图；

图2为本发明实施例2的流程示意图；

图3为本发明实施例3的流程示意图；

图4为本发明的训练部分流程示意图；

图5为本发明对齐部分流程示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘出了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

实施例1：

如图1、4、5所示，本实施例提供一种混杂语句对齐方法，包括：

S1：获取混杂文本和目标音频；所述混杂文本包含规范语块与非规范语块；所述混杂文本和所述目标音频具有时间上的对应关系；

S2：使用预先训练好的神经网络模型识别出所述混杂文本中的非规范语块与规范语块，产生分类结果；

S3：根据所述分类结果，对齐所述混杂文本和所述目标音频，获取音频文本时间链接。

为了使虚拟人说话时的口型逼真、生动、准确，需要将语音与说话的内容进行对齐。但虚拟人回答的中文文本中有时会涉及大量的夹杂多语言或符号的内容，如外语文字、特殊符号等，目前的语音对齐技术对这些未知的非规范语块的处理效果不太理想，很大程度上影响了用户的交互体验。目前针对混合多语言的中文文本的对齐方法主要有两种：基于字典的对齐和句子级别的语音识别文本对齐。这两种方法都存在较为明显的不足，无法满足对高准确率、简易快速的对齐需求。具体如下：

基于字典的对齐需要为世界上所有语言建立词典，将外文文字映射为音素。对齐时，在进行语言判别后，使用各语言的模型，将所有文字统一映射成音素，进行强制对齐。该方法准确率虽然高，但是工作量巨大——需要对世界上所有语言的全部单词建立发音字典。此外，对于特殊符号、缩写以及数字等的读音也无法穷举。

句子级别的语音识别文本对齐，根据音频和参考文本对，使用语音识别引擎来解码整个音频数据，获得语音识别文本。使用动态编程算法进行特征最大匹配，从而实现句子级别的对齐。但这种方法需要用到大的声学模型和语言模型，计算量非常大，降低了对齐速度。同时语音识别结果受引擎识别能力和中文混杂文本复杂度的影响，对齐效果差，不能获得精确的时间信息。

故在本实施例中，针对字典和语音识别引擎中存在的问题，采取分而治之的方式，通过神经网络模型，将文本划分为规范语块与非规范语块，针对规范语句块和非规范语句块，采用不同的方式进行，可以靶向性地识别文本中的外语或其他非规范语块，只需进行局部的语音识别，大大降低了计算量，提升了语音对齐的整体速度和性能。同时，纯中文语块不受语音识别引擎能力的影响，大大提升了对齐效果。

具体而言，规范语句块一般为完全为中文的语句，而非规范语句块则表现为一种以上的外文、特殊符号、外语字母、字母简写及其他非规范语块，其是通过深度学习训练相应的神经网络模型，结合强制对齐的方法，对语句进行音素级别的对齐，同时标记语句中的非规范语块，标记为一个未知音素，根据时间范围找出其对应的音频，进行语音识别，同时完成音素级别的文本对齐。最后输出整个文本的音素时间标记序列。

同时，针对非中文语言，可以采用类似的手段，比如在法语上，就可以将法语文本视为规范语块，将非法语的部分视为非规范语块，并对其他的内容作出相应的调整，以获取相应的结果。

实施例2：

如图2、4、5所示，本实施例提供一种混杂语句对齐方法，包括：

S0-1：获取训练文本集；所述训练文本集包含纯中文文本、混杂文本；进一步优选地，所述训练文本集还包括：文字符号混杂文本、字母缩写文本；从而使得模型可以适应于各种不同的应用场景。

S0-2：将所述训练集中的非规范语块标记为未知音素；

S0-3：根据所述训练文本集训练所述神经网络模型；优选地，所述根据所述训练文本集训练所述神经网络模型，基于以交叉熵损失最小化为准则进行训练；也就是说将交叉熵作为其损失函数，来衡量真实情况与预测情况的相似度，从而加快学习速率，消除歧义。

S0-4：以识别准确率为最终导向，对所述神经网络模型进行区分度训练；

S1：获取混杂文本和目标音频；所述混杂文本包含规范语块与非规范语块；所述混杂文本和所述目标音频具有时间上的对应关系；

S2：使用预先训练好的神经网络模型识别出所述混杂文本中的非规范语块与规范语块，产生分类结果；

S3：根据所述分类结果，对齐所述混杂文本和所述目标音频，获取音频文本时间链接。

在本实施例中，通过以可控方式构建包含外文的中文数据，训练所有中文音素以及一个非规范语块的TDNN(Time-Delay Neural Network，时延深度神经网络)模型。非规范语块为多语言平均音素MLAP(multi-language average phoneme)，基于MLAP的神经网络模型包含了非中文任意语言的统计学信息，可表示不同语言、不同长度的各种语音单元。对齐时，将可以表示各种未知语言的神经网络模型同已知的中文音素相结合，便可准确地定位各未知语言的语块。语块定位后，对其进行中文语音识别，以实现利用中文音素对外文的最大化近似表示。将已知的中文音素和语音识别后的音素及其起始时间进行融合，得到的音素标记序列即为最终的对齐结果。

实施例3：

如图3、4、5所示，本实施例提供一种混杂语句对齐方法，包括：

S1：获取混杂文本和目标音频；所述混杂文本包含规范语块与非规范语块；所述混杂文本和所述目标音频具有时间上的对应关系；

S2：使用预先训练好的神经网络模型识别出所述混杂文本中的非规范语块与规范语块，产生分类结果；

S3-1：使用规范语块发音词典，将混合文本中的规范语块转换为规范音素序列；

S3-2：根据所述规范音素序列，使用强制对齐算法，标记所有所述规范语块及所有所述非规范语块在所述目标音频上的起止时间；

S3-3：根据各所述非规范语块在所述目标音频上的起止时间，对各所述非规范语句块所对应的音频片段进行规范语句语音识别，获取非规范音素序列；

S3-4：合并所述规范音素序列和所述非规范音素序列，获取音频文本时间链接。

在具体的使用过程中，首先通过神经网络模型对目标文本进行分析，进而将音素级强制对齐和基于非规范语块的语块级语音识别文本对齐两者进行结合，最后输出每个音素的时间标记。

更具体而言：首先获取目标音频和相对应的文本。该文本应当包含外语、特殊符号等语句。

然后将语音和文本对齐，将目标音频和相对应的文本进行强制对齐，在文本和语音之间建立毫秒级的时间链接，标记每个音素的起始时间。在此过程中，神经网络模型具体的对齐策略可进行如下解析：

使用中文发音词典，将中文文本转换成音素，结合中文音素模型和非规范语块模型，利用强制对齐算法，标记每个中文音素以及非规范语块在音频上的开始时间和结束时间。最终输出的结果为：包含非规范语块在内的所有音素时间标记序列。非规范语块对应音频的语音识别：根据已完成标记的非规范语块的时间范围，将相对应的音频进行中文语音识别，标记出每个音素的起始时间，输出一段带有时间标记的音素序列，从而实现整个文本的对齐。

实施例5：

本实施例提供一种电子装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器，用于执行所述存储器上所存放的计算机程序，实现所述一种混杂语句对齐方法。

在本实施例中，所述设备可以为桌上型计算机、笔记本、掌上电脑、平板型计算机、手机、人机交互屏等设备。所述设备可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，仅仅是设备的示例，并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，示例性的：设备还可以包括输入/输出接口、显示设备、网络接入设备、通信总线、通信接口等。通信接口和通信总线，还可以包括输入/输出接口，其中，处理器、存储器、输入/输出接口和通信接口通过通信总线完成相互间的通信。该存储器存储有计算机程序，该处理器用于执行存储器上所存放的计算机程序，实现上述实施例中的方法。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可以是所述设备的内部存储单元，示例性的：设备的硬盘或内存。所述存储器也可以是所述设备的外部存储设备，示例性的：所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述设备所需要的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

通信总线是连接所描述的元素的电路并且在这些元素之间实现传输。示例性的，处理器通过通信总线从其它元素接收到命令，解密接收到的命令，根据解密的命令执行计算或数据处理。存储器可以包括程序模块，示例性的，内核(kernel)，中间件(middleware)，应用程序编程接口(Application Programming Interface，API)和应用。该程序模块可以是有软件、固件或硬件、或其中的至少两种组成。输入/输出接口转发用户通过输入/输出接口(示例性的，感应器、键盘、触摸屏)输入的命令或数据。通信接口将该设备与其它网络设备、用户设备、网络进行连接。示例性的，通信接口可以通过有线或无线连接到网络以连接到外部其它的网络设备或用户设备。无线通信可以包括以下至少一种：无线保真(WiFi)，蓝牙(BT)，近距离无线通信技术(NFC)，全球卫星定位系统(GPS)和蜂窝通信等等。有线通信可以包括以下至少一种：通用串行总线(USB)，高清晰度多媒体接口(HDMI)，异步传输标准接口(RS-232)等等。网络可以是电信网络和通信网络。通信网络可以为计算机网络、因特网、物联网、电话网络。设备可以通过通信接口连接网络，设备和其它网络设备通信所用的协议可以被应用、应用程序编程接口(API)、中间件、内核和通信接口至少一个支持。

在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其他的方式实现。示例性的，以上所描述的装置/设备实施例仅仅是示意性的，示例性的，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，示例性的，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序发送指令给相关的硬件完成，所述的计算机程序可存储于一介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述介质可以包括：能够携带所述计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，示例性的：在某些司法管辖区，根据立法和专利实践，计算机可读的介质不包括电载波信号和电信信号。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将所述装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可是各个单元单独物理存在，也可以两个或两个以上单元集成在一个处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

实施例6：

本实施例提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现所述一种混杂语句对齐方法。

本发明的技术效果：

(1)通过输入任意一段音频和相对应的包含多语言的中文文本，可准确输出音素序列中每个音素的起始和结束时间。相比较于传统的对齐方法，可以靶向性地识别文本中的外语或其他非规范语块，只需进行局部的语音识别，大大降低了计算量，提升了语音对齐的整体速度和性能；

(2)纯中文语块不受语音识别引擎能力的影响，大大提升了对齐效果；

(3)充分利用了已有的中文信息，最大限度地避免了误识，具有简单快速、准确率高的优点。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。