AI语音识别的智能图片生成方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种AI语音识别的智能图片生成方法、装置、电子设备及计算机可读存储介质。

背景技术

随着生物识别技术手段的成熟，已经广泛应用于各个领域，其中图像处理领域为重要应用场景之一。语音是人体的一项基本生理功能，而且具有唯一性和不可复制性，语音识别可以对语音数据进行转换识别成易懂的文字语言数据，通过机器系统学习生成图片。传统的图片生成技术需要经过专业技术人员设计修改，通过扫描仪将数据载入高配置的计算机系统从而完成操作流程，在操作上对人员专业性要求高，流程繁琐导致图片生成时间较长。综上所述，现有图片生成技术存在效率低的问题。

发明内容

本发明提供一种AI语音识别的智能图片生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决图片生成技术存在效率低的问题。

为实现上述目的，本发明提供的一种AI语音识别的智能图片生成方法，包括：

获取待识别语音，对所述待识别语音进行降噪处理，得到降噪信号；

对所述降噪信号进行数据转化，得到数据信号；

对所述数据信号进行特征提取，得到数据特征；

获取单词语义库，根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词；

在预设的图库中根据所述单词进行关键词搜索，得到目标图片。

可选地，所述对所述待识别语音进行降噪处理，得到降噪信号，包括：

将所述待识别语音转化为语音信号，并对所述语音信号进行能量计算，得到静音帧和语音帧；

对所述静音帧进行功率谱值计算，得到静音帧功率谱值；

对所述语音帧进行平均噪声功率谱值计算，得到语音帧功率谱值；

将所述语音帧功率谱值与所述静音帧功率谱值进行差值处理，得到降噪功率谱；

对所述降噪功率谱进行语音帧转化，得到降噪信号。

可选地，利用下式对所述待识别语音进行能量计算：

其中，M表示为所述待识别语音的短时能量；N表示为所述待识别语音的帧长；x

可选地，所述对所述降噪信号进行数据转化，得到数据信号，包括：

按照预设的采样频率对所述降噪信号进行采样，得到采样值；

将所述采样值进行量化处理，得到量化数据；

将所述量化数据进行编码，得到数据信号。

可选地，所述对所述数据信号进行特征提取，得到数据特征，包括：

对所述数据信号进行切分，得到多个子序列；

对所述子序列进行预处理，得到标准序列；

将所述标准向量进行卷积计算，得到数据特征。

可选地，所述根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词，包括：

对所述数据特征进行编码处理，得到数据特征编码；

根据所述特征编码在所述单词语义库中进行编码查找，得到所述特征编码对应的单词。

可选地，所述在预设的图库中根据所述单词进行关键词搜索，得到目标图片，包括：

获取所述预设的图库中图片文本信息的关键词标，将所述单词与所述关键词标进行相似匹配，得到目标关键词标；

将所述目标关键词标对应的图片以缩略图片的方式输出，得到目标图片。

为了解决上述问题，本发明还提供一种AI语音识别的智能图片生成装置，所述装置包括：

降噪处理模块，用于获取待识别语音，对所述待识别语音进行降噪处理，得到降噪信号；

数据信号生成模块，用于对所述降噪信号进行数据转化，得到数据信号；

数据特征提取模块，用于对所述数据信号进行特征提取，得到数据特征；

特征检索模块，用于获取单词语义库，根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词；

目标图片生成模块，用于在预设的图库中根据所述单词进行关键词搜索，得到目标图片。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的AI语音识别的智能图片生成方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的AI语音识别的智能图片生成方法。

本发明实施例提出了一种基于AI语音识别的智能图片生成方法，通过对待识别语音进行降噪处理，可以删除待识别语音中的杂音、背景音，提高语音识别的精确度；通过对降噪信号进行数据转化，得到数据信号，可以对待识别语音进行体积压缩，减少传输率；对数据信号进行特征提取，可以筛选数据信号中的无效信号并且减少数据总量，降级计算的复杂度；提高在图库中根据单词进行关键词搜索，得到目标图片，可以使用图库对图片内容分析的关键词进行查找，提高了目标图片的生成效率。因此本发明提出的AI语音识别的智能图片生成方法、装置、电子设备及计算机可读存储介质，可以解决进行图片生成时效率较低的问题。

附图说明

图1为本发明一实施例提供的AI语音识别的智能图片生成方法的流程示意图；

图2为本发明一实施例提供的对所述待识别语音进行降噪处理，得到降噪信号的流程示意图；

图3为本发明一实施例提供的对所述降噪信号进行数据转化，得到数据信号的流程示意图；

图4为本发明一实施例提供的AI语音识别的智能图片生成装置的功能模块图；

图5为本发明一实施例提供的实现所述AI语音识别的智能图片生成方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种AI语音识别的智能图片生成方法。所述AI语音识别的智能图片生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述AI语音识别的智能图片生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的AI语音识别的智能图片生成方法的流程示意图。在本实施例中，所述AI语音识别的智能图片生成方法包括：

S1、获取待识别语音，对所述待识别语音进行降噪处理，得到降噪信号；

本发明实施例中，所述待识别语音通过对用户语音的录入得到的，例如，当用户说出“我想要一幅风景图”，用户的语音通过专业录音设备录入，即得到待识别语音，进一步地，本发明实施例可以利用现有技术中任何一款具有录音功能的软件实现。

请参阅图2所示，本发明实施例中，所述对所述待识别语音进行降噪处理，得到降噪信号，包括：

S21、将所述待识别语音转化为语音信号，并对所述语音信号进行能量计算，得到静音帧和语音帧；

S22、对所述静音帧进行功率谱值计算，得到静音帧功率谱值；

S23、对所述语音帧进行平均噪声功率谱值计算，得到语音帧功率谱值；

S24、将所述语音帧功率谱值与所述静音帧功率谱值进行差值处理，得到降噪功率谱；

S25、对所述降噪功率谱进行语音帧转化，得到降噪信号。

本发明实施例中，能量计算就是将所述待识别语音的短时能量与门限值比较，短时能量体现的是所述待识别语音在不同时刻的强弱程度，如果超过门限值则表示当前为有语音的语音段，即语音帧，否则就表示当前为无音的静音段，即静音帧；所述门限值可以通过计算所述待识别语音的前30帧的平均噪声能量值得到；功率谱值计算可以采用周期图法，将所述待识别语音的短时能量值经过傅里叶变换再取幅值平方除以帧数得到；语音帧转化就是将所述降噪功率谱进行ITTF(反傅里叶变化)；。

本发明实施例中，可以利用下式对所述待识别语音进行能量计算：

其中，M表示为所述待识别语音的短时能量；N表示为所述待识别语音的帧长；x

S2、对所述降噪信号进行数据转化，得到数据信号；

请参阅图3所示，本发明实施例中，所述对所述降噪信号进行数据转化，得到数据信号，包括：

S31、按照预设的采样频率对所述降噪信号进行采样，得到采样值；

S32、将所述采样值进行量化处理，得到量化数据；

S33、将所述量化数据进行编码，得到数据信号。

本发明实施例中，所述预设的采样频率的要求是不应低于声音信号最高频率的两倍，针对所述降噪信号的采样频率可以为8kHz；量化处理为把所述采样值转换为离散值(数字值)，按照精度可以对量化进行分类，通常的精度有8bit，16bit，32bit；所述降噪信号经过采样及量化处理之后已经变为了数字形式，对它进行编码可以减少数据量，提高信号传输效率；所述信号传输率可以利用所述采样频率及所述精度进行计算得到，根据所述信号传输率可以控制数据存储空间，从而提高传输效率。

S3、对所述数据信号进行特征提取，得到数据特征；

本发明实施例中，所述对所述数据信号进行特征提取，得到数据特征，包括：

对所述数据信号进行切分，得到多个子序列；

对所述子序列进行预处理，得到标准序列；

将所述标准向量进行卷积计算，得到数据特征。

本发明实施例中，由于所述数据信号包含的数据总量是较大的，利用切分得到多个子序列可以减少计算复杂度；预处理具体可以包含零均值化处理、加重处理，去除所述子序列中包含的重复数据、异值数据，统一所述子序列的数据格式；卷积计算采用卷积神经网络，将所述标准序列输入到神经网络中，经过神经网络的嵌入层进行向量计算，得到所述标准序列的序列向量，所述序列向量被输入到所述神经网络的卷积层进行特征计算，得到多个特征向量，最后由输出层得到所述数据特征。

S4、获取单词语义库，根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词；

本发明实施例中，所述单词语义库是一个数据转化库，该数据转化库中存储了语音识别出的单词，每个单词对应一个特征编码，在进行特征检索时只需要搜索对特征编码进行搜索就可以得到所述编码对应的单词。

本发明实施例中，所述根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词，包括：

对所述数据特征进行编码处理，得到数据特征编码；

根据所述特征编码在所述单词语义库中进行编码查找，得到所述特征编码对应的单词。

本发明实施例中，编码处理可以采用onehot编码(独热编码)，将所述数据特征转换成统一格式的数据特征编码并用二进制的格式进行表示，目的是使信息更易于传输、保存和利用；采用onehot编码可以减少组合逻辑增加处理速度，同时也易于修改并且不影响其他编码。

S5、在预设的图库中根据所述单词进行关键词搜索，得到目标图片。

本发明实施例中，所述在预设的图库中根据所述单词进行关键词搜索，得到目标图片，包括：

获取所述预设的图库中图片文本信息的关键词标，将所述单词与所述关键词标进行相似匹配，得到目标关键词标；

将所述目标关键词标对应的图片以缩略图片的方式输出，得到目标图片。

本发明实施例中，所述预设的图库是一个多媒体数据库，存储大量用户经常搜索的图片并且每类图片都有一个对应的关键字标引便于图片搜索；所述图片文本信息是对所述图库中取图片进行内容分析得到的，内容分析包括物体信息、风景信息、人物信息和文字信息中的至少一种分析；所述缩略图片的生成方式为对所述图片进行缩略图粒度化处理，可以利用OpenCV(开源的计算机视觉库)处理得到。

本发明实施例中，所述将所述单词与所述关键词标进行相似匹配，得到目标关键词标，包括：

对所述单词及所述关键词标进行向量生成，得到单词向量集关键词标向量；

对所述单词向量及所述关键词标向量进行相似度计算，得到相似度结果；

根据所述相似度结果对所述关键词标向量进行筛选，得到目标关键词标。

本发明实施例中，可以利用Word2vec词向量模型对所述单词及所述关键词标进行向量生成；相似度计算可以采用余弦相似度，通过计算所述单词向量及所述关键词标向量之间的余弦值，根据所述余弦值的大小进行相似度判断；所述关键词标的向量筛选可以利用预设的阈值作为判断条件，当所述相似度结果大于0.8，则认为所述单词及所述关键词标是相似的，得到目标关键词标；否则，舍弃所述关键词标，进行下一个关键词标相似度计算。

本发明实施例中，在进行关键词搜索时，由于所述预设的图库中图片的类型多种多样，为了便于用户快速找到合适的目标图片，在进行图片输出时会对图片进行一个热度排序。图片点击率表示为热度，按照点击率的大小进行排列，提高了图片生成的效率。

本发明提出了一种基于AI语音识别的智能图片生成方法，通过对待识别语音进行降噪处理，可以删除待识别语音中的杂音、背景音，提高语音识别的精确度；通过对降噪信号进行数据转化，得到数据信号，可以对待识别语音进行体积压缩，减少传输率；对数据信号进行特征提取，可以筛选数据信号中的无效信号并且减少数据总量，降级计算的复杂度；提高在图库中根据单词进行关键词搜索，得到目标图片，可以使用图库对图片内容分析的关键词进行查找，提高了目标图片的生成效率。因此本发明提出的基于AI语音识别的智能图片生成方法，可以解决图片生成技术效率较低的问题。

如图4所示，是本发明一实施例提供的AI语音识别的智能图片生成装置的功能模块图。

本发明所述AI语音识别的智能图片生成装置100可以安装于电子设备中。根据实现的功能，所述AI语音识别的智能图片生成装置100可以包括降噪处理模块101、数据信号生成模块102、数据特征提取模块103、特征检索模块104及目标图片生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述降噪处理模块101，用于获取待识别语音，对所述待识别语音进行降噪处理，得到降噪信号；

所述数据信号生成模块102，用于对所述降噪信号进行数据转化，得到数据信号；

所述数据特征提取模块103，用于对所述数据信号进行特征提取，得到数据特征；

所述特征检索模块104，用于获取单词语义库，根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词；

所述目标图片生成模块105，用于在预设的图库中根据所述单词进行关键词搜索，得到目标图片。

详细地，本发明实施例中所述AI语音识别的智能图片生成装置100中所述的各模块在使用时采用与附图中所述的AI语音识别的智能图片生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现AI语音识别的智能图片生成方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如AI语音识别的智能图片生成程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行AI语音识别的智能图片生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如AI语音识别的智能图片生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的AI语音识别的智能图片生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取待识别语音，对所述待识别语音进行降噪处理，得到降噪信号；

对所述降噪信号进行数据转化，得到数据信号；

对所述数据信号进行特征提取，得到数据特征；

获取单词语义库，根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词；

在预设的图库中根据所述单词进行关键词搜索，得到目标图片。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1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，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、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)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取待识别语音，对所述待识别语音进行降噪处理，得到降噪信号；

对所述降噪信号进行数据转化，得到数据信号；

对所述数据信号进行特征提取，得到数据特征；

获取单词语义库，根据所述单词语义库对所述数据特征进行特征检索，得到所述数据特征对应的单词；

在预设的图库中根据所述单词进行关键词搜索，得到目标图片。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。