会议质量评估方法、装置、设备及存储介质

技术领域

本发明涉及语音处理领域，尤其涉及一种会议质量评估方法、装置、电子设备及可读存储介质。

背景技术

随着经济社会的发展，效率和质量逐渐成为了社会的主旋律，而对于占用人们大量时间的会议的质量评估也逐渐受到了大家的关注。

目前，对于会议质量的评估主要依靠会议的会议纪要等会议文本信息来进行评判，但是，但从文本信息对会议质量进行评估维度单一，准确不高，因此，需要一种准确度更高的会议质量评估方法。

发明内容

本发明提供一种会议质量评估方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高会议质量评估的准确率。

为实现上述目的，本发明提供的一种会议质量评估方法，包括：

根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件；

对所述标准音频文件进行文本识别处理，得到文本信息；

利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分；

对所述标准音频文件进行声纹识别评分，得到音频评分；

根据所述文本评分及所述音频评分进行权重计算，得到评估结果；

将所述评估结果发送至预设的终端设备。

可选地，所述对所述音频文件进行预处理，得到标准音频文件，包括：

利用预设的降噪算法对所述音频文件进行噪声过滤处理，得到降噪音频文件；

对所述降噪音频文件进行预加重处理，得到所述标准音频文件。

可选地，所述对所述标准音频文件进行文本识别处理，得到文本信息，包括：

将所述标准音频文件中的所有语音转换成文本，得到初始文本信息；

对所述初始文本信息进行文本纠错处理，得到文本信息。

可选地，所述利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分之前，还包括：

构建初始评分模型；

获取历史文本信息集，对所述历史文本信息集进行评分标记，得到训练集；

利用所述训练集对所述初始抽取模型进行迭代训练，得到所述文本评分模型。

可选地，所述对所述标准音频文件进行声纹识别评分，得到音频评分，包括：

对所述标准音频文件进行声源分解，得到每个人的音频数据；

利用预设算法，提取所述每个人的音频数据的声纹特征，得到初始声纹特征向量；

汇总所有的初始声纹特征向量，得到初始声纹特征向量集；

对所述初始声纹特征向量集进行筛选过滤，得到目标声纹特征向量集；

根据所述目标声纹特征向量集进行评分计算，得到所述音频评分。

可选地，所述对所述初始声纹特征向量集进行筛选过滤，得到目标声纹特征向量集，包括：

利用相似度函数计算所述初始声纹特征向量集中每个初始声纹特征向量与预设声纹特征向量库中每个声纹特征向量的相似度值，得到对应的相似度值集；

若所述相似度集中存在大于预设相似度阈值的相似度值，确定对应的所述初始声纹特征向量为目标声纹特征向量；

汇总所有的所述目标声纹特征向量，得到目标声纹特征向量集。

可选地，所述所述根据所述目标声纹特征向量集进行评分计算，得到所述音频评分，包括：

统计所述目标声纹特征集中的声纹特征向量的个数，得到第一特征值；

根据所述评估请求获取对应的参与人数，得到第二特征值；

利用第一特征值及第二特征值进行占比评分计算，得到音频评分。

为了解决上述问题，本发明还提供一种会议质量评估装置，所述装置包括：

文本评分模块，用于根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件；对所述标准音频文件进行文本识别处理，得到文本信息；利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分；

音频评分模块，用于对所述标准音频文件进行声纹识别评分，得到音频评分；

计算评估模块，用于根据所述文本评分及所述音频评分进行权重计算，得到评估结果；将所述评估结果发送至预设的终端设备。

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：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现上述所述的会议质量评估方法。

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会议质量评估方法。

本发明实施例根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件，剔除无关因素的影响，提高后续文本识别的准确率；对所述标准音频文件进行文本识别处理，得到文本信息；利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分；对所述标准音频文件进行声纹识别评分，得到音频评分，通过音频维度进行进一步地评估，提高会议评估的准确率；根据所述文本评分及所述音频评分进行权重计算，得到评估结果，进一步提高会议质量评估的准确率；将所述评估结果发送至预设的终端设备。因此，本发明实施例提出的会议质量评估方法、装置、电子设备及计算机可读存储介质提高了会议质量评估的准确率。

附图说明

图1为本发明一实施例提供的会议质量评估方法的流程示意图；

图2为本发明一实施例中得到所述文本评分模型的详细流程示意图；

图3为本发明一实施例提供的会议质量评估装置的模块示意图；

图4为本发明一实施例提供的实现会议质量评估方法的电子设备的内部结构示意图；

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。

本发明实施例提供一种会议质量评估方法。所述会议质量评估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，所述会议质量评估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。

参照图1所示的本发明一实施例提供的会议质量评估方法的流程示意图，在本发明实施例中，所述会议质量评估方法包括：

S1、根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件；

本发明实施例中，所述评估请求为对某个会议的音频文件进行评估的评估请求，其中，所述音频文件为会议的录音文件。

进一步地，由于录音设备及录音环境的影响，导致所述音频文件中包含一些音频噪声，因此为了不影响后续对所述音频文件中的人声信息的提取，本发明实施例中对所述音频文件进行预处理，得到所述标准音频文件。

详细地，本发明实施例中为了去除所述音频文件中的噪声，利用预设的降噪算法对所述音频文件进行噪声过滤处理，得到降噪音频文件；较佳地，本发明实施例中所述降噪算法为LMS算法；进一步地，为了保证后续信息获取的准确性，突出降噪音频文件中的人声，因此，对所述降噪音频文件进行预加重处理，增加所述降噪音频文件中的人声部分，得到所述标准音频文件。

综上所述，本发明实施例中，对所述音频文件进行预处理，得到标准音频文件，包括：利用预设的降噪算法对所述音频文件进行噪声过滤处理，得到降噪音频文件；对所述降噪音频文件进行预加重操作，得到所述标准音频文件。

具体地，本发明实施例可以通过函数y(t)＝x(t)-μx(t-1)执行所述预加重操作，其中，x(t)为降噪音频文件，t为时间，y(t)为所述标准音频文件，μ为所述预加重操作的调节值，本发明实施例中，所述μ的取值范围为[0.9,1.0]。

S2、对所述标准音频文件进行文本识别处理，得到文本信息；

为了获取所述音频文件中的文字信息，方便后续的评估处理，本发明实施例中，需要将所述标准音频文件转换成文字，因此，对所述标准音频文件进行文本识别处理，得到所述文本数据集。

详细地，本发明实施例中所述对所述标准音频文件进行文本识别处理，包括：将所述标准音频文件中的所有语音转换成文本，得到所述初始文本信息，并对所述初始文本信息进行文本纠错处理，得到文本信息。较佳地，本发明实施例中利用ASR(Automatic SpeechRecognition，自动语音识别)技术将所述标准音频文件中的所有语音转换成文本。

S3、利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分；

本发明实施例中，所述文本评分模型可以通过卷积神经网络模型构建，该卷积神经网络模型经过训练之后，可以对文本信息进行评分计算。

本发明实施例中，参阅图2所示，所述利用预构建的文本提取模型对所述文本数据集进行关键词提取之前，还包括：

S31、构建初始评分模型；

如上所述，本发明实施例中所述初始评分模型为卷积神经网络模型；

S32、获取历史文本信息集，对所述历史文本信息集进行评分标记，得到训练集；

本发明实施例中，所述历史文本信息集为多个历史文本信息的集合，所述历史文本信息为与所述文本信息内容的会议文本信息。

进一步地，本发明实施例将所述历史文本信息集中的每个历史文本信息进行评分标签标记，得到初始训练集。详细地，本发明实施例对所述历史文本信息集中的每个历史文本信息进行文本评价，得到对应的历史文本评分，利用历史文本评分对每个所述历史文本信息的进行标记，得到所述训练集。

进一步地，本发明实施例将所述初始训练集中的每个历史文本信息进行向量化处理，得到对应的历史文本向量。具体地，本发明实施例中利用word2vector算法将所述初始训练集中的每个历史文本信息进行向量化处理。

本发明实施例汇总所有的历史文本向量，得到用于对所述文本评分模型进行训练的训练集。

S33、利用所述训练集对所述初始抽取模型进行迭代训练，得到所述文本评分模型。

详细地，所述利用所述训练集对所述初始抽取模型进行迭代训练，包括：

步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到特征集；

步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述训练集中每个历史文本向量对应的所述评分标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；

本发明实施例中所述标签值与所述评分标签是一一对应的，例如：所述评分标签为0.9，那么标签值为0.9.

步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述文本评分模型。

详细地，本发明实施例中所述对所述训练集进行卷积池化操作得到第一特征集，包括：对所述训练集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。

进一步地，所述卷积操作为：

其中，ω’表示所述第一卷积数据集的通道数，ω表示所述训练集的通道数，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。

进一步地，本发明较佳实施例所述第一激活函数包括：

其中，μ

详细地，本发明较佳实施例所述第一损失函数包括：

其中，L

进一步地，本发明实施例中所述利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分，包括：将所述文本信息转化为文本向量，利用所述文本评分模型对所述文本向量进行处理，得到所述文本评分。

S4、对所述标准音频文件进行声纹识别评分，得到音频评分；

上述S3只是对音频的内容质量进行评分，为了让会议的评估维度更加完善，还需要对会议的参与度质量进行评估，因此，本发明实施例对所述标准音频文件进行声纹识别评分，得到音频评分。

详细地，为了确定所述标准音频文件中的实际发言人数，本发明实施例对所述标准音频文件进行声纹特征提取。进一步地，由于所述标准音频文件中包含多人音频，不能直接提取每个人的声纹特征，由于每个人声音的发声声源不同，因此，对所述标准音频文件进行声源分解，得到每个人的音频数据；利用预设算法，提取所述每个人的音频数据的声纹特征，得到初始声纹特征向量；汇总所有的初始声纹特征向量，得到初始声纹特征向量集。较佳地，本发明实施例中所述预设算法梅尔倒谱系数特征算法。

进一步地，由于每个人的声纹特征各不相同，声纹特征的个数可以代表对应的发言人数，但是，为避免非本公司人员的声音造成干扰，因此，对所述初始声纹特征集进行筛选过滤，得到目标声纹特征集。

本发明的另一实施例中，为了数据的安全性，所述目标声纹特征集可以存储在区块链节点中。

详细地，本发明实施例中，所述对所述初始声纹特征集进行筛选过滤，得到目标声纹特征集，包括：利用相似度函数计算所述初始声纹特征向量集中每个初始声纹声纹向量与预设声纹特征向量库中每个声纹特征向量的相似度值，得到对应的相似度值集，若所述相似度集中存在大于预设相似度阈值的相似度值，确定对应的所述初始声纹特征向量为目标声纹特征向量，汇总所有的所述目标声纹特征向量，得到目标声纹特征向量集。例如，声纹特征向量库包含本公司所有员工的声纹特征向量。

进一步地，所述相似度函数为：

其中，x表示所述初始声纹特征向量，y

由于会议质量是由会议内容及会议参与度两方面决定，上述文本评分表示会议内容质量，因此，需要进一步地评估会议参与度质量，本发明实施例根据所述目标声纹特征向量集进行评分计算，得到所述音频评分。

详细地，本发明实施例中，统计所述目标声纹特征集中的声纹特征向量的个数确定实际的发言人数，得到第一特征值；进一步地，为了获取实际的参会人数，因此根据所述评估请求获取对应的参与人数，得到第二特征值，进一步地，利用第一特征值及第二特征值进行占比评分计算，得到音频评分，即利用所述声纹个数及所述参与人数进行评分计算，得到音频评分，其中，所述音频评分＝声纹个数/参与人数，如声纹个数为4、参与人数为5，则音频评分为0.8，通过音频评分表示会议参与度质量。

S5、根据所述文本评分及所述音频评分进行权重计算，得到评估结果；

详细地，本发明实施例中根据所述文本评分及所述音频评分进行权重计算，包括：对所述文本评分及所述音频评分进行权重计算，得到目标评分；根据预设的评估规则，对所述目标评分进行评估得到评估结果，如：评估规则为0.7-1为优秀，0.4-0.6为一般，0.1-0.3为差，目标评分为0.6，则评估结果为一般。

本发明实施例中，所述权重计算可用如下公式进行计算：

C＝β

其中，β

S6、将所述评估结果发送至预设的终端设备。

本本发明实施例中，将所述评估结果发送至预设的终端设备，所述终端设备为所述评估请求发起者对应的终端设备，包括但不限于：手机、电脑、平板。

如图3所示，是本发明会议质量评估装置的功能模块图。

本发明所述会议质量评估装置100可以安装于电子设备中。根据实现的功能，所述会议质量评估装置可以包括文本评分模块101、音频评分模块102、计算评估模块103，本发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：

所述文本评分模块101用于根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件；对所述标准音频文件进行文本识别处理，得到文本信息；利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分。

本发明实施例中，所述评估请求为对某个会议的音频文件进行评估的评估请求，其中，所述音频文件为会议的录音文件。

进一步地，由于录音设备及录音环境的影响，导致所述音频文件中包含一些音频噪声，因此为了不影响后续对所述音频文件中的人声信息的提取，本发明实施例中所述文本评分模块101对所述音频文件进行预处理，得到所述标准音频文件。

详细地，本发明实施例中为了去除所述音频文件中的噪声，所述文本评分模块101利用预设的降噪算法对所述音频文件进行噪声过滤处理，得到降噪音频文件；较佳地，本发明实施例中所述降噪算法为LMS算法；进一步地，为了保证后续信息获取的准确性，突出降噪音频文件中的人声，因此，所述文本评分模块101对所述降噪音频文件进行预加重处理，增加所述降噪音频文件中的人声部分，得到所述标准音频文件。

综上所述，本发明实施例中，所述文本评分模块101利用下述手段对所述音频文件进行预处理，得到标准音频文件，包括：利用预设的降噪算法对所述音频文件进行噪声过滤处理，得到降噪音频文件；对所述降噪音频文件进行预加重操作，得到所述标准音频文件。

具体地，本发明实施例可以通过函数y(t)＝x(t)-μx(t-1)执行所述预加重操作，其中，x(t)为降噪音频文件，t为时间，y(t)为所述标准音频文件，μ为所述预加重操作的调节值，本发明实施例中，所述μ的取值范围为[0.9,1.0]。

为了获取所述音频文件中的文字信息，方便后续的评估处理，本发明实施例中，需要将所述标准音频文件转换成文字，因此，所述文本评分模块101对所述标准音频文件进行文本识别处理，得到所述文本数据集。

详细地，本发明实施例中所述所述文本评分模块101利用下述手段对所述标准音频文件进行文本识别处理，包括：将所述标准音频文件中的所有语音转换成文本，得到所述初始文本信息，并对所述初始文本信息进行文本纠错处理，得到文本信息。较佳地，本发明实施例中利用ASR(Automatic Speech Recognition，自动语音识别)技术将所述标准音频文件中的所有语音转换成文本。

本发明实施例中，所述文本评分模型可以通过卷积神经网络模型构建，该卷积神经网络模型经过训练之后，可以对文本信息进行评分计算。

本发明实施例中，所所述文本评分模块101利用预构建的文本提取模型对所述文本数据集进行关键词提取之前，还包括下述手段：

构建初始评分模型；

如上所述，本发明实施例中所述初始评分模型为卷积神经网络模型；

获取历史文本信息集，对所述历史文本信息集进行评分标记，得到训练集；

本发明实施例中，所述历史文本信息集为多个历史文本信息的集合，所述历史文本信息为与所述文本信息内容的会议文本信息。

进一步地，本发明实施例将所述历史文本信息集中的每个历史文本信息进行评分标签标记，得到初始训练集。详细地，本发明实施例对所述历史文本信息集中的每个历史文本信息进行文本评价，得到对应的历史文本评分，利用历史文本评分对每个所述历史文本信息的进行标记，得到所述训练集。

进一步地，本发明实施例将所述初始训练集中的每个历史文本信息进行向量化处理，得到对应的历史文本向量。具体地，本发明实施例中利用word2vector算法将所述初始训练集中的每个历史文本信息进行向量化处理。

本发明实施例汇总所有的历史文本向量，得到用于对所述文本评分模型进行训练的训练集。

利用所述训练集对所述初始抽取模型进行迭代训练，得到所述文本评分模型。

详细地，所述文本评分模块101利用下述手段对所述初始抽取模型进行迭代训练，包括：

步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到特征集；

步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述训练集中每个历史文本向量对应的所述评分标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；

本发明实施例中所述标签值与所述评分标签是一一对应的，例如：所述评分标签为0.9，那么标签值为0.9.

步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述文本评分模型。

详细地，本发明实施例中所述对所述训练集进行卷积池化操作得到第一特征集，包括：对所述训练集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。

进一步地，所述卷积操作为：

其中，ω’表示所述第一卷积数据集的通道数，ω表示所述训练集的通道数，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。

进一步地，本发明较佳实施例所述第一激活函数包括：

其中，μ

详细地，本发明较佳实施例所述第一损失函数包括：

其中，L

进一步地，本发明实施例中所述利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分，包括：将所述文本信息转化为文本向量，利用所述文本评分模型对所述文本向量进行处理，得到所述文本评分。

所述音频评分模块102用于对所述标准音频文件进行声纹识别评分，得到音频评分。

上述步骤只是对音频的内容质量进行评分，为了让会议的评估维度更加完善，还需要对会议的参与度质量进行评估，因此，本发明实施例所述音频评分模块102对所述标准音频文件进行声纹识别评分，得到音频评分。

详细地，为了确定所述标准音频文件中的实际发言人数，本发明实施例对所述标准音频文件进行声纹特征提取。进一步地，由于所述标准音频文件中包含多人音频，不能直接提取每个人的声纹特征，由于每个人声音的发声声源不同，因此，所述音频评分模块102对所述标准音频文件进行声源分解，得到每个人的音频数据；利用预设算法，提取所述每个人的音频数据的声纹特征，得到初始声纹特征向量；汇总所有的初始声纹特征向量，得到初始声纹特征向量集。较佳地，本发明实施例中所述预设算法梅尔倒谱系数特征算法。

进一步地，由于每个人的声纹特征各不相同，声纹特征的个数可以代表对应的发言人数，但是，为避免非本公司人员的声音造成干扰，因此，所述音频评分模块102对所述初始声纹特征集进行筛选过滤，得到目标声纹特征集。

本发明的另一实施例中，为了数据的安全性，所述目标声纹特征集可以存储在区块链节点中。

详细地，本发明实施例中，所述所述音频评分模块102利用下述手段对所述初始声纹特征集进行筛选过滤，得到目标声纹特征集，包括：利用相似度函数计算所述初始声纹特征向量集中每个初始声纹声纹向量与预设声纹特征向量库中每个声纹特征向量的相似度值，得到对应的相似度值集，若所述相似度集中存在大于预设相似度阈值的相似度值，确定对应的所述初始声纹特征向量为目标声纹特征向量，汇总所有的所述目标声纹特征向量，得到目标声纹特征向量集。例如，声纹特征向量库包含本公司所有员工的声纹特征向量。

进一步地，所述相似度函数为：

其中，x表示所述初始声纹特征向量，y

由于会议质量是由会议内容及会议参与度两方面决定，上述文本评分表示会议内容质量，因此，需要进一步地评估会议参与度质量，本发明实施例根据所述目标声纹特征向量集进行评分计算，得到所述音频评分。

详细地，本发明实施例中，所述音频评分模块102统计所述目标声纹特征集中的声纹特征向量的个数确定实际的发言人数，得到第一特征值；进一步地，为了获取实际的参会人数，因此所述音频评分模块102根据所述评估请求获取对应的参与人数，得到第二特征值，进一步地，所述音频评分模块102利用第一特征值及第二特征值进行占比评分计算，得到音频评分，即利用所述声纹个数及所述参与人数进行评分计算，得到音频评分，其中，所述音频评分＝声纹个数/参与人数，如声纹个数为4、参与人数为5，则音频评分为0.8，通过音频评分表示会议参与度质量。

所述计算评估模块用于根据所述文本评分及所述音频评分进行权重计算，得到评估结果；将所述评估结果发送至预设的终端设备。

详细地，本发明实施例中所述计算评估模块103利用如下手段根据所述文本评分及所述音频评分进行权重计算，包括：对所述文本评分及所述音频评分进行权重计算，得到目标评分；根据预设的评估规则，对所述目标评分进行评估得到评估结果，如：评估规则为0.7-1为优秀，0.4-0.6为一般，0.1-0.3为差，目标评分为0.6，则评估结果为一般。

本发明实施例中，所述权重计算可用如下公式进行计算：

C＝β

其中，β

本发明实施例中，将所述评估结果发送至预设的终端设备，所述终端设备为所述评估请求发起者对应的终端设备，包括但不限于：手机、电脑、平板。

如图4所示，是本发明实现会议质量评估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和总线，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，如会议质量评估程序12。

其中，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1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，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1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1的应用软件及各类数据，例如会议质量评估程序的代码等，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(Control Unit)，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(例如会议质量评估程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(perIPheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，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。

图4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4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1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1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。

进一步地，所述电子设备1还可以包括网络接口，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1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，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1中处理的信息以及用于显示可视化的用户界面。

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存储的会议质量评估程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件；

对所述标准音频文件进行文本识别处理，得到文本信息；

利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分；

对所述标准音频文件进行声纹识别评分，得到音频评分；

根据所述文本评分及所述音频评分进行权重计算，得到评估结果；

将所述评估结果发送至预设的终端设备。

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1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取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。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)。

本发明实施例还可以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：

根据接收的评估请求获取音频文件，对所述音频文件进行预处理，得到标准音频文件；

对所述标准音频文件进行文本识别处理，得到文本信息；

利用预构建的文本评分模型对所述文本信息进行评分预测，得到文本评分；

对所述标准音频文件进行声纹识别评分，得到音频评分；

根据所述文本评分及所述音频评分进行权重计算，得到评估结果；

将所述评估结果发送至预设的终端设备。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

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。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

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。