[发明专利]用于语音识别的音频数据处理方法及装置

说明书

本发明实施例公开了一种用于语音识别的音频数据处理方法、装置、设备和存储介质，该方法包括：当缓冲区中存储的音频比特流大于目标检测长度时，确定所述音频比特流是否大于最大检测长度；根据确定出的所述音频比特流是否大于最大检测长度的结果，确定对应的端点检测器对所述音频比特流进行端点检测，所述端点检测器包括静默描述符检测器、基于长期网络模型的第一端点检测器以及基于短期网络模型的第二端点检测器；根据所述端点检测的结果，对所述音频比特流进行处理得到用于语音识别的音频样本。本方案避免了连续语音片段被分割为不同部分进行语音识别导致识别性能下降的问题，使得语音区域不会被破坏，显著提高了语音识别的效率和准确率。

技术领域

本申请实施例涉及计算机领域，尤其涉及一种用于语音识别的音频数据处理方法及装置。

背景技术

在使用音频流进行音频传输的时，需要对音频流进行分割以进行语音识别。在客户端和服务器之间，音频流传输的方式主要包括采用音频帧的方式传输以及采用音频数据块的方式进行传输。

在采用音频帧的传输方式中，音频帧序列从音频发送端发送至音频接收端，接收端对音频帧序列进行解码，逐一输入至语音识别器进行语音识别，该种方式无法实现批处理，造成语音识别效率较低。

在采用音频数据块的传输方式中，每个音频数据块作为一个音频段在客户端和服务器之间进行传输。现有技术中，将音频流划分为固定长度的音频段，如图1所示，图1a为现有技术中一种音频数据分段示意图，其以每个20s的时间间隔对音频流进行划分，该种划分方式灵活性较差，可能导致语音识别时，连续的语音片段被进行了切分，由此降低了语音识别效率。

发明内容

本发明实施例提供了一种用于语音识别的音频数据处理方法、装置、设备和存储介质，避免了连续语音片段被分割为不同部分进行语音识别导致识别性能下降的问题，使得语音区域不会被破坏，显著提高了语音识别的效率和准确率。

第一方面，本发明实施例提供了一种用于语音识别的音频数据处理方法，该方法包括：

当缓冲区中存储的音频比特流大于目标检测长度时，确定所述音频比特流是否大于最大检测长度；

根据确定出的所述音频比特流是否大于最大检测长度的结果，确定对应的端点检测器对所述音频比特流进行端点检测，所述端点检测器包括静默描述符检测器、基于长期网络模型的第一端点检测器以及基于短期网络模型的第二端点检测器；

根据所述端点检测的结果，对所述音频比特流进行处理得到用于语音识别的音频样本。

第二方面，本发明实施例还提供了一种用于语音识别的音频数据处理装置，该装置包括：

音频长度检测模块，用于当缓冲区中存储的音频比特流大于目标检测长度时，确定所述音频比特流是否大于最大检测长度；

音频端点检测模块，用于根据确定出的所述音频比特流是否大于最大检测长度的结果，确定对应的端点检测器对所述音频比特流进行端点检测，所述端点检测器包括静默描述符检测器、基于长期网络模型的第一端点检测器以及基于短期网络模型的第二端点检测器；

音频处理模块，用于根据所述端点检测的结果，对所述音频比特流进行处理得到用于语音识别的音频样本。

第三方面，本发明实施例还提供了一种用于语音识别的音频数据处理设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所述的用于语音识别的音频数据处理方法。