[发明专利]说话人分离算法的评估方法、装置、电子设备和存储介质

说明书

本公开提供一种说话人分离算法的评估方法、装置、电子设备和存储介质。该方法的一具体实施方式包括：将样本音频的说话人分离结果与样本音频的预设语音分段结果对齐，得到第一对齐结果，其中，说话人分离结果通过待评估的说话人分离算法得到，第一对齐结果中语音段落的划分方式与预设语音分段结果一致，第一对齐结果中的说话人标签根据说话人分离结果中的预测说话人标签确定；根据第一对齐结果，评估待评估的说话人分离算法的覆盖效果。上述实施方式能够获得合理的说话人分离算法的评估结果。

技术领域

本公开的实施例涉及语音识别技术领域，具体涉及说话人分离算法的评估方法、装置、电子设备和存储介质

背景技术

说话人分离(Diarization)算法，是将多人说话的音频按相应说话人进行分段、聚类的算法。通常对于一整段音频，如相声、圆桌派、采访、会议等场景，通常可以通过说话人分离算法，将不同的人区分开来。

现有技术中，通常根据DER(diarization error rate，说话人分离错误率)评估话人分离算法的效果。然而，在生成音频文本(例如生成会议字幕或会议记录)的场景中，DER的评估效果不理想，原因在于：一方面，在DER评估方案中，是将说话人分离结果中的说话人标签与真实标签进行比较，而在生成音频文本的场景中，更关注说话人分离结果中的说话人标签与文本断句后的说话人标签之间的比较。另一方面，在DER评估方案中，会将某些情形(例如Unknown，即说话人分离结果中包含未知说话人；又例如False Alarm，即将非人声判断为人声)认定为错误，而这些情形在生成音频文本的场景中是可接受的。例如，可以以“未知”为标签显示字幕。又例如，ASR(Automatic Speech Recognition，自动语音识别技术)可以将False Alarm中的非人声过滤掉，从而不影响会议文本的最终显示效果。

因此，有必要提出一种新的对文本进行处理的说话人分离算法的评估方法，以解决上述至少一个技术问题。

发明内容

本公开的实施例提出了说话人分离算法的评估方法、装置、电子设备和存储介质。

第一方面，本公开提供了一种说话人分离算法的评估方法，包括：

将样本音频的说话人分离结果与上述样本音频的预设语音分段结果对齐，得到第一对齐结果，其中，上述说话人分离结果通过待评估的说话人分离算法得到，上述第一对齐结果中语音段落的划分方式与上述预设语音分段结果一致，上述第一对齐结果中的说话人标签根据上述说话人分离结果中的预测说话人标签确定；

根据上述第一对齐结果，评估上述待评估的说话人分离算法的覆盖效果。

在一些可选的实施方式中，上述方法还包括：

将上述样本音频的真实说话人信息与上述样本音频的预设语音分段结果对齐，得到第二对齐结果，其中，上述第二对齐结果中语音段落的划分方式与上述预设语音分段结果一致，上述第二对齐结果中的说话人标签根据上述真实说话人信息中的真实说话人标签确定；

根据上述第一对齐结果和上述第二对齐结果，评估上述待评估的说话人分离算法的预测效果。

在一些可选的实施方式中，上述方法还包括：

根据上述第二对齐结果，评估上述预设语音分段结果对应的分段算法的分段效果。

在一些可选的实施方式中，上述根据上述第一对齐结果，评估上述待评估的说话人分离算法的覆盖效果，包括：

根据上述第一对齐结果中每个说话人标签对应的语音段落的段落时长确定上述第一对齐结果对应的预测时长，以及根据上述第一对齐结果中每个语音段落的段落时长确定上述第一对齐结果对应的总时长；

根据上述第一对齐结果对应的上述预测时长和上述总时长，得到上述待评估的说话人分离算法的覆盖率，以衡量上述待评估的说话人分离算法的覆盖效果。