本發(fā)明涉及語(yǔ)音識(shí)別和聲紋識(shí)別技術(shù)領(lǐng)域，尤其涉及一種文字直播方法及平臺(tái)。

背景技術(shù)：

目前，對(duì)直播過(guò)程一般以人工的方式將語(yǔ)音轉(zhuǎn)換為文字，即相關(guān)工作人員將聽(tīng)到的發(fā)言人的語(yǔ)音轉(zhuǎn)換為文字，例如：有主持人、嘉賓、采訪者和被訪者，將各自說(shuō)話的語(yǔ)音轉(zhuǎn)為文字，并直播每句話是某個(gè)人說(shuō)的。這種方式需要耗費(fèi)大量的人力成本，并且受限于速度，很大可能出現(xiàn)轉(zhuǎn)換前一句話時(shí)，沒(méi)有辦法集中精力聽(tīng)下一句話，造成漏播、錯(cuò)播，使文字直播效率低下。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明實(shí)施例期望提供一種文字直播方法及平臺(tái)，能將直播過(guò)程中發(fā)言者的語(yǔ)音轉(zhuǎn)換為有序的文字，并識(shí)別出文字的歸屬者，提高文字直播效率，節(jié)省人力物力。

為達(dá)到上述目的，本發(fā)明實(shí)施例提供了一種文字直播方法：

將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；

根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬；

生成有序的包含歸屬者的文字作為直播文字。

其中，所述將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字包括：將語(yǔ)音音頻轉(zhuǎn)換為文字，并根據(jù)直播的語(yǔ)音音頻中發(fā)言者的對(duì)話順序確定轉(zhuǎn)換后的文字順序，將按對(duì)話順序排序的文字作為有序文字。

其中，所述根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬之前，所述方法還包括：

對(duì)直播的語(yǔ)音音頻中的各個(gè)發(fā)言者進(jìn)行聲紋特征提取，所述聲紋特征包括：聲學(xué)特征、詞法特征、韻律特征、語(yǔ)種、方言和口音特征。

其中，所述根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成有序文字的歸屬，包括：

將所述提取的聲紋特征與語(yǔ)音音頻中的發(fā)言者形成對(duì)應(yīng)關(guān)系，確定直播的語(yǔ)音音頻中當(dāng)前語(yǔ)音音頻的歸屬，確定所述有序文字的歸屬。

本發(fā)明實(shí)施例還提供了一種文字直播平臺(tái)，包括：

語(yǔ)音識(shí)別模塊，用于將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；

聲紋識(shí)別模塊，用于根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬；

處理模塊，用于生成有序的包含歸屬者的文字作為直播文字。

其中，所述語(yǔ)音識(shí)別模塊具體用于：將語(yǔ)音音頻轉(zhuǎn)換為文字，并根據(jù)直播的語(yǔ)音音頻中發(fā)言者的對(duì)話順序確定轉(zhuǎn)換后的文字順序，將按對(duì)話順序排序的文字作為有序文字。

其中，所述聲紋識(shí)別模塊，還用于對(duì)直播的語(yǔ)音音頻中的各個(gè)發(fā)言者進(jìn)行聲紋特征提取。

其中，所述聲紋識(shí)別模塊具體用于：將所述提取的聲紋特征與語(yǔ)音音頻中的發(fā)言者形成對(duì)應(yīng)關(guān)系，確定直播的語(yǔ)音音頻中語(yǔ)音音頻的歸屬，確定所述有序文字的歸屬。

本發(fā)明實(shí)施例提供的文字直播方法及平臺(tái)，將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬，生成有序的包含歸屬者的文字作為直播文字。如此，能夠?qū)崟r(shí)將直播中發(fā)言者的語(yǔ)音音頻轉(zhuǎn)換為文字，并確定所述文字的歸屬者，再將生成的直播文字進(jìn)行展示，能提高文字直播效率，節(jié)省人力物力。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例文字直播方法實(shí)現(xiàn)流程示意圖；

圖2為本發(fā)明實(shí)施例文字直播平臺(tái)的組成結(jié)構(gòu)示意圖；

圖3為本發(fā)明實(shí)施例文字直播方法完整流程示意圖。

具體實(shí)施方式

圖1為本發(fā)明實(shí)施例文字直播方法實(shí)現(xiàn)流程示意圖，如圖1所示，本發(fā)明實(shí)施例文字直播方法包括以下步驟：

步驟101：將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；

本步驟可采用現(xiàn)有的語(yǔ)音識(shí)別(Speech Recognize)技術(shù)識(shí)別語(yǔ)音音頻，所謂語(yǔ)音識(shí)別技術(shù)，是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程，使其能聽(tīng)懂人類語(yǔ)言的技術(shù)；語(yǔ)音識(shí)別技術(shù)是信息技術(shù)中人機(jī)交互的關(guān)鍵技術(shù)，目前已經(jīng)在呼叫中心、電信增值業(yè)務(wù)、企業(yè)信息化系統(tǒng)中有著廣泛的應(yīng)用。

隨著語(yǔ)音識(shí)別在語(yǔ)音搜索、語(yǔ)音控制等全新應(yīng)用領(lǐng)域的深入應(yīng)用，語(yǔ)音識(shí)別技術(shù)被業(yè)界權(quán)威人士譽(yù)為有可能引發(fā)人機(jī)界面領(lǐng)域革命的關(guān)鍵技術(shù)。目前，語(yǔ)音識(shí)別技術(shù)已經(jīng)可以進(jìn)行針對(duì)長(zhǎng)時(shí)間音頻進(jìn)行語(yǔ)音轉(zhuǎn)換文字，再通過(guò)文字的信息服務(wù)特定的應(yīng)用。

具體語(yǔ)音識(shí)別工具，可以采用隱性馬爾科夫(HMM，Hidden Markov Model)模型，HMM模型是語(yǔ)音識(shí)別領(lǐng)域廣泛采用的統(tǒng)計(jì)學(xué)模型，能表示出語(yǔ)音信號(hào)的時(shí)變特征和隨機(jī)特征，能適應(yīng)各種變化的發(fā)音，進(jìn)而適合非特定人的大詞匯量連續(xù)語(yǔ)音的識(shí)別工作。

本步驟中，具體的，所述將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字包括：通過(guò)語(yǔ)音識(shí)別模塊將語(yǔ)音音頻轉(zhuǎn)換為文字，并根據(jù)直播的語(yǔ)音音頻中發(fā)言者的對(duì)話順序確定轉(zhuǎn)換后的文字順序，將按對(duì)話順序排好序的文字作為有序文字。

步驟102：根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬；

本步驟之前，所述方法還包括：對(duì)直播的語(yǔ)音音頻中的各個(gè)發(fā)言者進(jìn)行聲紋特征提取，所述聲紋特征包括：聲學(xué)特征、詞法特征、韻律特征、語(yǔ)種、方言和口音特征；

特征提取的目的是：提取并選擇對(duì)發(fā)言者的聲紋具有可分性強(qiáng)、穩(wěn)定性高等特性的聲學(xué)或語(yǔ)言特征。與語(yǔ)音識(shí)別不同，聲紋識(shí)別的特征必須是個(gè)性化特征，而發(fā)言者語(yǔ)音識(shí)別的特征，對(duì)發(fā)言者來(lái)講必須是共性特征。

雖然，目前大部分聲紋識(shí)別系統(tǒng)用的都是聲學(xué)層面的特征，但是表征一個(gè)人特點(diǎn)的特征應(yīng)該是多層面的，包括：(1)與人類的發(fā)音機(jī)制的解剖學(xué)結(jié)構(gòu)有關(guān)的聲學(xué)特征(如頻譜、倒頻譜、共振峰、基音、反射系數(shù)等)、鼻音、帶深呼吸音、沙啞音、笑聲等；(2)受社會(huì)經(jīng)濟(jì)狀況、受教育水平、出生地等影響的語(yǔ)義、修辭、發(fā)音、言語(yǔ)習(xí)慣等；(3)個(gè)人特點(diǎn)或受父母影響的韻律、節(jié)奏、速度、語(yǔ)調(diào)、音量等特征。

從利用數(shù)學(xué)方法可以建模的角度出發(fā)，聲紋自動(dòng)識(shí)別模型目前可以使用的特征包括：(1)聲學(xué)特征；(2)詞法特征；(3)韻律特征；(4)語(yǔ)種、方言和口音信息。因此，采集聲紋特征，應(yīng)該能夠有效地區(qū)分不同的發(fā)言者。

所述根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬，包括：將所述提取的聲紋特征與語(yǔ)音音頻中的發(fā)言者形成對(duì)應(yīng)關(guān)系，確定直播的語(yǔ)音音頻中當(dāng)前語(yǔ)音音頻的歸屬，進(jìn)一步確定所述有序文字的歸屬。

在實(shí)際應(yīng)用中，聲紋識(shí)別可以有以下幾類方法：

模板匹配方法：利用動(dòng)態(tài)時(shí)間彎折以對(duì)準(zhǔn)訓(xùn)練和測(cè)試特征序列，主要用于固定詞組的應(yīng)用；

最近鄰方法：訓(xùn)練時(shí)保留所有特征矢量，識(shí)別時(shí)對(duì)每個(gè)矢量都找到訓(xùn)練矢量中最近的K個(gè)，據(jù)此進(jìn)行識(shí)別，通常模型存儲(chǔ)和相似計(jì)算的量都很大；

神經(jīng)網(wǎng)絡(luò)方法：有很多種形式，如多層感知、徑向基函數(shù)等，可以顯式訓(xùn)練以區(qū)分發(fā)言者和其背景發(fā)言者，其訓(xùn)練量很大，且模型的可推廣性不好；

HMM方法：通常使用單狀態(tài)的HMM，或高斯混合模型，是比較流行的方法，效果比較好；

VQ聚類方法：效果比較好，算法復(fù)雜度也不高，和HMM方法配合起來(lái)更可以收到更好的效果；

多項(xiàng)式分類器方法：有較高的精度，但模型存儲(chǔ)和計(jì)算量都比較大。

步驟103：生成有序的包含歸屬者的文字作為直播文字；

根據(jù)步驟101和步驟102分別確定出了有序文字、以及文字的歸屬者，本步驟通過(guò)將上述內(nèi)容進(jìn)行編輯并進(jìn)行展示，如：主持人(這里顯示的是發(fā)言人的姓名)：XXXXX(這里顯示的是發(fā)言內(nèi)容)，將步驟103中語(yǔ)音識(shí)別出的有序文字之前加入步驟102中識(shí)別出的發(fā)言人的姓名，使用戶盡量真實(shí)的感受到直播過(guò)程。

圖2為本發(fā)明實(shí)施例文字直播平臺(tái)的組成結(jié)構(gòu)示意圖，如圖2所示，本發(fā)明實(shí)施例文字直播平臺(tái)包括：語(yǔ)音識(shí)別模塊201、聲紋識(shí)別模塊、處理模塊203；其中，

語(yǔ)音識(shí)別模塊201，用于將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；

聲紋識(shí)別模塊202，用于根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬；

處理模塊203，用于生成有序的包含歸屬者的文字作為直播文字；

其中，語(yǔ)音識(shí)別模塊201具體用于：將語(yǔ)音音頻轉(zhuǎn)換為文字，并根據(jù)直播的語(yǔ)音音頻中發(fā)言者的對(duì)話順序確定轉(zhuǎn)換后的文字順序，將按對(duì)話順序排好序的文字稱為有序文字；

所述聲紋識(shí)別模塊202，還用于對(duì)直播的語(yǔ)音音頻中的各個(gè)發(fā)言者進(jìn)行聲紋特征提取。

聲紋識(shí)別模塊202具體用于：將所述提取的聲紋特征與語(yǔ)音音頻中的發(fā)言者形成對(duì)應(yīng)關(guān)系，確定直播的語(yǔ)音音頻中語(yǔ)音音頻的歸屬，進(jìn)一步確定所述有序文字的歸屬。

圖3為本發(fā)明實(shí)施例文字直播方法完整流程示意圖，如圖3所示，本發(fā)明實(shí)施例文字直播方法完整流程包括以下步驟：

步驟301：輸入直播語(yǔ)音音頻；

這里，可將直播語(yǔ)音音頻輸入到本發(fā)明實(shí)施例文字所述的直播平臺(tái)中；

步驟302：進(jìn)行語(yǔ)音識(shí)別；

其中，語(yǔ)音識(shí)別過(guò)程包括：將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；

在實(shí)際應(yīng)用中，對(duì)語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別過(guò)程可以使用了數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、識(shí)別測(cè)試等方法進(jìn)行識(shí)別；其中，

數(shù)據(jù)準(zhǔn)備是用來(lái)將采集的語(yǔ)音文件轉(zhuǎn)換成可以被系統(tǒng)處理的用于訓(xùn)練的數(shù)據(jù)文件，包含：語(yǔ)音特征參數(shù)提取過(guò)程，主要提取語(yǔ)音的梅爾倒譜系數(shù)(MFCC，Mel-scale Frequency Cepstral Coefficients)，其中，MFCC充分考慮的人耳的聽(tīng)覺(jué)特性，不僅能提高抗噪性能，而且能突出包含語(yǔ)音大部分信息的低頻部分，有利于提高語(yǔ)音識(shí)別性能，對(duì)于動(dòng)態(tài)性比較強(qiáng)的輔音，MFCC也可以能夠進(jìn)行很好的識(shí)別；

訓(xùn)練模型主要是基于Baum-Welch算法，在模型訓(xùn)練之前先確定隱馬爾科夫模型(HMM，Hidden Markov Model)的拓?fù)浣Y(jié)構(gòu)，并以文本的形式進(jìn)行保存，然后對(duì)語(yǔ)音識(shí)別模塊建立HMM模型；

識(shí)別測(cè)試主要應(yīng)用Viterbi算法在語(yǔ)音識(shí)別單元中隊(duì)語(yǔ)音進(jìn)行識(shí)別；

整個(gè)語(yǔ)音識(shí)別過(guò)程就是在語(yǔ)音數(shù)據(jù)轉(zhuǎn)化之后，使用模型訓(xùn)練根據(jù)這些數(shù)據(jù)和相關(guān)的文本文件估計(jì)出HMM模型的參數(shù)，根據(jù)這些訓(xùn)練產(chǎn)生的模型利用語(yǔ)音識(shí)別模塊將直播語(yǔ)音轉(zhuǎn)換成相應(yīng)的文字；

步驟303：進(jìn)行聲紋識(shí)別；

其中，聲紋識(shí)別過(guò)程包括：先對(duì)直播的語(yǔ)音音頻中的發(fā)言者進(jìn)行聲紋特征提取，將所述提取的聲紋特征與語(yǔ)音音頻中的發(fā)言者形成對(duì)應(yīng)關(guān)系，確定直播的語(yǔ)音音頻中語(yǔ)音音頻的歸屬，進(jìn)一步確定所述有序文字的歸屬。

步驟304：生成直播文字；

將步驟302和303確定出的有序文字以及文字的歸屬，生成直播文字進(jìn)行展示。

通過(guò)上述步驟，將直播的語(yǔ)音音頻進(jìn)行語(yǔ)音識(shí)別，生成有序文字；根據(jù)預(yù)先設(shè)置的聲紋特征確定所生成的有序文字的歸屬；生成有序的包含歸屬者的直播文字。如此，可以提高語(yǔ)音轉(zhuǎn)換文字直播的效率，同時(shí)還可以使收看者感受真實(shí)的直播過(guò)程。

以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。