语音识别评估方法、装置、存储介质及设备与流程

2021-01-28 17:01:49|

402|

起点商标网

本公开实施例涉及计算机技术领域，尤其涉及语音识别评估方法、装置、存储介质及设备。

背景技术：

自动语音识别(automaticspeechrecognition，asr)技术是一种能够在音频数据中提取文字信息的技术，广泛应用于各种需要实现语音转文字的应用场景。

在asr技术的应用中，往往需要根据实际场景的具体特征，进行有针对性的优化，而欲有效进行优化，准确衡量语音转文字的准确度的技术手段是必不可少的。

技术实现要素：

本公开实施例提供了语音识别评估方法、装置、存储介质及设备，可以优化现有的语音识别评估方案。

第一方面，本公开实施例提供了一种语音识别评估方法，包括：

基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本，其中，所述标注文本和所述语音识别文本对应相同的样本音频数据，所述语音识别文本包括利用预设语音识别方案对所述样本音频数据进行语音识别后输出的识别结果；

基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果；

根据所述对比结果评估所述预设语音识别方案的准确度信息。

第二方面，本公开实施例提供了一种语音识别评估装置，包括：

前置处理模块，用于基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本，其中，所述标注文本和所述语音识别文本对应相同的样本音频数据，所述语音识别文本包括利用预设语音识别方案对所述样本音频数据进行语音识别后输出的识别结果；

对比结果确定模块，用于基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果；

准确度确定模块，用于根据所述对比结果评估所述预设语音识别方案的准确度信息。

第三方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例提供的语音识别评估方法。

第四方面，本公开实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本公开实施例提供的语音识别评估方法。

本公开实施例中提供的语音识别评估方案，基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本，其中，标注文本和语音识别文本对应相同的样本音频数据，语音识别文本包括利用预设语音识别方案对样本音频数据进行语音识别后输出的识别结果，基于预设对比算法确定目标标注文本和所述目标语音识别文本的对比结果，并根据对比结果评估预设语音识别方案的准确度信息。通过采用上述技术方案，在针对语音识别文本进行评估前，先对标注文本和语音识别文本进行同样的前置处理，可以消除两者在一些方面(如格式或文字表达方式等)的不一致性，避免对识别结果产生影响，使得评估结果更加准确。

附图说明

图1为本公开实施例提供的一种语音识别评估方法的流程示意图；

图2为本公开实施例提供的又一种语音识别评估方法的流程示意图；

图3为本公开实施例提供的另一种语音识别评估方法的流程示意图；

图4为本公开实施例提供的一种语音识别评估装置的结构框图；

图5为本公开实施例提供的一种计算机设备的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。

图1为本公开实施例提供的一种语音识别评估方法的流程示意图，该方法可以由语音识别评估装置执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机设备中。该方法可适用于对应用于各种场景的语音识别方案进行评估，所述场景一般存在语音转文字的需求，例如可以是多媒体会议场景、语音聊天场景以及影片字幕自动生成场景等。如图1所示，该方法包括：

步骤101、基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本。

其中，所述标注文本和所述语音识别文本对应相同的样本音频数据，所述语音识别文本包括利用预设语音识别方案对所述样本音频数据进行语音识别后输出的识别结果。

示例性的，样本音频数据可以是随机选取的，也可以根据实际需求录制得到。预设语音识别方案可以是任意的asr方案，也可以是针对某个具体的应用场景设置的asr方案。

以多媒体会议场景为例，可以利用实时通信(real-timecommunication，rtc)技术获取样本音频数据。rtc技术是一种可以通过网络进行端对端实时通信的技术，作为多媒体会议的核心技术，其提供了实时传输会议音视频数据的基础能力，是多媒体会议实时字幕的底层依赖。rtc技术具有多种实现，对于本公开实施例而言，可由rtc技术提供实时音频流，对于其具体实现不做限定。asr技术是多媒体会议实时字幕的技术依赖，可以将会议中的音频流转写为实时字幕，asr技术也具有多种实现，对于本公开实施例而言，可由asr技术提供音频转换而来的文字，对于其具体实现不做限定。

示例性的，在本步骤之前，还可包括获取样本音频数据，具体获取方式不做限定。可选的，在本步骤之前，还可包括获取样本音频数据对应的标注文本和语音识别文本。其中，标注文本一般采用人工标注的方式得到，例如，播放样本音频数据，由负责标注的工作人员通过听写的方式形成标注文本，具体的标注方式不做限定。

本公开实施例中，基于预设前置处理策略对标注文本和语音识别文本进行处理，也即相当于，对标注文本和语音识别文本进行同样的前置处理。预设前置处理策略可根据实际需求设置，具体内容不做限定。

步骤102、基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果。

示例性的，预设对比算法可以根据实际需求进行选择。预设对比算法可以是基于特征向量的对比算法，如分别提取目标标注文本对应的序列的特征向量以及目标语音识别文本对应的序列的特征向量，通过对比两个特征向量的相似性来评估两个序列的相似性，也即评估目标标注文本和目标语音识别文本的相似性。又如，预设对比算法还可以是基于编辑距离的对比算法等，如计算目标语音识别文本对应的序列如何通过编辑操作转化为目标标注文本对应的序列，来得到两个序列之间的差异性。

步骤103、根据所述对比结果评估所述预设语音识别方案的准确度信息。

示例性的，准确度信息可以包括字错率(charactererrorrate，cer，又称字符错误率)、词错率(worderrorrate，wer)或句错率(sentenceerrorrate，ser)等等，可根据实际需求进行设置。其中，中文等每个字符均具有一定含义的语种，一般可采用cer来表征准确度信息。相应地，英文等由多个字符(例如，字母)有机组合成一个单词才具有特定含义的语种，一般可采用wer来表征准确度信息。可采用与准确度信息的类型相对应的方式，根据对比结果确定预设语音识别方案对应的准确度信息。

本公开实施例中提供的语音识别评估方案，基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本，其中，标注文本和语音识别文本对应相同的样本音频数据，语音识别文本包括利用预设语音识别方案对样本音频数据进行语音识别后输出的识别结果，基于预设对比算法确定目标标注文本和所述目标语音识别文本的对比结果，并根据对比结果确定预设语音识别方案的准确度信息。现有技术中，常用的asr准确度评估方法是将要进行asr处理的音频进行人工标注，再将标注结果作为源，直接计算asr识别结果的准确率评估指标。人工标注过程中，对于一些如时间、数值或金额等特殊情况的处理与asr方案(服务)的处理不尽相同，且同一asr方案对一些特殊情况的处理也可能不是完全相同的，若直接用标注结果与asr结果进行asr评估，对识别准确度的评估往往不够准确。通过采用上述技术方案，在针对语音识别文本进行评估前，先对标注文本和语音识别文本进行同样的前置处理，可以消除一些干扰因素对识别结果产生的影响，也即可以消除两者在一些方面(如格式或文字表达方式等)的不一致性，避免对识别结果产生影响，使得评估结果更加准确。

在一些实施例中，所述基于预设前置处理策略对标注文本和语音识别文本进行处理，包括：基于预设前置处理策略对标注文本和语音识别文本进行针对相同的项目的处理，所述项目包括段落格式、字符占位、文字表达方式以及干扰字符中的至少一个。这样设置的好处在于，可以针对一些对语音实质内容相关性较弱的因素进行统一调整，消除这些因素对识别结果产生的影响。

在一些实施例中，段落格式例如可包括行间距、首行缩进以及换行方式等。段落格式一般对文本的实质内容不会产生影响，但在基于预设对比算法确定两个文本的对比结果时，段落格式的差异可能会影响对比结果，因此，可针对段落格式进行前置处理，消除段落格式相关的差异。以换行方式为例，基于预设前置处理策略对标注文本和语音识别文本进行针对段落格式的处理包括：对标注文本和语音识别文本进行多行转单行处理，也即按照相同的换行方式将标注文本和语音识别文本中的多行文字转换成单行文字。这样设置的好处在于，对标准文本和语音识别文本进行统一的多行转单行处理，避免因分段符号的数量或位置的不同对目标标注文本和目标语音识别文本的对比结果产生影响，进而避免对准确度信息产生影响。

在一些实施例中，字符占位例如可包括全角和半角。其中，全角指一个全角字符占用两个标准字符(或两个半角字符)的位置，汉字字符和规定了全角的英文字符及国标gb2312-80中的图形符号和特殊字符都是全角字符，在全角中，字母和数字等与汉字一样占据着等宽的位置；半角是指一个字符占用一个标准的字符位置，半角一般是ascii方式的字符，在没有汉字输入法起作用的时候，输入的字母、数字和字符都是半角的。字符占位方式的不同一般对文本的实质内容不会产生影响，但在基于预设对比算法确定两个文本的对比结果时，字符占位的差异可能会影响对比结果，因此，可针对字符占位进行前置处理，消除字符占位相关的差异。示例性的，基于预设前置处理策略对标注文本和语音识别文本进行针对字符占位的处理包括：对标注文本和语音识别文本进行全角转半角处理，也即将标注文本和语音识别文本中的字符的字符占位方式从全角转换为半角。这样设置的好处在于，对标准文本和语音识别文本进行统一的全角转半角处理，避免因字符占位方式的不同对目标标注文本和目标语音识别文本的对比结果产生影响，进而避免对准确度信息产生影响。

在一些实施例中，基于预设前置处理策略对标注文本和语音识别文本进行针对文字表达方式的处理包括：对标注文本和语音识别文本进行大写转小写处理、特殊数字书写方式转换处理、词形转换处理和单词切分处理中的至少一项。上述文字表达方式的不同一般对文本的实质内容不会产生影响，但在基于预设对比算法确定两个文本的对比结果时，文字表达方式的差异可能会影响对比结果，因此，可针对文字表达方式进行前置处理，消除文字表达方式相关的差异。其中，大写转小写处理对于中文来说一般指纯数字(数值)的大写转小写，也即将标注文本和语音识别文本中的纯数字从大写方式转换为小写方式，对于英文来说可包括字母的大写转小写，也即将标注文本和语音识别文本中的字母从大写方式转换为小写方式，对于其他语言可以有其他的处理方式；特殊数字例如可包括日期、金额或百分数等有特殊含义的数字，对标注文本和语音识别文本进行特殊数字书写方式转换处理可包括将标注文本和语音识别文本中的特殊数字的书写方式转换成预设书写方式；词形转换主要针对英文或其他存在不同词形规定的语言，以英文为例，动词词形可包括原形以及分词等，名词词形可包括单数和复数等，对标注文本和语音识别文本进行词形转换处理可包括将标注文本和语音识别文本中的单词转换成对应的预设词形，例如动词对应的预设词形为原形，名词对应的预设词形为单数。单词切分主要针对英文或其他以字母或符号为表现形式的语言，对标注文本和语音识别文本进行单词切分处理可包括按照预设切分方式对标注文本和语音识别文本进行单词切分，例如基于相同的字典对标注文本和语音识别文本中的单词进行切分。

在一些实施例中，基于预设前置处理策略对标注文本和语音识别文本进行针对干扰字符的处理包括：对标注文本和语音识别文本进行不发音字符滤除处理和/或语气词滤除处理，也即滤除标注文本和语音识别文本中包含的不发音字符和/或语气词。上述干扰字符一般对说话者想要表达的真实内容没有影响，但在基于预设对比算法确定两个文本的对比结果时，干扰字符的不同可能会影响对比结果，因此，可针对干扰字符进行滤除处理，消除差异。

在一些实施例中，所述标注文本包括采用预设标注方式进行标注的文本，所述预设标注方式遵循保持语音原义的原则。这样设置的好处在于，对标注文本的方式进行规范化，忠实语音内容，避免人为因素对语音内容进行实质性的修正，影响标注文本的真实性。

在一些实施例中，所述原则可以体现于以下至少一个方面：避免对重读文字进行纠错、避免对网络用语中的错别字进行纠错、避免对存在缩写的全称读法进行缩写处理、对错误发音进行纠错、按照音频读法对涉及数字的字词进行标注、以及按照音频发音对语气词进行标注。这样设置的好处在于，可以全面地保证标注文本的真实性。

在一些实施例中，所述预设标注方式还包括以下至少一项：为预设类型词语添加第一预设符号标注、采用第二预设符号标注模糊字词、以及基于预设的变更规则变更缩写词书写方式。预设类型词语例如可包括人名、地名或其他有固定特殊含义的类型的词语，这样设置的好处在于，可以将预设类型词语与其他普通词语进行有效的区分，并有利于确认语音识别文本是否准确识别出预设类型词语。模糊字词可以是负责标注的工作人员没办法听清楚的字词，这样设置的好处在于，可以利用第二预设符号对无法进行标注的字词进行占位，保证标注文本的完整性。其中，第一预设符号和第二预设符号可以根据实际需求设置，一般的，被选为第一预设符号和第二预设符号不再作为标点符号使用。变更缩写词书写方式一般针对英文等语言而言，预设的变更规则例如可以是在缩写词的每两个字母之间添加第三预设符号，第三预设符号例如可以是空格。

在一些实施例中，基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果，包括：基于最小编辑距离算法确定所述目标标注文本和所述目标语音识别文本的对应关系；根据所述对应关系确定编辑路径，并将所述编辑路径作为对比结果；相应的，所述根据所述对比结果评估所述预设语音识别方案的准确度信息，包括：根据所述编辑路径确定所述预设语音识别方案的字错率或词错率。这样设置的好处在于，可以利用最小编辑距离快速准确地得出目标标注文本和目标语音识别文本的比对结果。

在一些实施例中，在基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果之后，还可包括：对对比结果进行展示。展示的内容可包括如插入、删除以及替换的内容，便于更加直观地查看对比结果。

图2为本公开实施例提供的又一种语音识别评估方法的流程示意图，本公开实施例以上述实施例中各个可选方案为基础进行优化，具体的，以中文为例，该方法包括如下步骤：

步骤201、基于预设前置处理策略对标注文本和语音识别文本进行针对相同的项目的处理，得到对应的目标标注文本和目标语音识别文本，其中，项目包括段落格式、字符占位、文字表达方式以及干扰字符中的至少一个。

可选的，在本步骤之前，还可包括获取样本音频数据对应的标注文本和语音识别文本的步骤。

其中，标注文本和语音识别文本对应相同的样本音频数据，语音识别文本包括利用预设语音识别方案对样本音频数据进行语音识别后输出的识别结果。

标注文本包括采用预设标注方式进行标注的文本，预设标注方式遵循保持语音原义的原则。示例性的，所述原则体现于以下几个方面：避免对重读文字进行纠错、避免对网络用语中的错别字进行纠错、对错误发音进行纠错、按照音频读法对涉及数字的字词进行标注、以及按照音频发音对语气词进行标注。预设标注方式还包括：为预设类型词语添加第一预设符号标注，以及采用第二预设符号标注模糊字词。

示例性的，避免对重读文字进行纠错可理解为标注内容需要忠实转写(标注)语音内容，不擅自增字减字，即使音频中出现了明显的不通顺，也要按照音频内容进行书写。例如，发音“我我好饿”，“我”字出现了重读，转写仍为“我我好饿”，而不是去掉一个“我”，成为“我好饿”。

示例性的，避免对网络用语中的错别字进行纠错可理解为遇到网络用语时，按照其实际发音进行标注。例如，“童鞋”转写为“童鞋”，而不是“同学”；又如，“孩纸”转写为“孩纸”，而不是“孩子”。

示例性的，对错误发音进行纠错可理解为遇到因为口音或个人习惯导致的发音改变，按照原语音进行标注。例如，发音“yin1niang4”，语境中为“音量”，虽然发音像“音酿”，但应转写为“音量”。

示例性的，按照音频读法对涉及数字的字词进行标注可理解为遇到数字、时间或金额等字词，按照音频的读法进行书写，不得写为阿拉伯数字。需要说明的是，对于包含阿拉伯数字的专有名词可以除外。例如，“十一”转写为“十一”，而不是“11”；“一百元”转写为“一百元”，而不是“￥100”；“百分之五”转写为“百分之五”，而不是“5％”；专有名词“5g”，转写仍为“5g”。

示例性的，以及按照音频发音对语气词进行标注可理解为对于说话人的语气词根据其真实发音从语气词列表中选择对应语气词进行转写。例如，“嗯”、“啊”、“额”、“呃”、“么”、“哦”、“噢”、“喔”、“啵”、“唻”、“嘞”、“哩”、“嘛”、“呸”及“哈”等。

示例性的，预设类型词语例如可包括人名，可以“{}”(第一预设符号)标出，可以按照常用发音书写，对于特定公众人物人名，可以真实书写。例如，发音“李珊”，当认为是人名时，可以按照常用发音标注为“李山”；又如，“马云”，常用发音可能为“马芸”，由于是特定公众人物人名，可真实书写为“马云”。

示例性的，可以采用“*”(第二预设符号)标注模糊字词。例如，对于完全无法识别的词，用以“*”代替一个字，如无法分辨是几个字的，按0.5秒一个字计算。

需要说明的是，上述“{}”和“*”分别用来标记人名和模糊字词，因此，将不再作为标点使用。

示例性的，针对段落格式的处理例如可包括多行转单行；针对字符占位的处理例如可包括全角转半角；针对文字表达方式的处理例如可包括特殊数字书写方式转换处理；针对干扰字符的处理例如可包括进行不发音字符滤除处理和语气词滤除处理。

例如，特殊数字可包括如日期、金额和百分数等。“2008年”可处理为“二零零八年”；“$10”可处理为“十美元”；“10.1％”可处理为“百分之十点一”。

不发音字符例如可包括i.,.！？\；{}[]<>/＝+-&^#$％～`|，。！？、/“”‘’【】「；《》:'：'""等；语气词例如可包括“嗯”、“啊”、“额”、“呃”、“么”、“哦”、“噢”、“喔”、“啵”、“唻”、“嘞”、“哩”、“嘛”、“呸”及“哈”等。

步骤202、基于最小编辑距离算法确定目标标注文本和目标语音识别文本对应的编辑路径。

示例性的，求解最小编辑距离需要使用到动态规划的思想，而动态规划算法本质上需要找到一个递推式描述后项与前项之间的关系，基于最小编辑距离算法可以得出目标标注文本的字符和目标语音识别文本的字符之间的对应关系，并根据对应关系回溯最小编辑距离的路径，得出对比结果。

步骤203、根据编辑路径评估预设语音识别方案的字错率。

cer的计算方式一般为(s+d+i)/n，其中，s(substitution)表示替换的字的数目，d(deletion)表示删除的字的数目，i(insertion)表示插入的字的数目，n表示参考序列中字的总数(也即目标标注文本中的字的总数)。可根据编辑路径确定上述公式中各参数的取值，进而计算cer。

最小编辑距离算法的时间复杂度为o(mn)，计算asr结果与标注结果各一万字的cer耗时1s左右，因此目标标注文本和目标语音识别文本一般不超过一万字(转换为音频时长大约为1小时)。

可以理解，在确定出字错率之后，还可以将步骤202中编辑路径对应的对比结果进行展示。

示例性的，ref(reference，参考)对应于标注结果(也即目标标注文本)，res(result，结果)对应于asr结果(也即目标语音识别文本)，对比结果可展示如下：

ref:一__二七三_四_五

res:一六二__三_八_五

ref行的“__”代表res有插入，res行的“__”代表res有删除，“_字_”代表res有替换，结果可按照ref或res的分句方式(也即上述多行转单行后得到的分句方式)进行展示。

本公开实施例提供的语音识别评估方法，在针对样本音频数据进行标注时，遵循保持语音原意的原则进行标注，避免人为因素对语音内容进行实质性的修正而影响标注文本的真实性，并针对一些对语音实质内容相关性较弱的因素对标注文本和语音识别文本进行统一调整，消除这些因素对识别结果产生的影响，基于最小编辑距离算法对经过前置处理的标注文本和语音识别文本进行比对，计算得到当前中文的语音识别方案字错率，可有效提升针对中文语音识别结果准确度评估的准确性。

图3为本公开实施例提供的另一种语音识别评估方法的流程示意图，本公开实施例以上述实施例中各个可选方案为基础进行优化，具体的，以英文为例，该方法包括如下步骤：

步骤301、基于预设前置处理策略对标注文本和语音识别文本进行针对相同的项目的处理，得到对应的目标标注文本和目标语音识别文本，其中，项目包括段落格式、字符占位、文字表达方式以及干扰字符中的至少一个。

可选的，在本步骤之前，还可包括获取样本音频数据对应的标注文本和语音识别文本。

其中，标注文本和语音识别文本对应相同的样本音频数据，语音识别文本包括利用预设语音识别方案对样本音频数据进行语音识别后输出的识别结果。

标注文本包括采用预设标注方式进行标注的文本，预设标注方式遵循保持语音原义的原则。示例性的，所述原则体现于以下几个方面：避免对重读文字进行纠错、避免对存在缩写的全称读法进行缩写处理、避免对网络用语中的错别字进行纠错、对错误发音进行纠错、按照音频读法对涉及数字的字词进行标注、以及按照音频发音对语气词进行标注。预设标注方式还包括：采用第二预设符号标注模糊字词以及变更缩写词书写方式。

示例性的，避免对重读文字进行纠错可理解为标注内容需要忠实转写(标注)语音内容，不擅自增字减字，即使音频中出现了明显的不通顺，也要按照音频内容进行书写。例如，发音“iimissyou”，“i”字出现了重读，转写仍为“iimissyou”，而不是去掉一个“i”，成为“imissyou”。

示例性的，避免对存在缩写的全称读法进行缩写处理，可理解为虽然存在缩写，但是音频中采用全称的读法，仍采用全程的撰写方式。例如，“unitedstates”转写为“unitedstates”，而不是“us”。

示例性的，变更缩写词书写方式，具体可以是对于音频中按字母读的缩写词，可以以空格隔开每个字母，以便与单词进行区分。例如，“asr”转写为“asr”，“u.s.”转写为“us”。另外需要说明的是，对于缩写词的发音并非逐个字母发音(即按照整个词发音)的词语来说，可以保留原书写方式。例如，“dota”按整个词发音(发音为“刀塔”)的情况，写为“dota”，而不是“dota”。

示例性的，避免对网络用语中的错别字进行纠错可理解为遇到网络用语时，按照其实际发音进行标注。例如，“rsvp”转写为“rsvp”，而不是“replyifyouplease”或“riyp”。

示例性的，对错误发音进行纠错可理解为遇到因为口音或个人习惯导致的发音改变，按照原语音进行标注。例如，发音“velygood”，语境中为“verygood”，但是发音像“velygood”，应当转写为“verygood”。

示例性的，按照音频读法对涉及数字的字词进行标注可理解为遇到数字、时间或金额等字词，按照音频的读法进行书写，不得写为阿拉伯数字。需要说明的是，对于包含阿拉伯数字的专有名词可以除外。例如，“eleven”转写为“eleven”，而不是“11”；“twodollars”转写为“twodollars”，而不是“$2”；“fivepercent”转写为“fivepercent”，而不是“5％”；专有名词“5g”，转写仍为“5g”。

示例性的，按照音频发音对语气词进行标注可理解为对于说话人的语气词根据其真实发音从语气词列表中选择对应语气词进行转写。例如，hmm、mhm、yeah、uh-huh、oh、uh、huh、um、er、ahem、wei、whoa、oops、wow、rawr、awww、whoop、ugh以及nah等。

示例性的，可以采用“*”(第二预设符号)标注模糊字词。例如，对于完全无法识别的词，用以“*”代替一个词，如无法分辨是几个词的，按0.5秒一个词计算。需要说明的是，“*”用来标记模糊字词，因此，将不再作为标点使用。

例如，特殊数字可包括如日期、金额和百分数等。“2008年”可处理为“twothousandandeight”；“$10”可处理为“tendollars”；“10％”可处理为“tenpercent”。

不发音字符例如可包括i.,.！？\；{}[]<>/＝+-&^#$％～`|，。！？、/“”‘’【】「；《》:'：'""等；语气词例如可包括hmm、mhm、yeah、uh-huh、oh、uh、huh、um、er、ahem、wei、whoa、oops、wow、rawr、awww、whoop、ugh以及nah等。

步骤302、基于最小编辑距离算法确定目标标注文本和目标语音识别文本对应的编辑路径。

步骤303、根据编辑路径评估预设语音识别方案的词错率。

wer的计算方式与cer类似，一般也为(s+d+i)/n，其中，s(substitution)表示替换的词的数目，d(deletion)表示删除的词的数目，i(insertion)表示插入的词的数目，n表示参考序列中词的总数(也即目标标注文本中的词的总数)。可根据编辑路径确定上述公式中各参数的取值，进而计算wer。

最小编辑距离算法的时间复杂度为o(mn)，计算asr结果与标注结果各一万词的cer耗时1s左右，因此目标标注文本和目标语音识别文本一般不超过一万词(转换为音频时长大约为1小时)。

可以理解，在确定出词错率之后，还可以将步骤203中编辑路径对应的对比结果进行展示。

示例性的，ref(reference，参考)对应标注结果(也即目标标注文本)，res(result，结果)对应asr结果(也即目标语音识别文本)，对比结果可展示如下：

ref:one__twoninethree_four_five

res:onesixtwo__three_eight_five

ref行的“__”代表res有插入，res行的“__”代表res有删除，“_word_”代表res有替换，结果可按照ref或res的分句方式(也即上述多行转单行后得到的分句方式)进行展示。

本公开实施例提供的语音识别评估方法，在针对样本音频数据进行标注时，遵循保持语音原意的原则进行标注，避免人为因素对语音内容进行实质性的修正而影响标注文本的真实性，并针对一些对语音实质内容相关性较弱的因素对标注文本和语音识别文本进行统一调整，针对英文的特殊性还增加了词形转换的前置处理操作，消除这些因素对识别结果产生的影响，基于最小编辑距离算法对经过前置处理的标注文本和语音识别文本进行比对，计算得到当前英文的语音识别方案词错率，可有效提升针对英文语音识别结果准确度评估的准确性。

需要说明的是，为例便于说明，上述实施例中分别以中文和英文进行举例分开说明，而一些音频中可能同时存在中文和英文，可参考中文或英文相应的步骤针对音频中的中文或英文进行处理，也即本公开实施例提供的方案可适用于同时包含多种语言的样本音频数据。

图4为本公开实施例提供的一种语音识别评估装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在计算机设备中，可通过执行语音识别评估方法来进行语音识别评估。如图4所示，该装置包括：

前置处理模块401，用于基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本，其中，所述标注文本和所述语音识别文本对应相同的样本音频数据，所述语音识别文本包括利用预设语音识别方案对所述样本音频数据进行语音识别后输出的识别结果；

对比结果确定模块402，用于基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果；

准确度确定模块403，用于根据所述对比结果评估所述预设语音识别方案的准确度信息。

本公开实施例中提供的语音识别评估装置，在针对语音识别文本进行评估前，先对标注文本和语音识别文本进行同样的前置处理，可以消除两者在一些方面的不一致性，避免对识别结果产生影响，使得评估结果更加准确。

下面参考图5，其示出了适于用来实现本公开实施例的计算机设备500的结构示意图。本公开实施例中的计算机设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有计算机设备500操作所需的各种程序和数据。处理装置501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许计算机设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的计算机设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备：基于预设前置处理策略对标注文本和语音识别文本进行处理，得到对应的目标标注文本和目标语音识别文本，其中，所述标注文本和所述语音识别文本对应相同的样本音频数据，所述语音识别文本包括利用预设语音识别方案对所述样本音频数据进行语音识别后输出的识别结果；基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果；根据所述对比结果评估所述预设语音识别方案的准确度信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，对比结果确定模块还可以被描述为“基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种语音识别评估方法，包括：

基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果；

根据所述对比结果评估所述预设语音识别方案的准确度信息。

进一步的，所述基于预设前置处理策略对标注文本和语音识别文本进行处理，包括：基于预设前置处理策略对标注文本和语音识别文本进行针对相同的项目的处理，所述项目包括段落格式、字符占位、文字表达方式以及干扰字符中的至少一个。

进一步的，基于预设前置处理策略对标注文本和语音识别文本进行针对段落格式的处理包括：对标注文本和语音识别文本进行多行转单行处理。

进一步的，基于预设前置处理策略对标注文本和语音识别文本进行针对字符占位的处理包括：对标注文本和语音识别文本进行全角转半角处理。

进一步的，基于预设前置处理策略对标注文本和语音识别文本进行针对文字表达方式的处理包括：对标注文本和语音识别文本进行大写转小写处理、特殊数字书写方式转换处理、词形转换处理和单词切分处理中的至少一项。

进一步的，基于预设前置处理策略对标注文本和语音识别文本进行针对干扰字符的处理包括：对标注文本和语音识别文本进行不发音字符滤除处理和/或语气词滤除处理。

进一步的，所述标注文本包括采用预设标注方式进行标注的文本，所述预设标注方式遵循保持语音原义的原则。

进一步的，所述原则体现于以下至少一个方面：避免对重读文字进行纠错、避免对网络用语中的错别字进行纠错、避免对存在缩写的全称读法进行缩写处理、对错误发音进行纠错、按照音频读法对涉及数字的字词进行标注、以及按照音频发音对语气词进行标注。

进一步的，所述预设标注方式还包括以下至少一项：为预设类型词语添加第一预设符号标注、采用第二预设符号标注模糊字词、以及基于预设的变更规则变更缩写词书写方式。

进一步的，基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果，包括：

基于最小编辑距离算法确定所述目标标注文本和所述目标语音识别文本对应的编辑路径，并将所述编辑路径作为对比结果；

相应的，所述根据所述对比结果评估所述预设语音识别方案的准确度信息，包括：

根据所述编辑路径确定所述预设语音识别方案的字错率或词错率。

根据本公开的一个或多个实施例，提供了一种语音识别评估装置，包括：

对比结果确定模块，用于基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果；

准确度确定模块，用于根据所述对比结果评估所述预设语音识别方案的准确度信息。

进一步的，基于预设前置处理策略对标注文本和语音识别文本进行针对段落格式的处理包括：对标注文本和语音识别文本进行多行转单行处理。

进一步的，基于预设前置处理策略对标注文本和语音识别文本进行针对字符占位的处理包括：对标注文本和语音识别文本进行全角转半角处理。

进一步的，所述标注文本包括采用预设标注方式进行标注的文本，所述预设标注方式遵循保持语音原义的原则。

进一步的，基于预设对比算法确定所述目标标注文本和所述目标语音识别文本的对比结果，包括：

基于最小编辑距离算法确定所述目标标注文本和所述目标语音识别文本对应的编辑路径，并将所述编辑路径作为对比结果；

相应的，所述根据所述对比结果评估所述预设语音识别方案的准确度信息，包括：

根据所述编辑路径确定所述预设语音识别方案的字错率或词错率。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。