1.本公开涉及语音识别技术领域，具体地，涉及一种分句方法、装置、存储介质及电子设备。


背景技术：

2.在视频字幕场景语音识别应用中，需要对识别出的文本进行分句以进行分屏显示。而且为了保证字幕的可读性，往往要求单个分句只包含一个说话人，避免出现单屏字幕同时包含不同说话人说话内容的情况。常规的分句方法只是结合了语音识别文本的语义信息，对语义转折处进行切分。这种方法对于单说话人的视频有很好的效果，但是对于多说话人的对话场景视频，单纯使用语义信息会导致在说话人转换处切分效果较差，出现单个分句包含多个说话人说话内容的情况。


技术实现要素：

3.提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种分句方法，包括：
5.获取目标音频数据；
6.提取所述目标音频数据对应的语音识别文本以及所述语音识别文本中、每一识别字符在所述目标音频数据中所对应的第一时段；
7.对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段；
8.根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说话人分割，得到分句结果。
9.第二方面，本公开提供一种分句装置，包括：
10.获取模块，用于获取目标音频数据；
11.提取模块，用于提取所述获取模块获取到的所述目标音频数据对应的语音识别文本以及所述语音识别文本中、每一识别字符在所述目标音频数据中所对应的第一时段；
12.第一分割模块，用于对所述获取模块获取到的所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段；
13.第二分割模块，用于根据所述提取模块提取到的每一所述识别字符所对应的所述第一时段和所述第一分割模块得到的每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说话人分割，得到分句结果。
14.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。
15.第四方面，本公开提供一种电子设备，包括：
16.存储装置，其上存储有一个或多个计算机程序；
17.一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现本公开第一方面提供的所述方法的步骤。
18.在上述技术方案中，获取目标音频数据；提取目标音频数据对应的语音识别文本以及语音识别文本中、每一识别字符在目标音频数据中所对应的第一时段；同时，对目标音频数据进行说话人分割，得到目标音频数据中每个说话片段对应的第二时段；然后，根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，对语音识别文本进行说话人分割，得到分句结果。由此，能够有效利用说话人时段信息和语音识别文本中每一字符在目标音频数据中所对应的时段，对语音识别文本进行说话人分割，实现对说话人转换处进行合理有效的切分，避免单个分句包含多个说话人说话内容的情况，提升了分句效果。
19.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
21.图1是根据一示例性实施例示出的一种分句方法的流程图。
22.图2是根据另一示例性实施例示出的一种分句方法的流程图。
23.图3是根据另一示例性实施例示出的一种分句方法的流程图。
24.图4是根据一示例性实施例示出的一种分句装置的框图。
25.图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
26.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。
27.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。
28.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。
29.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。
30.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”。
31.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。
32.图1是根据一示例性实施例示出的一种分句方法的流程图。如图1所示，该方法可以包括s101～s104。
33.在s101中，获取目标音频数据。
34.在本公开中，目标音频数据可以包括多个说话人语音片段。示例地，目标音频数据可以为多说话人的对话录音，也可以是多说话人的对话场景视频中的音频片段。
35.在s102中，提取目标音频数据对应的语音识别文本以及语音识别文本中、每一识别字符在目标音频数据中所对应的第一时段。
36.在本公开中，可以利用自动语音识别技术(automatic speech recognition，asr)对目标音频数据进行语音识别，以得到语音识别文本和语音识别文本中每一字符(这里称为识别字符)在目标音频数据中所对应的起始时间和结束时间，即第一时段。
37.在s103中，对目标音频数据进行说话人分割，得到目标音频数据中每个说话片段对应的第二时段。
38.在本公开中，对目标音频进行说话人分割是指检测目标音频数据中的说话人转换点，将相邻两个说话人转换点之间的语音作为一个说话片段。
39.在s104中，根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，对语音识别文本进行说话人分割，得到分句结果。
40.在上述技术方案中，获取目标音频数据；提取目标音频数据对应的语音识别文本以及语音识别文本中、每一识别字符在目标音频数据中所对应的第一时段；同时，对目标音频数据进行说话人分割，得到目标音频数据中每个说话片段对应的第二时段；然后，根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，对语音识别文本进行说话人分割，得到分句结果。由此，能够有效利用说话人时段信息和语音识别文本中每一字符在目标音频数据中所对应的时段，对语音识别文本进行说话人分割，实现对说话人转换处进行合理有效的切分，避免单个分句包含多个说话人说话内容的情况，提升了分句效果。
41.下面针对上述s103中的对目标音频数据进行说话人分割，得到目标音频数据中每个说话片段对应的第二时段的具体实施方式进行详细说明。具体来说，可以通过多种实施方式来进行说话人分割，在一种实施方式中，可以通过接收人工输入的分割标记对上述目标音频数据进行说话人分割，从而确定上述目标音频数据中每个说话片段的起始时间和结束时间，即目标音频数据中每个说话片段对应的第二时段。
42.在另一种实施方式中，可以将目标音频数据输入到预先训练好的说话人识别模型中，以对目标音频数据进行说话人分割，得到目标音频数据中每个说话片段对应的第二时段。这样，可以自动分割出不同说话人的说话片段，方便快捷，从而提升了后续语音识别文本的分句效率。
43.下面针对上述s104中的根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，对语音识别文本进行说话人分割的具体实施方式进行详细说明。具体来说，可以通过以下步骤(1)和步骤(2)来实现：
44.(1)根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，从语音识别文本中确定说话人转换点字符。
45.(2)以说话人转换点字符为切分依据，对语音识别文本进行说话人分割。
46.其中，说话人转换点字符归属于前一分句。
47.示例地，语音识别文本为：你吃饭了吗已经吃过了你呢我还没，其中，说话人转换字符为“吗”和“呢”，因此，得到的分句结果为：“你吃饭了吗”、“已经吃过了你呢”“我还没”。
48.下面针对上述步骤(2)中的根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，从语音识别文本中确定说话人转换点字符的具体实施方式进行详细说明。在一种实施方式中，可以针对每一第二时段，将上述语音识别文本中、所对应的第一时段包括该第二时段的结束时间的识别字符确定为说话人转换点字符。
49.在另一种实施方式中，可以通过以下步骤(21)～步骤(25)来确定说话人转换点字符：
50.(21)将语音识别文本输入到预先训练好的语义模型中，得到语音识别文本中每一识别字符属于语义断句点的概率，其中，识别字符属于语义断句点的概率越大，表明该识别字符越可能为语义断句点。
51.(22)针对每一第二时段，对该第二时段的结束时间或开始时间做前后扩展，得到该第二时段对应的说话人转换区间。
52.在一种实施方式中，对每个第二时段的结束时间分别做前后扩展。具体来说，针对每一第二时段，对该第二时段的结束时间向前扩展nms、同时向后扩展mms，得到该第二时段对应的说话人转换区间[end_time
‑
n，end_time+m]，其中，end_time为该第二时段的结束时间。
[0053]
在另一种实施方式中，对每个第二时段的开始时间分别做前后扩展。具体来说，针对每一第二时段，对该第二时段的开始时间向前扩展nms、同时向后扩展mms，得到该第二时段对应的说话人转换区间[start_time
‑
n，start_time+m]，其中，start_time为该第二时段的开始时间。
[0054]
其中，需要说明的是，m与n可以相等，也可以不相等，本公开不作具体限定。
[0055]
(23)将每一识别字符中、所对应的预设时间位于该第二时段对应的说话人转换区间内的字符确定为转换点候选字符。
[0056]
在本公开中，预设时间为第一时段的开始时间、第一时段的结束时间中的一者。在一种实施方式中，可以将每一识别字符中、所对应的第一时段的开始时间位于该第二时段对应的说话人转换区间内的字符确定为转换点候选字符。
[0057]
在另一种实施方式中，可以将每一识别字符中、所对应的第一时段的结束时间位于该第二时段对应的说话人转换区间内的字符确定为转换点候选字符。
[0058]
(24)确定该第二时段对应的每一转换点候选字符的停顿时长。
[0059]
在本公开中，转换点候选字符的停顿时长等于上述语音识别文本中、该转换点候选字符后且与其相邻的识别字符的开始时间与该转换点候选字符的结束时间之间的时间间隔。
[0060]
(25)根据该第二时段对应的每一转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率，从该第二时段对应的转换点候选字符中确定说话人转换点字符。
[0061]
具体来说，可以先针对该第二时段对应的每一转换点候选字符，将该转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率的加权和确定为该转换点候
选字符属于说话人转换点的概率；然后，将该第二时段对应的转换点候选字符中、属于说话人转换点的概率最大的转换点候选字符确定为说话人转换点字符。
[0062]
图2是根据另一示例性实施例示出的一种分句方法的流程图。如图2所示，上述方法还包括以下s105。
[0063]
在s105中，针对分句结果中的每一分句，对该分句按照语义进行切分，得到多个子句。
[0064]
这样，可以对语音识别文本按照说话人、语义信息进行精确分句。
[0065]
图3是根据另一示例性实施例示出的一种分句方法的流程图。如图3所示，上述方法还包括以下s106。
[0066]
在s106中，根据多个子句，生成与目标音频数据对应的字幕文本。
[0067]
由于各个子句是通过对语音识别文本按照说话人、语义信息进行精确分句得到的，由此，能够对说话人转换处进行合理有效的切分，从而避免出现单屏字幕同时包含不同说话人说话内容的情况，提升了用户体验。
[0068]
图4是根据一示例性实施例示出的一种分句装置的框图。如图4所示，该装置400包括：
[0069]
获取模块401，用于获取目标音频数据；
[0070]
提取模块402，用于提取所述获取模块401获取到的所述目标音频数据对应的语音识别文本以及所述语音识别文本中、每一识别字符在所述目标音频数据中所对应的第一时段；
[0071]
第一分割模块403，用于对所述获取模块401获取到的所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段；
[0072]
第二分割模块404，用于根据所述提取模块402提取到的每一所述识别字符所对应的所述第一时段和所述第一分割模块403得到的每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说话人分割，得到分句结果。
[0073]
在上述技术方案中，获取目标音频数据；提取目标音频数据对应的语音识别文本以及语音识别文本中、每一识别字符在目标音频数据中所对应的第一时段；同时，对目标音频数据进行说话人分割，得到目标音频数据中每个说话片段对应的第二时段；然后，根据每一识别字符所对应的第一时段和每一说话片段对应的第二时段，对语音识别文本进行说话人分割，得到分句结果。由此，能够有效利用说话人时段信息和语音识别文本中每一字符在目标音频数据中所对应的时段，对语音识别文本进行说话人分割，实现对说话人转换处进行合理有效的切分，避免单个分句包含多个说话人说话内容的情况，提升了分句效果。
[0074]
在一种实施方式中，所述第二分割模块403用于通过接收人工输入的分割标记对上述目标音频数据进行说话人分割，从而确定上述目标音频数据中每个说话片段的起始时间和结束时间，即目标音频数据中每个说话片段对应的第二时段。
[0075]
在另一种实施方式中，所述第二分割模块403包括：
[0076]
第一确定子模块，用于根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，从所述语音识别文本中确定说话人转换点字符；
[0077]
分割子模块，用于以所述说话人转换点字符为切分依据，对所述语音识别文本进行说话人分割。
[0078]
这样，可以自动分割出不同说话人的说话片段，方便快捷，从而提升了后续语音识别文本的分句效率。
[0079]
可选地，所述第一确定子模块包括：
[0080]
第二确定子模块，用于将所述语音识别文本输入到预先训练好的语义模型中，得到所述语音识别文本中每一识别字符属于语义断句点的概率；
[0081]
扩展子模块，用于针对每一所述第二时段，对该第二时段的结束时间或开始时间做前后扩展，得到该第二时段对应的说话人转换区间；第三确定子模块，用于将每一所述识别字符中、所对应的预设时间位于该第二时段对应的说话人转换区间内的字符确定为转换点候选字符，其中，所述预设时间为所述第一时段的开始时间、所述第一时段的结束时间中的一者；第四确定子模块，用于确定该第二时段对应的每一所述转换点候选字符的停顿时长；第五确定子模块，用于根据该第二时段对应的每一所述转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率，从该第二时段对应的转换点候选字符中确定说话人转换点字符。
[0082]
可选地，所述第五确定子模块包括：
[0083]
第六确定子模块，用于针对该第二时段对应的每一所述转换点候选字符，将该转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率的加权和确定为该转换点候选字符属于说话人转换点的概率；
[0084]
第七确定子模块，用于将该第二时段对应的转换点候选字符中、属于说话人转换点的概率最大的转换点候选字符确定为说话人转换点字符。
[0085]
可选地，所述第一分割模块402用于将所述目标音频数据输入到预先训练好的说话人识别模型中，以对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段。
[0086]
可选地，所述装置400还包括：
[0087]
第三分割模块，用于针对所述分句结果中的每一分句，对该分句按照语义进行切分，得到多个子句。
[0088]
可选地，所述装置400还包括：
[0089]
生成模块，用于根据多个子句，生成与所述目标音频数据对应的字幕文本。
[0090]
本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述分句方法的步骤。
[0091]
下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)500的结构示意图。本公开实施例中的终端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示出的电子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。
[0092]
如图5所示，电子设备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ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503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。
[0093]
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可以允许电子设备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电子设备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。
[0094]
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rom 502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。
[0095]
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。
[0096]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0097]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0098]
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电子设备执行时，使得该电子设备：获取目标音频数据；提取所述目标音频数据对应的语音识别文本以及所述语音识别文本中、每一识别字符在所述目标音频数据中所对应的第一时段；对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的
第二时段；根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说话人分割，得到分句结果。
[0099]
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)。
[0100]
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。
[0101]
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，获取模块还可以被描述为“获取目标音频数据的模块”。
[0102]
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。
[0103]
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。
[0104]
根据本公开的一个或多个实施例，示例1提供了一种一种分句方法，包括：获取目标音频数据；提取所述目标音频数据对应的语音识别文本以及所述语音识别文本中、每一识别字符在所述目标音频数据中所对应的第一时段；对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段；根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说
话人分割，得到分句结果。
[0105]
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说话人分割，包括：根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，从所述语音识别文本中确定说话人转换点字符；以所述说话人转换点字符为切分依据，对所述语音识别文本进行说话人分割。
[0106]
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，从所述语音识别文本中确定说话人转换点字符，包括：将所述语音识别文本输入到预先训练好的语义模型中，得到所述语音识别文本中每一识别字符属于语义断句点的概率；针对每一所述第二时段，对该第二时段的结束时间或开始时间做前后扩展，得到该第二时段对应的说话人转换区间；将每一所述识别字符中、所对应的预设时间位于该第二时段对应的说话人转换区间内的字符确定为转换点候选字符，其中，所述预设时间为所述第一时段的开始时间、所述第一时段的结束时间中的一者；确定该第二时段对应的每一所述转换点候选字符的停顿时长；根据该第二时段对应的每一所述转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率，从该第二时段对应的转换点候选字符中确定说话人转换点字符。
[0107]
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据该第二时段对应的每一所述转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率，从该第二时段对应的转换点候选字符中确定说话人转换点字符，包括：针对该第二时段对应的每一所述转换点候选字符，将该转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率的加权和确定为该转换点候选字符属于说话人转换点的概率；将该第二时段对应的转换点候选字符中、属于说话人转换点的概率最大的转换点候选字符确定为说话人转换点字符。
[0108]
根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段，包括：
[0109]
将所述目标音频数据输入到预先训练好的说话人识别模型中，以对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段。
[0110]
根据本公开的一个或多个实施例，示例6提供了示例1
‑
5中任一项所述的方法，所述方法还包括：针对所述分句结果中的每一分句，对该分句按照语义进行切分，得到多个子句。
[0111]
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述方法还包括：根据多个子句，生成与所述目标音频数据对应的字幕文本。
[0112]
根据本公开的一个或多个实施例，示例8提供了一种分句装置，包括：获取模块，用于获取目标音频数据；提取模块，用于提取所述获取模块获取到的所述目标音频数据对应的语音识别文本以及所述语音识别文本中、每一识别字符在所述目标音频数据中所对应的第一时段；第一分割模块，用于对所述获取模块获取到的所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段；第二分割模块，用于根据所述提取模块提取到的每一所述识别字符所对应的所述第一时段和所述第一分割模块得到的每一所述说话片段对应的所述第二时段，对所述语音识别文本进行说话人分割，得到分句
结果。
[0113]
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述第二分割模块包括：第一确定子模块，用于根据每一所述识别字符所对应的所述第一时段和每一所述说话片段对应的所述第二时段，从所述语音识别文本中确定说话人转换点字符；分割子模块，用于以所述说话人转换点字符为切分依据，对所述语音识别文本进行说话人分割。
[0114]
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述第一确定子模块包括：第二确定子模块，用于将所述语音识别文本输入到预先训练好的语义模型中，得到所述语音识别文本中每一识别字符属于语义断句点的概率；扩展子模块，用于针对每一所述第二时段，对该第二时段的结束时间或开始时间做前后扩展，得到该第二时段对应的说话人转换区间；第三确定子模块，用于将每一所述识别字符中、所对应的预设时间位于该第二时段对应的说话人转换区间内的字符确定为转换点候选字符，其中，所述预设时间为所述第一时段的开始时间、所述第一时段的结束时间中的一者；第四确定子模块，用于确定该第二时段对应的每一所述转换点候选字符的停顿时长；第五确定子模块，用于根据该第二时段对应的每一所述转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率，从该第二时段对应的转换点候选字符中确定说话人转换点字符。
[0115]
根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述第五确定子模块包括：第六确定子模块，用于针对该第二时段对应的每一所述转换点候选字符，将该转换点候选字符的停顿时长和该转换点候选字符属于语义断句点的概率的加权和确定为该转换点候选字符属于说话人转换点的概率；第七确定子模块，用于将该第二时段对应的转换点候选字符中、属于说话人转换点的概率最大的转换点候选字符确定为说话人转换点字符。
[0116]
根据本公开的一个或多个实施例，示例12提供了示例8的装置，所述第一分割模块用于将所述目标音频数据输入到预先训练好的说话人识别模型中，以对所述目标音频数据进行说话人分割，得到所述目标音频数据中每个说话片段对应的第二时段。
[0117]
根据本公开的一个或多个实施例，示例13提供了示例8
‑
12中任一项的装置，所述装置还包括：第三分割模块，用于针对所述分句结果中的每一分句，对该分句按照语义进行切分，得到多个子句。
[0118]
根据本公开的一个或多个实施例，示例14提供了示例13的装置，所述装置还包括：生成模块，用于根据多个子句，生成与所述目标音频数据对应的字幕文本。
[0119]
根据本公开的一个或多个实施例，示例15提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1
‑
7中任一项所述方法的步骤。
[0120]
根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：存储装置，其上存储有一个或多个计算机程序；一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现示例1
‑
7中任一项所述方法的步骤。
[0121]
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。
[0122]
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。
[0123]
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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。