1.本公开的实施例涉及信息处理技术领域，具体涉及音频类别定位方法、装置、电子设备和存储介质。


背景技术：

2.音频事件检测(或称声音事件检测)是指给定一段音频，检测出该段音频是否包含特定的事件，如笑声、键盘声、汽车鸣笛、歌曲、人声等。这种检测一般不涉及具体语音说话内容，只对声音进行分类。
3.然而仅对音频进行分类不能满足一些具体需求，比如对于被分类为脱口秀音频的音频来说，虽然确定是脱口秀音频，还需要对爆梗点进行定位，以方便用户定位其中的爆梗点进行收听或收看。


技术实现要素：

4.本公开的实施例提出了音频类别定位方法、装置、电子设备和存储介质。
5.第一方面，本公开的实施例提供了一种音频类别定位方法，该方法包括：将目标音频按照预设时间长度进行切分，得到与上述目标音频对应的音频片段序列；对于上述音频片段序列中的每个音频片段，确定该音频片段是否为第一预设类别音频片段；获取对上述目标音频进行自动语音识别得到的识别语句序列和语句起止时间序列，其中，上述语句起止时间序列中语句起止时间为上述识别语句序列中相应识别语句对应在上述目标音频的起止时间；对于上述语句起止时间序列中的每个语句起止时间，执行以下确定操作：响应于确定该语句起止时间对应的时间段包括上述音频片段序列中的上述第一预设类别音频片段对应的起始时间，将该语句起止时间确定为上述目标音频中第二预设类别句子音频的起止时间。
6.在一些可选的实施方式中，上述确定操作还包括：响应于确定该语句起止时间对应的时间段包括上述音频片段序列中的上述第一预设类别音频片段对应的起始时间，将上述识别语句序列中与该语句起止时间对应的识别语句确定为上述第二预设类别的识别语句。
7.在一些可选的实施方式中，上述第一预设类别音频片段为笑声或掌声音频片段。
8.在一些可选的实施方式中，上述第二预设类别句子音频为可引起笑声或掌声的句子音频。
9.在一些可选的实施方式中，上述目标音频为脱口秀音视频对应的音频。
10.在一些可选的实施方式中，上述方法还包括：将上述第二预设类别句子音频的起始时刻与上述目标音频的播放进度时间轴关联展示。
11.第二方面，本公开的实施例提供了一种音频类别定位装置，该装置包括：切分单元，被配置成将目标音频按照预设时间长度进行切分，得到与上述目标音频对应的音频片段序列；第一确定单元，被配置成对于上述音频片段序列中的每个音频片段，确定该音频片
段是否为第一预设类别音频片段；获取单元，被配置成获取对上述目标音频进行自动语音识别得到的识别语句序列和语句起止时间序列，其中，上述语句起止时间序列中语句起止时间为上述识别语句序列中相应识别语句对应在上述目标音频的起止时间；第二确定单元，被配置成对于上述语句起止时间序列中的每个语句起止时间，执行以下确定操作：响应于确定该语句起止时间对应的时间段包括上述音频片段序列中的上述第一预设类别音频片段对应的起始时间，将该语句起止时间确定为上述目标音频中第二预设类别句子音频的起止时间。
12.在一些可选的实施方式中，上述确定操作还包括：响应于确定该语句起止时间对应的时间段包括上述音频片段序列中的上述第一预设类别音频片段对应的起始时间，将上述识别语句序列中与该语句起止时间对应的识别语句确定为上述第二预设类别的识别语句。
13.在一些可选的实施方式中，上述第一预设类别音频片段为笑声或掌声音频片段。
14.在一些可选的实施方式中，上述第二预设类别句子音频为可引起笑声或掌声的句子音频。
15.在一些可选的实施方式中，上述目标音频为脱口秀音视频对应的音频。
16.在一些可选的实施方式中，上述装置还包括：展示单元，被配置成将上述第二预设类别句子音频的起始时刻与上述目标音频的播放进度时间轴关联展示。
17.第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
18.第四方面，本公开的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，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
19.为了实现对目标音频中特定类别的音频进行类别定位，本公开的实施例提供的音频类别定位方法、装置、电子设备和存储介质，通过先将目标音频按照预设时间长度进行切分，得到与目标音频对应的音频片段序列。再，对于音频片段序列中的每个音频片段，确定该音频片段是否为第一预设类别音频片段。接着，获取对目标音频进行自动语音识别得到的识别语句序列和语句起止时间序列，其中，语句起止时间序列中语句起止时间为识别语句序列中相应识别语句对应在目标音频的起止时间。最后，对于语句起止时间序列中的每个语句起止时间，执行以下确定操作：响应于确定该语句起止时间对应的时间段包括音频片段序列中的第一预设类别音频片段对应的起始时间，将该语句起止时间确定为目标音频中第二预设类别句子音频的起止时间。这里，第二预设类别音频为可引起第一预设类别音频片段的音频。即，将检测到第一预设类别音频片段的音频片段所在的句子音频的起止时间确定为第二预设类别的句子音频的起止时间，进而实现了在目标音频中定位第二预设类别的句子音频起止时间，方便进行指定类别音频内容的定位。
附图说明
20.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的，而并不认为是对
本公开的限制。在附图中：
21.图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
22.图2是根据本公开的音频类别定位方法的一个实施例的流程图；
23.图3是根据本公开的音频类别定位方法的一个应用场景的示意图；
24.图4是根据本公开的音频类别定位装置的一个实施例的结构示意图；
25.图5是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
26.下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
27.需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
28.图1示出了可以应用本公开的音频类别定位方法、装置、电子设备和存储介质的实施例的示例性系统架构100。
29.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
30.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如音频类别定位类应用、语音识别类应用、短视频社交类应用、音视频会议类应用、视频直播类应用、文档编辑类应用、输入法类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
31.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供音频类别定位服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
32.在一些情况下，本公开所提供的音频类别定位方法可以由终端设备101、102、103执行，相应地，音频类别定位装置可以设置于终端设备101、102、103中。这时，系统架构100也可以不包括服务器105。
33.在一些情况下，本公开所提供的音频类别定位方法可以由终端设备101、102、103和服务器105共同执行，例如，“将目标音频按照预设时间长度进行切分，得到与目标音频对应的音频片段序列”的步骤可以由终端设备101、102、103执行，“对于音频片段序列中的每个音频片段，确定该音频片段是否为第一预设类别音频片段”等步骤可以由服务器105执行。本公开对此不做限定。相应地，音频类别定位装置也可以分别设置于终端设备101、102、103和服务器105中。
34.在一些情况下，本公开所提供的音频类别定位方法可以由服务器105执行，相应地，音频类别定位装置也可以设置于服务器105中，这时，系统架构100也可以不包括终端设备101、102、103。
35.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
36.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
37.继续参考图2，其示出了根据本公开的音频类别定位方法的一个实施例的流程200，该音频类别定位方法包括以下步骤：
38.步骤201，将目标音频按照预设时间长度进行切分，得到与目标音频对应的音频片段序列。
39.在本实施例中，音频类别定位方法的执行主体(例如图1所示的服务器105)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如，图1所示的终端设备101、102、103)获取目标音频，然后再对所获取的目标音频按照预设时间长度(例如，1秒)进行切分，得到与目标音频对应的音频片段序列。
40.需要说明的是，这里对目标音频进行切分可以是对目标音频按照预设时间长度进行平均切分，且相邻两音频片段之间不重叠。
41.步骤202，对于音频片段序列中的每个音频片段，确定该音频片段是否为第一预设类别音频片段。
42.在本实施例中，上述执行主体可以对于步骤201中得到的音频片段序列中的每个音频片段，采用各种实现方式确定该音频片段是否为第一预设类别音频片段。需要说明的是，第一预设类别音频片段用于表征音频内容为第一预设类别事件的音频。
43.在一些可选的实施方式中，上述执行主体可以采用音频事件检测(或称声音事件检测)方法确定该音频片段是否为第一预设类别音频片段。具体的，可以预先基于大量第一预设类别的音频片段训练样本训练针对第一预设类别音频的音频事件检测模型，继而这里可以将该音频片段输入上述预先训练的音频事件检测模型，以确定该音频片段是否为第一预设类别音频片段。例如，音频事件检测模型可以是深度神经网络模型，比如yamnet模型。
44.这里，第一预设类别可以是各种针对时长较短(比如，小于等于预设时间长度)的音频片段的类别。需要说明的是，第一预设类别可以包括一种具体音频片段类别，也可以包括两种或者两种以上的具体音频片段类别。例如，第一预设类别可以包括掌声，或者第一预设类别也可以包括笑声，又或者第一预设类别还可以包括掌声和笑声。
45.经过步骤201对目标音频进行切分和步骤202对每个切分得到的音频片段进行第一预设类别音频片段检测，可以确定目标音频的音频片段序列中每个音频片段是否为第一预设类别音频片段。进而，不仅可以检测出每个音频片段的内容是否为第一预设类别事件，而且由于每个音频片段对应有该音频片段在目标音频中的起止时间，由此还可以确定出音频内容为第一预设类别事件的音频片段在目标音频中的时间区间。
46.步骤203，获取对目标音频进行自动语音识别得到的识别语句序列和语句起止时
间序列。
47.这里，语句起止时间序列中语句起止时间可以为识别语句序列中相应识别语句对应在目标音频的起止时间。
48.在一些可选的实施方式中，可以先对目标进行自动语音识别，得到识别文本和识别文本中各分词对应在目标音频中的起止时间。再对所得到的识别文本进行加标点符号、分句进而得到识别语句序列和相应的语句起止时间序列。
49.步骤204，对于语句起止时间序列中的每个语句起止时间，执行确定操作。
50.为了目标音频对应的语句起止时间序列中每个语句起止时间是否为目标音频中第二预设类别句子音频的起止时间，即，实现定位目标音频中第二预设类别句子所在时间段，可以对于对目标音频进行自动语音识别得到的语句起止时间序列中的每个语句起止时间，执行确定操作。这里，确定操作可以包括如下子步骤：
51.子步骤2041，确定该语句起止时间对应的时间段是否包括音频片段序列中的第一预设类别音频片段对应的起始时间。
52.如果确定是，则转到子步骤2042执行。
53.子步骤2042，将该语句起止时间确定为目标音频中第二预设类别句子音频的起止时间。
54.这里，第二预设类别句子音频为可引起第一预设类别音频片段的句子音频。即，如果目标音频中某个句子对应的音频属于第二预设类别句子音频，则该句子对应的音频中会出现第一预设类别的音频片段。反之，如果某个句子对应的音频中出现了第一预设类别的音频片段，也可以认为该句子对应的音频为第二预设类别的句子音频。因此，如果在子步骤2041中确定该语句起止时间对应的时间段包括音频片段序列中的第一预设类别音频片段对应的起始时间，表明该语句起止时间对应的句子音频中包括了第一预设类别音频片段，换言之，即该语句起止时间对应的句子音频可引起第一预设类别音频片段。而可引起第一预设类别音频片段的句子音频为第二预设类别句子音频。因此，这里在确定该语句起止时间对应的时间段包括音频片段序列中的第一预设类别音频片段对应的起始时间的情况下，将该语句起止时间确定为目标音频中第二预设类别句子音频的起止时间。
55.换句话说，也可以如下理解，确定音频片段序列中被确定为第一预设类别音频片段的各音频片段中是否存在至少一个音频片段，该音频片段的起始时间落在该语句起止时间对应的时间段内，则该语句起止时间可以被确定为目标音频中第二预设类别句子音频的起止时间。在一些可选的实施方式中，第一预设类别音频片段为笑声或掌声音频片段。相应地，在一些可选的实施方式中，第二预设类别句子音频为可引起笑声或掌声的句子对应的句子音频。即，第二预设类别句子音频为“爆梗点”或者“好笑点”所在句子对应的句子音频。
56.在一些可选的实施方式中，确定操作还可以在子步骤2041中确定是，或者在执行完步骤2042后执行以下子步骤2043：
57.子步骤2043，将识别语句序列中与该语句起止时间对应的识别语句确定为第二预设类别的识别语句。
58.即，通过子步骤2041的判断，由于该语句起止时间对应的音频为第二预设类别的句子音频，则相应的识别语句也可以为第二预设类别的识别语句。通过子步骤2043可以标记出目标音频的识别语句中第二预设类别的识别语句，方便用户直接定位第二预设类别的
识别语句。
59.在一些可选的实施方式中，上述执行主体还可以在执行完步骤204后执行以下步骤205：
60.步骤205，将第二预设类别句子音频的起始时刻与目标音频的播放进度时间轴关联展示。
61.由于经过步骤201到步骤204已经确定了目标音频对应的语句起止时间序列中哪些语句起止时间为第二预设类别句子音频的起止时间，也就相当于确定了目标音频中哪些时段对应的音频为第二预设类别句子音频。而通常在上述执行主体中呈现(包括播放或者暂停播放状态)目标音频的过程中会同步展示播放目标音频的播放进度时间轴，则可以在播放目标音频的播放进度时间轴中展示目标音频中各第二预设类别句子音频的起始时刻对应的显示对象，例如可以以预设形状图标来展示。可选地，当用户点击到某第二预设类别句子音频的起始时刻对应的显示对象时，则跳转到该第二预设类别句子音频的起始时刻进行播放目标音频。进而实现了用户直接跳转到第二预设类别句子音频，提高用户获取第二预设类别句子音频内容的效率。
62.继续参见图3，图3是根据本实施例的音频类别定位方法的应用场景的一个示意图。可以理解的是，实践中，人们在讲话过程中，由于讲话内容的不同可能会引起周围环境或者听众不同的反应，例如当讲话者讲话内容涉及“爆梗点”或者“好笑点”时，会引起听众的笑声或者掌声。而当讲话者讲话内容涉及重大新闻事件，可能会引起听众的质疑或惊讶的语气或声音。换言之，如果一段音频中出现了笑声或者掌声，可以认为当前讲话者讲话内容涉及“爆梗点”或者“好笑点”。如果一段音频中出现了质疑或惊讶的语气或声音，可以认为当前讲话者讲话内容涉及重大新闻事件。因而，假如希望检测目标音频中“爆梗点”或者“好笑点”语句所在时间段，则可以转化为检测目标音频中每个语句所在时间段中是否检测到笑声或者掌声。例如，在图3的应用场景中，终端设备301将脱口秀场景下的目标音频302按照每1秒进行切分，得到音频片段序列303。然后，终端设备301对于音频片段序列303中的每个音频片段，确定该音频片段是否为包括笑声或掌声的音频片段。接着，终端设备301获取对目标音频302进行自动语音识别得到的识别语句序列304和语句起止时间序列305。最后，终端设备301对于语句起止时间序列中的每个语句起止时间，执行确定操作，即如果确定该语句起止时间对应的时间段包括音频片段序列303中的包括笑声或掌声的音频片段对应的起始时间，将该语句起止时间确定为目标音频302中第二预设类别句子音频的起止时间。换言之，为了检测脱口秀场景下目标视频302中“爆梗点”或者“好笑点”语句所在时间段，转化为检测脱口秀场景下目标音频302中每个语句所在时间段中是否检测到包括笑声或掌声的音频片段。有了上述“爆梗点”或者“好笑点”语句所在时间段的定位，可以方便用户直接跳转到进而可以方便用户直接跳转至“爆梗点”或者“好笑点”对应的音频，而不需用户从前到后播放目标音频以寻找“爆梗点”或者“好笑点”，提高用户获取音频中“爆梗点”或者“好笑点”内容的效率。
63.本公开的上述实施例提供的音频类别定位方法，通过将检测到第一预设类别音频片段的音频片段所在的句子音频的起止时间确定为第二预设类别的句子音频起止时间，实现了在目标音频中定位第二预设类别的句子音频起止时间，方便后续进行指定类别音频内容的定位。
64.进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种音频类别定位装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
65.如图4所示，本实施例的音频类别定位装置400包括：切分单元401、第一确定单元402、获取单元403和第二确定单元404。其中，切分单元401，被配置成将目标音频按照预设时间长度进行切分，得到与上述目标音频对应的音频片段序列；第一确定单元402，被配置成对于上述音频片段序列中的每个音频片段，确定该音频片段是否为第一预设类别音频片段；获取单元403，被配置成获取对上述目标音频进行自动语音识别得到的识别语句序列和语句起止时间序列，其中，上述语句起止时间序列中语句起止时间为上述识别语句序列中相应识别语句对应在上述目标音频的起止时间；第二确定单元404，被配置成对于上述语句起止时间序列中的每个语句起止时间，执行以下确定操作：响应于确定该语句起止时间对应的时间段包括上述音频片段序列中的上述第一预设类别音频片段对应的起始时间，将该语句起止时间确定为上述目标音频中第二预设类别句子音频的起止时间。
66.在本实施例中，音频类别定位装置400的切分单元401、第一确定单元402、获取单元403和第二确定单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
67.在一些可选的实施方式中，上述确定操作还包括：响应于确定该语句起止时间对应的时间段包括上述音频片段序列中的上述第一预设类别音频片段对应的起始时间，将上述识别语句序列中与该语句起止时间对应的识别语句确定为上述第二预设类别的识别语句。
68.在一些可选的实施方式中，上述第一预设类别音频片段为笑声或掌声音频片段。
69.在一些可选的实施方式中，上述第二预设类别句子音频为可引起笑声或掌声的句子音频。
70.在一些可选的实施方式中，上述目标音频为脱口秀音视频对应的音频。
71.在一些可选的实施方式中，上述装置400还可以包括：展示单元405，被配置成将上述第二预设类别句子音频的起始时刻与上述目标音频的播放进度时间轴关联展示。
72.需要说明的是，本公开的实施例提供的音频类别定位装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。
73.下面参考图5，其示出了适于用来实现本公开的电子设备的计算机系统500的结构示意图。图5示出的计算机系统500仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
74.如图5所示，计算机系统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，还存储有计算机系统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。
75.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
机系统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的计算机系统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。
76.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，执行本公开的实施例的方法中限定的上述功能。
77.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。
78.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。
79.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，使得该电子设备实现如图2所示的实施例及其可选实施方式示出的音频类别定位方法。
80.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)。
81.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。
82.描述于本公开的实施例中所涉及到的单元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，单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标音频、编辑前识别文本和编辑后识别文本的单元”。
83.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。