本申請(qǐng)涉及語音識(shí)別領(lǐng)域，具體為一種語音識(shí)別文本的糾錯(cuò)方法與裝置。
背景技術(shù)：
：隨著語音識(shí)別技術(shù)的發(fā)展，很多企業(yè)開始提供第三方語音識(shí)別服務(wù)，在此基礎(chǔ)上，越來越多的電子設(shè)備開始支持智能語音控制。然而在實(shí)際應(yīng)用中，由于受周圍噪音、個(gè)人發(fā)音差異等因素的影響，語音識(shí)別的文本結(jié)果往往與用戶語音輸入不一致，這勢必會(huì)影響此后的文本分詞、語義分析、語法分析等一系列自然語言處理任務(wù)。因此，如果能夠智能地對(duì)語音識(shí)別后的文本進(jìn)行分析，有針對(duì)性的查找、定位出錯(cuò)詞并進(jìn)行糾正，必將有效提高語音識(shí)別的準(zhǔn)確率。近年來，國內(nèi)外學(xué)者提出了一系列語音識(shí)別后的文本校驗(yàn)與糾錯(cuò)方法，包括：基于N-Gram模型、基于混淆矩陣、基于自定義語法規(guī)則等方法。然而這些方法大都面向通用自然語言的語音識(shí)別文本，方法涉及的場景及方法自身較復(fù)雜，并且對(duì)計(jì)算、存儲(chǔ)和系統(tǒng)資源的消耗也很大，不適合在資源有限的語音識(shí)別設(shè)備中使用。同時(shí)語音控制設(shè)備中的應(yīng)用也具有一定的特殊性，如：用戶可以自定義設(shè)備名、語音控制指令一般較短、口語表述具有多樣性、語音識(shí)別文本更容易出現(xiàn)缺字、多字現(xiàn)象等等。因此，現(xiàn)有語音識(shí)別文本的糾錯(cuò)方法并不完全適用于語音控制設(shè)備中的應(yīng)用。申請(qǐng)內(nèi)容本申請(qǐng)的目的是提供一種語音識(shí)別文本的糾錯(cuò)方法與裝置，用于解決現(xiàn)有技術(shù)下語音識(shí)別文本的糾錯(cuò)方法復(fù)雜、資源消耗大、不適合在語音識(shí)別設(shè)備中使用的問題，實(shí)現(xiàn)外部依賴資源的減少、系統(tǒng)負(fù)擔(dān)的降低和語音控制指令識(shí)別準(zhǔn)確率的提高。根據(jù)本申請(qǐng)的一個(gè)方面，提供了一種語音識(shí)別文本的糾錯(cuò)方法，該方法包括：獲取語音識(shí)別文本；根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄；輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。進(jìn)一步地，根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，包括：根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配，以確定所述語音識(shí)別文本中，是否存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本；在所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本時(shí)，根據(jù)所述匹配文本生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。進(jìn)一步地，根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配，包括：采用基于編輯距離模型的模式匹配算法，并根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配。進(jìn)一步地，采用基于編輯距離模型的模式匹配算法，并根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配，包括：計(jì)算所述候選糾錯(cuò)文本與所述語音識(shí)別文本中的匹配文本之間的編輯距離；根據(jù)所述編輯距離與所述候選糾錯(cuò)文本的長度，獲取所述候選糾錯(cuò)文本與所述匹配文本之間的匹配置信度；確定所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本。進(jìn)一步地，計(jì)算所述候選糾錯(cuò)文本與所述語音識(shí)別文本中的匹配文本之間的編輯距離之前，還包括：對(duì)所述候選糾錯(cuò)文本與所述語音識(shí)別文本進(jìn)行預(yù)處理，其中，所述預(yù)處理包括在所述候選糾錯(cuò)文本與所述語音識(shí)別文本中添加分隔符。進(jìn)一步地，根據(jù)所述匹配文本生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，包括：根據(jù)所述匹配文本獲取糾錯(cuò)邊界，其中，所述糾錯(cuò)邊界包括糾錯(cuò)起始位置和匹配文本長度；生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，其中，所述糾錯(cuò)記錄至少包括候選糾錯(cuò)文本、糾錯(cuò)邊界和匹配置信度。進(jìn)一步地，輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，包括：采用篩選和/或組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化后輸出。進(jìn)一步地，采用篩選的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化，包括：當(dāng)候選糾錯(cuò)文本與語音識(shí)別文本中匹配文本的匹配置信度超過閾值時(shí)，從糾錯(cuò)記錄中刪除糾錯(cuò)邊界相交的其它糾錯(cuò)記錄，其中，所述糾錯(cuò)邊界包括糾錯(cuò)起始位置和匹配文本長度。進(jìn)一步地，采用組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化，包括：根據(jù)糾錯(cuò)邊界不相交的多條糾錯(cuò)記錄生成合成記錄，其中，所述糾錯(cuò)邊界包括糾錯(cuò)起始位置和匹配文本長度；利用預(yù)設(shè)方法對(duì)組合記錄組進(jìn)行排序，其中，所述組合記錄組包含所述糾錯(cuò)記錄和由所述糾錯(cuò)記錄生成的合成記錄。進(jìn)一步地，利用預(yù)設(shè)方法對(duì)組合記錄組進(jìn)行排序，其中，所述預(yù)設(shè)方法包括如下一種或多種任意的組合：根據(jù)組合記錄組中糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算平均糾錯(cuò)評(píng)估分?jǐn)?shù)，按所述平均糾錯(cuò)評(píng)估分?jǐn)?shù)從高到低排列；統(tǒng)計(jì)組合記錄組中的糾錯(cuò)記錄數(shù)，按所述糾錯(cuò)記錄數(shù)從多到少排列；統(tǒng)計(jì)組合記錄組中語音識(shí)別文本的匹配文本的總長度，按所述匹配文本的總長度從短到長排列。進(jìn)一步地，所述糾錯(cuò)評(píng)估分?jǐn)?shù)的獲取方法，包括：根據(jù)糾錯(cuò)記錄對(duì)應(yīng)的匹配置信度和/或相似度得分和/或統(tǒng)計(jì)語言模型得分獲取糾錯(cuò)評(píng)估分?jǐn)?shù)。根據(jù)本申請(qǐng)的另一方面，還提供了一種語音識(shí)別文本的糾錯(cuò)裝置，所述裝置包括：讀取模塊，用于獲取語音識(shí)別文本；匹配模塊，用于根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄；輸出模塊，用于輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。進(jìn)一步地，所述匹配模塊，用于：根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配，以確定所述語音識(shí)別文本中，是否存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本；在所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本時(shí)，根據(jù)所述匹配文本生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。進(jìn)一步地，所述匹配模塊，用于：采用基于編輯距離模型的模式匹配算法，并根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配。進(jìn)一步地，所述匹配模塊，用于：計(jì)算所述候選糾錯(cuò)文本與所述語音識(shí)別文本中的匹配文本之間的編輯距離；根據(jù)所述編輯距離與所述候選糾錯(cuò)文本的長度，獲取所述候選糾錯(cuò)文本與所述匹配文本之間的匹配置信度；確定所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本。進(jìn)一步地，所述匹配模塊，還用于：對(duì)所述候選糾錯(cuò)文本與所述語音識(shí)別文本進(jìn)行預(yù)處理，其中，所述預(yù)處理包括在所述候選糾錯(cuò)文本與所述語音識(shí)別文本中添加分隔符。進(jìn)一步地，所述匹配模塊，用于：根據(jù)所述匹配文本獲取糾錯(cuò)邊界，其中，所述糾錯(cuò)邊界包括糾錯(cuò)起始位置和匹配文本長度；生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，其中，所述糾錯(cuò)記錄至少包括候選糾錯(cuò)文本、糾錯(cuò)邊界和匹配置信度。進(jìn)一步地，所述輸出模塊，用于：采用篩選和/或組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化后輸出。進(jìn)一步地，所述輸出模塊，用于：當(dāng)候選糾錯(cuò)文本與語音識(shí)別文本中匹配文本的匹配置信度超過閾值時(shí)，從糾錯(cuò)記錄中刪除糾錯(cuò)邊界相交的其它糾錯(cuò)記錄，其中，所述糾錯(cuò)邊界包括糾錯(cuò)起始位置和匹配文本長度。進(jìn)一步地，所述輸出模塊，用于：根據(jù)糾錯(cuò)邊界不相交的多條糾錯(cuò)記錄生成合成記錄，其中，所述糾錯(cuò)邊界包括糾錯(cuò)起始位置和匹配文本長度；利用預(yù)設(shè)方法對(duì)組合記錄組進(jìn)行排序，其中，所述組合記錄組包含所述糾錯(cuò)記錄和由所述糾錯(cuò)記錄生成的合成記錄。進(jìn)一步地，所述輸出模塊，用于：根據(jù)組合記錄組中糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算平均糾錯(cuò)評(píng)估分?jǐn)?shù)，按所述平均糾錯(cuò)評(píng)估分?jǐn)?shù)從高到低排列；統(tǒng)計(jì)組合記錄組中的糾錯(cuò)記錄數(shù)，按所述糾錯(cuò)記錄數(shù)從多到少排列；統(tǒng)計(jì)組合記錄組中語音識(shí)別文本的匹配文本的總長度，按所述匹配文本的總長度從短到長排列。進(jìn)一步地，所述輸出模塊，用于：根據(jù)糾錯(cuò)記錄對(duì)應(yīng)的匹配置信度和/或相似度得分和/或統(tǒng)計(jì)語言模型得分獲取糾錯(cuò)評(píng)估分?jǐn)?shù)。附圖說明通過閱讀參照以下附圖所作的對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本申請(qǐng)的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯：圖1為本申請(qǐng)實(shí)施例提供的語音識(shí)別文本的糾錯(cuò)方法的流程圖；圖2為本申請(qǐng)實(shí)施例提供的根據(jù)語音識(shí)別文本和候選糾錯(cuò)文本生成糾錯(cuò)記錄的流程圖；圖3為本申請(qǐng)實(shí)施例提供的編輯距離矩陣示例圖；圖4為本申請(qǐng)實(shí)施例提供的輸出糾錯(cuò)記錄的流程圖；圖5為本申請(qǐng)實(shí)施例提供的計(jì)算糾錯(cuò)評(píng)估分?jǐn)?shù)的流程圖；圖6為本申請(qǐng)實(shí)施例提供的維特比算法原理示意圖；圖7為本申請(qǐng)實(shí)施例提供的分詞路徑示例圖；圖8為本申請(qǐng)實(shí)施例提供的語音識(shí)別文本的糾錯(cuò)裝置的結(jié)構(gòu)示意圖。附圖中相同或相似的附圖標(biāo)記代表相同或相似的部件。具體實(shí)施方式下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例。基于本申請(qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。圖1示出了本申請(qǐng)實(shí)施例提供的一種語音識(shí)別文本的糾錯(cuò)方法，該方法包括如下幾個(gè)步驟：步驟S101，獲取語音識(shí)別文本；步驟S102，根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄；步驟S103，輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。在此，步驟S101中的語音識(shí)別文本是任何語音識(shí)別軟件對(duì)用戶語音識(shí)別后產(chǎn)生的文本，是本申請(qǐng)方案的輸入對(duì)象。步驟S102根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，其中，預(yù)設(shè)的候選糾錯(cuò)文本是用于對(duì)語音識(shí)別文本進(jìn)行糾錯(cuò)的多條文本，本申請(qǐng)方案面向的場景是對(duì)涉及語音控制設(shè)備的語音識(shí)別文本進(jìn)行糾錯(cuò)，語音識(shí)別文本同語音控制設(shè)備的信息有很強(qiáng)的關(guān)聯(lián)，因此可以使用語音控制設(shè)備的信息作為候選的糾錯(cuò)文本，提高糾錯(cuò)的準(zhǔn)確性，同時(shí)，由于具體系統(tǒng)中語音控制設(shè)備的數(shù)量是有限的，因此對(duì)語音識(shí)別文本進(jìn)行糾錯(cuò)匹配需要的系統(tǒng)資源也減少很多。預(yù)設(shè)的候選糾錯(cuò)文本的生成方法是通過獲取用戶能操作的所有語音控制設(shè)備信息，選定部分字段信息作為語音識(shí)別文本的候選糾錯(cuò)文本，具體地，本申請(qǐng)實(shí)施例中將語音控制設(shè)備列表名、語音控制設(shè)備類型名作為候選糾錯(cuò)文本。步驟S102根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，如圖2所示，具體包括：一、根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配，以確定所述語音識(shí)別文本中，是否存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本；在使用候選糾錯(cuò)文本對(duì)語音識(shí)別文本進(jìn)行匹配之前，需要對(duì)這兩種文本進(jìn)行預(yù)處理，以提高匹配算法的運(yùn)行效率和匹配準(zhǔn)確性。文本的預(yù)處理方法可以是字符預(yù)處理方法，也可以是文本轉(zhuǎn)拼音預(yù)處理方法或兩者的組合。字符預(yù)處理方法用于對(duì)語音識(shí)別文本和候選糾錯(cuò)文本進(jìn)行分隔與字符轉(zhuǎn)換，包括如下多種方式：在語音識(shí)別文本和候選糾錯(cuò)文本中插入分隔符，語音識(shí)別文本插入分隔符的位置在首字符前、尾字符后和相鄰字符間，候選糾錯(cuò)文本插入分隔符的位置在首字符之前，本申請(qǐng)實(shí)施例中使用的分隔符為空格符“”；將語音識(shí)別文本和候選糾錯(cuò)文本中的字符全部轉(zhuǎn)換為全角/半角字符；將語音識(shí)別文本和候選糾錯(cuò)文本中的字符全部轉(zhuǎn)換為大寫/小寫字符；將未知字符從語音識(shí)別文本和候選糾錯(cuò)文本中移除。文本轉(zhuǎn)拼音預(yù)處理方法用于對(duì)語音識(shí)別文本和候選糾錯(cuò)文本中的字符進(jìn)行轉(zhuǎn)拼音處理，包括如下多種方式：將語音識(shí)別文本和候選糾錯(cuò)文本中的漢字字符和數(shù)字字符轉(zhuǎn)換為漢語拼音字符串，所述漢語拼音字符串既可以是帶音調(diào)的字符串，也可以是不帶音調(diào)的純英文字符串，甚至可以是由聲、韻母及聲調(diào)構(gòu)成的拼音字符串；語音識(shí)別文本和候選糾錯(cuò)文本中的英文字符保持不變；將語音識(shí)別文本和候選糾錯(cuò)文本中的未知字符或特殊字符使用替換符替換，本申請(qǐng)實(shí)施例中使用的替換符為“*”。對(duì)候選糾錯(cuò)文本和語音識(shí)別文本進(jìn)行匹配采用的是基于編輯距離模型的模式匹配算法，候選糾錯(cuò)文本和語音識(shí)別文本可以是進(jìn)行了轉(zhuǎn)拼音處理后的英文字符串，也可以是沒有進(jìn)行轉(zhuǎn)拼音處理的漢字文本。編輯距離(EditDistance)是指兩個(gè)字符串，從一個(gè)字符串改變成另一個(gè)字符串所需要進(jìn)行的編輯操作的最少次數(shù)。本申請(qǐng)實(shí)施例中的編輯操作僅包括將一個(gè)字符替換成另一個(gè)字符、插入一個(gè)字符和刪除一個(gè)字符這三種編輯操作。一般來說，編輯距離越小，表明兩個(gè)字符串的相似度越高。采用基于編輯距離模型的模式匹配算法對(duì)候選糾錯(cuò)文本和語音識(shí)別文本進(jìn)行匹配，具體包括：1)計(jì)算所述候選糾錯(cuò)文本與所述語音識(shí)別文本中的匹配文本之間的編輯距離；表1示出了語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”之間的(編輯距離，糾錯(cuò)起始位置)對(duì)。其中，“[]”代表分隔符。[]打[]開[]下[]午[]茶[]座[]吧[][]0,02,00,13,10,23,20,32,30,43,40,53,50,62,60,7小4,03,03,03,13,11,21,22,22,23,43,43,53,53,63,6虎6,05,05,05,15,13,23,22,22,24,24,25,55,55,65,6插9,08,08,08,18,16,26,25,25,22,22,25,25,26,46,4座12,011,011,010,010,09,29,28,28,25,25,22,22,24,24,2表1圖3示出了語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”進(jìn)行了文本轉(zhuǎn)拼音預(yù)處理后，根據(jù)相應(yīng)拼音字符串計(jì)算得到的編輯距離矩陣。本申請(qǐng)實(shí)施例中使用如下算法來計(jì)算編輯距離矩陣：(a)編輯距離向量和糾錯(cuò)邊界初始值定義如下：editDistance[i]＝i，start[i]＝0，length[i]＝0。其中，editDistance表示當(dāng)前編輯距離列向量，start表示相應(yīng)糾錯(cuò)邊界的起始位置，length表示匹配文本長度，i表示候選糾錯(cuò)文本中字符的索引下標(biāo)(從0開始)。editDistance[i]＝i的含意為：候選糾錯(cuò)文本的前i個(gè)字符轉(zhuǎn)換成空字符所需的編輯距離為i。(b)編輯距離列向量和糾錯(cuò)邊界的計(jì)算方法如下：如果當(dāng)前語音識(shí)別文本的拼音字符是分隔符“”，那么：editDistance[i]＝min(editDistanceOld[i],i)；length[i]＝wordIndex-start[i].否則：length[i]＝wordIndex-start[i].其中，wordIndex表示當(dāng)前語音識(shí)別文本的拼音字符c，對(duì)應(yīng)的漢字在原文本中的索引位置(從0開始)，p[i]表示候選糾錯(cuò)文本中的第i個(gè)拼音字符，定義如下：其中，editDistance為當(dāng)前列向量，editDistanceOld為前一列向量，如圖3所示的編輯距離矩陣的計(jì)算是從左往右、自上而下，逐列計(jì)算編輯距離列向量。與傳統(tǒng)的編輯距離算法相比，上述算法實(shí)現(xiàn)了在輸入文本中模糊匹配、定位指定模式串的功能。計(jì)算編輯距離向量的同時(shí)，也更新了模糊匹配的起始位置，免去了再次對(duì)整個(gè)編輯距離矩陣進(jìn)行回溯求解最優(yōu)路徑的開銷。本申請(qǐng)實(shí)施例中，分隔符是整個(gè)計(jì)算過程的核心，其作用在于：分隔符并不參與實(shí)際的字符串相似度計(jì)算；分隔符對(duì)拼音字符串起到分隔、標(biāo)識(shí)對(duì)應(yīng)漢字的作用；只有遇到分隔符才需要計(jì)算當(dāng)前糾錯(cuò)邊界(即糾錯(cuò)起始位置和匹配文本長度)下的匹配置信度，并根據(jù)閾值，判斷是否需要保存糾錯(cuò)記錄；分隔符是定位糾錯(cuò)起始位置的關(guān)鍵。2)根據(jù)所述編輯距離與所述候選糾錯(cuò)文本的長度，獲取所述候選糾錯(cuò)文本與所述匹配文本之間的匹配置信度；本申請(qǐng)實(shí)施例中候選糾錯(cuò)文本與語音識(shí)別文本中的匹配文本之間的匹配置信度計(jì)算公式如下：匹配置信度＝1-拼音編輯距離/候選糾錯(cuò)文本拼音長度.需要注意的是，由于語音識(shí)別文本中可能存在錯(cuò)字，也可能存在缺字、多字的情況，所以每個(gè)候選糾錯(cuò)文本的糾錯(cuò)邊界并不唯一，相應(yīng)的匹配置信度也不完全相同。3)確定所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本。本申請(qǐng)實(shí)施例中將閾值設(shè)定為0.8，參照表1，遍歷最后一行中“[]”對(duì)應(yīng)的(編輯距離，糾錯(cuò)起始位置)對(duì)，可知超過閾值的匹配文本只有：“下午茶座”。該匹配文本的匹配置信度為1–2/12，即0.833333。二、在所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本時(shí)，根據(jù)所述匹配文本生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。本申請(qǐng)實(shí)施例中每條糾錯(cuò)記錄內(nèi)容包括候選糾錯(cuò)文本、糾錯(cuò)邊界(即糾錯(cuò)起始位置和匹配文本長度)和糾錯(cuò)置信度。由前述可知，本申請(qǐng)實(shí)施例中將閾值設(shè)定為0.8后超過閾值的匹配文本只有：“下午茶座”。根據(jù)語音識(shí)別文本“打開下午茶座吧”中的匹配文本“下午茶座”和編輯距離矩陣可得到如下的糾錯(cuò)記錄：候選糾錯(cuò)文本：小虎插座糾錯(cuò)起始位置：2匹配文本長度：4匹配置信度：0.833333步驟S103輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，具體是采用篩選和/或組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化后輸出，圖4示出了輸出糾錯(cuò)記錄的流程。采用篩選的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化，具體包括：當(dāng)候選糾錯(cuò)文本與語音識(shí)別文本中匹配文本的匹配置信度超過閾值時(shí)，從糾錯(cuò)記錄中刪除糾錯(cuò)邊界相交的其它糾錯(cuò)記錄。其中，糾錯(cuò)邊界相交的解釋為：兩組糾錯(cuò)邊界對(duì)應(yīng)的匹配文本間存在重疊。由于前述匹配算法充分考慮了語音識(shí)別文本中不僅可能存在錯(cuò)字，還可能存在缺字、多字的情形，所以即使指定了匹配置信度閾值，每個(gè)候選糾錯(cuò)文本的糾錯(cuò)邊界也可能并不唯一，對(duì)應(yīng)的匹配置信度也不完全相同。因此當(dāng)匹配置信度足夠大(比如>0.95)，糾錯(cuò)記錄足夠可靠時(shí)，其它糾錯(cuò)記錄就顯得多余了。以語音識(shí)別文本“打開我是臺(tái)燈”和候選糾錯(cuò)文本“臥室臺(tái)燈”為例，在匹配置信度閾值為0.75時(shí)，所有糾錯(cuò)記錄列表如下：(1)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：2匹配文本長度：4匹配置信度：1.0糾錯(cuò)后的語音文本為：打開臥室臺(tái)燈。(2)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：3匹配文本長度：3匹配置信度：0.833333(即1–2/12)糾錯(cuò)后的語音文本為：打開我臥室臺(tái)燈。顯然，第一條糾錯(cuò)記錄已經(jīng)足夠可靠了。采用組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化，具體包括：1、根據(jù)糾錯(cuò)邊界不相交的多條糾錯(cuò)記錄生成合成記錄；以語音識(shí)別文本“打開我是臺(tái)風(fēng)和下午茶座”和候選糾錯(cuò)文本“臥室臺(tái)燈”、“小虎插座”為例，在匹配置信度閾值為0.75時(shí)，所有糾錯(cuò)記錄列表如下：(1)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：2匹配文本長度：4匹配置信度：0.9167(即1–1/12)(2)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：3匹配文本長度：3匹配置信度：0.75(即1–3/12)(3)候選糾錯(cuò)文本：小虎插座糾錯(cuò)起始位置：7匹配文本長度：4匹配置信度：0.833333(即1–2/12)生成的合成記錄有{(1)，(3)}和{(2)，(3)}。2、利用預(yù)設(shè)方法對(duì)組合記錄組進(jìn)行排序，其中，所述組合記錄組包含所述糾錯(cuò)記錄和由所述糾錯(cuò)記錄生成的合成記錄。仍以前述語音識(shí)別文本“打開我是臺(tái)風(fēng)和下午茶座”和候選糾錯(cuò)文本“臥室臺(tái)燈”、“小虎插座”為例，在匹配置信度閾值為0.75時(shí)，生成的組合記錄組中共有有{(1)，(3)}、{(2)，(3)}、{(1)}、{(2)}、{(3)}五條記錄，包括2條合成記錄和3條糾錯(cuò)記錄。相應(yīng)糾錯(cuò)后的語音識(shí)別文本如下：{(1)，(3)}：打開臥室臺(tái)燈和小虎插座。{(2)，(3)}：打開我臥室臺(tái)燈和小虎插座。{(1)}：打開臥室臺(tái)燈和下午茶座。{(2)}：打開我臥室臺(tái)燈和下午茶座。{(3)}：打開我是臺(tái)風(fēng)和小虎插座。對(duì)組合記錄組進(jìn)行排序的預(yù)設(shè)方法，可以選擇如下一種或多種方法的組合：(a)根據(jù)組合記錄組中糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算平均糾錯(cuò)評(píng)估分?jǐn)?shù)，按所述平均糾錯(cuò)評(píng)估分?jǐn)?shù)從高到低排列；(b)統(tǒng)計(jì)組合記錄組中的糾錯(cuò)記錄數(shù)，按所述糾錯(cuò)記錄數(shù)從多到少排列；(c)統(tǒng)計(jì)組合記錄組中語音識(shí)別文本的匹配文本的總長度，按所述匹配文本的總長度從短到長排列。在此，平均糾錯(cuò)評(píng)估分?jǐn)?shù)越高，表明糾錯(cuò)后的語音識(shí)別文本越可靠；匹配文本的總長度越短，表明原語音識(shí)別文本中被保留的信息越多。糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)根據(jù)糾錯(cuò)記錄對(duì)應(yīng)的匹配置信度和/或相似度得分和/或統(tǒng)計(jì)語言模型得分加權(quán)計(jì)算得到，圖5示出了糾錯(cuò)評(píng)估分?jǐn)?shù)的計(jì)算流程。本申請(qǐng)實(shí)施例中糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算公式如下：糾錯(cuò)評(píng)估分?jǐn)?shù)＝匹配置信度+相似度權(quán)重*相似度得分+分詞權(quán)重*統(tǒng)計(jì)語言模型得分；其中，相似度權(quán)重和分詞權(quán)重為經(jīng)驗(yàn)參數(shù)，視語料庫及模塊效果而調(diào)整。相似度得分根據(jù)候選糾錯(cuò)文本和匹配文本間的相似度得到。其中，匹配文本是指根據(jù)當(dāng)前糾錯(cuò)記錄從語音識(shí)別文本中截取的一個(gè)子文本。該子文本是語音識(shí)別文本中以糾錯(cuò)起始位置開始，以匹配文本長度為長度的字符串。例如，根據(jù)語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”生成的糾錯(cuò)記錄中糾錯(cuò)起始位置為2(對(duì)應(yīng)漢字為‘下’)，匹配文本長度為4，因此匹配文本為“下午茶座”。計(jì)算文本間相似度的算法，既可以是最長公共子序列算法，也可以是最長公共子串等其它用于計(jì)算字符串相似度的算法。最長公共子序列(LongestCommonSubsequence)是指序列S是兩個(gè)或多個(gè)已知序列的子序列，且是所有符合條件序列中最長的。它并不要求子序列在已知序列中連續(xù)。如果添上連續(xù)性條件，則就成為了最長公共子串(LongestCommonSubstring)。以字符串“abcfbc”和“abfcab”為例，最長公共子序列為“abcb”或“abfb”，長度為4；最長公共子串為“ab”，長度為2。本申請(qǐng)實(shí)施例中采用的相似度算法是基于漢字字符串的最長公共子序列算法。相似度得分計(jì)算公式如下：相似度得分＝最長公共子序列長度/候選糾錯(cuò)文本長度。例如，“小虎插座”與“下午茶座”的相似度得分為：sim(小虎插座，下午茶座)＝1/4＝0.25。統(tǒng)計(jì)語言模型得分可以用來表示糾錯(cuò)后，語音識(shí)別文本的合理性。不同于英文字符串，中文字符串中并不存在天然的單詞分隔符，所以計(jì)算漢語的統(tǒng)計(jì)語言模型得分時(shí)，首先需要進(jìn)行分詞。本申請(qǐng)實(shí)施例中采用的分詞算法為基于維特比算法的分詞算法，語料庫可以為帶詞性標(biāo)注的2014人民日?qǐng)?bào)語料庫。對(duì)語料庫進(jìn)行簡單的預(yù)處理(如移除特殊字符等)后，可以統(tǒng)計(jì)得到語料庫中所有單詞和漢字出現(xiàn)的詞頻。維特比算法是一種動(dòng)態(tài)規(guī)劃算法，用于解決圖中的最短路徑問題，能有效降低計(jì)算復(fù)雜度，如圖6所示。維特比算法的核心在于，假設(shè)已知到第i列所有節(jié)點(diǎn)的最短路徑Xi,j，那么：Xi+1,k＝min{Xi,j+dj,k|j＝1,2,…,ni；k＝1,2,…,ni+1}.其中，ni表示第i列節(jié)點(diǎn)個(gè)數(shù)，ni+1表示第i+1列節(jié)點(diǎn)個(gè)數(shù)。仍以糾錯(cuò)后的語音識(shí)別文本“打開小虎插座吧”為例，簡單說明維特比分詞算法。首先，基于當(dāng)前語料庫下的詞典，生成詞圖。詞圖即輸入文本中所有可能出現(xiàn)的單詞及漢字構(gòu)成的圖。如果一個(gè)詞A的下一個(gè)詞可能是B的話，那么A和B之間就有一條路徑(A，B)。一個(gè)詞可能有多個(gè)后續(xù)詞，也可能有多個(gè)前驅(qū)詞，它們構(gòu)成的圖即為詞圖。如果將一個(gè)詞的起始位置作為行，終止位置作為列，則又可以將詞圖轉(zhuǎn)換為一個(gè)二維矩陣。如下表2示出了“打開小虎插座吧”在語料庫詞典下的詞圖矩陣。012345670始##始1打打開2開3小小虎4虎5插插座6座7末##末表2表2所示的詞圖矩陣中，從起始節(jié)點(diǎn)(始##始)到結(jié)尾節(jié)點(diǎn)(末##末)存在如下路徑：始##始—>打—>開—>小—>虎—>插—>座—>末##末；始##始—>打—>開—>小—>虎—>插座—>末##末；始##始—>打—>開—>小虎—>插—>座—>末##末；始##始—>打開—>小—>虎—>插—>座—>末##末；始##始—>打—>開—>小虎—>插座—>末##末；始##始—>打開—>小—>虎—>插座—>末##末；始##始—>打開—>小虎—>插—>座—>末##末；始##始—>打開—>小虎—>插座—>末##末。顯然，隨著語音文本增長，詞節(jié)點(diǎn)增加，路徑數(shù)將激增，遍歷計(jì)算所有路徑的開銷也將隨之上升。本申請(qǐng)實(shí)施例中，任意兩分詞節(jié)點(diǎn)間距離的基本計(jì)算公式為：其中，from、to表示兩分詞節(jié)點(diǎn)，freq(from)表示單詞from在語料庫中的出現(xiàn)的次數(shù)，freq(from,to)表示單詞對(duì)(from、to)在語料庫中的共現(xiàn)次數(shù)，total_freq表示語料庫中所有單詞出現(xiàn)的總數(shù)，w為預(yù)定義權(quán)重0.2。上式中，freq(from)/total_freq度量了單詞from在語料庫中出現(xiàn)的概率，(1+freq(from,to))/(1+freq(from))度量了單詞對(duì)(from、to)在語料庫中出現(xiàn)的條件概率。為進(jìn)一步降低計(jì)算復(fù)雜度，直接基于相鄰節(jié)點(diǎn)間的距離，從末節(jié)點(diǎn)開始依次選取距離最短的節(jié)點(diǎn)，得到局部最優(yōu)分詞路徑作為最終分詞路徑。本申請(qǐng)實(shí)施例中的統(tǒng)計(jì)語言模型得分定義為：score＝1/distance(始##始,末##末)圖7示出了糾錯(cuò)后的語音識(shí)別文本“打開小虎插座”的分詞路徑，其中最終分詞路徑中分詞節(jié)點(diǎn)的選取依次為：插座—>小虎—>打開，根據(jù)上述公式計(jì)算統(tǒng)計(jì)語言模型得分為：1/17＝1/(1+5+5+6)。得到糾錯(cuò)記錄的相似度得分和統(tǒng)計(jì)語言模型得分之后，根據(jù)糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算公式得到最終的糾錯(cuò)評(píng)估分?jǐn)?shù)。例如，根據(jù)語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”生成的糾錯(cuò)記錄中糾錯(cuò)起始位置為2(對(duì)應(yīng)漢字為‘下’)，匹配文本長度為4，可得到匹配置信度為0.8333，將相似度權(quán)重設(shè)置為0.2，分詞權(quán)重設(shè)置為0.5，可計(jì)算得到糾錯(cuò)評(píng)估分?jǐn)?shù)為：0.913＝0.8333+0.2*0.25+0.5/17。需要說明的是，相似度得分和統(tǒng)計(jì)語言模型得分并不是必要的，但加上后可以進(jìn)一步優(yōu)化糾錯(cuò)記錄的可靠性。分詞權(quán)重設(shè)置為0，表明不考慮統(tǒng)計(jì)語言模型，可以減少計(jì)算開銷。類似的，也可以將相似度權(quán)重設(shè)置為0。仍以語音識(shí)別文本“打開我是臺(tái)風(fēng)和下午茶座”和候選糾錯(cuò)文本“臥室臺(tái)燈”、“小虎插座”為例(不考慮相似度得分和統(tǒng)計(jì)語言模型得分，即權(quán)重均設(shè)置為0)，對(duì)糾錯(cuò)記錄組先按糾錯(cuò)記錄數(shù)從多到少排序，再按糾錯(cuò)評(píng)估分?jǐn)?shù)從高到低排序后的結(jié)果如下：{(1),(3)}，均分：0.875，匹配文本長度：8，糾錯(cuò)后語音識(shí)別文本：打開臥室臺(tái)燈和小虎插座。{(2),(3)}，均分：0.792，匹配文本長度：7，糾錯(cuò)后語音識(shí)別文本：打開我臥室臺(tái)燈和小虎插座。{(1)}，均分：0.9167，匹配文本長度：4，糾錯(cuò)后語音識(shí)別文本：打開臥室臺(tái)燈和下午茶座。{(3)}，均分：0.833，匹配文本長度：4，糾錯(cuò)后語音識(shí)別文本：打開我是臺(tái)風(fēng)和小虎插座。{(2)}，均分：0.750，匹配文本長度：3，糾錯(cuò)后語音識(shí)別文本：打開我臥室臺(tái)燈和下午茶座。更一般地，還可以為每個(gè)組合記錄組定義如下排序得分，據(jù)此由高到低排序：其中，fi表示糾錯(cuò)記錄組的第i個(gè)排序因子的數(shù)值，wi為相應(yīng)權(quán)重，n為預(yù)先選定的排序因子數(shù)目。排序因子可以為：糾錯(cuò)記錄個(gè)數(shù)、糾錯(cuò)記錄平均最終得分、糾錯(cuò)記錄平均匹配置信度、糾錯(cuò)文本總長度、候選糾錯(cuò)文本總長度等等。根據(jù)本申請(qǐng)的另一方面，還提供了一種語音識(shí)別文本的糾錯(cuò)裝置，該裝置的結(jié)構(gòu)如圖8所示，包括讀取模塊210、匹配模塊220和輸出模塊230。具體地，讀取模塊210用于獲取語音識(shí)別文本；匹配模塊220用于根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄；輸出模塊230用于輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。在此，讀取模塊210獲取的語音識(shí)別文本是任何語音識(shí)別軟件對(duì)用戶語音識(shí)別后產(chǎn)生的文本，是本申請(qǐng)方案的輸入對(duì)象。匹配模塊220用于根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，其中，預(yù)設(shè)的候選糾錯(cuò)文本是用于對(duì)語音識(shí)別文本進(jìn)行糾錯(cuò)的多條文本，本申請(qǐng)方案面向的場景是對(duì)涉及語音控制設(shè)備的語音識(shí)別文本進(jìn)行糾錯(cuò)，語音識(shí)別文本同語音控制設(shè)備的信息有很強(qiáng)的關(guān)聯(lián)，因此可以使用語音控制設(shè)備的信息作為候選的糾錯(cuò)文本，提高糾錯(cuò)的準(zhǔn)確性。同時(shí)，由于具體系統(tǒng)中語音控制設(shè)備的數(shù)量是有限的，因此對(duì)語音識(shí)別文本進(jìn)行糾錯(cuò)匹配需要的系統(tǒng)資源也減少很多。預(yù)設(shè)的候選糾錯(cuò)文本的生成方法是通過獲取用戶能操作的所有語音控制設(shè)備信息，選定部分字段信息作為語音識(shí)別文本的候選糾錯(cuò)文本。具體地，本申請(qǐng)實(shí)施例中將語音控制設(shè)備列表名、語音控制設(shè)備類型名作為候選糾錯(cuò)文本。匹配模塊220用于根據(jù)預(yù)設(shè)的候選糾錯(cuò)文本生成所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，如圖2所示，具體用于：一、根據(jù)所述候選糾錯(cuò)文本在所述語音識(shí)別文本中進(jìn)行匹配，以確定所述語音識(shí)別文本中，是否存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本；在使用候選糾錯(cuò)文本對(duì)語音識(shí)別文本進(jìn)行匹配之前，需要對(duì)這兩種文本進(jìn)行預(yù)處理，以提高匹配算法的運(yùn)行效率和匹配準(zhǔn)確性。文本的預(yù)處理方法可以是字符預(yù)處理方法，也可以是文本轉(zhuǎn)拼音預(yù)處理方法或兩者的組合。字符預(yù)處理方法用于對(duì)語音識(shí)別文本和候選糾錯(cuò)文本進(jìn)行分隔與字符轉(zhuǎn)換，包括如下多種方式：在語音識(shí)別文本和候選糾錯(cuò)文本中插入分隔符，語音識(shí)別文本插入分隔符的位置在首字符前、尾字符后和相鄰字符間，候選糾錯(cuò)文本插入分隔符的位置在首字符之前，本申請(qǐng)實(shí)施例中使用的分隔符為空格符“”；將語音識(shí)別文本和候選糾錯(cuò)文本中的字符全部轉(zhuǎn)換為全角/半角字符；將語音識(shí)別文本和候選糾錯(cuò)文本中的字符全部轉(zhuǎn)換為大寫/小寫字符；將未知字符從語音識(shí)別文本和候選糾錯(cuò)文本中移除。文本轉(zhuǎn)拼音預(yù)處理方法用于對(duì)語音識(shí)別文本和候選糾錯(cuò)文本中的字符進(jìn)行轉(zhuǎn)拼音處理，包括如下多種方式：將語音識(shí)別文本和候選糾錯(cuò)文本中的漢字字符和數(shù)字字符轉(zhuǎn)換為漢語拼音字符串，所述漢語拼音字符串既可以是帶音調(diào)的字符串，也可以是不帶音調(diào)的純英文字符串，甚至可以是由聲、韻母及聲調(diào)構(gòu)成的拼音字符串；語音識(shí)別文本和候選糾錯(cuò)文本中的英文字符保持不變；將語音識(shí)別文本和候選糾錯(cuò)文本中的未知字符或特殊字符使用替換符替換，本申請(qǐng)實(shí)施例中使用的替換符為“*”。對(duì)候選糾錯(cuò)文本和語音識(shí)別文本進(jìn)行匹配采用的是基于編輯距離模型的模式匹配算法，候選糾錯(cuò)文本和語音識(shí)別文本可以是進(jìn)行了轉(zhuǎn)拼音處理后的英文字符串，也可以是沒有進(jìn)行轉(zhuǎn)拼音處理的漢字文本。編輯距離(EditDistance)是指兩個(gè)字符串從一個(gè)字符串改變成另一個(gè)字符串所需要進(jìn)行的編輯操作的最少次數(shù)。本申請(qǐng)實(shí)施例中的編輯操作僅包括將一個(gè)字符替換成另一個(gè)字符、插入一個(gè)字符和刪除一個(gè)字符這三種編輯操作。一般來說，編輯距離越小，表明兩個(gè)字符串的相似度越高。采用基于編輯距離模型的模式匹配算法對(duì)候選糾錯(cuò)文本和語音識(shí)別文本進(jìn)行匹配，具體包括：1)計(jì)算所述候選糾錯(cuò)文本與所述語音識(shí)別文本中的匹配文本之間的編輯距離；表1示出了語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”之間的(編輯距離，糾錯(cuò)起始位置)對(duì)。其中，“[]”代表分隔符。圖3示出了語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”進(jìn)行了文本轉(zhuǎn)拼音預(yù)處理后，根據(jù)相應(yīng)拼音字符串計(jì)算得到的編輯距離矩陣。本申請(qǐng)實(shí)施例中使用如下算法來計(jì)算編輯距離矩陣：(a)編輯距離向量和糾錯(cuò)邊界初始值定義如下：editDistance[i]＝i，start[i]＝0，length[i]＝0。其中，editDistance表示當(dāng)前編輯距離列向量，start表示相應(yīng)糾錯(cuò)邊界的起始位置，length表示匹配文本長度，i表示候選糾錯(cuò)文本中字符的索引下標(biāo)(從0開始)。editDistance[i]＝i的含意為：候選糾錯(cuò)文本的前i個(gè)字符轉(zhuǎn)換成空字符所需的編輯距離為i。(b)編輯距離列向量和糾錯(cuò)邊界的計(jì)算方法如下：如果當(dāng)前語音識(shí)別文本的拼音字符是分隔符“”，那么：editDistance[i]＝min(editDistanceOld[i],i)；length[i]＝wordIndex-start[i].否則：length[i]＝wordIndex-start[i].其中，wordIndex表示當(dāng)前語音識(shí)別文本的拼音字符c，對(duì)應(yīng)的漢字在原文本中的索引位置(從0開始)，p[i]表示候選糾錯(cuò)文本中的第i個(gè)拼音字符，定義如下：其中，editDistance為當(dāng)前列向量，editDistanceOld為前一列向量，如圖3所示的編輯距離矩陣的計(jì)算是從左往右、自上而下，逐列計(jì)算編輯距離列向量。與傳統(tǒng)的編輯距離算法相比，上述算法實(shí)現(xiàn)了在輸入文本中模糊匹配、定位指定模式串的功能。計(jì)算編輯距離向量的同時(shí)，也更新了模糊匹配的起始位置，免去了再次對(duì)整個(gè)編輯距離矩陣進(jìn)行回溯求解最優(yōu)路徑的開銷。本申請(qǐng)實(shí)施例中，分隔符是整個(gè)計(jì)算過程的核心，其作用在于：分隔符并不參與實(shí)際的字符串相似度計(jì)算；分隔符對(duì)拼音字符串起到分隔、標(biāo)識(shí)對(duì)應(yīng)漢字的作用；只有遇到分隔符才需要計(jì)算當(dāng)前糾錯(cuò)邊界(即糾錯(cuò)起始位置和匹配文本長度)下的匹配置信度，并判斷是否需要保存糾錯(cuò)記錄；分隔符是定位糾錯(cuò)起始位置的關(guān)鍵。2)根據(jù)所述編輯距離與所述候選糾錯(cuò)文本的長度，獲取所述候選糾錯(cuò)文本與所述匹配文本之間的匹配置信度；本申請(qǐng)實(shí)施例中候選糾錯(cuò)文本與語音識(shí)別文本中的匹配文本之間的匹配置信度計(jì)算公式如下：匹配置信度＝1-拼音編輯距離/候選糾錯(cuò)文本拼音長度.需要注意的是，由于語音識(shí)別文本中可能存在錯(cuò)字，也可能存在缺字、多字的情況，所以每個(gè)候選糾錯(cuò)文本的糾錯(cuò)邊界并不唯一，相應(yīng)的匹配置信度也不完全相同。3)確定所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本。本申請(qǐng)實(shí)施例中將閾值設(shè)定為0.8，參照表1，遍歷最后一行中“[]”對(duì)應(yīng)的(編輯距離，糾錯(cuò)起始位置)對(duì)，可知超過閾值的匹配文本只有：“下午茶座”。該匹配文本的匹配置信度為1–2/12，即0.833333。二、在所述語音識(shí)別文本中存在與所述候選糾錯(cuò)文本的匹配置信度超過閾值的匹配文本時(shí)，根據(jù)所述匹配文本生成語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄。本申請(qǐng)實(shí)施例中每條糾錯(cuò)記錄內(nèi)容包括候選糾錯(cuò)文本、糾錯(cuò)邊界(即糾錯(cuò)起始位置和匹配文本長度)和糾錯(cuò)置信度。由前述可知，本申請(qǐng)實(shí)施例中將閾值設(shè)定為0.8后超過閾值的匹配文本只有：“下午茶座”。根據(jù)語音識(shí)別文本“打開下午茶座吧”中的匹配文本“下午茶座”和編輯距離矩陣可得到如下的糾錯(cuò)記錄：候選糾錯(cuò)文本：小虎插座糾錯(cuò)起始位置：2匹配文本長度：4匹配置信度：0.833333輸出模塊230用于輸出所述語音識(shí)別文本對(duì)應(yīng)的糾錯(cuò)記錄，具體地，用于采用篩選和/或組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化后輸出，圖4示出了輸出模塊的工作流程。采用篩選的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化，具體包括：當(dāng)候選糾錯(cuò)文本與語音識(shí)別文本中匹配文本的匹配置信度超過閾值時(shí)，從糾錯(cuò)記錄結(jié)果集合中刪除糾錯(cuò)邊界相交的其它糾錯(cuò)記錄。其中，糾錯(cuò)邊界相交的解釋為：兩組糾錯(cuò)邊界對(duì)應(yīng)的匹配文本間存在重疊。由于前述匹配算法充分考慮了語音識(shí)別文本中不僅可能存在錯(cuò)字，還可能存在缺字、多字的情形，所以即使指定了匹配置信度閾值，每個(gè)候選糾錯(cuò)文本的糾錯(cuò)邊界也可能并不唯一，對(duì)應(yīng)的匹配置信度也不完全相同。因此當(dāng)匹配置信度足夠大(比如>0.95)，糾錯(cuò)記錄足夠可靠時(shí)，其它糾錯(cuò)記錄就顯得多余了。以語音識(shí)別文本“打開我是臺(tái)燈”和候選糾錯(cuò)文本“臥室臺(tái)燈”為例，在匹配置信度閾值為0.75時(shí)，所有糾錯(cuò)記錄列表如下：(1)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：2匹配文本長度：4匹配置信度：1.0糾錯(cuò)后的語音文本為：打開臥室臺(tái)燈。(2)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：3匹配文本長度：3匹配置信度：0.833333(即1–2/12)糾錯(cuò)后的語音文本為：打開我臥室臺(tái)燈。顯然，第一條糾錯(cuò)記錄已經(jīng)足夠可靠了。采用組合排序的方式對(duì)所述語音識(shí)別文本對(duì)應(yīng)的多條糾錯(cuò)記錄進(jìn)行優(yōu)化，具體包括：1、根據(jù)糾錯(cuò)邊界不相交的多條糾錯(cuò)記錄生成合成記錄；以語音識(shí)別文本“打開我是臺(tái)風(fēng)和下午茶座”和候選糾錯(cuò)文本“臥室臺(tái)燈”、“小虎插座”為例，在匹配置信度閾值為0.75時(shí)，所有糾錯(cuò)記錄列表如下：(1)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：2匹配文本長度：4匹配置信度：0.9167(即1–1/12)(2)候選糾錯(cuò)文本：臥室臺(tái)燈糾錯(cuò)起始位置：3匹配文本長度：3匹配置信度：0.75(即1–3/12)(3)候選糾錯(cuò)文本：小虎插座糾錯(cuò)起始位置：7匹配文本長度：4匹配置信度：0.833333(即1–2/12)生成的合成記錄有{(1)，(3)}和{(2)，(3)}。2、利用預(yù)設(shè)方法對(duì)組合記錄組進(jìn)行排序，其中，所述組合記錄組包含所述糾錯(cuò)記錄和由所述糾錯(cuò)記錄生成的合成記錄。仍以前述語音識(shí)別文本“打開我是臺(tái)風(fēng)和下午茶座”和候選糾錯(cuò)文本“臥室臺(tái)燈”、“小虎插座”為例，在匹配置信度閾值為0.75時(shí)，生成的組合記錄組中共有有{(1)，(3)}、{(2)，(3)}、{(1)}、{(2)}、{(3)}五條記錄，包括2條合成記錄和3條糾錯(cuò)記錄。相應(yīng)糾錯(cuò)后的語音識(shí)別文本如下：{(1)，(3)}：打開臥室臺(tái)燈和小虎插座。{(2)，3)}：打開我臥室臺(tái)燈和小虎插座。{(1)}：打開臥室臺(tái)燈和下午茶座。{(2)}：打開我臥室臺(tái)燈和下午茶座。{(3)}：打開我是臺(tái)風(fēng)和小虎插座。對(duì)組合記錄組進(jìn)行排序的預(yù)設(shè)方法，可以選擇如下一種或多種的組合：(a)根據(jù)組合記錄組中糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算平均糾錯(cuò)評(píng)估分?jǐn)?shù)，按所述平均糾錯(cuò)評(píng)估分?jǐn)?shù)從高到低排列；(b)統(tǒng)計(jì)組合記錄組中的糾錯(cuò)記錄數(shù)，按所述糾錯(cuò)記錄數(shù)從多到少排列；(c)統(tǒng)計(jì)組合記錄組中語音識(shí)別文本的匹配文本的總長度，按所述匹配文本的總長度從短到長排列。在此，平均糾錯(cuò)評(píng)估分?jǐn)?shù)越高，表明糾錯(cuò)后的語音識(shí)別文本越可靠；匹配文本的總長度越短，表明原語音識(shí)別文本中被保留的信息越多。糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)根據(jù)糾錯(cuò)記錄對(duì)應(yīng)的匹配置信度和/或相似度得分和/或統(tǒng)計(jì)語言模型得分加權(quán)計(jì)算得到，圖5示出了糾錯(cuò)評(píng)估分?jǐn)?shù)的計(jì)算流程。本申請(qǐng)實(shí)施例中糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算公式如下：糾錯(cuò)評(píng)估分?jǐn)?shù)＝匹配置信度+相似度權(quán)重*相似度得分+分詞權(quán)重*統(tǒng)計(jì)語言模型得分；其中，相似度權(quán)重和分詞權(quán)重為經(jīng)驗(yàn)參數(shù)，視語料庫及模塊效果而調(diào)整。相似度得分根據(jù)候選糾錯(cuò)文本和匹配文本間的相似度得到。其中，匹配文本是指根據(jù)當(dāng)前糾錯(cuò)記錄從語音識(shí)別文本中截取的一個(gè)子文本。該子文本是語音識(shí)別文本中以糾錯(cuò)起始位置開始，以匹配文本長度為長度的字符串。例如，根據(jù)語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”生成的糾錯(cuò)記錄中糾錯(cuò)起始位置為2(對(duì)應(yīng)漢字為‘下’)，匹配文本長度為4，因此匹配文本為“下午茶座”。計(jì)算文本間相似度的算法，既可以是最長公共子序列算法，也可以是最長公共子串等其它用于計(jì)算字符串相似度的算法。最長公共子序列(LongestCommonSubsequence)是指序列S是兩個(gè)或多個(gè)已知序列的子序列，且是所有符合條件序列中最長的。它并不要求子序列在已知序列中連續(xù)。如果添上連續(xù)性條件，則就成為了最長公共子串(LongestCommonSubstring)。以字符串“abcfbc”和“abfcab”為例，最長公共子序列為“abcb”或“abfb”，長度為4；最長公共子串為“ab”，長度為2。本申請(qǐng)實(shí)施例中采用的相似度算法是基于漢字字符串的最長公共子序列算法。相似度得分計(jì)算公式如下：相似度得分＝最長公共子序列長度/候選糾錯(cuò)文本長度。例如，“小虎插座”與“下午茶座”的相似度得分為：sim(小虎插座，下午茶座)＝1/4＝0.25。統(tǒng)計(jì)語言模型得分可以用來表示糾錯(cuò)后，語音識(shí)別文本的合理性。不同于英文字符串，中文字符串中并不存在天然的單詞分隔符，所以計(jì)算漢語的統(tǒng)計(jì)語言模型得分時(shí)，首先需要進(jìn)行分詞。本申請(qǐng)實(shí)施例中采用的分詞算法為基于維特比算法的分詞算法，語料庫可以為帶詞性標(biāo)注的2014人民日?qǐng)?bào)語料庫。對(duì)語料庫進(jìn)行簡單的預(yù)處理(如移除特殊字符等)后，可以統(tǒng)計(jì)得到語料庫中所有單詞和漢字出現(xiàn)的詞頻。維特比算法是一種動(dòng)態(tài)規(guī)劃算法，用于解決圖中的最短路徑問題，能有效降低計(jì)算復(fù)雜度，如圖6所示。維特比算法的核心在于，假設(shè)已知到第i列所有節(jié)點(diǎn)的最短路徑Xi,j，那么：Xi+1,k＝min{Xi,j+dj,k|j＝1,2,…,ni；k＝1,2,…,ni+1}.其中，ni表示第i列節(jié)點(diǎn)個(gè)數(shù)，ni+1表示第i+1列節(jié)點(diǎn)個(gè)數(shù)。仍以糾錯(cuò)后的語音識(shí)別文本“打開小虎插座吧”為例，簡單說明維特比分詞算法。首先，基于當(dāng)前語料庫下的詞典，生成詞圖。詞圖即輸入文本中所有可能出現(xiàn)的單詞及漢字構(gòu)成的圖。如果一個(gè)詞A的下一個(gè)詞可能是B的話，那么A和B之間就有一條路徑(A，B)。一個(gè)詞可能有多個(gè)后續(xù)詞，也可能有多個(gè)前驅(qū)詞，它們構(gòu)成的圖即為詞圖。如果將一個(gè)詞的起始位置作為行，終止位置作為列，則又可以將詞圖轉(zhuǎn)換為一個(gè)二維矩陣。表2示出了“打開小虎插座吧”在語料庫詞典下的詞圖矩陣。表2所示的詞圖矩陣中，從起始節(jié)點(diǎn)(始##始)到結(jié)尾節(jié)點(diǎn)(末##末)存在如下路徑：始##始—>打—>開—>小—>虎—>插—>座—>末##末；始##始—>打—>開—>小—>虎—>插座—>末##末；始##始—>打—>開—>小虎—>插—>座—>末##末；始##始—>打開—>小—>虎—>插—>座—>末##末；始##始—>打—>開—>小虎—>插座—>末##末；始##始—>打開—>小—>虎—>插座—>末##末；始##始—>打開—>小虎—>插—>座—>末##末；始##始—>打開—>小虎—>插座—>末##末。顯然，隨著語音文本增長，詞節(jié)點(diǎn)增加，路徑數(shù)將激增，遍歷計(jì)算所有路徑的開銷也將隨之上升。本申請(qǐng)實(shí)施例中，任意兩分詞節(jié)點(diǎn)間距離的基本計(jì)算公式為：其中，from、to表示兩分詞節(jié)點(diǎn)，freq(from)表示單詞from在語料庫中的出現(xiàn)的次數(shù)，freq(from,to)表示單詞對(duì)(from、to)在語料庫中的共現(xiàn)次數(shù)，total_freq表示語料庫中所有單詞出現(xiàn)的總數(shù)，w為預(yù)定義權(quán)重0.2。上式中，freq(from)/total_freq度量了單詞from在語料庫中出現(xiàn)的概率，(1+freq(from,to))/(1+freq(from))度量了單詞對(duì)(from、to)在語料庫中出現(xiàn)的條件概率。為進(jìn)一步降低計(jì)算復(fù)雜度，直接基于相鄰節(jié)點(diǎn)間的距離，從末節(jié)點(diǎn)開始依次選取距離最短的節(jié)點(diǎn)，得到局部最優(yōu)分詞路徑作為最終分詞路徑。本申請(qǐng)實(shí)施例中的統(tǒng)計(jì)語言模型得分定義為：score＝1/distance(始##始,末##末)圖7示出了糾錯(cuò)后的語音識(shí)別文本“打開小虎插座”的分詞路徑，其中最終分詞路徑中分詞節(jié)點(diǎn)的選取依次為：插座—>小虎—>打開，根據(jù)上述公式計(jì)算統(tǒng)計(jì)語言模型得分為：1/17＝1/(1+5+5+6)。得到糾錯(cuò)記錄的相似度得分和統(tǒng)計(jì)語言模型得分之后，根據(jù)糾錯(cuò)記錄的糾錯(cuò)評(píng)估分?jǐn)?shù)計(jì)算公式得到最終的糾錯(cuò)評(píng)估分?jǐn)?shù)。例如，根據(jù)語音識(shí)別文本“打開下午茶座吧”和候選糾錯(cuò)文本“小虎插座”生成的糾錯(cuò)記錄中糾錯(cuò)起始位置為2(對(duì)應(yīng)漢字為‘下’)，匹配文本長度為4，可得到匹配置信度為0.8333，將相似度權(quán)重設(shè)置為0.2，分詞權(quán)重設(shè)置為0.5，可計(jì)算得到糾錯(cuò)評(píng)估分?jǐn)?shù)為：0.913＝0.8333+0.2*0.25+0.5/17。需要說明的是，相似度得分和統(tǒng)計(jì)語言模型得分并不是必要的，但加上后可以進(jìn)一步優(yōu)化糾錯(cuò)記錄的可靠性。分詞權(quán)重設(shè)置為0，表明不考慮統(tǒng)計(jì)語言模型，可以減少計(jì)算開銷。類似的，也可以將相似度權(quán)重設(shè)置為0。仍以語音識(shí)別文本“打開我是臺(tái)風(fēng)和下午茶座”和候選糾錯(cuò)文本“臥室臺(tái)燈”、“小虎插座”為例(不考慮相似度得分和統(tǒng)計(jì)語言模型得分，即權(quán)重均設(shè)置為0)，對(duì)糾錯(cuò)記錄組先按糾錯(cuò)記錄數(shù)從多到少排序，再按糾錯(cuò)評(píng)估分?jǐn)?shù)從高到低排序后的結(jié)果如下：{(1),(3)}，均分：0.875，匹配文本長度：8，糾錯(cuò)后語音識(shí)別文本：打開臥室臺(tái)燈和小虎插座。{(2),(3)}，均分：0.792，匹配文本長度：7，糾錯(cuò)后語音識(shí)別文本：打開我臥室臺(tái)燈和小虎插座。{(1)}，均分：0.9167，匹配文本長度：4，糾錯(cuò)后語音識(shí)別文本：打開臥室臺(tái)燈和下午茶座。{(3)}，均分：0.833，匹配文本長度：4，糾錯(cuò)后語音識(shí)別文本：打開我是臺(tái)燈和小虎插座。{(2)}，均分：0.750，匹配文本長度：3，糾錯(cuò)后語音識(shí)別文本：打開我臥室臺(tái)燈和下午茶座。更一般地，還可以為每個(gè)組合記錄組定義如下排序得分，據(jù)此由高到低排序：其中，fi表示糾錯(cuò)記錄組的第i個(gè)排序因子的數(shù)值，wi為相應(yīng)權(quán)重，n為預(yù)先選定的排序因子數(shù)目。排序因子可以為：糾錯(cuò)記錄個(gè)數(shù)、糾錯(cuò)記錄平均最終得分、糾錯(cuò)記錄平均匹配置信度、糾錯(cuò)文本總長度、候選糾錯(cuò)文本總長度等等。與現(xiàn)有技術(shù)相比，本申請(qǐng)的技術(shù)方案不同于傳統(tǒng)的對(duì)語音識(shí)別文本先分詞，再進(jìn)行糾錯(cuò)評(píng)估的糾錯(cuò)方式，而是采用直接糾錯(cuò)再評(píng)估的方法，大幅降低了對(duì)外部資源數(shù)據(jù)的依賴性，減輕了系統(tǒng)計(jì)算負(fù)擔(dān)，而且也更有針對(duì)性地提高了用戶語音控制指令的識(shí)別率。在此，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，方位詞均是結(jié)合操作者和使用者的日常操作習(xí)慣以及說明書附圖而設(shè)立的，它們的出現(xiàn)不應(yīng)當(dāng)影響本申請(qǐng)的保護(hù)范圍。以上結(jié)合附圖實(shí)施例對(duì)本申請(qǐng)進(jìn)行了詳細(xì)說明，本領(lǐng)域中普通技術(shù)人員可根據(jù)上述說明對(duì)本申請(qǐng)做出種種變化例。因而，實(shí)施例中的某些細(xì)節(jié)不應(yīng)構(gòu)成對(duì)本申請(qǐng)的限定，本申請(qǐng)將以所附權(quán)利要求書界定的范圍作為本申請(qǐng)的保護(hù)范圍。當(dāng)前第1頁1 2 3