本發(fā)明涉及信息轉(zhuǎn)換技術(shù)，尤其涉及一種語音文字的轉(zhuǎn)換方法及設(shè)備。

背景技術(shù)：

手機作為智能終端，智能化水平越來越高，人機交互性的需求也越來越強。語音作為人機交互的一種基本媒介，具有無可替代的作用。新一代的語音手機，持有人完全可以通過語音命令控制手機的各種操作，如撥打電話，讀寫短信，打開應(yīng)用等，如何深挖語音的潛能必將成為語音產(chǎn)品的一種趨勢。

隨著手機的錄音芯片模數(shù)轉(zhuǎn)換器(ADC，Analog-to-Digital Converter)性能的提升，麥克風(fēng)信噪比的提高，通過合理的設(shè)計布局，在手機上也能實現(xiàn)專業(yè)錄音筆達到的高清錄音水平，錄音質(zhì)量得到了保障，配合語音轉(zhuǎn)文字引擎識別率較高，錄音轉(zhuǎn)文字完全達到了商業(yè)化的程度。

目前手機語音轉(zhuǎn)文字的功能主要簡單，只能粗略的將一段語音轉(zhuǎn)化為文字，由于硬件或軟件的性能限制，識別率不是很高。無法完成對說話人進行識別，多人同時說話轉(zhuǎn)文字，無法完成分類標(biāo)識。對一段長錄音，如會議錄音，課堂演講，小組討論等場景的錄音，只能轉(zhuǎn)化為一段文字，無條例性，更無法分離語音，完全不符合高質(zhì)量，高效的設(shè)計理念，降低了人機交互性。

并且，目前的手機安裝了語音轉(zhuǎn)文字的應(yīng)用(APP，APPlication)，主要是通過麥克風(fēng)采集語音后，通過網(wǎng)絡(luò)上傳到云端，通過云端的引擎進行轉(zhuǎn)文字。實際轉(zhuǎn)文字識別率，采集距離短及轉(zhuǎn)化效果一般，用戶體驗較差。

綜上所述，目前手機中語音轉(zhuǎn)文字功能只能解決單一人聲的語音文字轉(zhuǎn)化，同時需要連接云端服務(wù)器，且識別率不高，無法進行多人同時說話的識別與剔除，且無法進行分類轉(zhuǎn)化。

技術(shù)實現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明實施例提供了一種語音文字的轉(zhuǎn)換方法及設(shè)備。

本發(fā)明實施例提供的語音文字的轉(zhuǎn)換方法包括：

利用兩個以上麥克風(fēng)采集一個以上用戶的語音信息；

對所述各麥克風(fēng)采集到的語音信息進行分析處理，得到各用戶的聲源特征參量；

根據(jù)所述各用戶的聲源特征參量，對采集到的語音信息進行分類，得到各用戶分別對應(yīng)的語音信息；

將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息。

在本發(fā)明一實施例中，所述對所述各麥克風(fēng)采集到的語音信息進行分析處理之前，所述方法還包括：

濾除所述各麥克風(fēng)采集到的語音信息中的背景噪聲。

在本發(fā)明一實施例中，所述對所述各麥克風(fēng)采集到的語音信息進行分析處理，得到各用戶的聲源特征參量，包括：

對所述各麥克風(fēng)采集到的語音信息進行分析，得到各麥克風(fēng)接收到并發(fā)語音的時間差；

根據(jù)所述各麥克風(fēng)接收到并發(fā)語音的時間差，計算得到各用戶的聲源特征參量。

在本發(fā)明一實施例中，所述將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息之后，所述方法還包括：

分類顯示所述各用戶分別對應(yīng)的文字信息。

在本發(fā)明一實施例中，所述將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息之后，所述方法還包括：

按照選擇的用戶標(biāo)識，分類顯示一個或多個用戶分別對應(yīng)的文字信息。

本發(fā)明實施例提供的語音文字的轉(zhuǎn)換設(shè)備包括：

信息采集單元，用于利用兩個以上麥克風(fēng)采集一個以上用戶的語音信息；

語音分析單元，用于對所述各麥克風(fēng)采集到的語音信息進行分析處理，得到各用戶的聲源特征參量；根據(jù)所述各用戶的聲源特征參量，對采集到的語音信息進行分類，得到各用戶分別對應(yīng)的語音信息；

語音文字轉(zhuǎn)換單元，用于將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息。

在本發(fā)明一實施例中，，所述設(shè)備還包括：

濾噪單元，用于濾除所述各麥克風(fēng)采集到的語音信息中的背景噪聲。

在本發(fā)明一實施例中，，所述語音分析單元包括：

分析子單元，用于對所述各麥克風(fēng)采集到的語音信息進行分析，得到各麥克風(fēng)接收到并發(fā)語音的時間差；

計算子單元，用于根據(jù)所述各麥克風(fēng)接收到并發(fā)語音的時間差，計算得到各用戶的聲源特征參量。

在本發(fā)明一實施例中，所述設(shè)備還包括：

顯示單元，用于分類顯示所述各用戶分別對應(yīng)的文字信息。

在本發(fā)明一實施例中，所述設(shè)備還包括：

顯示單元，用于按照選擇的用戶標(biāo)識，分類顯示一個或多個用戶分別對應(yīng)的文字信息。

本發(fā)明實施例的技術(shù)方案中，語音文字的轉(zhuǎn)換設(shè)備中具有高性能的硬件，包括：N個(N≥2)合理布局的高信噪比的麥克風(fēng)，形成麥克風(fēng)陣列；高性能的ADC，高性能的數(shù)字信號處理器(DSP，Digital Signal Processing)。設(shè)備能夠采集到高清的語音信息，在采集語音信息時，通過計算用戶的角度、距離等聲源特征參量，區(qū)分用戶說話的內(nèi)容，當(dāng)另一人同時說話時，計算另一聲源特征參量，以示區(qū)別，如此，根據(jù)不同的聲源特征參量將各用戶的語音信息進行分離。在語音轉(zhuǎn)文字時，通過本地的語音引擎，無需連接云端，即可實現(xiàn)將各用戶的語音信息分類轉(zhuǎn)換為對應(yīng)的文字，從而解決了多人同時講話的場景下根據(jù)用戶分類將語音轉(zhuǎn)化為對應(yīng)的文字的問題。

附圖說明

圖1為本發(fā)明實施例的語音文字的轉(zhuǎn)換方法的流程示意圖；

圖2為本發(fā)明實施例的語音采集場景示意圖；

圖3為本發(fā)明實施例的分類的文字轉(zhuǎn)換界面示意圖一；

圖4為本發(fā)明實施例的分類的文字轉(zhuǎn)換界面示意圖二；

圖5為本發(fā)明實施例的分類的文字轉(zhuǎn)換界面示意圖三；

圖6為本發(fā)明實施例的語音文字的轉(zhuǎn)換設(shè)備的結(jié)構(gòu)組成示意圖。

具體實施方式

為了能夠更加詳盡地了解本發(fā)明實施例的特點與技術(shù)內(nèi)容，下面結(jié)合附圖對本發(fā)明實施例的實現(xiàn)進行詳細闡述，所附附圖僅供參考說明之用，并非用來限定本發(fā)明實施例。

圖1為本發(fā)明實施例的語音文字的轉(zhuǎn)換方法的流程示意圖，本示例中的語音文字的轉(zhuǎn)換方法應(yīng)用于語音文字的轉(zhuǎn)換設(shè)備，如圖1所示，所述語音文字的轉(zhuǎn)換方法包括以下步驟：

步驟101：利用兩個以上麥克風(fēng)采集一個以上用戶的語音信息。

本發(fā)明實施例中，所述語音文字的轉(zhuǎn)換設(shè)備可以是手機、平板電腦、筆記本電腦等電子設(shè)備。

本發(fā)明實施例中，語音文字的轉(zhuǎn)換設(shè)備中具有高性能的硬件，包括：N個(N≥2)合理布局的高信噪比的麥克風(fēng)，形成麥克風(fēng)陣列；高性能的ADC，高性能的DSP。

本發(fā)明實施例中，當(dāng)一個以上用戶同時向語音文字的轉(zhuǎn)換設(shè)備輸入語音信息時，語音文字的轉(zhuǎn)換設(shè)備中的兩個以上麥克風(fēng)采都啟動并采集一個以上用戶的語音信息。可見，對于每個麥克風(fēng)，采集到的語音信息為多個用戶混雜在一起的語音信息，本發(fā)明示例旨在分離不同用戶的語音信息，以分別對各用戶的語音信息進行語音文字轉(zhuǎn)化處理。

步驟102：對所述各麥克風(fēng)采集到的語音信息進行分析處理，得到各用戶 的聲源特征參量。

本發(fā)明實施例中，對所述各麥克風(fēng)采集到的語音信息進行分析處理之前，濾除所述各麥克風(fēng)采集到的語音信息中的背景噪聲。這里，為了消除非人聲噪音，對語音信息中的背景噪聲進行濾除。

本發(fā)明實施例中，對所述各麥克風(fēng)采集到的語音信息進行分析，得到各麥克風(fēng)接收到并發(fā)語音的時間差；根據(jù)所述各麥克風(fēng)接收到并發(fā)語音的時間差，計算得到各用戶的聲源特征參量。

具體地，并發(fā)語音是指相同的語音，例如，用戶A說出“你好”的語音，語音文字的轉(zhuǎn)換設(shè)備中具有兩個麥克風(fēng)，由于麥克風(fēng)1和麥克風(fēng)2的位置不同，因此，麥克風(fēng)1接收到“你好”語音和麥克風(fēng)2接收到“你好”語音的時刻不同，具有時間差。這里，麥克風(fēng)1和麥克風(fēng)2中的兩個“你好”語音為并發(fā)語音。假設(shè)用戶A的位置坐標(biāo)為(x1，y1)，已知麥克風(fēng)1和麥克風(fēng)2的位置以及分析出來的并發(fā)語音的時間差，可計算得到用戶A的位置，進而確定出聲源特征參量。這里，聲源特征參量可以是用戶相對于麥克風(fēng)的角度、距離等參數(shù)，可用用戶的位置坐標(biāo)表征這些參數(shù)。同理，用戶B說出“漂亮”的語音，語音文字的轉(zhuǎn)換設(shè)備中具有兩個麥克風(fēng)，由于麥克風(fēng)1和麥克風(fēng)2的位置不同，因此，麥克風(fēng)1接收到“漂亮”語音和麥克風(fēng)2接收到“漂亮”語音的時刻不同，具有時間差。這里，麥克風(fēng)1和麥克風(fēng)2中的兩個“漂亮”語音為并發(fā)語音。假設(shè)用戶B的位置坐標(biāo)為(x2，y2)，已知麥克風(fēng)1和麥克風(fēng)2的位置以及分析出來的并發(fā)語音的時間差，可計算得到用戶B的位置，進而確定出聲源特征參量。

步驟103：根據(jù)所述各用戶的聲源特征參量，對采集到的語音信息進行分類，得到各用戶分別對應(yīng)的語音信息。

本發(fā)明實施例中，不同的用戶的地理位置不同，因此不同用戶的聲源特征參量不同，因此，可以根據(jù)聲源特征參量對混雜的多個用戶的語音信息進行分類，從而得到不同用戶所對應(yīng)的語音信息。

步驟104：將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息。

本發(fā)明實施例中，可通過本地的語音引擎將各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息。

本發(fā)明實施例中，將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息之后，分類顯示所述各用戶分別對應(yīng)的文字信息。這里，可以按不同用戶的發(fā)言時間，分別識別出各用戶語音對應(yīng)的文字信息，為當(dāng)前顯示的文字信息設(shè)置用戶標(biāo)識，實現(xiàn)分別顯示的目的。

或者，按照選擇的用戶標(biāo)識，分類顯示一個或多個用戶分別對應(yīng)的文字信息。這里，直接按用戶標(biāo)識對語音識別的文字分別進行顯示。即每個用戶標(biāo)識之后對應(yīng)著對其語音識別的所有文字信息。

本發(fā)明實施例的技術(shù)方案在語音轉(zhuǎn)文字時，通過語音引擎，無需連接云端，即可實現(xiàn)將各用戶的語音信息分類轉(zhuǎn)換為對應(yīng)的文字，從而解決了多人同時講話的場景下根據(jù)用戶分類將語音轉(zhuǎn)化為對應(yīng)的文字的問題。

下面結(jié)合具體應(yīng)用場景對本發(fā)明實施例的語音文字的轉(zhuǎn)換方法做進一步闡述。

參照圖2，多人會議場景，三人或三人以上，以A、B、C三人為例說明，采用本發(fā)明實施例提供的語音文字的轉(zhuǎn)換方法的語音文字轉(zhuǎn)換設(shè)備設(shè)備(如手機)包含麥克風(fēng)1與麥克風(fēng)2，當(dāng)A、B兩人交替討論，或A、B、C三人交替發(fā)言。利用本發(fā)明實施例的語音文字的轉(zhuǎn)換設(shè)備，將采集到的語音信息依次分析處理，得到各用戶的聲源特征參量；根據(jù)各用戶的聲源特征參量，對采集到的語音信息進行分類，得到各用戶分別對應(yīng)的語音信息；再將各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息。該設(shè)備可以分別將A、B、C三人的語音及文字進行分離及文字分類進行顯示，用戶可以選擇生成A、或B、或C的語音及文字。形成圖3所示的分類處理文字結(jié)果。

參照圖2，會議演講場景或者主題發(fā)言場景，如A作為主講人，當(dāng)轉(zhuǎn)文字需要將A作為主講人，B、C的聲音進行抑制時，利用本發(fā)明實施例的技術(shù)方案可以只保留主講人A的聲音，只將A的聲音轉(zhuǎn)化為文字，剔出B、C的聲音。形成圖4所示的分類處理文字結(jié)果。

參照圖2，會議提問互動環(huán)節(jié)，如A作為主講人，發(fā)言時可能需要與其他成員進行一個互動，此時可以將主講人A和提問人B的互動情況，按照時間先后順序進行語音采集和文字轉(zhuǎn)換。形成圖5所示的分類處理文字結(jié)果。

圖6為本發(fā)明實施例的語音文字的轉(zhuǎn)換設(shè)備的結(jié)構(gòu)組成示意圖，如圖6所示，所述設(shè)備包括：

信息采集單元61，用于利用兩個以上麥克風(fēng)采集一個以上用戶的語音信息；

語音分析單元62，用于對所述各麥克風(fēng)采集到的語音信息進行分析處理，得到各用戶的聲源特征參量；根據(jù)所述各用戶的聲源特征參量，對采集到的語音信息進行分類，得到各用戶分別對應(yīng)的語音信息；

語音文字轉(zhuǎn)換單元63，用于將所述各用戶分別對應(yīng)的語音信息轉(zhuǎn)化為對應(yīng)的文字信息。

在本發(fā)明實施例中，所述設(shè)備還包括：

濾噪單元64，用于濾除所述各麥克風(fēng)采集到的語音信息中的背景噪聲。

在本發(fā)明實施例中，所述語音分析單元62包括：

分析子單元621，用于對所述各麥克風(fēng)采集到的語音信息進行分析，得到各麥克風(fēng)接收到并發(fā)語音的時間差；

計算子單元622，用于根據(jù)所述各麥克風(fēng)接收到并發(fā)語音的時間差，計算得到各用戶的聲源特征參量；

分類子單元623，用于根據(jù)所述各用戶的聲源特征參量，對采集到的語音信息進行分類，得到各用戶分別對應(yīng)的語音信息。

在本發(fā)明實施例中，所述設(shè)備還包括：

顯示單元65，用于分類顯示所述各用戶分別對應(yīng)的文字信息。

所述顯示單元65，還用于按照選擇的用戶標(biāo)識，分類顯示一個或多個用戶分別對應(yīng)的文字信息。

本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，圖6所示的語音文字的轉(zhuǎn)換設(shè)備中的各單元及其子單元的實現(xiàn)功能可參照前述語音文字的轉(zhuǎn)換方法的相關(guān)描述而理解。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的設(shè)備和方法，可以通過其它的方式實現(xiàn)。以上所描述的設(shè)備實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，如：多個單元或組件可以結(jié)合，或可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另外，所顯示或討論的各組成部分相互之間的耦合、或直接耦合、或通信連接可以是通過一些接口，設(shè)備或單元的間接耦合或通信連接，可以是電性的、機械的或其它形式的。

上述作為分離部件說明的單元可以是、或也可以不是物理上分開的，作為單元顯示的部件可以是、或也可以不是物理單元，即可以位于一個地方，也可以分布到多個網(wǎng)絡(luò)單元上；可以根據(jù)實際的需要選擇其中的部分或全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各實施例中的各功能單元可以全部集成在一個處理單元中，也可以是各單元分別單獨作為一個單元，也可以兩個或兩個以上單元集成在一個單元中；上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用硬件加軟件功能單元的形式實現(xiàn)。

本領(lǐng)域普通技術(shù)人員可以理解：實現(xiàn)上述方法實施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，執(zhí)行包括上述方法實施例的步驟；而前述的存儲介質(zhì)包括：移動存儲設(shè)備、只讀存儲器(ROM，Read Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

或者，本發(fā)明上述集成的單元如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明實施例的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機、服務(wù)器、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分。而前述的存儲介質(zhì)包 括：移動存儲設(shè)備、只讀存儲器(ROM，Read Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以所述權(quán)利要求的保護范圍為準。