语音测评方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供一种语音测评方法、装置及电子设备，该方法包括：先获取M个待检测语音片段；并通过语音分类模型对M个待检测语音片段进行处理，得到目标对象的语音片段；再将目标对象的语音片段输入至语音测评模型中，得到目标对象的语音测评结果。本发明专利技术实施例提供的语音测评方法、装置及电子设备，提高了儿童语音测评的准确度。

【技术实现步骤摘要】
语音测评方法、装置及电子设备
本专利技术涉及电子设备
，尤其涉及一种语音测评方法、装置及电子设备。
技术介绍
在儿童(包括幼儿)的学习过程中，口语学习占有举足轻重的地位，较好的口语能力可以帮助儿童提高与别人的沟通效率，因此，如何监测儿童的口语情况并提高其口语能力就显得尤为重要。现有技术中，儿童的口语学习，通常需要家长或者老师的领读下进行。在需要对儿童的语音进行测评时，可以自动启动麦克风，但是这样在麦克风启动之后，所有的声音都会作为儿童的语音进行测评；或者在家长或者老师领读完成时手动启动麦克风，但是这样会因为麦克风启动不及时而错过待测试儿童的一部分语音，只能对后半部分的语音进行测评。因此，采用上述测评方式，使得测评的准确度不高。
技术实现思路
本专利技术实施例提供一种语音测评方法、装置及电子设备，以提高儿童语音测评的准确度。第一方面，本专利技术实施例提供一种语音测评方法，所述方法包括：获取M个待检测语音片段；M为正整数；通过语音分类模型对所述M个待检测语音片段进行处理，得到目标对象的语音片段；将所述目标对象的语音片段输入至语音测评模型中，得到所述目标对象的语音测评结果。在一种可能的实现方式中，所述语音分类模型采用如下方式生成：提取多个训练样本对应的第一特征向量，所述多个训练样本包括目标对象的语音信号和非目标对象的语音信号；基于每个训练样本对应的第一特征向量和该训练样本对应的语音类型，采用深度学习算法进行训练，生成所述语音分类模型。在一种可能的实现方式中，所述语音测评模型采用如下方式生成：提取多个训练样本对应的第二特征向量，所述多个训练样本包括目标对象的语音信号和非目标对象的语音信号；基于每个训练样本对应的第二特征向量和该训练样本对应的测评信息，采用深度学习算法进行训练，生成所述语音测评模型。在一种可能的实现方式中，所述通过语音分类模型对所述M个待检测语音片段进行处理，得到所述目标对象的语音片段，包括：通过语音分类模型，确定所述M个待检测语音片段分别对应的语音类型，所述语音类型包括目标对象和非目标对象；根据所述M个待检测语音片段分别对应的语音类型，对所述M个待检测语音片段进行筛选处理，得到所述目标对象的语音片段。在一种可能的实现方式中，所述将所述目标对象的待检测语音片段输入至语音测评模型中，得到所述目标对象的语音测评结果之后，所述方法还包括：若所述目标对象的语音测评结果未达到预设条件，则提示重新输入待检测语音。在一种可能的实现方式中，所述将所述目标对象的待检测语音片段输入至语音测评模型中，得到所述目标对象的语音测评结果之后，所述方法还包括：根据所述目标对象的语音测评结果和设定的奖励机制，为所述目标对象分配对应的奖励。在一种可能的实现方式中，所述获取M个待检测语音片段，包括：获取输入的语音信号；根据预设的静音时间长度，对所述语音信号进行划分，得到所述M个待检测语音片段。在一种可能的实现方式中，所述获取M个待检测语音片段，包括：获取输入的语音信号；根据所述语音信号的特征信息，确定静音时间长度；根据确定的静音时间长度，对所述语音信号进行划分，得到所述M个待检测语音片段。第二方面，本专利技术实施例还提供一种语音测评装置，所述装置包括：获取单元，用于获取M个待检测语音片段；M为正整数；处理单元，用于通过语音分类模型对所述M个待检测语音片段进行处理，得到目标对象的语音片段；测评单元，用于将所述目标对象的语音片段输入至语音测评模型中，得到所述目标对象的语音测评结果。在一种可能的实现方式中，所述语音分类模型采用如下方式生成：提取多个训练样本对应的第一特征向量，所述多个训练样本包括目标对象的语音信号和非目标对象的语音信号；并基于每个训练样本对应的第一特征向量和该训练样本对应的语音类型，采用深度学习算法进行训练，生成所述语音分类模型。在一种可能的实现方式中，所述语音测评模型采用如下方式生成：提取多个训练样本对应的第二特征向量，所述多个训练样本包括目标对象的语音信号和非目标对象的语音信号；基于每个训练样本对应的第二特征向量和该训练样本对应的测评信息，采用深度学习算法进行训练，生成所述语音测评模型。在一种可能的实现方式中，所述处理单元，具体用于通过语音分类模型，确定所述M个待检测语音片段分别对应的语音类型，所述语音类型包括目标对象和非目标对象；并根据所述M个待检测语音片段分别对应的语音类型，对所述M个待检测语音片段进行筛选处理，得到所述目标对象的语音片段。在一种可能的实现方式中，所述装置还包括提示单元；所述提示单元，用于若所述目标对象的语音测评结果未达到预设条件，则提示重新输入待检测语音。在一种可能的实现方式中，所述处理单元，还用于根据所述目标对象的语音测评结果和设定的奖励机制，为所述目标对象分配对应的奖励。在一种可能的实现方式中，所述获取单元，具体用于获取输入的语音信号；并根据预设的静音时间长度，对所述语音信号进行划分，得到所述M个待检测语音片段。在一种可能的实现方式中，所述获取单元，具体用于获取输入的语音信号；并根据所述语音信号的特征信息，确定静音时间长度；再根据确定的静音时间长度，对所述语音信号进行划分，得到所述M个待检测语音片段。第三方面，本专利技术实施例还提供一种电子设备，该电子设备包括处理器和存储器，其中，所述存储器用于存储程序指令；所述处理器用于读取所述存储器中的程序指令，并根据所述存储器中的程序指令执行上述第一方面任一项所示的语音测评方法。第四方面，本专利技术实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，在所述计算机程序被处理器执行时，执行上述第一方面任一项所示的语音测评方法。本专利技术实施例提供的语音测评方法、装置及电子设备，通过获取M个待检测语音片段，并通过语音分类模型对M个待检测语音片段进行处理，得到目标对象的语音片段；再将目标对象的语音片段输入至语音测评模型中，得到目标对象的语音测评结果。与现有技术相比，不是直接将获取到的M个待检测语音片段输入至语音测评模型中进行测评，而是先通过语音分类模型对M个待检测语音片段进行处理，筛除出待检测语音片段中的目标对象的语音片段，并再将该目标对象的语音片段输入至语音测评模型中，以得到该目标对象的语音测评结果，从而提高了目标对象语音测评的准确度。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1为本专利技术实施例提供的一种应用场景图；图2为本专利技术实施例提供的一种语音测评方法的流程示意图；图3为本专利技术实施例提供的另一种语音测评方法的流程示意图；图4为本专利技术实施例提供的又一种语音测评方法的流程示意图；图5为本专利技术实施例提供的一种语音测评装置的结构示意图；图6为本专利技术实施例提供的另一种语音测评装置的结构示意图；图7为本专利技术实施例提供的一种电子设备的结构示意图。通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本文档来自技高网...

【技术保护点】
1.一种语音测评方法，其特征在于，所述方法包括：获取M个待检测语音片段；M为正整数；通过语音分类模型对所述M个待检测语音片段进行处理，得到目标对象的语音片段；将所述目标对象的语音片段输入至语音测评模型中，得到所述目标对象的语音测评结果。

【技术特征摘要】
1.一种语音测评方法，其特征在于，所述方法包括：获取M个待检测语音片段；M为正整数；通过语音分类模型对所述M个待检测语音片段进行处理，得到目标对象的语音片段；将所述目标对象的语音片段输入至语音测评模型中，得到所述目标对象的语音测评结果。2.根据权利要求1所述的方法，其特征在于，所述语音分类模型采用如下方式生成：提取多个训练样本对应的第一特征向量，所述多个训练样本包括目标对象的语音信号和非目标对象的语音信号；基于每个训练样本对应的第一特征向量和该训练样本对应的语音类型，采用深度学习算法进行训练，生成所述语音分类模型。3.根据权利要求1所述的方法，其特征在于，所述语音测评模型采用如下方式生成：提取多个训练样本对应的第二特征向量，所述多个训练样本包括目标对象的语音信号和非目标对象的语音信号；基于每个训练样本对应的第二特征向量和该训练样本对应的测评信息，采用深度学习算法进行训练，生成所述语音测评模型。4.根据权利要求1-3任一项所述的方法，其特征在于，所述通过语音分类模型对所述M个待检测语音片段进行处理，得到所述目标对象的语音片段，包括：通过语音分类模型，确定所述M个待检测语音片段分别对应的语音类型，所述语音类型包括目标对象和非目标对象；根据所述M个待检测语音片段分别对应的语音类型，对所述M个待检测语音片段进行筛选处理，得到所述目标对象的语音片段。5.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述目标对象的待检测语音片段输入至语音测评...

【专利技术属性】
技术研发人员：李宝祥，钟贵平，乔登科，
申请(专利权)人：北京猎户星空科技有限公司，
类型：发明
国别省市：北京,11