技术领域
[0001] 本公开的实施例涉及计算机技术领域，具体涉及用于辅助听障者交流的方法和装置。
相关背景技术
[0002] 残疾人尤其是具有听觉障碍的残疾人由于身体条件的限制，不能自由表达自己的意志。特别是参与诉讼的能力受到一定影响，享有法律赋予的诉讼权利却无法行使。作为人民法院，在办理涉及残疾人的案件时，为充分保障残疾人的诉讼权利，一般会邀请手语翻译者来参加庭审。
[0003] 当前如果有听障者与语音用户进行交流时，通常需要手语翻译。特别是参加庭审时，法官和律师发言时往往刻意放慢速度以便手语翻译者向听障者传达信息。但是翻译过程中，难免会存在歧义的情况，严重的，可能造成不良后果。
[0004] 目前这种请手语翻译的方式，存在如下问题：
[0005] (1)寻找合适的手语翻译者不容易。此手语翻译者必须要懂得专业词汇，并懂得如何将它用手语来说明。如果中间传达的意思出现偏差，可能导致难以预估的后果。
[0006] (2)交互效率低。语音用户每讲一句话，都需要翻译人员向听障者进行翻译，并且反复确认听障者是否能明白语音用户的意思。听障者在表达个人意见时，同样需要反复确认翻译者听懂了他的意思。
[0007] (3)表达能力弱。在法庭辩论的过程中，往往需要不断地对争议点进行说明与辩解。听障者限于其表达能力，很难及时地表达个人意见或者表明态度，以至于其在整个法庭辩论过程中常处于劣势。
[0008] (4)听障者和手语翻译通过手语交流时，其他人只能要耐心地等待，无法了解他们两个沟通的内容。
具体实施方式
[0036] 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。
[0037] 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。
[0038] 图1示出了可以应用本公开的用于辅助听障者交流的方法或用于辅助听障者交流的装置的实施例的示例性系统架构100。
[0039] 如图1所示，系统架构100可以包括终端设备101、102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103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。
[0040] 用户可以使用终端设备101、102通过网络103与服务器104交互，以接收或发送消息等。
[0041] 终端设备101上安装有麦克风和喇叭。麦克风可用于采集语音用户的语音，喇叭可用于播放手语转换的文本。终端设备101也可安装摄像头，用于采集语音用户的嘴型，供听障者能够在离语音用户很远的距离进行嘴型识别语音。安装了摄像头的终端设备101也可用于采集听障者的手语图像。
[0042] 终端设备102上安装有摄像头，用于采集听障者的手语图像。终端设备102还可以安装麦克风和喇叭。实现和终端设备101同样的功能。
[0043] 服务器104可以是提供各种服务的服务器，例如对终端设备101采集的语音进行语音识别转换成文本，然后在终端设备101和终端设备102的屏幕上输出。还可以在公共可看的大屏幕上输出。服务器104对终端设备102采集的手语图像进行手语识别。识别出听障者的意图，然后以文本方式在终端设备101和102的屏幕上显示。服务器104还可将文本进行语音合成，通过终端设备101的喇叭输出给语音用户听。
[0044] 需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0045] 需要说明的是，本公开的实施例所提供的用于辅助听障者交流的方法一般由服务器104执行，相应地，用于辅助听障者交流的装置一般设置于服务器104中。
[0046] 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。
[0047] 继续参考图2，示出了根据本公开的用于辅助听障者交流的方法的一个实施例的流程200。该用于辅助听障者交流的方法，包括以下步骤：
[0048] 步骤201，获取语音用户的语音。
[0049] 在本实施例中，用于辅助听障者交流的方法的执行主体(例如图1所示的服务器)可以通过麦克风采集语音用户的语音。例如，在庭审中，实时地获取法官、被告人或者法庭其他人员的语音信息。
[0050] 步骤202，将语音转换成文本。
[0051] 在本实施例中，将收集到的语音信息转化为文本信息。可以将语音内容转化为文字内容，以供后续进行文字内容的分析。语音转化应用的是RNN-CTC模型或者LSTM-DNN模型。这些模型都使用大量中文语音数据集进行训练得到的模型。
[0052] 整个语音转化过程的步骤如下：
[0053] 1.信号处理。一般语音片段中往往包含了很多噪声，所以在正式语音数据进入到声学模型之前，需要通过消除噪声和信道增强等预处理技术，
[0054] 2.特征提取。将信号从时域转化到频域，为之后的声学模型提取有效的特征向量。
[0055] 3.特征向量转化为拼音。声学模型会将预处理部分得到的特征向量转化为中文拼音向量，并给出置信度。
[0056] 4.中文拼音向量转化为文本。语言模型将声学模型得到的中文拼音向量转化为中文文本。
[0057] 步骤203，对文本进行自然语言处理，分析出语音用户的情感。
[0058] 在本实施例中，对语音转化得到的文本的进行情感分析。单从文本角度告诉听障者，理解法官或者律师的话语是正面情感(比如开心、阳光)还是反面情感(比如悲伤，痛苦，愤怒)。情感分析应用的模型可以是BERT模型或者ERINE模型。这两个模型都是预训练得到的模型，训练数据为百科数据中的词、实体及实体关系。这两个模型完成情感分析任务的准确性很高，能够达到95％以上。
[0059] 可选地，可对语音识别的内容进行修正。因为语音转化得到的文本信息可能会出现句子不连贯，语法错误，错别字等。自然语言处理模块能够完成这些错误的修正。
[0060] 步骤204，以文本方式输出文本和语音用户的情感。
[0061] 在本实施例中，自然语言处理完成后的结果会实时地显示在现场的大屏幕上。语音用户的情感也是以文本形式显示的。以便听障者和其他参会人员查看。
[0062] 自然语言处理的结果除了可以投影到大屏幕上外，还可分别输出到语音用户所使用的终端设备的信息交互界面和听障者用户所使用的终端设备的信息交互界面，并可通过记录单元保存到数据库中，供后续查询使用。
[0063] 可选地，语音用户所使用的终端设备还可安装有键盘，语音用户可通过键盘修改语音识别中的错误。
[0064] 步骤205，获取听障者的手语图像集合。
[0065] 在本实施例中，获取摄像头采集的实时的听障者的手语视频。视频是由大量图像组成的集合。
[0066] 步骤206，将手语图像集合输入预先训练的神经网络模型，输出听障者用手语表达的意图。
[0067] 在本实施例中，可通过预先训练的分类器判断出每张图像所属的类别，然后将每个图像的类别组合起来得到听障者想要表达的意图。
[0068] 手语识别可利用一种融合多模态数据的卷积神经网络手语识别方法，通过对手势图像和轮廓图像从空间维度和时间维度进行特征提取，再利用卷积神经网络进行分类。
[0069] 例如，将手语图像集合输入预先训练的神经网络模型，输出听障者用手语表达的意图，包括：将手语图像集合进行图像处理，得到手势图像集合和轮廓图像集合；将手势图像集合输入预先训练的手势分类器，得到手势分类结果；将轮廓图像集合输入预先训练的轮廓分类器，得到轮廓分类结果；将手势分类结果和轮廓分类结果融合为听障者用手语表达的意图。采集的是彩色的图像，但是经过图像处理算法处理后，能够变成黑白的轮廓图像和彩色的手势图像。轮廓图像有外观轮廓的变化，没有细节变化。而手势图像记录细节变化。手势分类结果是类别和概率，轮廓分类结果也是类别和概率。可预设设置手势分类结果和轮廓分类结果的权重。然后计算各类别的概率的加权和，将概率的加权和最大的类别确定为融合听障者用手语表达的意图。
[0070] 手语识别的训练数据来自于数据库。每次交流后记录的数据可保存在数据库中用于之后的模型训练。
[0071] 步骤207，以语音方式和/或文本方式输出意图。
[0072] 在本实施例中，可以直接将文字方法的手语识别结果输出到公用大屏幕上，也可分别输出到个人用的终端设备上。还可将文本合成语音后通过喇叭输出。还可同时输出语音和文本。
[0073] 可选地，听障者可修改手语识别不准确的文本。
[0074] 可将现场录音、手语图像以及系统转化得到的带有情感的文字信息进行整理保存。对于庭审而言，方便书记员进行庭审内容整理。按照以前邀请手语翻译者的庭审方式，书记员仅能够根据手语翻译者的信息进行记录，这样做会导致信息缺失，而且效率低下。
[0075] 本发明能够实时地全程记录所有人的发言内容包括听障者，能够极大地提高庭审记录的效率。
[0076] 本发明会将这些庭审内容进行数据处理，然后存储到数据库。
[0077] 此数据库中保存了大量的法律条款，专业术语等信息，手语图像历史数据，语音历史数据。它即能够为手语识别和语音识别提供训练样本，也能帮助听障者完成信息的查询。听障者和语音用户都可进行信息查询。可通过用户面前的屏幕提供的信息交互界面实时地显示说话者的发言内容，并给出情感分数。
[0078] 除了文字信息外，本发明还会将说话者的发言内容转化为手语显出在交互界面，以便文化水平较低的听障者查看。可通过预先训练的神经网络将文本或语音转换成手语。听障者还能够通过信息交互界面查询信息数据库中包含的法律条款，法庭用语等。语音用户也可通过交互界面查询历史对话记录。
[0079] 此模块还具备信息输入功能。听障者能够通过信息交互模块，将手语或者文字信息输入到界面上。这些内容会被转化为语音信息和文字信息。交互模块上面还设置有情感选项。听障者能够根据需要选择相应的情感。
[0080] 继续参见图3，图3是根据本实施例的用于辅助听障者交流的方法的应用场景的一个示意图。在图3的应用场景中，语音用户说出一段语音“原告请讲一下你的姓名、出生年月日、民族、文化程度、职业、工作单位、职务、家庭住址”。然后他面前的麦克风采集了这段语音发送给服务器进行语音识别。服务器将语音识别出的文本输出到大家可看出的屏幕上。听障者看到后，明白语音用户说的内容，然后通过手语答复。听障者面前的摄像头采集手语图像，发送到服务器。服务器进行手语识别，将手语识别出的文本输出到大屏幕。服务器还可将该文本合成语音，播放出来供语音用户和其它非听障者听。
[0081] 进一步参考图4，其示出了用于辅助听障者交流的方法的又一个实施例的流程400。该用于辅助听障者交流的方法的流程400，包括以下步骤：
[0082] 步骤401，获取语音用户的语音。
[0083] 步骤402，将语音转换成文本。
[0084] 步骤403，对文本进行自然语言处理，分析出语音用户的情感。
[0085] 步骤404，以文本方式输出文本和语音用户的情感。
[0086] 步骤405，获取听障者的手语图像集合。
[0087] 步骤406，将手语图像集合输入预先训练的神经网络模型，输出听障者用手语表达的意图。
[0088] 步骤401-406与步骤201-206基本相同，因此不再赘述。
[0089] 步骤407，获取听障者的情感。
[0090] 在本实施例中，听障者的情感来源有两个获取方式：1、听障者可以通过交互界面进行情感选择。交互界面可提供表情选择选项，允许听障者选择语音播放时需要包含的情感。比如悲伤，痛苦，愤怒。2、通过自然语言处理分析文字信息包含的情感。
[0091] 步骤408，以语音方式和/或文本方式输出意图和听障者的情感。
[0092] 在本实施例中，如果以文本方式输出意图，则同样以文本方式输出情感。如果以语音方式输出意图，则根据情感合成需要的语音以及表达方式。可同时采用两种方式输出意图和情感。
[0093] 语音合成可采用常见的神经网络模型，例如百度的Deep Voice模型。此模型分成5部分：分别为音素边界分割，字素转音素，音素时长预测，基频预测，音频合成。每个组成部分都是一个小的神经网络。
[0094] 本发明的优点在于极大地简化了听障者参与问询对话的过程。具体来说，本发明具备以下优点：
[0095] 1、高效。因为不需要手语翻译者作为中间媒介来传递信息，信息能够直接进行交互，整体问询对话效率能够得到极大的提升，问询对话时间能够极大地缩短。
[0096] 2、提高了信息传递的准确性，减少中间信息的丢失。由于没有了手语翻译者的参与，信息能够更加准确地传递。
[0097] 3、由于系统识别和转化时间非常迅速，可以进行实时转化。这样能够减少听障者由于听觉原因导致的劣势，提升其维护个人权益的能力。
[0098] 4、系统集成了语音录制，会议现场实时录像，文字转化等过程，能够极大地减轻书记员的工作量。
[0099] 进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于辅助听障者交流的装置的一个实施例，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。
[0100] 如图5所示，本实施例的用于辅助听障者交流的装置500包括：语音获取单元501、语音转换单元502、自然语言处理单元503、输出单元504、图像获取单元505、手语识别单元506。其中，语音获取单元501，被配置成获取语音用户的语音；语音转换单元502，被配置成将语音转换成文本；自然语言处理单元503，被配置成对文本进行自然语言处理，分析出语音用户的情感；输出单元504，被配置成以文本方式输出文本和语音用户的情感；图像获取单元505，被配置成获取听障者的手语图像集合；手语识别单元506，被配置成将手语图像集合输入预先训练的神经网络模型，输出听障者用手语表达的意图；输出单元504进一步被配置成以语音方式和/或文本方式输出意图。
[0101] 在本实施例的一些可选的实现方式中，自然语言处理单元503进一步被配置成：通过自然语音处理对文本进行修正，修正的内容包括以下至少一项：句子不连贯，语法错误，错别字。
[0102] 在本实施例的一些可选的实现方式中，手语识别单元506进一步被配置成：将手语图像集合进行图像处理，得到手势图像集合和轮廓图像集合；将手势图像集合输入预先训练的手势分类器，得到手势分类结果；将轮廓图像集合输入预先训练的轮廓分类器，得到轮廓分类结果；将手势分类结果和轮廓分类结果融合为听障者用手语表达的意图。
[0103] 在本实施例的一些可选的实现方式中，装置500还包括交互单元(附图中未示出)，被配置成：在以语音方式输出意图之前，接收听障者选择的情感；根据听障者选择的情感将意图合成语音。
[0104] 在本实施例的一些可选的实现方式中，自然语言处理单元503进一步被配置成：在以语音方式输出意图之前，对意图进行自然语言处理，分析出听障者的情感；根据听障者的情感将意图合成语音。
[0105] 在本实施例的一些可选的实现方式中，输出单元进一步被配置成：接收听障者选择的情感，或者对意图进行自然语言处理，分析出听障者的情感；输出意图和听障者的情感。
[0106] 在本实施例的一些可选的实现方式中，装置500还包括记录单元(附图中未示出)，被配置成：将语音用户的语音和语音识别的结果、听障者的手语图像集合和手语识别的结果作为交互记录保存。
[0107] 在本实施例的一些可选的实现方式中，装置500还包括查询单元(附图中未示出)，被配置成：接收听障者输入的查询请求；根据查询搜索数据库中预存的知识或交互记录。
[0108] 下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的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6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0109] 如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备
600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。
输入/输出(I/O)接口605也连接至总线604。
[0110] 通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0111] 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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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。
[0112] 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。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：获取语音用户的语音；将语音转换成文本；对文本进行自然语言处理，分析出语音用户的情感；以文本方式输出文本和语音用户的情感；获取听障者的手语图像集合；将手语图像集合输入预先训练的神经网络模型，输出听障者用手语表达的意图；以语音方式和/或文本方式输出意图。
[0113] 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实施例的操作的计算机程序代码，所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)。
[0114] 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。
[0115] 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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括语音获取单元、语音转换单元、自然语言处理单元、输出单元、图像获取单元、手语识别单元。其中，这些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，语音获取单元还可以被描述为“获取语音用户的语音的单元”。
[0116] 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，本公开中所涉及的发明范围，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所述发明构思的情况下，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。
