技术领域
[0001] 本申请涉及人工智能技术领域，尤其涉及一种断句阈值动态调整方法、装置、设备、介质及产品。
相关背景技术
[0002] 随着语音识别技术的快速发展，识别准确率的不断提高，实时语音识别技术在各种场景中得到了广泛应用。实时语音识别过程主要包含实时采集语音信号，分离出说话语音，提取语音特征、通过声学模型和语言模型识别等几个步骤。其中分离出说话语音要求准确的找出一段声音信号中连续的语音信号和非语音信号，这种技术称为端点检测技术(VAD，Voice Activity Detection)。
[0003] 在常见的智能语音人机对话场景中，对交互的实时性要求较高，过高的时延会到导致不流畅的对话，非常影响用户体验。通过分析时延的构成，其中最大的时延就是VAD用于判断结束点的尾部连续非语音时长，又称为断句阈值。断句阈值设置过长会导致对用户的反应时间过长，如果过短的话又会导致用户说话频繁被打断。
[0004] 因此，目前断句阈值的设置方式有待进一步优化，以提高语音交互中的用户体验。
具体实施方式
[0070] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0071] 本申请的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。需要说明的是，在本申请实施例中，可能提及某些软件、组件、模型等业界已有方案，应当将它们认为是示范性的，其目的仅仅是为了说明本申请技术方案实施中的可行性，但并不意味着申请人已经或者必然用到了该方案。
[0072] 需要说明的是，本公开断句阈值动态调整方法、装置、设备、介质及产品可用于人工智能技术领域。也可用于除人工智能技术领域以外的任意领域。本公开断句阈值动态调整方法、装置、设备、介质及产品应用领域不作限定。
[0073] 下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
[0074] 为了清楚理解本申请的技术方案，首先对本申请的发明构思进行详细介绍。用户在说话的过程中会有停顿，如思考、换气等动作。一般说完一句话，会有一个较长时间的停顿。基于VAD技术判断用户是否说完一个句子进入了停顿阶段，需要预设一个断句阈值，该值会引入固定的时延。目前一般根据应用场景设置一个固定断句阈值，如果固定断句阈值设置偏大会导致对话过程中机器反应过慢，表现为人能明显地感知到对话不流畅，设置偏小则导致用户说话过程中容易被机器打断。
[0075] 因此，目前断句阈值的设置方式有待进一步优化，以提高语音交互中的用户体验。
[0076] 所以针对现有技术中断句阈值的设置方式有待进一步优化的问题，发明人在研究中发现，为了解决该问题，可以通过基于用户说话的语句时长、语速信息来动态调整断句阈值，使断句阈值更符合用户体验的需求，提升用户在语音交互中的体验。
[0077] 具体的，获取当前音频信号对应的多帧滤波器组特征。滤波器组特征为对当前音频信号进行对应特征提取处理生成的。将各滤波器组特征输入预设语音活动检测模型，生成对应的音频识别结果。若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。当前语句时长为在获取到当前音频信号之前，用户说当前语句的第一已说时长与当前音频信号对应的第二已说时长之间的和。连续非语音帧时长为滤波器组特征连续为非语音特征时，对应多个滤波器组特征的数量与每帧对应的预设时长的乘积。若连续非语音帧时长小于原始断句阈值，则采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值。
[0078] 本申请的断句阈值动态调整方法，通过预设语音活动检测模型确定当前音频信号对应的多帧滤波器组特征的音频识别结果。若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。同时，判断连续非语音帧时长是否小于原始断句阈值，若确定连续非语音帧时长小于原始断句阈值，则代表用户依旧在说话，且可能说的语句时长较长，此时可以采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值，使断句阈值更符合用户体验的需求，提升用户在语音交互中的体验。
[0079] 发明人基于上述的创造性发现，提出了本申请的技术方案。
[0080] 下面对本申请实施例提供的断句阈值动态调整方法的应用场景进行介绍。如图1所示，其中，1为电子设备，2为用户。电子设备1可以为计算机、平板电脑、手机等设备。
[0081] 示例性的，用户2与电子设备1进行语音交互，在当前时间，用户2正在说一句话如“今天的天气是怎样的？湿度怎样？”，即图中的①用户2向电子设备1发出语音。此时，电子设备1获取该语句对应的音频信号，并同时对该音频信号进行处理，以判断用户是否说完。
[0082] 假设用户2刚说到“天气”，此时，②电子设备1获取当前音频信号对应的多帧滤波器组特征。
[0083] 同时，进行如下处理：
[0084] ③将各滤波器组特征输入预设语音活动检测模型，以确定各滤波器组特征对应的音频识别结果。
[0085] ④若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。
[0086] ⑤若连续非语音帧时长小于原始断句阈值，则采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值。
[0087] 在调整原始断句阈值后，可以在接收到新的音频信号后，继续判断连续非语音帧时长是否小于调整后的原始断句阈值。若仍然小于，则进一步调整原始断句阈值。若大于或等于调整后的原始断句阈值，则确定该语句已经说完，进行断句流程。
[0088] 下面结合说明书附图对本申请实施例进行介绍。
[0089] 图2为本申请一实施例提供的断句阈值动态调整方法的流程示意图，如图2所示，本实施例中的执行主体为断句阈值动态调整装置，该断句阈值动态调整装置可以集成在电子设备中，如手机、平板电脑等。则本实施例提供的断句阈值动态调整方法包括以下几个步骤：
[0090] 步骤S101，获取当前音频信号对应的多帧滤波器组特征。滤波器组特征为对当前音频信号进行对应特征提取处理生成的。
[0091] 本实施例中，由于音频信号是实时获取的，当用户与电子设备在进行语音交互时，可能会生成多段的音频信号，其中，当前音频信号为当前需要处理的某段音频信号。
[0092] 示例性的，假设用户说了一句“现在几点了？”，在说“现”的时候就需要对该音频信号进行对应处理，假设“现”对应的音频信号为当前音频信号，则可以获取该当前音频信号对应的多帧滤波器组特征，为后续判断是否为语音特征提供基础。
[0093] 步骤S102，将各滤波器组特征输入预设语音活动检测模型，生成对应的音频识别结果。
[0094] 本实施例中，预设语音活动检测模型可以采用VAD模型，用于区分音频信号中的连续的语音和非语音部分。基于机器学习和深度学习的方法在VAD中应用较多，常用的模型包括支持向量机、随机森林、卷积神经网络、深度学习网络和循环神经网络等。
[0095] 音频识别结果为是否存在滤波器组特征为语音特征，或滤波器组特征是否全为非语音特征。若存在滤波器组特征为语音特征，则代表此时，用户仍处于说话状态。
[0096] 步骤S103，若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。当前语句时长为在获取到当前音频信号之前，用户说当前语句的第一已说时长与当前音频信号对应的第二已说时长之间的和。连续非语音帧时长为滤波器组特征连续为非语音特征时，对应多个滤波器组特征的数量与每帧对应的预设时长的乘积。
[0097] 本实施例中，由于用户与电子设备之间进行交互时，电子设备需要实时采集用户的音频信号，且一般不会等用户说完一句话后再进行处理，而是在用户说话的同时进行对应处理。因此，当前音频信号与当前音频信号之前的上一音频信号可能都不是完整语句对应的音频信号。
[0098] 示例性的，假设用户说“帮我查询下午三点的节目”，若当前音频信号为“查询”对应的音频信号(仅示例性说明，并不代表实际会采用此长度的音频信号)，则当前语句时长为“帮我查询”对应的时长，而第一已说时长为“帮我”对应的时长，当前音频信号的第二已说时长为“查询”对应的时长。
[0099] 同时，当前音频信号可能不仅采集了用户的语音信号，还可能采集了非语音信号，其中，非语音信号可能是连续的也可能是非连续的。若将非语音信号按照帧来划分，则可以统计连续非语音帧时长，为后续判断是否断句以及原始断句阈值是否调整提供基础。
[0100] 本实施例中，语速信息可以基于用户说话生成的语句包含词语的数量以及对应使用的时长来确定。连续非语音帧时长在确定用户处于说话状态时，会不断累积。
[0101] 步骤S104，若连续非语音帧时长小于原始断句阈值，则采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值。
[0102] 本实施例中，原始断句阈值可以预先设置一个固定值，且每次获取到当前音频信号后，都先采用原始断句阈值来判断与连续非语音帧时长之间的大小关系。若连续非语音帧时长小于原始断句阈值，则根据当前语句时长和语速信息调整原始断句阈值。
[0103] 调整的方式可以维持原始断句阈值不变或降低原始断句阈值。在实际应用中，若当前语句时长较长和/或语速信息表示语速较快，则代表用户越可能快速结束当前语句，因而，可以降低原始断句阈值，使其与应用场景相匹配，以提高用户的交互体验。
[0104] 若当前语句时长较短，且语速信息表示语速较慢，则可以维持原始断句阈值不变。或者，也可以采用其他方式进行调整，本实施例对此不作限定。
[0105] 本实施例的断句阈值动态调整方法，获取当前音频信号对应的多帧滤波器组特征。将各滤波器组特征输入预设语音活动检测模型，生成对应的音频识别结果。若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。当前语句时长为在获取到当前音频信号之前，用户说当前语句的第一已说时长与当前音频信号对应的第二已说时长之间的和。连续非语音帧时长为滤波器组特征连续为非语音特征时，对应多个滤波器组特征的数量与每帧对应的预设时长的乘积。若连续非语音帧时长小于原始断句阈值，则采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值。
[0106] 本申请的断句阈值动态调整方法，通过预设语音活动检测模型确定当前音频信号对应的多帧滤波器组特征的音频识别结果。若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。同时，判断连续非语音帧时长是否小于原始断句阈值，若确定连续非语音帧时长小于原始断句阈值，则代表用户依旧在说话，且可能说的语句时长较长，此时可以采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值，使断句阈值更符合用户体验的需求，提升用户在语音交互中的体验。
[0107] 图3为本申请另一实施例提供的断句阈值动态调整方法的流程示意图，如图3所示，本实施例提供的断句阈值动态调整方法，是在本申请上一实施例提供的断句阈值动态调整方法的基础上，进行了进一步的细化。则本实施例提供的断句阈值动态调整方法包括以下步骤。
[0108] 步骤S201，获取待识别的当前音频信号。
[0109] 本实施例中，获取的方式可以是从其他采集器件处比如麦克风等获取采集的数字声音信号，并对该数字声音信号进行预处理，生成待识别的当前音频信号。
[0110] 步骤S202，将当前音频信号进行逐帧特征提取处理，生成每帧信号对应的滤波器组特征。
[0111] 本实施例中，将当前音频信号经过分帧、加窗、等一系列变化和计算后，可以按照预设帧时长比如10ms(毫秒)、20ms等的帧移来提取出声音信号的滤波器组特征(Filter Bank，Fbank)，该特征为可以反映语音频谱特性的特征。
[0112] 步骤S203，将各滤波器组特征输入预设语音活动检测模型，生成对应的音频识别结果。
[0113] 可选的，本实施例中，预设语音活动检测模型包括深度神经网络模块。
[0114] S203用于：
[0115] 将各帧信号对应的滤波器组特征作为输入量输入深度神经网络模块，以判断滤波器组特征是否为语音特征。
[0116] 若确定滤波器组特征为语音特征，则确定音频识别结果为存在滤波器组特征为语音特征。
[0117] 若确定滤波器组特征都为非语音特征，则确定音频识别结果为滤波器组特征为非语音特征。
[0118] 深度神经网络模块(Deep Neural Network，DNN)是一种具有多层结构的人工神经网络，通过多个隐藏层的非线性变换来学习数据的复杂特征。该深度神经网络模块输入的是逐帧的Fbank特征，经过DNN前向推理，输出音频识别结果，如是否为语音特征等。
[0119] 步骤S204，若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。
[0120] 可选的，本实施例中，S204中确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长的流程具体如下：
[0121] 统计在获取到当前音频信号之前用户说当前语句的第一已说时长和当前音频信号对应的第二已说时长。
[0122] 将第一已说时长和第二已说时长进行求和处理，生成当前语句时长。
[0123] 获取当前音频信号对应的语速信息。
[0124] 统计滤波器组特征连续为非语音特征时，对应多个滤波器组特征的数量。
[0125] 将数量和每帧对应的预设时长相乘，生成连续非语音帧时长。
[0126] 本实施例中，获取语速信息的方式可以为采用预设的ASR(Automatic Speech Recognition，自动语音识别)系统进行识别并获取。
[0127] 滤波器组特征为非语音特征时可能连续，也可能不连续，若滤波器组特征为非语音特征时连续，且连续的滤波器组特征构成的连续非语音帧时长较长，则可能用户已经说完当前语句了。预设时长可以设置为10ms、20ms等。
[0128] 步骤S205，若连续非语音帧时长小于原始断句阈值，则将当前语句时长和语速信息输入训练至收敛的断句阈值生成模型，生成目标断句阈值。
[0129] 可选的，本实施例中，断句阈值生成模型采用深度神经网络模型。
[0130] S205之前还可以对断句阈值生成模型进行训练，具体吐下：
[0131] 获取训练样本。训练样本包括标准语句时长、标准语速信息和标准断句阈值。
[0132] 将标准语句时长和标准语速信息输入预设断句阈值生成模型，生成训练断句阈值。
[0133] 确定训练断句阈值处于对应预设阈值范围内的阈值数量。预设阈值范围的起始数值为对应标准断句阈值与第一预设误差值之间的差值，预设阈值范围的结束数值为对应标准断句阈值与第二预设误差值之间的和。
[0134] 确定阈值数量与训练断句阈值的总数量的比值。
[0135] 若比值大于或等于预设比值阈值，则确定预设断句阈值生成模型收敛。
[0136] 若比值小于预设比值阈值，则对预设断句阈值生成模型进行迭代优化，直至预设断句阈值生成模型收敛。
[0137] 本实施例中，采用的标准语句时长、标准语速信息和标准断句阈值可以为用户历史交互时对应的语句时长、语速信息，以及训练人员判断最合适的断句阈值。
[0138] 训练断句阈值是在训练过程中生成的断句阈值，其与标准断句阈值可能相同也可能不同，若训练断句阈值处于对应预设阈值范围内，则代表该训练断句阈值满足实际应用需求。预设阈值范围基于标准断句阈值，起始数值为对应标准断句阈值与第一预设误差值之间的差值，预设阈值范围的结束数值为对应标准断句阈值与第二预设误差值之间的和。
[0139] 示例性的，第一预设误差值可以为1ms、2ms等，第二预设误差值可以为1ms、2ms等，其中，第一预设误差值与第二预设误差值可以相同，也可以不同。
[0140] 预设比值阈值可以根据实际应用进行设置，比如可以设置为百分之八十，百分之九十等。
[0141] 可选的，本实施例中，若连续非语音帧时长大于或等于原始断句阈值，和/或，若当前语句时长大于预设时长阈值，则可以立马执行断句流程。
[0142] 由于用户说完一句话后需要换气的特点，用户所说的语句越长越有可能马上结束该语句，因而，预设时长阈值可以设为10秒，12秒等，也可以根据实际应用进行对应设置。
[0143] 同时，若连续非语音帧时长大于或等于原始断句阈值，则代表用户已经说完该语句，到达句子结束点，可以立马执行断句流程，进入停顿阶段，从而降低语音交互的延迟，提高用户体验。
[0144] 步骤S206，将原始断句阈值修改为目标断句阈值。
[0145] 本实施例的断句阈值动态调整方法基于用户说完一句话后需要换气的特点以及语速对停顿的影响，通过当前语句时长、语速信息确定需调整的断句阈值大小，从而提高断句阈值在语音交互中的适配性，提高用户交互体验。本实施例中，若用户说了预设语句时长如3秒之后，还可以使调整原始断句阈值的方向为降低断句阈值，从而更符合用户说话的应用场景，即说话的时长或语句越长，用户越可能快速结束当前语句，因而，可以降低断句阈值使其与应用场景相匹配。如果用户说话时长较长，如10秒钟还没有达到断句阈值，则可以通过强制断句的方式结束当前语句。
[0146] 本实施例的断句阈值动态调整方法通过断句阈值生成模型来将VAD给系统造成的固定时延变更成实时计算出的动态时延，动态时延不会超过固定时延，因此可以有效降低自动语音识别的时延，增强用户体验。
[0147] 同时，本实施例的断句阈值动态调整方法通过增加断句阈值生成模型，能自适应较多的应用场景，不必为具体不同的场景去计算断句阈值的经验值，鲁棒性更好。
[0148] 图4为本申请提供的断句阈值动态调整装置的结构示意图，如图4所示，本实施例中，该断句阈值动态调整装置300可以设置在电子设备中，断句阈值动态调整装置300包括：
[0149] 获取模块301，用于获取当前音频信号对应的多帧滤波器组特征。滤波器组特征为对当前音频信号进行对应特征提取处理生成的。
[0150] 输入模块302，用于将各滤波器组特征输入预设语音活动检测模型，生成对应的音频识别结果。
[0151] 确定模块303，用于若音频识别结果为存在滤波器组特征为语音特征，则确定用户处于说话状态，并确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长。当前语句时长为在获取到当前音频信号之前，用户说当前语句的第一已说时长与当前音频信号对应的第二已说时长之间的和。连续非语音帧时长为滤波器组特征连续为非语音特征时，对应多个滤波器组特征的数量与每帧对应的预设时长的乘积。
[0152] 调整模块304，用于若连续非语音帧时长小于原始断句阈值，则采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值。
[0153] 本实施例提供的断句阈值动态调整装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果与图2所示方法实施例类似，在此不再一一赘述。
[0154] 本申请提供的断句阈值动态调整装置在上一实施例提供的断句阈值动态调整装置的基础上，对断句阈值动态调整装置进行了进一步的细化，则断句阈值动态调整装置300包括：
[0155] 可选的，本实施例中，获取模块301具体用于：
[0156] 获取待识别的当前音频信号。将当前音频信号进行逐帧特征提取处理，生成每帧信号对应的滤波器组特征。
[0157] 可选的，本实施例中，预设语音活动检测模型包括深度神经网络模块。
[0158] 输入模块302具体用于：
[0159] 将各帧信号对应的滤波器组特征作为输入量输入深度神经网络模块，以判断滤波器组特征是否为语音特征。若确定滤波器组特征为语音特征，则确定音频识别结果为存在滤波器组特征为语音特征。若确定滤波器组特征都为非语音特征，则确定音频识别结果为滤波器组特征为非语音特征。
[0160] 可选的，本实施例中，输入模块302在确定当前音频信号对应的当前语句时长、语速信息以及连续非语音帧时长时，具体用于：
[0161] 统计在获取到当前音频信号之前用户说当前语句的第一已说时长和当前音频信号对应的第二已说时长。将第一已说时长和第二已说时长进行求和处理，生成当前语句时长。获取当前音频信号对应的语速信息。统计滤波器组特征连续为非语音特征时，对应多个滤波器组特征的数量。将数量和每帧对应的预设时长相乘，生成连续非语音帧时长。
[0162] 可选的，本实施例中，调整模块304在采用训练至收敛的断句阈值生成模型基于当前语句时长和语速信息调整原始断句阈值时，具体用于：
[0163] 将当前语句时长和语速信息输入训练至收敛的断句阈值生成模型，生成目标断句阈值。将原始断句阈值修改为目标断句阈值。
[0164] 可选的，本实施例中，断句阈值生成模型采用深度神经网络模型。
[0165] 断句阈值动态调整装置300还包括：
[0166] 训练模块，用于获取训练样本。训练样本包括标准语句时长、标准语速信息和标准断句阈值。将标准语句时长和标准语速信息输入预设断句阈值生成模型，生成训练断句阈值。确定训练断句阈值处于对应预设阈值范围内的阈值数量。预设阈值范围的起始数值为对应标准断句阈值与第一预设误差值之间的差值，预设阈值范围的结束数值为对应标准断句阈值与第二预设误差值之间的和。确定阈值数量与训练断句阈值的总数量的比值。若比值大于或等于预设比值阈值，则确定预设断句阈值生成模型收敛。若比值小于预设比值阈值，则对预设断句阈值生成模型进行迭代优化，直至预设断句阈值生成模型收敛。
[0167] 可选的，本实施例中，若连续非语音帧时长大于或等于原始断句阈值，和/或，若当前语句时长大于预设时长阈值，则断句阈值动态调整装置300还包括：
[0168] 断句模块，用于执行断句流程。
[0169] 本实施例提供的断句阈值动态调整装置可以执行图2‑图3所示方法实施例的技术方案，其实现原理和技术效果与图2‑图3所示方法实施例类似，在此不再一一赘述。
[0170] 根据本申请的实施例，本申请还提供了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。
[0171] 如图5所示，图5是本申请提供的电子设备的结构示意图。电子设备旨在各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
[0172] 如图5所示，该电子设备包括：处理器401和存储器402。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理。电子设备还可以包括收发器，该收发器用于收发数据。
[0173] 存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的断句阈值动态调整方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的断句阈值动态调整方法。
[0174] 存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的断句阈值动态调整方法对应的程序指令/模块(例如，附图4所示的获取模块301、输入模块302、确定模块303、和调整模块304)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的断句阈值动态调整方法。
[0175] 同时，本实施例还提供一种计算机产品，当该计算机产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例的断句阈值动态调整方法。
[0176] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请实施例的其它实施方案。本申请旨在涵盖本申请实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请实施例的一般性原理并包括本申请实施例未公开的本技术领域中的公知常识或惯用技术手段。
[0177] 应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求书来限制。
