用于标注音频数据的方法、装置、电子设备及存储介质

摘要

本公开提供了一种用于标注音频数据的方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及语音识别技术。实现方案为：一种用于标注音频数据的方法，包括：在用户界面上显示待标注的音频数据的参考文字；接收用户对参考文字中的文字片段的选择操作；以及播放音频数据中与文字片段相对应的音频片段，以用于用户对音频数据的标注。

说明书

技术领域

本公开涉及人工智能技术领域，尤其涉及语音识别技术，具体涉及一种用于标注音频数据的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

在语音识别技术中，语音识别模型的训练是关键环节之一。语音识别模型的训练数据需要进行人工标注，该标注过程一般涉及标注员将音频转写为文字的过程。目前，为了提高转写的效率，可以先对训练数据进行初步的语音识别处理以获得初步的参考文字。然后，标注员可以在该初步的参考文字的基础上进一步校正或修改以获得最终正确的文字，由此实现对训练数据的标注。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于标注音频数据的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于标注音频数据的方法，包括：在用户界面上显示待标注的音频数据的参考文字；接收用户对参考文字中的文字片段的选择操作；以及播放音频数据中与文字片段相对应的音频片段，以用于用户对音频数据的标注。

根据本公开的另一方面，提供了一种用于标注音频数据的装置，包括：文字显示模块，被配置为在用户界面上显示待标注的音频数据的参考文字；文字片段选择模块，被配置为接收用户对参考文字中的文字片段的选择操作；以及播放模块，被配置为播放音频数据中与文字片段相对应的音频片段，以用于用户对音频数据的标注。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的方法。

根据本公开的一个或多个实施例，可以提高人工标注过程的效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开实施例的用于标注音频数据的方法的流程图；

图3示出了根据本公开一个实施例的用户界面的示意图；

图4示出了根据本公开实施例的选择文字片段的示意图；

图5示出了根据本公开另一个实施例的用户界面的示意图；

图6示出了根据本公开实施例的调整音频片段的示意图；

图7示出了根据本公开实施例的确定参考文字中的文字的时间信息的示意图；

图8示出了根据本公开实施例的用户通过用户界面与数据标注平台进行交互的示意图；

图9示出了根据本公开一个实施例的用于标注音频数据的装置的结构框图；

图10示出了根据本公开另一个实施例的用于标注音频数据的装置的结构框图；

图11示出了能够用于实现本公开实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在相关技术中，当标注员需要对初步的参考文字中存在错误的地方进行校正或修改时，首先要从音频中找到对应的位置进行重新播放以反复收听几遍。然而，该过程可能涉及标注员完全手动地选择音频中需要重新播放的起点和终点，这可能增加了标注员的操作负担，由此导致标注过程无法实现高效率。

针对以上技术问题，根据本公开实施例的一方面，提供了一种用于标注音频数据的方法。

在详细描述本公开实施例的方法之前，首先结合图1描述可以应用根据本公开实施例的方法的示例性系统。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于标注音频数据的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS，Software as a Service)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来提供待标注的音频数据和/或该音频数据的参考文字。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA，Personal Digital Assistant)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS，Short MessagingService)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP(Transmission Control Protocol/InternetProtocol，传输控制协议/互联网协议)、SNA(System Network Architecture，系统网络架构)、IPX(Internetwork Packet Exchange，互联网分组交换)等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN，Local Area Network)、基于以太网的网络、令牌环、广域网(WAN，Wide Area Network)、因特网、虚拟网络、虚拟专用网络(VPN，VirtualPrivate Network)、内部网、外部网、区块链网络、公共交换电话网(PSTN，Public SwitchedTelephone Network)、红外网络、无线网络(例如蓝牙、WIFI(Wireless Fidelity，无线保真))和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP(Hyper Text Transport Protocol，超文本传输协议)服务器、FTP(File Transfer Protocol，文件传输协议)服务器、CGI(CommonGateway Interface，公共网关接口)服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图2示出了根据本公开实施例的用于标注音频数据的方法200的流程图。如图2所示，方法200包括步骤S202、S204和S206。

在步骤S202中，在用户界面上显示待标注的音频数据的参考文字。

在示例中，用户界面可以由诸如数据标注平台的标注服务平台提供，以使得标注员(在本公开中也称为“用户”)能够通过用户界面与数据标注平台进行交互，从而借助于数据标注平台来完成对待标注的音频数据的人工标注过程。

在示例中，待标注的音频数据的参考文字也可称为参考答案，其可以是通过对待标注的音频数据进行初步的语音识别处理(例如，通过HMM-GMM(高斯混合模型-隐马尔可夫模型)、CTC(连接主义时间分类)模型等语音识别模型)之后所获得的初步的识别结果。该初步的识别结果可以经过标注员的进一步校正或修改，从而得到与待标注的音频数据对应的正确文字，由此实现人工标注过程。

借助于用户界面，标注员可以通过后续的操作而快速地定位到待标注的音频数据中的所关注的音频片段，例如，参考文字中存在错误的部分或标注员未听清的部分等，以进行重新播放。

在步骤S204中，接收用户对参考文字中的文字片段的选择操作。

在示例中，文字片段可以包括参考文字中的至少一个文字。例如，文字片段可以包括多个连续的文字。

在示例中，可以在用户界面上为标注员提供用于选择文字片段的各种交互方式。例如，标注员可以通过拖动诸如鼠标的输入设备来选择文字片段。又例如，还可以提供用于用户在文字片段选择之后进行确认的交互模块，诸如标有“确认”的按键或按钮等。由此，标注员对文字片段的选择操作可以经由用户界面被数据标注平台接收，以使得数据标注平台可以获得关于该文字片段的信息。

通过采用用户界面的交互方式，为标注员提供了可对参考文字中的所关注的部分文字进行直接选择从而快速地定位到对应音频片段的便利性。

本领域技术人员可以理解，用户在用户界面上选择文字片段的交互方式不局限于本公开实施例所列举的例子，而是可以根据实际情况采用各种交互方式，以便于用户的选择操作。

在步骤S206中，播放音频数据中与文字片段相对应的音频片段，以用于用户对音频数据的标注。

在示例中，待标注的音频数据可以与其参考文字一起被输入到数据标注平台中或者可由数据标注平台访问。数据标注平台可以在用户界面上提供用于使用户确认进行播放的交互模块，诸如标有“播放”的按键或按钮等。由此，标注员可以针对所关注的音频片段进行重复播放，诸如反复多次播放，从而最终确定与待标注的音频数据相对应的正确文字。

因此，根据本公开的实施例，通过提供用于与标注员进行交互的用户界面，可以为标注员提供快速定位到所关注的音频片段的便利性。在此过程中，标注员不必完全手动地选择音频数据中需要进行重新播放的起点和终点位置，而是通过对所关注的文字片段的选择即可链接到对应的音频片段以进行播放。通过这种方式，可以降低标注员在人工标注过程中的操作负担，进而提高人工标注过程的效率，并由此有助于语音识别模型的训练。

本公开的技术方案中，所涉及的音频数据的收集、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。

图3示出了根据本公开一个实施例的用户界面的示意图。

如图3所示，示出了用户界面300上的文字显示部分310和用户交互部分320。用户交互部分320可以包括确认按键320-1和播放按键320-2。

文字显示部分310中示意性地示出了待标注的音频数据的参考文字312(如图3中所示：“这是一段用于展示的文字。”)。参考文字312可以是通过对待标注的音频数据进行初步的语音识别处理所获得的初步的识别结果。该初步的识别结果将经过标注员的进一步校正或修改以实现对待标注的音频数据的人工标注过程。

确认按键320-1可以用于标注员对文字片段的选择进行确认。播放按键320-2可以用于播放与所选择的文字片段相对应的音频片段。

下面将结合图4来描述标注员在用户界面上对文字片段进行选择的示例。

图4示出了根据本公开实施例的选择文字片段的示意图。

如图4所示的用户界面400可以是结合图3所述的用户界面300的实施例。用户界面400可以包括文字显示部分410和用户交互部分420。用户交互部分420可以包括确认按键420-1和播放按键420-2。

在示例中，当标注员在收听过一遍待标注的音频数据之后发现参考文字412中存在错误的部分或存在未听清的部分时，可以在参考文字412中对该部分的文字进行选择。即，标注员可以在参考文字412中选择所关注的文字片段，如图4所示的文字片段414(如图3中所示：“用于展示的”)。

在示例中，标注员可以拖动鼠标以形成文字片段414的选中区域416(诸如以高亮和/或矩形框显示)，由此完成对文字片段414的选择操作。或者，在形成选中区域416之后，标注员可以进一步点击确认按键420-1以确认对文字片段414的选择操作。

在示例中，标注员可以点击播放按键420-2以播放与文字片段414相对应的音频片段，例如反复收听几遍，由此确认是否需要对文字片段414进行修改和校正。

图5示出了根据本公开另一个实施例的用户界面的示意图。

如图5所示，除了文字显示部分510(其中显示参考文字512，例如，“这是一段用于展示的文字。”)和用户交互部分520(包括确认按键520-1和播放按键520-2)之外，用户界面500还可以包括音频波形显示部分530。音频波形显示部分530可以用于显示待标注的音频数据的波形图532。

在用户界面上提供音频波形显示部分可以便利于标注员进一步调整音频片段的范围，从而准确地定位到所关注的音频区间以进行收听。

下面将结合图6来描述标注员在用户界面上对音频片段进行调整的示例。

图6示出了根据本公开实施例的调整音频片段的示意图。

如图6所示的用户界面600可以是结合图5所述的用户界面500的实施例。用户界面600可以包括文字显示部分610和用户交互部分620。用户交互部分620可以包括确认按键620-1和播放按键620-2。用户界面600还可以包括音频波形显示部分630。

根据一些实施例，可以在用户界面600上显示音频数据的波形图632。可以在波形图632上指示与文字片段614相对应的音频片段634。可以接收用户对音频片段634的调整操作。

在示例中，与文字片段614的选中区域616类似，可以在波形图632上通过指示区域636来指示与文字片段614相对应的音频片段634。

通过用户界面上的直观显示方式，标注员可以对音频片段634进行调整来改变音频片段634的范围，从而准确地定位到所关注的音频区间。

根据一些实施例，可以播放经调整的音频片段。

在示例中，标注员可以通过点击播放按键620-2来播放经调整的音频片段。该过程可能涉及多次反复，也即每调整一次音频片段即播放一次。

由此，标注员可以通过播放经调整的音频片段来逐步确认是否已经准确地定位了所关注的音频区间。

根据一些实施例，可以指示音频片段634的起点位置634-1和终点位置634-2。

在示例中，指示区域636可以是覆盖音频片段634的起点位置634-1和终点位置634-2的矩形框。替代地，指示区域636可以是分别标记起点位置634-1和终点位置634-2的两条线。本领域技术人员可以理解的是，指示区域636的显示形式不局限于本公开实施例所列举的方式，只要其能够指示音频片段634的起点位置634-1和终点位置634-2即可。

通过直观地显示音频片段的起点位置和终点位置，可以为标注员调整音频片段提供便利，由此更易于标注员的操作。

根据一些实施例，对音频片段634的调整操作可以包括：对起点位置634-1和终点位置634-2中至少一者的移动操作。

在示例中，标注员可以在用户界面600上通过诸如使用鼠标选中指示区域636的矩形框中覆盖起点位置634-1的一侧来移动起点位置634-1，以将起点位置634-1在时间上向前或向后移动。类似地，标注员可以在用户界面600上通过选中指示区域636的矩形框中覆盖终点位置634-2的一侧来移动终点位置634-2，以将终点位置634-2在时间上向前或向后移动。

通过这种方式，标注员可以在用户界面上以简单的方式调整音频片段的范围，从而准确地定位到所关注的音频区间。

图7示出了根据本公开实施例的确定参考文字中的文字的时间信息的示意图。

如前所述，参考文字可以是通过对待标注的音频数据进行初步的语音识别处理之后所获得的初步的识别结果。在本公开的实施例中，为了能够通过选择所关注的文字片段即可链接到对应的音频片段，可以预先确定参考文字中的文字的时间信息，从而建立参考文字与音频数据之间在时间上的对应关系。

根据一些实施例，参考文字中的每个文字在音频数据中对应的起始时刻和终止时刻可以被预先确定。

在示例中，可以利用包括对齐模型的对齐模块来确定文字的起始时刻和终止时刻。

如图7所示，首先，可以将待标注的音频数据Data_Audio输入到诸如使用HMM-GMM模型的语音识别模块710中，以获得参考文字Data_Char{文字1,文字2,…,文字n}，其中文字1,文字2,…,文字n分别表示参考文字中的n个文字(n是大于1的自然数)。

随后，可以将音频数据Data_Audio与参考文字Data_Char{文字1,文字2,…,文字n}一起输入到诸如使用维特比模型的对齐模块720中，以获得参考文字Data_Char中的每个文字文字1,文字2,…,文字n的起始时刻和终止时刻。

例如，如图7所示，对于第一个文字文字1，可以获得其起始时刻T1_start(例如为0s)和终止时刻T1_end(例如为0.35s)；对于第二个文字文字2，可以获得其起始时刻T2_start(例如为0.55s)和终止时刻T2_end(例如为0.9s)；对于第n个文字文字n，可以获得其起始时刻Tn_start(例如为18.9s)和终止时刻T1_end(例如为19.4s)。

此外，还可以将参考文字Data_Char中的每个文字文字1,文字2,…,文字n与其相应的起始时刻和终止时刻一起存储，例如以一一对应的方式存储，以便于根据文字来查找与该文字对应的时间信息。在示例中，该时间信息可以被导入到数据标注平台中或者由数据标注平台访问。

因此，通过预先确定参考文字中的文字的时间信息，可以建立参考文字与音频数据之间在时间上的对应关系，由此可以有助于通过文字片段来链接到对应的音频片段，以实现灵活的音频片段选择。

根据本公开实施例的一方面，还提供了一种数据标注平台。

图8示出了根据本公开实施例的用户通过用户界面与数据标注平台进行交互的示意图。

如图8所示，用户810可以通过用户界面820与数据标注平台830进行交互，以实现根据本公开实施例的用于标注音频数据的方法。

用户界面820可以是如上结合图5所述的用户界面500的实施例。用户界面820可以由数据标注平台830向用户提供。

用户810可以执行数据导入步骤801以将待标注的音频数据、该音频数据的参考文字、以及参考文字中的每个文字的时间信息导入到数据标注平台830中。数据标注平台830可以执行第一控制步骤802以使用户界面820显示参考文字。用户810可以执行文字片段选择步骤803以使数据标注平台830接收用户对该文字片段的选择操作，从而获得关于该文字片段的信息。

根据一些实施例，响应于接收到用户对参考文字中的文字片段的选择操作时，可以确定文字片段中的第一个文字的起始时刻和最后一个文字的终止时刻。可以在音频数据中确定与该第一个文字的起始时刻到该最后一个文字终止时刻相对应的音频片段。

这里，以图6所示的文字片段614(“用于展示的”)为例，可以确定第一个文字“用”的起始时刻和最后一个文字“的”终止时刻，由此可以从音频数据中确定与该文字片段614相对应的音频片段634。

返回图8，如图8所示，数据标注平台830在接收到用户810对文字片段的选择操作时，可以执行时间确定步骤804，以确定该文字片段中的第一个文字的起始时刻和最后一个文字的终止时刻。由于参考文字中的每个文字的时间信息都已被导入到数据标注平台830中，因此数据标注平台830可以获得关于每个字的起始时刻和终止时刻。

相应地，数据标注平台830可以执行音频片段确定步骤805，以在音频数据中确定与上述起始时刻到上述终止时刻相对应的音频片段。

通过这种方式，借助于每个文字的时间信息将文字片段与对应的音频片段链接在一起，由此有助于用户通过选择文字片段即可找到对应的音频片段以进行播放。

之后，数据标注平台830可以执行第二控制步骤806，以使用户界面820在音频数据的波形图上指示与文字片段相对应的音频片段。

用户810还可以执行音频片段调整步骤807，以在用户界面820上调整音频片段并对其进行播放。数据标注平台830可以执行响应步骤808以接收该调整操作并播放经调整的音频片段。因此，用户810可以对所选择的音频片段进行重复收听以确定是否要修改对应的文字片段。

在示例中，可以存在一个或多个用户所关注的文字片段。因此，针对每个文字片段，可以重复执行如上所述的步骤803至808。

根据一些实施例，数据标注平台830可以实现如上所述的用于标注音频数据的方法。

根据本公开的实施例，通过在数据标注平台上提供与用户进行交互的用户界面，可以为用户提供快速定位到所关注的音频片段的便利性。在此过程中，用户不必完全手动地选择音频数据中需要进行重新播放的起点和终点位置，而是通过对所关注的文字片段的选择即可链接到对应的音频片段以进行播放。由此，提高了人工标注过程的效率。

图9示出了根据本公开一个实施例的用于标注音频数据的装置900的结构框图。

如图9所示，装置900包括文字显示模块910、文字片段选择模块920和播放模块930。

文字显示模块910被配置为在用户界面上显示待标注的音频数据的参考文字。

文字片段选择模块920被配置为接收用户对参考文字中的文字片段的选择操作。

播放模块930被配置为播放音频数据中与文字片段相对应的音频片段，以用于用户对音频数据的标注。

文字显示模块910、文字片段选择模块920和播放模块930的操作可以与结合图2所述的步骤S202、S204和S206相对应，因此这里不再赘述其各个方面的细节。

在示例中，装置900可以被实施为如以上结合图2至图8所描述的数据标注平台。

图10示出了根据本公开另一个实施例的用于标注音频数据的装置1000的结构框图。

如图10所示，装置1000可以包括文字显示模块1010、文字片段选择模块1020和播放模块1030。

根据一些实施例，装置1000还可以包括音频波形显示模块1040、指示模块1050和音频片段调整模块1060。音频波形显示模块1040可以被配置为在用户界面上显示音频数据的波形图。指示模块1050可以被配置为在波形图上指示与文字片段相对应的音频片段。音频片段调整模块1060可以被配置为接收用户对音频片段的调整操作。

根据一些实施例，播放模块1030可以包括调整播放模块1032，被配置为播放经调整的音频片段。

根据一些实施例，指示模块1050可以包括位置指示模块1052，被配置为指示音频片段的起点位置和终点位置。

根据一些实施例，用户对音频片段的调整操作可以包括：对起点位置和终点位置中至少一者的移动操作。

根据一些实施例，参考文字中的每个文字在音频数据中对应的起始时刻和终止时刻可以被预先确定。

根据一些实施例，装置1000还可以包括时间确定模块1070和音频片段确定模块1080。时间确定模块1070可以被配置为响应于接收到用户对参考文字中的文字片段的选择操作，确定文字片段中的第一个文字的起始时刻和最后一个文字的终止时刻。音频片段确定模块1080可以被配置为在音频数据中确定与第一个文字的起始时刻到最后一个文字的终止时刻相对应的音频片段。

在示例中，装置1000可以被实施为如以上结合图2至图8所描述的数据标注平台。

根据本公开的另一方面，还提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开实施例所述的方法。

根据本公开的另一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据本公开实施例所述的方法。

根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开实施例所述的方法。

图11示出了能够用于实现本公开实施例的示例性电子设备的结构框图。

参考图11，现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。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/或者要求的本公开的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向电子设备1100输入信息的任何类型的设备，输入单元1106可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如用于标注音频数据的方法。例如，在一些实施例中，用于标注音频数据的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的用于标注音频数据的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于标注音频数据的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

本公开的技术方案中，所涉及的音频数据的收集、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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。