多人面审的音视频识别处理方法、装置、设备及存储介质

本申请公开了一种多人面审的音视频识别处理方法、装置、设备及存储介质，对待识别音视频文件进行目标话术的定位，并基于音唇同步模型统计目标话术对应的时间段内各个用户对应的嘴巴运动时长，确定在目标话术的时间段内的核心用户，再通过识别核心用户的身份属性，结合预设列表对目标话术对应文本内容进行报警判断，避免单一的音唇同步模型判断失误的情况。解决了实际场景中代理人对投保人说话并非完全指导话术，而实现对于普通话术不予报警，且由于投保人回答的话术一般很简短，音唇同步模型判断不一定准确，就会导致的误报警的情况出现的技术问题。