一种基于语音模型的角色感知实时语音转文本方法及系统

本发明公开了一种基于语音模型的角色感知实时语音转文本方法、系统、设备、存储介质及程序，属于语音翻译技术领域。方法包括获取音频数据流并进行预处理，得到音频片段；对音频片段进行拼接，使用语音活动检测模型检测语音活动区间，生成语音活动列表；对语音活动列表中的语音活动进行语音相似度对比，识别说话人身份，并在说话人变更时切分音频，得到切分后的音频片段及说话人标签；对切分后的音频片段进行语音识别，得到音频文本；整合说话人标签及对应的音频文本，得到最终识别结果。本发明可以准确区分语音中各说话人的说话内容，提高了语音识别的准确率，减少后期处理文本的工作量，并且能够实时进行语音转文本。