面向多说话人环境的语音识别方法、装置与电子设备

本申请提供了一种面向多说话人环境的语音识别方法、装置与电子设备。包括：获取音频数据；采用语音活动检测技术对音频数据中各语音的起止时间进行标定处理，得到音频标定结果，再采用自动语音识别技术对音频标定结果进行转录处理，得到音频数据对应的转录文本集，转录文本集包括多条音频文本片段，且音频文本片段标记了起止时间；采用说话人分离技术对音频数据进行聚类分析处理，得到以说话人分组的片段数据集，其中，片段数据集包括多个记录片段起止时间和说话人编号的片段数据；采用时间对齐算法对转录文本集和片段数据集进行融合处理，得到音频数据的最终识别结果。解决了现有语音识别技术在多人同时发言场景下存在识别准确率较低的问题。