[發明專利]多語種語音識別的聲學模型建立方法和裝置

有效

• 申請號: 201310332146.1
• 申請日: 2013-08-01
• 公開（公告）號: CN103400577A
• 公開（公告）日: 2013-11-20
• 發明（設計）人: 蘇丹;尹釗
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/18
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 馬曉亞

1.一種多語種語音識別的聲學模型建立方法，其特征在于，包括：

利用全部語音特征數據訓練深度神經網絡，其中，所述深度神經網絡包括一個輸入層、多個隱層以及對應于不同語種的多個輸出層，所述輸入層根據輸入的語音特征數據計算輸出至最底層的隱層的輸出值，所述隱層根據本層的加權值對來自下一層的輸入值進行加權求和，得到輸出至下一層的輸出值，所述輸出層根據輸出層的加權值對來自最上層的隱層的輸入值進行加權求和，并根據所述加權求和的結果計算輸出概率；

利用不同語種的語音特征數據分別訓練所述對應于不同語種的多個輸出層；以及

將所述對應于不同語種的多個輸出層合并成為總輸出層。

2.根據權利要求1所述的多語種語音識別的聲學模型建立方法，其特征在于，在所述將所述對應于不同語種的多個輸出層合并成為總輸出層之后，所述多語種的聲學模型建立方法還包括：

依據不同語種的語音特征數據的數據規模，對所述輸入層中不同語種的加權值進行調整。

3.根據權利要求1所述的多語種語音識別的聲學模型建立方法，其特征在于，所述利用全部語音特征數據訓練深度神經網絡是根據所述聲學模型的輸出概率與所述聲學模型的期望輸出概率之間的誤差調整所述隱層的加權值。

4.根據權利要求1所述的多語種語音識別的聲學模型建立方法，其特征在于，所述對應于不同語種的多個輸出層包括多個輸出單元，并且每個輸出層包括的輸出單元的數量與所述輸出層對應的語種中基本語音元素的數量相同。

5.根據權利要求1或4所述的多語種語音識別的聲學模型建立方法，其特征在于，所述利用不同語種的語音特征數據分別訓練所述對應于不同語種的多個輸出層是根據所述聲學模型的輸出概率與所述聲學模型的期望輸出概率之間的誤差調整所述輸出單元的加權值。

6.根據權利要求1所述的多語種語音識別的聲學模型建立方法，其特征在于，所述將所述對應于不同語種的多個輸出層合并成為總輸出層包括：

將不同語種中具有相似發音的基本語音元素對應的輸出單元合并；以及

保留與其他語種的基本語音元素沒有相似發音的基本語音元素對應的輸出單元。

7.根據權利要求1、3、4或6所述的多語種語音識別的聲學模型建立方法，其特征在于，所述輸出概率是所述輸出單元輸出的，表示輸入的語音特征數據是所述輸出單元對應的基本語音元素的概率。

8.一種多語種語音識別的聲學模型建立裝置，其特征在于，包括：

公共特征訓練模塊，用于利用所有語種的語音特征數據訓練深度神經網絡，其中，所述深度神經網絡包括一個輸入層、多個隱層以及對應于不同語種的多個輸出層，所述輸入層根據輸入的語音特征數據計算輸出至最底層的隱層的輸出值，所述隱層根據本層的加權值對來自下一層的輸入值進行加權求和，得到輸出至下一層的輸出值，所述輸出層根據本層的加權值對來自最上層的隱層的輸入值進行加權求和，并根據所述加權求和的結果計算輸出概率；

語種特征訓練模塊，用于利用不同語種的語音特征數據分別訓練所述對應于不同語種的多個輸出層；以及

輸出層合并模塊，用于將所述對應于不同語種的多個輸出層合并成為總輸出層。

9.根據權利要求8的多語種語音識別的聲學模型建立裝置，其特征在于，所述多語種語音識別的聲學模型建立裝置還包括：

輸出加權值調整模塊，用于在將所述對應于不同語種的多個輸出層合并成為總輸出層之后，依據不同語種的語音特征數據的數據規模，對所述輸入層中不同語種的加權值進行調整。

10.根據權利要求8所述的多語種語音識別的聲學模型建立裝置，其特征在于，所述公共特征訓練模塊根據所述聲學模型的輸出值與所述聲學模型的期望輸出值之間的誤差調整所述隱層的加權值。

11.根據權利要求8所述的多語種語音識別的聲學模型建立裝置，其特征在于，所述對應于不同語種的多個輸出層包括多個輸出單元，并且每個輸出層包括的輸出單元的數量與所述輸出層對應的語種中基本語音元素的數量相同。

12.根據權利要求8或11所述的多語種語音識別的聲學模型建立裝置，其特征在于，所述語種特征訓練模塊根據所述聲學模型的輸出概率與所述聲學模型的期望輸出概率之間的誤差調整所述輸出單元的加權值。