[發(fā)明專(zhuān)利]語(yǔ)音識(shí)別方法與裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201510793497.1
• 申請(qǐng)日: 2015-11-17
• 公開(kāi)（公告）號(hào): CN106782546A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 黃石磊;王昕;劉軼;程剛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳市北科瑞聲科技有限公司
• 主分類(lèi)號(hào): G10L15/26
• 分類(lèi)號(hào): G10L15/26;G10L15/28;G10L15/34
• 代理公司: 廣州華進(jìn)聯(lián)合專(zhuān)利商標(biāo)代理有限公司44224
• 代理人: 劉誠(chéng)

技術(shù)領(lǐng)域

本發(fā)明涉及一種語(yǔ)音識(shí)別方法及裝置，特別地，涉及一種基于云端語(yǔ)音識(shí)別的低時(shí)延語(yǔ)音識(shí)別方法與相應(yīng)的裝置。

背景技術(shù)

移動(dòng)設(shè)備尤其是智能手機(jī)等一般采用多種交互方式，而其中以語(yǔ)音識(shí)別為主要技術(shù)的語(yǔ)音交互是移動(dòng)設(shè)備上重要的交互方式。

語(yǔ)音識(shí)別(Speech Recognition)技術(shù)，也被稱(chēng)為自動(dòng)語(yǔ)音識(shí)別(Automatic Speech Recognition，ASR)，其目標(biāo)是語(yǔ)音中的內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列并進(jìn)行相應(yīng)的操作。

語(yǔ)音識(shí)別的主流技術(shù)是基于因馬爾科夫模型(Hidden Markov Model,HMM)，常用的是連續(xù)分布的HMM模型，稱(chēng)為CDHMM。在語(yǔ)音識(shí)別任務(wù)中，一般需要聲學(xué)模型(Acoustic Model)和語(yǔ)言模型(Language Model)。

對(duì)于移動(dòng)設(shè)備來(lái)說(shuō)，語(yǔ)音識(shí)別任務(wù)的運(yùn)算量很大，特別是一些信息查詢(xún)?nèi)蝿?wù)是大詞表連續(xù)語(yǔ)音識(shí)別(Large Vocabulary Continuous Speech Recognition,LVCSR)，需要較大的運(yùn)算量。

一種解決方案是采用基于云端的語(yǔ)音識(shí)別。通過(guò)在移動(dòng)客戶(hù)端把語(yǔ)音或者語(yǔ)音特征上傳到云端(亦即，服務(wù)器端)，在服務(wù)器端進(jìn)行語(yǔ)音識(shí)別，然后把語(yǔ)音識(shí)別的結(jié)果傳到移動(dòng)客戶(hù)端。通過(guò)云端的配合，使得移動(dòng)客戶(hù)端的運(yùn)算量比較小，并將主要的運(yùn)算量集中在云端服務(wù)器，這樣有利于采用更為復(fù)雜的、準(zhǔn)確率更好的語(yǔ)音識(shí)別算法，同時(shí)可以方便地和其他的應(yīng)用服務(wù)結(jié)合起來(lái)。然而，這種全然由云端進(jìn)行語(yǔ)音識(shí)別計(jì)算的缺點(diǎn)是傳輸?shù)难訒r(shí)較大，從客戶(hù)端語(yǔ)音錄制完畢，到云端服務(wù)器處理完畢，再到客戶(hù)端獲得云端服務(wù)器進(jìn)行語(yǔ)音識(shí)別處理所得到的相關(guān)信息、并作出正確的動(dòng)作，其間發(fā)生的延時(shí)一般都在幾百毫秒到秒級(jí)別，用戶(hù)的體驗(yàn)較差。

發(fā)明內(nèi)容

基于此，有必要提供一種降低延遲的語(yǔ)音識(shí)別方法，以及相應(yīng)的語(yǔ)音識(shí)別裝置。

一種語(yǔ)音識(shí)別方法，包括：

接收第一語(yǔ)音輸入，并將所接收的第一語(yǔ)音輸入轉(zhuǎn)換為第一數(shù)字信號(hào)；

將所述第一數(shù)字信號(hào)傳送至云端；

接收根據(jù)所述第一數(shù)字信號(hào)生成的第一后處理結(jié)果；

接收第二語(yǔ)音輸入，并將所接收的第二語(yǔ)音輸入轉(zhuǎn)換為第二數(shù)字信號(hào)；

利用第一語(yǔ)音識(shí)別模型對(duì)所述第二數(shù)字信號(hào)進(jìn)行第一語(yǔ)音識(shí)別；

將所述第一后處理結(jié)果與對(duì)所述第二數(shù)字信號(hào)進(jìn)行的第一語(yǔ)音識(shí)別的識(shí)別結(jié)果進(jìn)行比較，以確定所述語(yǔ)音識(shí)別的結(jié)果。

優(yōu)選地，所述第一后處理結(jié)果包括多個(gè)可能的后處理結(jié)果，其中所述將第一后處理結(jié)果與對(duì)第二數(shù)字信號(hào)進(jìn)行的第一語(yǔ)音識(shí)別的識(shí)別結(jié)果進(jìn)行比較包括：

將所述對(duì)第二數(shù)字信號(hào)進(jìn)行的第一語(yǔ)音識(shí)別的識(shí)別結(jié)果與所述多個(gè)可能的后處理結(jié)果進(jìn)行比較；

確定所述多個(gè)可能的后處理結(jié)果中與所述對(duì)第二數(shù)字信號(hào)進(jìn)行的第一語(yǔ)音識(shí)別的識(shí)別結(jié)果最相似的后處理結(jié)果為所述比較的結(jié)果。

優(yōu)選地，所述第一語(yǔ)音識(shí)別模型為基于聲韻母的聲學(xué)模型和語(yǔ)言模型。

優(yōu)選地，所述方法進(jìn)一步包括：

利用第一語(yǔ)音識(shí)別模型對(duì)所述第一數(shù)字信號(hào)進(jìn)行第一語(yǔ)音識(shí)別；

將所述第一后處理結(jié)果與對(duì)所述第一數(shù)字信號(hào)、第二數(shù)字信號(hào)進(jìn)行所述第一語(yǔ)音識(shí)別的識(shí)別結(jié)果進(jìn)行比較。

優(yōu)選地，所述方法進(jìn)一步包括：

將所述第二數(shù)字信號(hào)傳送至云端；

接收根據(jù)所述第一數(shù)字信號(hào)、第二數(shù)字信號(hào)生成的第二后處理結(jié)果；

接收第三語(yǔ)音輸入，并所接收的第三語(yǔ)音輸入轉(zhuǎn)換為第三數(shù)字信號(hào)；

利用第一語(yǔ)音識(shí)別模型對(duì)所述第三數(shù)字信號(hào)進(jìn)行第一語(yǔ)音識(shí)別；

將所述第二后處理結(jié)果與對(duì)所述第一數(shù)字信號(hào)、第二數(shù)字信號(hào)、第三數(shù)字信號(hào)進(jìn)行的第一語(yǔ)音識(shí)別的識(shí)別結(jié)果進(jìn)行比較，以確定所述語(yǔ)音識(shí)別的結(jié)果。

優(yōu)選地，所述方法進(jìn)一步包括：根據(jù)所述比較的結(jié)果執(zhí)行相應(yīng)動(dòng)作。

一種語(yǔ)音識(shí)別方法，包括：

接收第一數(shù)字信號(hào)，所述第一數(shù)字信號(hào)是根據(jù)第一語(yǔ)音輸入而生成的；

利用第二語(yǔ)音識(shí)別模型對(duì)所述第一數(shù)字信號(hào)進(jìn)行第二語(yǔ)音識(shí)別；

根據(jù)對(duì)所述第一數(shù)字信號(hào)進(jìn)行第二語(yǔ)音識(shí)別的識(shí)別結(jié)果，利用后處理模型進(jìn)行后處理，得到第一后處理結(jié)果；

輸出所述第一后處理結(jié)果。

優(yōu)選地，所述第二語(yǔ)音識(shí)別模型為基于音素三音子的聲學(xué)模型和統(tǒng)計(jì)語(yǔ)言模型。

優(yōu)選地，所述統(tǒng)計(jì)語(yǔ)言模型為基于詞的三元統(tǒng)計(jì)語(yǔ)言模型(3-Gram)模型。