[發明專利]語音識別的建模方法和裝置

有效

• 申請號: 201510920809.0
• 申請日: 2015-12-11
• 公開（公告）號: CN105551483B
• 公開（公告）日: 2020-02-04
• 發明（設計）人: 白錦峰;蘇丹;胡娜;賈磊
• 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
• 代理公司: 11201 北京清亦華知識產權代理事務所(普通合伙)
• 代理人: 宋合成

本發明提出一種語音識別的建模方法和裝置，上述語音識別的建模方法包括：將語音信號轉化成特征向量序列，以及將所述語音信號對應的標注文本轉化成建模單元序列，所述建模單元序列中的每個建模單元為完整的聲母或韻母的發音單元或者上下文相關的聲母或韻母的發音單元；在所述建模單元序列中的任意建模單元的前面或后面添加空白標簽；基于連接時序分類對所述特征向量序列和添加所述空白標簽后的建模單元序列進行訓練，建立語音識別模型。本發明基于CTC的深度循環神經網絡的聲韻母建模，提高了建立的語音識別模型的識別速度和識別準確率。

技術領域

本發明涉及語音識別技術領域，尤其涉及一種語音識別的建模方法和裝置。

背景技術

現有的大詞匯量漢語語音識別方法主要基于混合方法，例如：高斯混合模型(Gaussian Mixture Model；以下簡稱：GMM)+隱馬爾科夫模型(Hidden Markov Model；以下簡稱：HMM)、深度神經網絡(Deep Neural Network；以下簡稱：DNN)+HMM等。具體而言，在基于統計的混合方法建模的語音識別中，用于估計隱馬爾可夫模型的狀態后驗概率的方法有：高斯混合模型、深度神經網絡(特指深度多層感知機)、深度卷積神經網絡和深度循環神經網絡等以及幾者的組合模型。

語音信號是典型的時序信號，具有短時平穩特點，但因為背景噪聲、信道、說話人(即性別、年齡、語速和/或口音等)等因素導致語音信號非常復雜。

但是，現有的語音識別方法都是基于混合方法，而且語音識別中的建模單元都是基于傳統的狀態建模單元，狀態建模極大的束縛了現有所有的建模方法，使用上述狀態建模單元建立的語音識別模型對語音識別的識別性能較差。

發明內容

本發明的目的旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的第一個目的在于提出一種語音識別的建模方法。該方法基于連接時序分類(Connectionist Temporal Classification；以下簡稱：CTC)的深度循環神經網絡，建立語音識別模型，提高了語音識別模型的識別速度和準確率。

本發明的第二個目的在于提出一種語音識別的建模裝置。

為了實現上述目的，本發明第一方面實施例的語音識別的建模方法，包括：將語音信號轉化成特征向量序列，以及將所述語音信號對應的標注文本轉化成建模單元序列，所述建模單元序列中的每個建模單元為完整的聲母或韻母的發音單元或者上下文相關的聲母或韻母的發音單元；在所述建模單元序列中的任意建模單元的前面或后面添加空白標簽；基于連接時序分類對所述特征向量序列和添加所述空白標簽后的建模單元序列進行訓練，建 立語音識別模型。

本發明實施例的語音識別的建模方法，在將語音信號轉化成特征向量序列，以及將上述語音信號對應的標注文本轉化成建模單元序列之后，在上述建模單元序列中的任意建模單元的前面或后面添加空白標簽，然后基于CTC對上述特征向量序列和添加上述空白標簽后的建模單元序列進行訓練，建立語音識別模型，其中，上述建模單元序列中的每個建模單元為完整的聲母或韻母的發音單元或者上下文相關的聲母或韻母的發音單元，從而可以實現基于CTC的深度循環神經網絡的聲韻母建模，提高了建立的語音識別模型的識別速度和識別準確率。

為了實現上述目的，本發明第二方面實施例的語音識別的建模裝置，包括：轉化模塊，用于將語音信號轉化成特征向量序列，以及將所述語音信號對應的標注文本轉化成建模單元序列，所述建模單元序列中的每個建模單元為完整的聲母或韻母的發音單元或者上下文相關的聲母或韻母的發音單元；添加模塊，用于在所述建模單元序列中的任意建模單元的前面或后面添加空白標簽；訓練模塊，用于基于連接時序分類對所述轉化模塊轉化的特征向量序列和所述添加模塊添加所述空白標簽后的建模單元序列進行訓練，建立語音識別模型。