[發(fā)明專利]語音識別方法和裝置

有效

• 申請?zhí)枺?/td>: 201610008069.8
• 申請日: 2016-01-06
• 公開（公告）號: CN105702250B
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計）人: 范思楠;齊昕;關(guān)胤;王維蘭;吳擁民;陳宏展;劉德建
• 申請（專利權(quán)）人: 福建天晴數(shù)碼有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/14;G10L15/16;G10L25/24
• 代理公司: 福州市景弘專利代理事務(wù)所(普通合伙) 35219
• 代理人: 林祥翔;呂元輝

1.一種語音識別方法，其特征在于，包括如下步驟：

以預(yù)設(shè)采樣參數(shù)以及預(yù)設(shè)格式存儲兒童語音信息；

從存儲的兒童語音信息中提取每幀音頻的39維梅爾頻率倒譜系數(shù)，并用混合高斯模型描述所述各幀音頻的39維梅爾頻率倒譜系數(shù)；

訓(xùn)練各狀態(tài)的混合高斯模型并構(gòu)建各狀態(tài)的隱馬爾科夫模型，具體包括，訓(xùn)練各狀態(tài)的高斯混合模型，每一狀態(tài)由若干幀構(gòu)成，以各狀態(tài)為基礎(chǔ)構(gòu)建隱馬爾科夫模型，確定每個狀態(tài)之間的狀態(tài)轉(zhuǎn)移概率；

以gmm-hmm模型為基礎(chǔ)初始化一深度信念網(wǎng)絡(luò)，提取每幀音頻及其前后若干幀音頻的梅爾頻率倒譜系數(shù)作為輸入信息以構(gòu)造相應(yīng)的高斯模型；

以經(jīng)訓(xùn)練的混合高斯模型-隱馬爾科夫模型對所述深度信念網(wǎng)絡(luò)進(jìn)行調(diào)整對齊，改變原gmm-hmm模型的狀態(tài)輸出概率，得到基于深度信念網(wǎng)絡(luò)的dnn-hmm模型；

利用所述基于深度信念網(wǎng)絡(luò)的dnn-hmm模型進(jìn)行語音識別。

2.如權(quán)利要求1所述的語音識別方法，其特征在于，步驟“以gmm-hmm模型為基礎(chǔ)初始化一深度信念網(wǎng)絡(luò)”具體包括：

訓(xùn)練所述輸入信息的第一層受限玻爾茲曼機；

以第一層受限玻爾茲曼機的訓(xùn)練輸出作為第二層受限玻爾茲曼機的輸入并訓(xùn)練第二層受限玻爾茲曼機，直至頂層受限玻爾茲曼機；

對頂層受限玻爾茲曼機，結(jié)合帶分類標(biāo)簽的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并得到初始化的深度信念網(wǎng)絡(luò)

3.如權(quán)利要求2所述的語音識別方法，其特征在于，所述“每幀音頻及其前后若干幀音頻”具體包括：

每幀音頻及其前4幀和后4幀音頻；

每幀音頻及其前5幀和后5幀音頻；

每幀音頻及其前4幀和后5幀音頻；或

每幀音頻及其前5幀和后4幀音頻。

4.如權(quán)利要求2所述的語音識別方法，其特征在于，步驟“訓(xùn)練第二層受限玻爾茲曼機，直至頂層受限玻爾茲曼機”具體包括：

使用伯努利模型并給予對比散度的快速學(xué)習(xí)算法迭代多次訓(xùn)練直至第六層受限玻爾茲曼機。

5.如權(quán)利要求1或2所述的語音識別方法，其特征在于，所述“預(yù)設(shè)采樣參數(shù)以及預(yù)設(shè)格式”具體包括：

采樣率為8000、16000或22050Hz；

采樣位數(shù)為8位、16位或24位；

單聲道的wav格式或mp3格式。

6.如權(quán)利要求5所述的語音識別方法，其特征在于，所述“預(yù)設(shè)采樣參數(shù)以及預(yù)設(shè)格式”具體為：

采樣率為16000Hz、采樣位數(shù)為16位、單聲道的wav格式。

7.一種語音識別裝置，其特征在于，包括存儲單元、參數(shù)提取單元、第一建模單元、第二建模單元和識別單元；

所述存儲單元用于以預(yù)設(shè)采樣參數(shù)以及預(yù)設(shè)格式存儲兒童語音信息；

所述參數(shù)提取單元用于從存儲的兒童語音信息中提取每幀音頻的39維梅爾頻率倒譜系數(shù)，并用混合高斯模型描述所述各幀音頻的39維梅爾頻率倒譜系數(shù)；

所述第一建模單元用于訓(xùn)練各狀態(tài)的高斯混合模型，每一狀態(tài)由若干幀構(gòu)成；以各狀態(tài)為基礎(chǔ)構(gòu)建隱馬爾科夫模型，確定每個狀態(tài)之間的狀態(tài)轉(zhuǎn)移概率；

所述第二建模單元用于以gmm-hmm模型為基礎(chǔ)初始化一深度信念網(wǎng)絡(luò)，并以經(jīng)第一建模單元訓(xùn)練和構(gòu)建的混合高斯模型-隱馬爾科夫模型對所述深度信念網(wǎng)絡(luò)進(jìn)行調(diào)整對齊，改變原gmm-hmm模型的狀態(tài)輸出概率，得到基于深度信念網(wǎng)絡(luò)的dnn-hmm模型；

所述識別單元用于利用所述基于深度信念網(wǎng)絡(luò)的dnn-hmm模型進(jìn)行語音識別。

8.如權(quán)利要求7所述的語音識別裝置，其特征在于，第二建模單元以gmm-hmm模型為基礎(chǔ)初始化一深度信念網(wǎng)絡(luò)具體包括：

提取每幀音頻及其前后若干幀音頻的梅爾頻率倒譜系數(shù)作為輸入信息以構(gòu)造相應(yīng)的高斯模型；

訓(xùn)練所述輸入信息的第一層受限玻爾茲曼機；

以第一層受限玻爾茲曼機的訓(xùn)練輸出作為第二層受限玻爾茲曼機的輸入并訓(xùn)練第二層受限玻爾茲曼機，直至頂層受限玻爾茲曼機；

對頂層受限玻爾茲曼機，結(jié)合帶分類標(biāo)簽的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并得到初始化的深度信念網(wǎng)絡(luò)。