[發明專利]語音識別方法及裝置

有效

• 申請號: 201610509783.5
• 申請日: 2016-06-30
• 公開（公告）號: CN107564513B
• 公開（公告）日: 2020-09-08
• 發明（設計）人: 薛少飛
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/065
• 代理公司: 北京展翅星辰知識產權代理有限公司 11693
• 代理人: 王文生

本發明提供了一種語音識別方法及裝置，其中的方法包括：針對訓練數據特征矢量進行聚類處理，得到聚類訓練數據特征矢量；利用所述聚類訓練數據特征矢量對待識別數據特征矢量進行插值計算；將經過所述插值計算后的待識別數據特征矢量輸入到語音識別模型，用于對語音識別模型的自適應調整。本發明可提高語音識別自適應的準確性和處理效率。

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方法及裝置。

背景技術

語音識別技術，也被稱為自動語音識別(Automatic Speech Recognition，ASR)，其目標是將人類的語音中的詞匯內容轉換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。語音識別是一門交叉學科，所涉及的領域包括：信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等等。近年來，語音識別技術取得顯著進步，開始從實驗室走向市場。語音識別技術已經或即將進入工業、家電、通信、汽車電子、醫療、家庭服務、消費電子產品等各個領域。

語音識別聲學模型自適應是一種提高語音識別準確率的重要技術，在個性化語音識別等領域有著重要應用，它通常是通過自適應數據對原有聲學模型進行一定程度的改進來實現性能提升。比較流行的是基于特征矢量的自適應方法，通過將特征矢量(如i-Vector)補償輸入到聲學模型來提高語音識別的準確率。在現有技術中，需要使用較多數據才能估計出性能較好的特征矢量，當數據很少時估計出的特征矢量不能帶來明顯的語音識別性能提升。然而，對于一些語音識別應用場景，用戶往往僅給出很短的語音(例如用戶僅給出“查找附近酒店”的很短的一句話)，這給語音識別自適應提出了更高的要求。

發明內容

本發明解決的技術問題之一是提供一種語音識別方法及裝置，可提高語音識別自適應的準確度和處理效率。

根據本發明一方面的一個實施例，提供了一種語音識別方法，包括：針對訓練數據特征矢量進行聚類處理，得到聚類訓練數據特征矢量；利用所述聚類訓練數據特征矢量對待識別數據特征矢量進行插值計算；將經過所述插值計算后的待識別數據特征矢量輸入到語音識別模型，用于對語音識別模型的自適應調整。

可選的，在得到聚類訓練數據特征矢量之后，還包括：將所述聚類訓練數據特征矢量用于語音識別模型自適應訓練，得到語音識別模型。

可選的，在所述針對訓練數據特征矢量進行聚類處理之后、所述得到聚類訓練數據特征矢量之前，還包括：對聚到同一類的訓練數據特征矢量進行加權平均處理。

可選的，所述利用所述聚類訓練數據特征矢量對待識別數據特征矢量進行插值計算，包括：計算待識別數據特征矢量與所述聚類訓練數據特征矢量的余弦距離；選擇余弦距離最大的預定數量的所述聚類訓練數據特征矢量對所述待識別數據特征矢量進行插值計算。

可選的，在進行插值計算過程中，設置插值可調參數，通過調整所述可調參數的數值，設置所述聚類訓練數據特征矢量對所述待識別數據特征矢量的影響程度。

可選的，所述數據特征矢量包括聲紋特征矢量、噪聲特征矢量、方言特征矢量、場景信息特征矢量中的一項或多項。

根據本發明另一方面的一個實施例，提供了一種語音識別裝置，包括：聚類單元，用于針對訓練數據特征矢量進行聚類處理，得到聚類訓練數據特征矢量；插值單元，用于利用所述聚類訓練數據特征矢量對待識別數據特征矢量進行插值計算；自適應調整單元，用于將經過所述插值計算后的待識別數據特征矢量輸入到語音識別模型，對語音識別模型進行自適應調整。

可選的，所述裝置還包括：模型自適應單元，用于將所述聚類訓練數據特征矢量用于語音識別模型自適應訓練，得到語音識別模型。

可選的，所述裝置還包括：加權單元，用于對聚到同一類的訓練數據特征矢量進行加權平均處理。