[發(fā)明專利]一種語音建模方法及裝置

有效

• 申請?zhí)枺?/td>: 201611103738.6
• 申請日: 2016-12-05
• 公開（公告）號: CN108172218B
• 公開（公告）日: 2021-01-12
• 發(fā)明（設(shè)計(jì)）人: 徐衍瀚
• 申請（專利權(quán)）人: 中國移動通信有限公司研究院;中國移動通信集團(tuán)公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/16
• 代理公司: 北京銀龍知識產(chǎn)權(quán)代理有限公司 11243
• 代理人: 許靜;安利霞

本發(fā)明提供一種語音建模方法及裝置，涉及語音識別技術(shù)領(lǐng)域，用以降低語音模型建模的復(fù)雜度。本發(fā)明的語音建模方法，包括：將標(biāo)準(zhǔn)普通話數(shù)據(jù)和至少一種帶有方言口音的普通話數(shù)據(jù)作為輸入數(shù)據(jù)，并提取所述輸入數(shù)據(jù)的語音特征向量；利用所述語音特征向量訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN聲學(xué)模型，其中所述聲學(xué)模型的輸出層輸出第一概率；獲取帶有目標(biāo)方言口音的普通話數(shù)據(jù)；利用所述帶有目標(biāo)方言口音的普通話數(shù)據(jù)學(xué)習(xí)所述輸出層，并利用所述輸出層輸出的第二概率更新所述第一概率。本發(fā)明能夠降低語音模型建模的復(fù)雜度。

技術(shù)領(lǐng)域

本發(fā)明涉及語音識別技術(shù)領(lǐng)域，尤其涉及一種語音建模方法及裝置。

背景技術(shù)

語音識別即讓機(jī)器聽懂人說的話，將語音信號轉(zhuǎn)化為計(jì)算機(jī)可識別的輸入。目前的語音識別技術(shù)主要為統(tǒng)計(jì)模式識別技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)。

隱馬爾科夫模型(Hidden Markov Model，HMM)是當(dāng)今語音識別等語音技術(shù)領(lǐng)域的較為完善較為成熟的模型，其使用統(tǒng)計(jì)的概念將時序性的語音通過隱馬爾科夫過程來建模，取得了較好的結(jié)果。

近年來基于深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，DNN)語音識別系統(tǒng)受到研究人員越來越多的關(guān)注。深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，由Hinton等人于2006年提出。深度學(xué)習(xí)的實(shí)質(zhì)是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準(zhǔn)確性。主要有以下觀點(diǎn)：(1)多隱層的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對數(shù)據(jù)有更本質(zhì)的描述，從而有利于分類；(2)深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度，可以通過“逐層初始化”來有效克服，而逐層初始化是通過無監(jiān)督學(xué)習(xí)實(shí)現(xiàn)的。

為了提高對具有方言口音背景的普通話的識別準(zhǔn)確率，現(xiàn)有技術(shù)提供了多種方法。其中一些方法針對聲學(xué)建模過程中的訓(xùn)練方法進(jìn)行改進(jìn)，一些方法對識別系統(tǒng)中的語言模型進(jìn)行改進(jìn)。但是，現(xiàn)有的對具有方言口音背景的普通話識別方法中，訓(xùn)練模型的復(fù)雜度高。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種語音建模方法及裝置，用以降低語音模型建模的復(fù)雜度。

為解決上述技術(shù)問題，本發(fā)明提供一種語音建模方法，包括：

將標(biāo)準(zhǔn)普通話數(shù)據(jù)和至少一種帶有方言口音的普通話數(shù)據(jù)作為輸入數(shù)據(jù)，并提取所述輸入數(shù)據(jù)的語音特征向量；

利用所述語音特征向量訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN聲學(xué)模型，其中所述聲學(xué)模型的輸出層輸出第一概率；

獲取帶有目標(biāo)方言口音的普通話數(shù)據(jù)；

利用所述帶有目標(biāo)方言口音的普通話數(shù)據(jù)學(xué)習(xí)所述輸出層，并利用所述輸出層輸出的第二概率更新所述第一概率。

其中，所述提取所述輸入數(shù)據(jù)的語音特征向量的步驟，包括：

對所述輸入數(shù)據(jù)進(jìn)行加窗分幀操作，獲得語音幀；

去除所述語音幀中的靜音幀，獲得所述語音特征向量。

其中，所述利用所述語音特征向量訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)DNN聲學(xué)模型，其中所述聲學(xué)模型的輸出層輸出第一概率的步驟，包括：

將所述語音特征向量作為輸入信號輸入到所述DNN聲學(xué)模型的輸入層；

在所述DNN聲學(xué)模型的多個隱藏層中，利用每個隱藏層對應(yīng)的第一權(quán)值，對所述每個隱藏層的輸入信號進(jìn)行處理，獲得所述每個隱藏層的輸出信號；

在所述DNN聲學(xué)模型的輸出層，對最上一隱藏層的輸出信號進(jìn)行處理，獲得第一概率。

其中，所述利用所述帶有目標(biāo)方言口音的普通話數(shù)據(jù)學(xué)習(xí)所述輸出層，并利用所述輸出層輸出的第二概率更新所述第一概率的步驟，包括：