[發明專利]一種混合頻率聲學識別模型的訓練方法及語音識別方法

有效

• 申請號: 201710108893.5
• 申請日: 2017-02-27
• 公開（公告）號: CN108510979B
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 范利春
• 申請（專利權）人: 芋頭科技（杭州）有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02
• 代理公司: 北京中原華和知識產權代理有限責任公司 11019
• 代理人: 壽寧

1.一種混合頻率聲學識別模型的訓練方法，其特征在于，訓練形成一統一的所述混合頻率聲學識別模型，以分別對具有一第一采樣頻率的第一語音信號進行聲學識別，以及對具有一第二采樣頻率的第二語音信號進行聲學識別；

所述混合頻率聲學識別模型為部分連接的深度神經網絡模型；

所述混合頻率聲學識別模型的訓練方法具體包括：

步驟S1，獲取所述第一語音信號的第一類語音特征，并對所述第一語音信號進行處理，以得到對應的第一語音訓練數據；

步驟S2，獲取所述第二語音信號的所述第一類語音特征，并對所述第二語音信號進行處理，以得到對應的第二語音訓練數據；

步驟S3，根據所述第一語音信號的功率譜獲取所述第一語音信號的第二類語音特征，以及根據所述第二語音信號的功率譜獲取所述第二語音信號的第二類語音特征；其中，所述第一語音信號、所述第二語音信號均具有低頻帶部分，所述第一語音信號還具有高頻帶部分；所述步驟S3的所述根據所述第二語音信號的功率譜獲取所述第二語音信號的第二類語音特征包括，對所述第二語音信號的高頻帶用零補齊，以使得所述第一語音信號的第二類語音特征與所述第二語音信號的第二類語音特征的長度相同；

步驟S4，根據所述第一語音信號和所述第二語音信號對所述深度神經網絡模型進行預訓練，以形成所述混合頻率聲學識別模型的一初步識別模型；所述深度神經網絡模型中包括至少一個部分連接的隱藏層，每個所述部分連接的隱藏層僅接受來自特定頻段的輸入數據，并且所述輸入數據之間沒有相互重疊；

步驟S5，根據所述第一語音訓練數據、所述第二語音訓練數據以及所述第二類語音特征對所述初步識別模型進行有監督的參數訓練，以形成所述混合頻率聲學識別模型。

2.如權利要求1所述的訓練方法，其特征在于，所述第一采樣頻率為16KHz的采樣頻率。

3.如權利要求1所述的訓練方法，其特征在于，所述第二采樣頻率為8KHz的采樣頻率。

4.如權利要求1所述的訓練方法，其特征在于，所述第一類語音特征為MFCC特征。

5.如權利要求1所述的訓練方法，其特征在于，所述第二類語音特征為fbank特征。

6.如權利要求1所述的訓練方法，其特征在于，所述步驟S1中，對所述第一語音信號進行處理以得到所述第一語音訓練數據的方法具體包括：

步驟S11，利用所述第一類語音特征訓練形成一第一聲學模型；

步驟S12，利用所述第一聲學模型對所述第一語音信號進行強制對齊操作，以形成幀對齊的所述第一語音訓練數據；其中，所述強制對齊是指將語音的每一幀語音特征都對應到綁定三音子的某一個狀態，而所述狀態對應著所述混合頻率聲學識別模型的輸出節點。

7.如權利要求6所述的訓練方法，其特征在于，所述步驟S2中，利用與所述第一聲學模型相同的三音子決策樹獲取所述第二語音信號的所述第一類語音特征。

8.如權利要求1所述的訓練方法，其特征在于，所述步驟S2中，對所述第二語音信號進行處理以得到所述第二語音訓練數據的方法具體包括：

步驟S21，利用所述第二類語音特征訓練形成一第二聲學模型；

步驟S22，利用所述第二聲學模型對所述第二語音信號進行強制對齊操作，以形成幀對齊的所述第二語音訓練數據；其中，所述強制對齊是指將語音的每一幀語音特征都對應到綁定三音子的某一個狀態，而所述狀態對應著所述混合頻率聲學識別模型的輸出節點。

9.如權利要求6或7所述的訓練方法，其特征在于，所述第一聲學模型為GMM-HMM聲學模型。

10.如權利要求8所述的訓練方法，其特征在于，所述第二聲學模型為GMM-HMM聲學模型。