[發明專利]混合模型語音識別

有效

• 申請號: 201810238968.6
• 申請日: 2013-06-26
• 公開（公告）號: CN108648750B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: A·H·格倫斯坦;P·阿列克西克
• 申請（專利權）人: 谷歌有限責任公司
• 主分類號: G10L15/18
• 分類號: G10L15/18;G10L15/14;G10L15/19;G10L15/26;G10L15/32;G10L15/30
• 代理公司: 中原信達知識產權代理有限責任公司 11219
• 代理人: 李佳;穆德駿

公開了一種混合模型語音識別。一種方法包括：訪問由計算設備基于來自用戶的音頻輸入所生成的音頻數據，該音頻數據對一個或多個用戶話語進行編碼。該方法還包括：通過使用第一語音識別器對該音頻數據執行語音識別來生成該話語的第一轉錄，其中該第一語音識別器采用基于用戶特定數據的語言模型。該方法還包括：通過使用第二語音識別器對該音頻數據執行語音識別來生成該話語的第二轉錄，其中該第二語音識別器采用獨立于用戶特定數據的語言模型。該方法還包括：確定該話語的第二轉錄包括來自預定的一個或多個術語的集合的術語。該方法還包括：基于確定該話語的第二轉錄包括來自預定的一個或多個術語的集合的術語，提供該話語的第一轉錄的輸出。

本申請是分案申請，原案的申請號是201380041641.5，申請日是2013年6月26日，發明名稱是“混合模型語音識別”。

相關申請的交叉引用

本申請要求于2013年3月15日提交的美國申請第13/838,379號和于2012年6月26日提交的美國申請第61/664,324號的權益，其通過參考被合并。

技術領域

本申請涉及語音識別。

背景技術

本說明書涉及語音識別。

移動設備的用戶可以通過例如在鍵盤上打字或者向麥克風中講話來輸入文本。在話音輸入的情境中，自動搜索識別(ASR)引擎可以被用來處理語音形式的輸入。

發明內容

一般而言，本說明書中所描述的主題的一個創新性方面可以用如下方法來實現，該方法包括用于提供聲音轉錄的計算機實現的方法。該方法包括：訪問由計算設備基于來自用戶的音頻輸入所生成的音頻數據，該音頻數據對一個或多個用戶話語進行編碼。該方法還包括：通過使用第一語音識別器對該音頻數據執行語音識別來生成該話語的第一轉錄，其中該第一語音識別器采用基于用戶特定數據的語言模型。該方法還包括：通過使用第二語音識別器對該音頻數據執行語音識別來生成該話語的第二轉錄，其中該第二語音識別器采用獨立于用戶特定數據的語言模型。該方法還包括：確定該話語的第二轉錄包括來自預定的一個或多個術語的集合的術語。該方法還包括：基于確定該話語的第二轉錄包括來自預定的一個或多個術語的集合的術語，提供該話語的第一轉錄的輸出。

這些和其他實現可以各自可選地包括以下特征中的一個或多個特征。該一個或多個術語的集合可以與要由計算設備執行的一個或多個動作關聯。該第一語音識別器可以采用基于語法的語言模型。該基于語法的語言模型可以包括情境自由語法。該第二語音識別器可以采用基于統計的語言模型。該用戶特定數據可以包括該用戶的聯系人列表、在計算設備上安裝的應用的應用列表、或者在計算設備上存儲的媒體的媒體列表。該第一語音識別器可以在計算設備上被實現并且該第二語音識別器可以在一個或多個服務器設備上被實現。

一般而言，本說明書中所描述的主題的另一創新性方面可以用如下系統來實現，該系統包括用于提供聲音轉錄的系統。該系統包括一個或多個計算機以及存儲指令的一個或多個存儲設備，該指令在由一個或多個計算機執行時可操作以使得該一個或多個計算機執行操作，該操作包括：訪問由計算設備基于來自用戶的音頻輸入所生成的音頻數據，該音頻數據對一個或多個用戶話語進行編碼；通過使用第一語音識別器對該音頻數據執行語音識別來生成該話語的第一轉錄，其中該第一語音識別器采用基于用戶特定數據的語言模型；通過使用第二語音識別器對該音頻數據執行語音識別來生成該話語的第二轉錄，其中該第二語音識別器采用獨立于用戶特定數據的語言模型；確定該話語的第二轉錄包括來自預定的一個或多個術語的集合的術語；以及基于確定該話語的第二轉錄包括來自預定的一個或多個術語的集合的術語，提供該話語的第一轉錄的輸出。