[發明專利]語音模型訓練方法、語音識別方法、裝置、設備及介質

在審

• 申請號: 201810551458.4
• 申請日: 2018-05-31
• 公開（公告）號: CN108922515A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 涂宏
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/02;G10L25/18;G10L25/24;G10L25/30;G10L25/45
• 代理公司: 深圳眾鼎專利商標代理事務所(普通合伙) 44325
• 代理人: 譚果林

1.一種語音模型訓練方法，其特征在于，包括：

獲取訓練語音數據，基于所述訓練語音數據提取訓練語音特征；

基于所述訓練語音特征獲取目標背景模型；

獲取目標語音數據，基于所述目標語音數據提取目標語音特征；

采用所述目標背景模型對所述目標語音特征進行自適應處理，獲取目標聲紋特征識別模型；

將所述目標語音特征輸入到深度神經網絡中進行訓練，獲取目標語音特征識別模型；

將所述目標聲紋特征識別模型和所述目標語音特征識別模型關聯存儲在數據庫中。

2.根據權利要求1所述的語音模型訓練方法，其特征在于，所述基于所述訓練語音數據提取訓練語音特征，包括：

對所述訓練語音數據進行預處理；

對預處理后的訓練語音數據作快速傅里葉變換，獲取訓練語音數據的頻譜，并根據所述頻譜獲取訓練語音數據的功率譜；

采用梅爾刻度濾波器組處理所述訓練語音數據的功率譜，獲取訓練語音數據的梅爾功率譜；

在所述梅爾功率譜上進行倒譜分析，獲取訓練語音數據的梅爾頻率倒譜系數，并將獲取到的梅爾頻率倒譜系數確定為所述訓練語音特征。

3.根據權利要求2所述的語音模型訓練方法，其特征在于，所述對所述訓練語音數據進行預處理，包括：

對所述訓練語音數據作預加重處理；

對預加重后的所述訓練語音數據進行分幀處理；

對分幀處理后的所述訓練語音數據進行加窗處理。

4.根據權利要求1所述的語音模型訓練方法，其特征在于，所述基于所述訓練語音特征獲取目標背景模型，包括：

采用所述訓練語音特征進行通用背景模型訓練，獲取通用背景模型；

采用奇異值分解對所述通用背景模型進行特征降維處理，獲取所述目標背景模型。

5.根據權利要求1所述的語音模型訓練方法，其特征在于，所述將所述目標語音特征輸入到深度神經網絡中進行訓練，獲取目標語音特征識別模型，包括：

初始化深度神經網絡模型；

將所述目標語音特征分組輸入到所述深度神經網絡模型中，根據前向傳播算法獲取深度神經網絡模型的輸出值，目標語音特征的第i組樣本在深度神經網絡模型的當前層的輸出值用公式表示為a^i,l＝σ(W^la^i,l-1+b^l)，其中，a為輸出值，i表示輸入的目標語音特征的第i組樣本，l為深度神經網絡模型的當前層，σ為激活函數，W為權值，l-1為深度神經網絡模型的當前層的上一層，b為偏置；

基于深度神經網絡模型的輸出值進行誤差反傳，更新深度神經網絡模型各層的權值和偏置，獲取所述目標語音特征識別模型，其中，更新權值的計算公式為l為深度神經網絡模型的當前層，W為權值，α為迭代步長，m為輸入的目標語音特征的樣本總數，δ^i,l為當前層的靈敏度；z^i,l＝W^la^i,l-1+b^l，a^i,l-1為上一層的輸出，T表示矩陣轉置運算，表示兩個矩陣對應元素相乘的運算(Hadamard積)，更新偏置的計算公式為

6.一種語音識別方法，其特征在于，包括：

獲取待識別語音數據，所述待識別語音數據與用戶標識相關聯；

基于所述用戶標識查詢數據庫,獲取關聯存儲的目標聲紋特征識別模型和目標語音特征識別模型，所述目標聲紋特征識別模型和所述目標語音特征識別模型是采用權利要求1-5任一項所述語音模型訓練方法獲取的模型；

基于所述待識別語音數據,提取待識別語音特征；

將所述待識別語音特征輸入到目標語音特征識別模型，獲取第一得分；

將所述待識別語音數據輸入到目標聲紋特征識別模型中，獲取第二得分；

將所述第一得分與預設的第一加權比例相乘，獲取第一加權得分，將所述第二得分與預設的第二加權比例相乘，獲取第二加權得分，將所述第一加權得分和所述第二加權得分相加，獲取目標得分；

若所述目標得分大于預設得分閾值，則確定所述待識別語音數據為所述用戶標識對應的目標語音數據。