[發(fā)明專利]語音模型訓練方法、語音識別方法、裝置、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810551458.4
• 申請日: 2018-05-31
• 公開（公告）號: CN108922515A
• 公開（公告）日: 2018-11-30
• 發(fā)明（設(shè)計）人: 涂宏
• 申請（專利權(quán)）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(shù)據(jù)，基于所述訓練語音數(shù)據(jù)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(shù)據(jù)，基于所述目標語音數(shù)據(jù)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(jīng)網(wǎng)絡(luò)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(guān)聯(lián)存儲在數(shù)據(jù)庫中。

2.根據(jù)權(quán)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(shù)據(jù)提取訓練語音特征，包括：

對所述訓練語音數(shù)據(jù)進行預處理；

對預處理后的訓練語音數(shù)據(jù)作快速傅里葉變換，獲取訓練語音數(shù)據(jù)的頻譜，并根據(jù)所述頻譜獲取訓練語音數(shù)據(jù)的功率譜；

采用梅爾刻度濾波器組處理所述訓練語音數(shù)據(jù)的功率譜，獲取訓練語音數(shù)據(jù)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(shù)據(jù)的梅爾頻率倒譜系數(shù)，并將獲取到的梅爾頻率倒譜系數(shù)確定為所述訓練語音特征。

3.根據(jù)權(quán)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(shù)據(jù)進行預處理，包括：

對所述訓練語音數(shù)據(jù)作預加重處理；

對預加重后的所述訓練語音數(shù)據(jù)進行分幀處理；

對分幀處理后的所述訓練語音數(shù)據(jù)進行加窗處理。

4.根據(jù)權(quán)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(jù)權(quán)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型；

將所述目標語音特征分組輸入到所述深度神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)前向傳播算法獲取深度神經(jīng)網(wǎng)絡(luò)模型的輸出值，目標語音特征的第i組樣本在深度神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型的當前層，σ為激活函數(shù)，W為權(quán)值，l-1為深度神經(jīng)網(wǎng)絡(luò)模型的當前層的上一層，b為偏置；

基于深度神經(jīng)網(wǎng)絡(luò)模型的輸出值進行誤差反傳，更新深度神經(jīng)網(wǎng)絡(luò)模型各層的權(quán)值和偏置，獲取所述目標語音特征識別模型，其中，更新權(quán)值的計算公式為l為深度神經(jīng)網(wǎng)絡(luò)模型的當前層，W為權(quán)值，α為迭代步長，m為輸入的目標語音特征的樣本總數(shù)，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(zhuǎn)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(shù)據(jù)，所述待識別語音數(shù)據(jù)與用戶標識相關(guān)聯(lián)；

基于所述用戶標識查詢數(shù)據(jù)庫,獲取關(guān)聯(lián)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(quán)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(shù)據(jù),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(shù)據(jù)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(shè)的第一加權(quán)比例相乘，獲取第一加權(quán)得分，將所述第二得分與預設(shè)的第二加權(quán)比例相乘，獲取第二加權(quán)得分，將所述第一加權(quán)得分和所述第二加權(quán)得分相加，獲取目標得分；

若所述目標得分大于預設(shè)得分閾值，則確定所述待識別語音數(shù)據(jù)為所述用戶標識對應的目標語音數(shù)據(jù)。