[發明專利]一種基于人工智能的語音識別方法和裝置

有效

• 申請號: 201910907251.0
• 申請日: 2019-09-24
• 公開（公告）號: CN110634474B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 蘇丹;賀利強
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G10L15/08
• 分類號: G10L15/08;G10L15/16;G10L15/26;G10L15/02
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王兆林

1.一種語音識別方法，其特征在于，所述方法包括：

獲取待識別語音信號的聲學特征；

根據所述聲學特征確定對應的聲學建模描述特征；所述聲學建模描述特征用于標識所述待識別語音信號的語音變化程度；

根據所述聲學建模描述特征，預測語音識別解碼器用于所述待識別語音信號的解碼參數，包括：

根據聲學建模描述特征，通過神經網絡模型預測所述語音識別解碼器用于所述待識別語音信號的解碼參數；

其中，所述神經網絡模型是基于自動語音識別和強化學習訓練得到的：

所述強化學習中的代理包括所述神經網絡模型，所述神經網絡模型用于預測得到對應于樣本語音信號的解碼參數；

所述強化學習中的環境包含所述語音識別解碼器，所述語音識別解碼器根據所述預測的解碼參數對樣本語音信號進行解碼得到識別文本；

所述強化學習中第i輪的獎勵參數是根據第i-1輪的識別文本和樣本語音信號的標注結果計算得到，用于訓練所述神經網絡模型提高識別準確率；

通過所述語音識別解碼器，采用所述解碼參數對所述待識別語音信號進行識別；

其中，所述根據所述聲學特征確定對應的聲學建模描述特征，包括：

根據所述聲學特征中的后驗概率，確定概率參數滿足預設條件的目標聲學建模單元，所述后驗概率中的概率參數用于標識音頻幀屬于不同聲學建模單元的概率；

根據所述目標聲學建模單元的概率參數，確定所述聲學建模描述特征。

2.根據權利要求1所述的方法，其特征在于，所述根據所述聲學建模描述特征，預測語音識別解碼器用于所述待識別語音信號的解碼參數，包括：

根據聲學建模描述特征，通過神經網絡模型預測所述語音識別解碼器用于所述待識別語音信號的解碼參數；

所述神經網絡模型通過如下方式訓練得到：

獲取語音訓練樣本，所述語音訓練樣本包括樣本語音信號和對應的文本內容；

對所述神經網絡模型進行多輪訓練；

其中，針對第i輪訓練，根據所述語音識別解碼器在第i-1輪對所述樣本語音信號的識別結果，確定第i輪的獎勵參數；所述語音識別解碼器在第i-1輪中采用所述神經網絡模型第i-1輪預測的解碼參數；

根據所述樣本語音信號對應的聲學建模描述特征、第i-1輪所預測的解碼參數和第i輪的獎勵參數，通過所述神經網絡模型預測第i輪的解碼參數。

3.根據權利要求2所述的方法，其特征在于，所述根據所述語音識別解碼器在第i-1輪對所述樣本語音信號的識別結果，確定第i輪的獎勵參數，包括：

根據第i-1輪的識別結果的準確性和/或得到第i-1輪的識別結果的識別速度，確定第i輪的獎勵參數；第i-1輪的識別結果的準確性是根據第i-1輪的識別結果與所述文本內容確定的。

4.根據權利要求1-3任意一項所述的方法，其特征在于，所述待識別語音信號為連續語音對應的語音信號，所述聲學建模描述特征為固定長度的；或者，

所述待識別語音信號為對所述連續語音對應的語音信號切分得到的語音片段，所述聲學建模描述特征為非固定長度的。

5.根據權利要求1所述的方法，其特征在于，設置評估聲學建模單元，任一音頻幀的后驗概率中所述評估聲學建模單元的概率參數為目標值；所述預設條件為最大值；所述評估聲學建模單元用于吸收非尖峰之外的語音幀；針對所述待識別語音信號中的目標音頻幀，所述根據所述聲學特征中的后驗概率，確定概率參數高于預設條件的目標聲學建模單元，包括：

將所述目標音頻幀的后驗概率中的概率參數最大的聲學建模單元作為所述目標聲學建模單元；

所述根據所述目標聲學建模單元的概率參數，確定所述聲學建模描述特征，包括：

若所述目標聲學建模單元為所述評估聲學建模單元，確定所述目標音頻幀為冗余信息；

若所述目標聲學建模單元不是所述評估聲學建模單元，將所述目標聲學建模單元的概率參數保留在所述聲學建模描述特征中。