[發(fā)明專利]語音識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202010027674.6
• 申請日: 2020-01-10
• 公開（公告）號: CN113192495A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設計）人: 曹秀亭
• 申請（專利權）人: 普天信息技術有限公司
• 主分類號: G10L15/14
• 分類號: G10L15/14;G10L15/18;G10L25/18;G10L25/24;G10L25/30;G10L15/02
• 代理公司: 北京路浩知識產(chǎn)權代理有限公司 11002
• 代理人: 王瑩

本發(fā)明實施例提供一種語音識別方法及裝置，所述方法包括：獲取待識別語音數(shù)據(jù)的頻譜圖；將所述待識別語音數(shù)據(jù)的頻譜圖輸入至語音識別模型，輸出所述待識別語音數(shù)據(jù)對應的文字識別結(jié)果；其中，所述語音識別模型是基于語音樣本以及預先確定的語音樣本對應的文字，采用二次訓練的方式進行訓練后得到。本發(fā)明實施例提供的語音識別方法及裝置，采用二次訓練的方式對語音識別模型進行訓練，使用二次訓練能夠較好的兼容語音識別模型的時間開銷和準確度，從而提高了對長句的識別效果。

技術領域

本發(fā)明涉及語音識別技術領域，尤其涉及一種語音識別方法及裝置。

背景技術

語音識別是一種廣義的自然語言處理技術，是用于人與機器進行更順暢交流的技術，語音識別目前已使用在生活的各個方面。

隨著深度學習的發(fā)展，目前語音識別任務是由端到端的深度學習的模式完成的，傳統(tǒng)的方式是通過快速傅里葉變換從原始的音頻文件得到頻譜圖，經(jīng)過深層神經(jīng)網(wǎng)絡(DNN)網(wǎng)絡獲取其中的語義信息，最后通過隱馬爾科夫模型(HMM)獲得文字信息，解碼方式是通過Viterbi算法。

但是，在提取的語音特征中語音音素是帶有一定的關聯(lián)性，采用現(xiàn)有技術中的DNN-HMM的語音識別方案，在訓練中存在梯度消失問題，容易陷入局部最優(yōu)，會給整個模型的訓練加大難度，導致模型無法收斂，最終導致Viterbi解碼方式消耗時間過長，詞典數(shù)據(jù)量過大時會加劇消耗時間，在較長的句子識別中效果差。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種語音識別方法及裝置，用于解決現(xiàn)有技術中的上述技術問題。

為了解決上述技術問題，一方面，本發(fā)明實施例提供一種語音識別方法，包括：

獲取待識別語音數(shù)據(jù)的頻譜圖；

將所述待識別語音數(shù)據(jù)的頻譜圖輸入至語音識別模型，輸出所述待識別語音數(shù)據(jù)對應的文字識別結(jié)果；

其中，所述語音識別模型是基于語音樣本以及預先確定的語音樣本對應的文字，采用二次訓練的方式進行訓練后得到。

進一步地，將所述待識別語音數(shù)據(jù)的頻譜圖輸入至語音識別模型，輸出所述待識別語音數(shù)據(jù)對應的文字識別結(jié)果，具體包括：

將所述待識別語音數(shù)據(jù)的頻譜圖輸入至所述語音識別模型中的卷積神經(jīng)網(wǎng)絡，輸出語音特征；

將所述語音特征輸入至所述語音識別模型中的雙向殘差長短時記憶網(wǎng)絡，輸出語義信息；

將所述語義信息輸入至所述語音識別模型中的解碼器，輸出所述文字識別結(jié)果。

進一步地，對所述語音識別模型進行訓練的具體步驟如下：

將所述語音樣本的頻譜圖輸入至所述語音識別模型中的卷積神經(jīng)網(wǎng)絡，輸出樣本語音特征；

將所述樣本語音特征輸入至所述語音識別模型中的雙向殘差長短時記憶網(wǎng)絡，輸出樣本語義信息；

將所述樣本語義信息輸入至全連接神經(jīng)網(wǎng)絡，輸出樣本預測文字；

將所述樣本預測文字輸入至Softmax回歸模型，輸出歸一化后的樣本預測文字；

將歸一化后的樣本預測文字輸入至集束搜索算法模型，輸出負樣本；

根據(jù)所述負樣本對所述語音識別模型進行二次訓練，確定所述語音識別模型的參數(shù)。

進一步地，將所述樣本語音特征輸入至所述語音識別模型中的雙向殘差長短時記憶網(wǎng)絡，輸出樣本語義信息，具體包括：

將所述樣本語音特征輸入至雙向長短時記憶網(wǎng)絡，輸出前后向的隱藏語義信息，同時，對所述樣本語音特征進行正則化，得到歸一化樣本語音特征；