[發(fā)明專利]語音識別模型確定方法、語音識別方法及裝置、電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202010210590.6
• 申請日: 2020-03-23
• 公開（公告）號: CN111402893A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計）人: 李杰;王曉瑞;李巖
• 申請（專利權(quán)）人: 北京達佳互聯(lián)信息技術(shù)有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G10L25/27;G10L25/30
• 代理公司: 廣州華進聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 劉羚

本公開關(guān)于一種語音識別模型確定方法、語音識別方法及裝置、電子設(shè)備，涉及語音識別領(lǐng)域。所述語音識別模型確定方法包括：獲取樣本語音數(shù)據(jù)；對樣本語音數(shù)據(jù)進行分幀，對分幀獲得的各幀樣本語音數(shù)據(jù)進行特征提取，獲得各幀樣本語音數(shù)據(jù)的語音特征；對各幀樣本語音數(shù)據(jù)的語音特征基于音節(jié)進行對齊，得到各幀樣本語音數(shù)據(jù)對應(yīng)的音節(jié)標(biāo)簽；采用待訓(xùn)練語音識別模型對各幀樣本語音數(shù)據(jù)的語音特征進行識別，獲得各幀樣本語音數(shù)據(jù)對應(yīng)的預(yù)測音節(jié)。采用本方法能夠提升語音識別的準(zhǔn)確性。

技術(shù)領(lǐng)域

本公開涉及語音識別技術(shù)領(lǐng)域，尤其涉及一種語音識別模型確定方法、語音識別方法及裝置、電子設(shè)備。

背景技術(shù)

自動語音識別(Automatic Speech Recognition,ASR)是通過算法將人類的語音轉(zhuǎn)化成相應(yīng)文本的過程。目前的自動語音識別系統(tǒng)中，常用的語音識別模型建模方法有鏈?zhǔn)浇！⑦B接時序分類等，常用的建模單元是音素或者音素狀態(tài)。

相關(guān)技術(shù)中，語音識別模型采用音素作為建模單元，并且考慮上下文相關(guān)音素，然而，由于音素的持續(xù)時間短，受制于協(xié)同發(fā)音效應(yīng)，難以對人類語音的長期時間依賴性進行建模，與人類語音感知的匹配度不夠高，導(dǎo)致語音識別的準(zhǔn)確性較低。

發(fā)明內(nèi)容

本公開提供一種語音識別模型確定方法、語音識別方法及裝置、電子設(shè)備，以至少解決相關(guān)技術(shù)中語音識別的準(zhǔn)確性較低的問題。本公開的技術(shù)方案如下：

根據(jù)本公開實施例的第一方面，提供一種語音識別模型確定方法，包括：

獲取樣本語音數(shù)據(jù)；

對所述樣本語音數(shù)據(jù)進行分幀，對分幀獲得的各幀樣本語音數(shù)據(jù)進行特征提取，獲得所述各幀樣本語音數(shù)據(jù)的語音特征；

對所述各幀樣本語音數(shù)據(jù)的語音特征基于音節(jié)進行對齊，得到所述各幀樣本語音數(shù)據(jù)對應(yīng)的音節(jié)標(biāo)簽；

采用待訓(xùn)練語音識別模型對所述各幀樣本語音數(shù)據(jù)的語音特征進行識別，獲得所述各幀樣本語音數(shù)據(jù)對應(yīng)的預(yù)測音節(jié)；

根據(jù)所述各幀樣本語音數(shù)據(jù)對應(yīng)的預(yù)測音節(jié)和音節(jié)標(biāo)簽，訓(xùn)練所述待訓(xùn)練語音識別模型，得到訓(xùn)練好的語音識別模型。

可選的，所述對所述各幀樣本語音數(shù)據(jù)的語音特征基于音節(jié)進行對齊，得到所述各幀樣本語音數(shù)據(jù)對應(yīng)的音節(jié)標(biāo)簽，包括：采用隱馬爾可夫模型-混合高斯模型對所述各幀樣本語音數(shù)據(jù)的語音特征基于音節(jié)進行對齊，得到所述各幀樣本語音數(shù)據(jù)對應(yīng)的音節(jié)標(biāo)簽。

可選的，所述隱馬爾可夫模型-混合高斯模型的訓(xùn)練過程包括：

獲取樣本語音數(shù)據(jù)以及所述樣本語音數(shù)據(jù)對應(yīng)的音節(jié)序列；

對所述樣本語音數(shù)據(jù)進行特征提取，獲得所述樣本語音數(shù)據(jù)的語音特征；

采用待訓(xùn)練隱馬爾可夫模型-混合高斯模型對所述語音特征基于音節(jié)進行對齊，獲得所述語音特征對應(yīng)的音節(jié)數(shù)據(jù)，根據(jù)所述語音特征對應(yīng)的音節(jié)數(shù)據(jù)以及所述音節(jié)序列，訓(xùn)練所述待訓(xùn)練隱馬爾可夫模型-混合高斯模型，得到訓(xùn)練好的隱馬爾可夫模型-混合高斯模型。

可選的，所述待訓(xùn)練語言識別模型的結(jié)構(gòu)包括時延神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)層和歸一化層；所述采用待訓(xùn)練語音識別模型對所述各幀樣本語音數(shù)據(jù)的語音特征進行識別，獲得所述各幀樣本語音數(shù)據(jù)對應(yīng)的預(yù)測音節(jié)，包括：

通過所述時延神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)層，對所述各幀語音數(shù)據(jù)的語音特征進行特征抽取，獲得所述各幀語音數(shù)據(jù)的目標(biāo)特征；

通過所述歸一化層對各所述目標(biāo)特征進行識別，獲得所述各幀語音數(shù)據(jù)對應(yīng)的預(yù)測音節(jié)。

可選的，所述通過所述時延神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)層，對所述各幀語音數(shù)據(jù)的語音特征進行特征抽取，獲得所述各幀語音數(shù)據(jù)的目標(biāo)特征，包括：