[發明專利]語音識別模型的生成方法、語音識別方法、裝置

有效

• 申請號: 202010573393.0
• 申請日: 2020-06-22
• 公開（公告）號: CN111696526B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 趙媛媛;王曉瑞;李巖
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/06
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

本公開關于一種語音識別模型的生成方法、語音識別方法、裝置、電子設備及存儲介質，其中，語音識別模型的生成方法包括：對多個語音信號樣本各自對應的原始語音特征序列進行劃分，生成每個語音信號樣本對應的多個原始語音特征塊；采用待訓練的語音識別模型對每個語音信號樣本對應的多個原始語音特征塊分別進行識別，得到每個語音信號樣本的預測文本序列；根據每個語音信號樣本對應的預測文本序列，對待訓練的語音識別模型進行訓練，直至達到預設停止條件，生成語音識別模型。由于該方法訓練過程中的語音識別模型進行語音識別是基于劃分好的特征塊進行，從而不再依賴整句輸入，使得訓練得到的語音識別模型能夠有效應用于流式的場景中。

技術領域

本公開涉及語音識別技術領域，尤其涉及一種語音識別模型的生成方法、裝置、電子設備及存儲介質，以及一種語音識別方法、裝置、電子設備及存儲介質。

背景技術

語音識別技術是通過算法將人類的語音轉化成相應文本的過程。近年來，基于深度學習的語音識別技術迅猛發展。語音識別系統無論從性能上還是魯棒性上都獲得了大幅提升，實際語音識別系統的識別率逐漸接近實用水平，無論是基于語音的產品還是創業公司，以及語音識別技術本身都如雨后春筍搬成長起來。

相關技術中，語音識別可以采用基于編解碼注意力機制的端到端模型，如LAS(Listen-Attend-Spell，一種語音識別模型)、Speech Transformer(一種語音識別模型)等。這些模型由三部分組成：編碼器encoder、解碼器decoder和注意力機制self-attention。編碼器和解碼器可以采用LSTM(Long Short-Term Memory，長短期記憶網絡)、CNN(Convolutional Neural Networks，卷積神經網絡)、DNN(Deep Neural Networks，深度神經網絡)、self-attention layer等一個或者多個的多層網絡，注意力機制常采用的有Multi-Head Attention(多頭注意力機制)、dot-product attention(點乘注意力)等多種機制。相關技術中，encoder-decoder包含self-attention的語音識別模型性能較佳，例如Speech Transformer。采用self-attention能夠有效建模上下文的長時和短時依賴，并且具有高計算速度和低資源消耗的優點。但是由于模型中self-attention和encoder-decoder注意力的計算依賴整句輸入，在需要實時給出識別結果的場景中比較受限。

發明內容

本公開提供一種語音識別模型的生成方法、裝置、電子設備及存儲介質，以及一種語音識別方法、裝置、電子設備及存儲介質，以至少解決相關技術中的語音識別模型依賴整句輸入，在需要實時給出識別結果的場景中比較受限的問題。本公開的技術方案如下：

根據本公開實施例的第一方面，提供一種語音識別模型的生成方法，包括：

對多個語音信號樣本各自對應的原始語音特征序列進行劃分，生成每個語音信號樣本對應的多個原始語音特征塊；

采用待訓練的語音識別模型對每個語音信號樣本對應的多個原始語音特征塊分別進行識別，得到每個語音信號樣本的預測文本序列；

根據每個語音信號樣本對應的預測文本序列，對待訓練的語音識別模型進行訓練，直至達到預設停止條件，生成語音識別模型。

在其中一個實施例中，采用待訓練的語音識別模型對每個語音信號樣本對應的多個原始語音特征塊分別進行識別，得到每個語音信號樣本的預測文本序列，包括：

對每個語音信號樣本對應的多個原始語音特征塊進行編碼，得到每個語音信號樣本對應的多個目標語音特征塊；

對每個目標語音特征塊進行解碼，得到每個目標語音特征塊對應的預測文本子序列；

根據每個目標語音特征塊對應的預測文本子序列，生成每個語音信號樣本的預測文本序列。