[發明專利]實時語音識別方法及系統

有效

• 申請號: 202011207353.0
• 申請日: 2020-11-03
• 公開（公告）號: CN112259082B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 蔣子緣
• 申請（專利權）人: 思必馳科技股份有限公司
• 主分類號: G10L15/08
• 分類號: G10L15/08;G10L15/22
• 代理公司: 北京商專永信知識產權代理事務所(普通合伙) 11400
• 代理人: 黃謙;車江華

本發明實施例提供一種實時語音識別方法。該方法包括：在令牌傳遞過程中，確定采集到的實時語音中從第一幀到第N幀的每一幀的至少一個令牌；確定當前最佳識別結果路徑，當前最佳識別結果的路徑由第一幀到第N幀的至少N個令牌連接構成；選擇當前最佳識別結果的路徑中第i幀中與第i+1幀有直接連接關系的令牌作為截斷令牌，從起始令牌到第i幀的截斷令牌構成的歷史令牌組中提取由多條識別結果的路徑構成的網格；從網格提取出從第一幀到第i幀的最佳識別結果的路徑。本發明實施例還提供一種實時語音識別系統。本發明實施例通過截斷令牌限制當前token的歷史路徑，提前固定識別結果，避免了長時間內沒有檢測到靜音而不能截斷識別并固定結果。

技術領域

本發明涉及語音識別領域，尤其涉及一種實時語音識別方法及系統。

背景技術

實時語音識別系統，通常應用于具有實時對話功能的智能設備，或者實時轉寫設備，這類智能設備有著較強的實時顯示需求。其實現的方式是持續送進音頻時，間隔一段時間取出當前最佳的識別結果。較長的音頻則依靠語音檢測的模塊，在發現靜音時及時結束識別，固定識別結果。

在實現本發明過程中，發明人發現相關技術中至少存在如下問題：

語音檢測模塊，在連續語音輸入情況下，會在很長的時間內沒有檢測到靜音而不能截斷識別并固定結果。使用更敏感的語音檢測模塊來進行更頻繁的識別截斷，往往增加識別上下文不合理的截斷，這會很大程度的降低識別準確性。此外連續輸入音頻的過程中，每一幀的最佳結果隨著音頻的輸入往往不止是增量地增長，而是有變動之前結果的可能。根據語言模型以及聲學模型的情況，較早之前的結果也可能變動。在一些應用場景下 ,比如實時語音轉寫，這樣的情況會給用戶帶來造成不好的觀感。

發明內容

為了至少解決現有技術中很長的時間內沒有檢測到靜音而不能截斷識別并固定結果，使得較早之前的識別結果發生變動，由于過后的內容，影響了較早的識別內容，有些情況下可能會發生錯誤的變動的問題。

第一方面，本發明實施例提供一種實時語音識別方法，包括：

在令牌傳遞過程中，確定采集到的實時語音中的從第一幀到第N幀的每一幀的至少一個令牌，其中，所述令牌傳遞時起始的令牌為起始令牌；

基于所述每一幀的各個令牌的狀態概率，確定當前最佳識別結果的路徑，所述當前最佳識別結果的路徑由第一幀到第N幀的至少N個令牌連接構成；

選擇所述當前最佳識別結果的路徑中第i幀中與第i+1幀有直接連接關系的令牌作為截斷令牌，從所述起始令牌到第i幀的所述截斷令牌構成的歷史令牌組中提取由多條識別結果的路徑構成的網格；

從所述網格提取出從第一幀到第i幀的最佳識別結果的路徑。

第二方面，本發明實施例提供一種實時語音識別系統，包括：

令牌確定程序模塊，用于在令牌傳遞過程中，確定采集到的實時語音中的從第一幀到第N幀的每一幀的至少一個令牌，其中，所述令牌傳遞時起始的令牌為起始令牌；

最佳路徑確定程序模塊，用于基于所述每一幀的各個令牌的狀態概率，確定當前最佳識別結果的路徑，所述當前最佳識別結果的路徑由第一幀到第N幀的至少N個令牌連接構成；

截斷程序模塊，用于選擇所述當前最佳識別結果的路徑中第i幀中與第i+1幀有直接連接關系的令牌作為截斷令牌，從所述起始令牌到第i幀的所述截斷令牌構成的歷史令牌組中提取由多條識別結果的路徑構成的網格；

識別程序模塊，用于從所述網格提取出從第一幀到第i幀的最佳識別結果的路徑。

第三方面，提供一種電子設備，其包括：至少一個處理器，以及與所述至少一個處理器通信連接的存儲器，其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行本發明任一實施例的實時語音識別方法的步驟。