[發明專利]一種語音解碼方法、裝置、設備及存儲介質

在審

• 申請號: 202011271290.5
• 申請日: 2020-11-13
• 公開（公告）號: CN112562676A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 鄭曉明;李健;武衛東;陳明
• 申請（專利權）人: 北京捷通華聲科技股份有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G10L15/02;G10L15/28;G10L15/16;G10L19/00
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

本申請提供了一種語音解碼方法、裝置、設備及存儲介質，涉及語音識別技術領域。將待識別語音的韻律信息加入到有限狀態轉換器的解碼過程中，以使在有限狀態轉換器中可以結合韻律信息，避免錯誤的搜索路徑，進而提高語音識別的識別準確率和實時率。預測待識別語音的韻律信息；將預測的韻律信息標記在與所述待識別語音對應的音頻幀序列上，得到攜帶韻律信息的音頻幀序列；將所述待識別語音的聲學特征輸入聲學模型，得到所述待識別語音的多個音素后驗概率；根據所述攜帶韻律信息的音頻幀序列，依次對所述待識別語音的多個音素后驗概率進行解碼，得到所述待識別語音的對應文本。

技術領域

本申請涉及語音識別技術領域，特別是涉及一種語音解碼方法、裝置、設備及存儲介質。

背景技術

語音識別(Automatic Speech Recognition，ASR)是一項研究如何將人類說話的聲音識別轉換為文本的技術，其廣泛應用于語音撥號、語音導航、室內設備控制、語音文檔檢索、簡單的聽寫數據錄入等服務中。

聲學模型(AM Acoustic Model)是對聲學、語音學、環境的變量、說話人性別、口音等的差異的知識表示。

有限狀態轉換器(HCLG)是一個從上下文相關音素子狀態到詞的轉換器，由語言模型(G)，發音詞典(L)，上下文相關信息(C)，隱馬爾可夫模型(H)四個部分構建得到。

在語音識別中，先提取語音音頻的聲學特征，將聲學特征輸入聲學模型，再根據聲學模型的輸出在有限狀態轉換器中進行路徑搜索，解碼得到相應的文本。但在有限狀態轉換器的解碼過程中，進行路徑搜索的依據只有聲學模型的輸出，從而造成在有限狀態轉換器中的整個解碼過程與聲音無關，導致解碼過程識別準確率不高，解碼過程識別速率較低。

發明內容

本申請實施例提供一種語音解碼方法、裝置、設備及存儲介質，將待識別語音的韻律信息加入到有限狀態轉換器的解碼過程中，以使在有限狀態轉換器中可以結合韻律信息，避免錯誤的搜索路徑，進而提高語音識別的識別準確率和實時率。

本申請實施例第一方面提供一種語音解碼方法，所述方法包括：

預測待識別語音的韻律信息；

將預測的韻律信息標記在與所述待識別語音對應的音頻幀序列上，得到攜帶韻律信息的音頻幀序列；

將所述待識別語音的聲學特征輸入聲學模型，得到所述待識別語音的多個音素后驗概率；

根據所述攜帶韻律信息的音頻幀序列，依次對所述待識別語音的多個音素后驗概率進行解碼，得到所述待識別語音的對應文本。

可選地，根據所述攜帶韻律信息的音頻幀序列，依次對所述待識別語音的多個音素后驗概率進行解碼，得到所述待識別語音的對應文本，包括：

依次確定所述待識別語音的多個音素后驗概率對應的當前音頻幀；

在所述攜帶韻律信息的音頻幀序列中獲取所述當前音頻幀的韻律信息；

根據所述當前音頻幀的韻律信息，對所述當前音頻幀對應的音素后驗概率進行解碼，得到所述當前音頻幀對應的音素后驗概率的對應文本。

可選地，所述方法還包括：

獲得音頻樣本，并對所述音頻樣本中的每個音頻幀標記韻律詞的邊界位置；

將標記有韻律詞的邊界位置的音頻樣本輸入預設模型，對所述預設模型進行訓練；

將經過多次訓練后的預設模型確定為韻律預測模型；

預測待識別語音的韻律信息，包括：

將所述待識別語音和所述聲學特征輸入所述韻律預測模型，得到所述待識別語音中的一個或多個韻律詞的邊界位置。