[發明專利]語音識別方法、裝置、計算機可讀介質及電子設備

在審

• 申請號: 202011280315.8
• 申請日: 2020-11-16
• 公開（公告）號: CN113421551A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 林炳懷;王麗園
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/06;G10L15/183
• 代理公司: 深圳市隆天聯鼎知識產權代理有限公司 44232
• 代理人: 葉虹

本申請屬于人工智能技術領域，具體涉及一種語音識別方法、裝置、介質及電子設備。該方法包括：獲取待識別語音數據以及與待識別語音數據相對應的語音參考文本；對待識別語音數據進行特征提取得到待識別語音數據的語音解碼特征，并根據語音解碼特征預測待識別語音數據的第一文本概率分布；對語音參考文本進行特征提取得到語音參考文本的文本編碼特征，并根據文本編碼特征與語音解碼特征的相似度預測待識別語音數據的第二文本概率分布；對第一文本概率分布和第二文本概率分布進行融合處理得到待識別語音數據的綜合文本概率分布；根據綜合文本概率分布從候選文本中選取作為待識別語音數據的語音識別結果的目標文本。該方法可以提高語音識別準確性。

技術領域

本申請屬于人工智能技術領域，具體涉及一種語音識別方法、語音識別裝置、計算機可讀介質以及電子設備。

背景技術

隨著計算機和網絡技術的發展，語音識別技術得到了廣泛的普及和應用。基于語音識別技術，計算機可以通過識別和理解過程把語音數據轉變為相應的文本數據或者其他類型的數據進行輸出，例如可以實現基于語音的文本錄入、機器翻譯等應用。

傳統的語音識別技術需要訓練配合使用的聲學模型和語言模型，聲學模型可以將語音數據拆分為音素并確定對應的詞表，語言模型可以最終將語音數據映射至對應的文字，達到識別語音內容的效果。然而，由于受到訓練樣本的數量限制，傳統的語音識別技術通常只有在指定的場景和領域中才能發揮作用，而在其他未經訓練的場景中往往無法進行準確識別，難以獲得廣泛的適用性。

發明內容

本申請的目的在于提供一種語音識別方法、語音識別裝置、計算機可讀介質以及電子設備，至少在一定程度上克服相關技術中存在的語音識別準確性低、普遍適用性差等技術問題。

本申請的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本申請的實踐而習得。

根據本申請實施例的一個方面，提供一種語音識別方法，該方法包括：獲取待識別語音數據以及與所述待識別語音數據相對應的語音參考文本；對所述待識別語音數據進行特征提取得到所述待識別語音數據的語音解碼特征，并根據所述語音解碼特征預測所述待識別語音數據的第一文本概率分布；對所述語音參考文本進行特征提取得到所述語音參考文本的文本編碼特征，并根據所述文本編碼特征與所述語音解碼特征的相似度預測所述待識別語音數據的第二文本概率分布；對所述第一文本概率分布和所述第二文本概率分布進行融合處理得到所述待識別語音數據的綜合文本概率分布；根據所述綜合文本概率分布從候選文本中選取作為所述待識別語音數據的語音識別結果的目標文本。

根據本申請實施例的一個方面，提供一種語音識別裝置，該裝置包括：數據獲取模塊，被配置為獲取待識別語音數據以及與所述待識別語音數據相對應的語音參考文本；語音解碼模塊，被配置為對所述待識別語音數據進行特征提取得到所述待識別語音數據的語音解碼特征，并根據所述語音解碼特征預測所述待識別語音數據的第一文本概率分布；文本編碼模塊，被配置為對所述語音參考文本進行特征提取得到所述語音參考文本的文本編碼特征，并根據所述文本編碼特征與所述語音解碼特征的相似度預測所述待識別語音數據的第二文本概率分布；概率融合模塊，被配置為對所述第一文本概率分布和所述第二文本概率分布進行融合處理得到所述待識別語音數據的綜合文本概率分布；文本選取模塊，被配置為根據所述綜合文本概率分布從候選文本中選取作為所述待識別語音數據的語音識別結果的目標文本。

在本申請的一些實施例中，基于以上技術方案，所述概率融合模塊包括：特征融合單元，被配置為根據所述第二文本概率分布對所述文本編碼特征進行加權融合得到所述語音參考文本的融合編碼特征；系數確定單元，被配置為對所述融合編碼特征和所述語音解碼特征進行映射處理得到用于對所述第一文本概率分布和所述第二文本概率分布進行加權融合的權重系數；概率融合單元，被配置為根據所述權重系數對所述第一文本概率分布和所述第二文本概率分布進行加權融合得到所述待識別語音數據的綜合文本概率分布。