[發(fā)明專利]語音識別處理方法、裝置及電子設(shè)備在審
| 申請?zhí)枺?/td> | 202011497900.3 | 申請日： | 2020-12-17 |
| 公開（公告）號： | CN114648979A | 公開（公告）日： | 2022-06-21 |
| 發(fā)明（設(shè)計）人： | 趙冬迪;李錦珂;朱磊;盧璐;聶再清 | 申請（專利權(quán)）人： | 阿里巴巴集團控股有限公司 |
| 主分類號： | G10L15/02 | 分類號： | G10L15/02;G10L15/06;G10L15/26;G10L21/02;G10L21/0216;G10L25/30 |
| 代理公司： | 北京市惠誠律師事務(wù)所 11353 | 代理人： | 劉子敬 |
| 地址： | 開曼群島英屬開曼群島*** | 國省代碼： | 暫無信息 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 語音 識別 處理 方法 裝置 電子設(shè)備 | ||
1.一種語音識別處理方法，包括：
基于濾波模型，對多個通道的原始聲音信號進行語音特征提取，生成多個方向的語音特征數(shù)據(jù)；
基于池化網(wǎng)絡(luò)模型，對多個方向的語音特征數(shù)據(jù)進行以語音增強為目的池化處理，生成多方向融合的語音特征數(shù)據(jù)；
基于語音識別模型，對多方向融合的語音特征數(shù)據(jù)進行語音識別，生成識別文本，其中，所述濾波模型、池化網(wǎng)絡(luò)模型以及語音識別模型整體上采用端到端的模型架構(gòu)。
2.根據(jù)權(quán)利要求1所述的方法，其中，所述濾波模型包括與多個方向?qū)?yīng)的空間濾波模型和用于語音特征提取的頻域濾波模型，所述對多個通道的原始聲音信號進行語音特征提取，生成多個方向的語音特征數(shù)據(jù)包括：
使用所述空間濾波模型，對所述多個通道的原始聲音信號進行空間濾波處理，生成多個方向的音頻數(shù)據(jù)；
使用所述頻域濾波模型，對所述多個方向的音頻數(shù)據(jù)進行語音特征提取，生成多個方向的語音特征數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的方法，其中，對多個方向的語音特征數(shù)據(jù)進行以語音增強為目的池化處理，生成多方向融合的語音特征數(shù)據(jù)包括：
對多個方向的語音特征數(shù)據(jù)進行最大池化處理，生成多方向融合的語音特征數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的方法，其中，對多個方向的語音特征數(shù)據(jù)進行以語音增強為目的池化處理，生成多方向融合的語音特征數(shù)據(jù)包括：
對多個方向的語音特征數(shù)據(jù)進行基于注意力機制的加權(quán)平均池化處理，生成多方向融合的語音特征數(shù)據(jù)，其中，所述加權(quán)平均池化處理使用的池化權(quán)重系數(shù)，與所述濾波模型的模型參數(shù)和所述語音識別模型的模型參數(shù)通過模型整體訓(xùn)練而確定。
5.根據(jù)權(quán)利要求1所述的方法，其中，在所述語音識別模型中嵌入語言模型，所述對多方向融合的語音特征數(shù)據(jù)進行語音識別，生成識別文本包括：
對多方向融合的語音特征數(shù)據(jù)進行語音識別，生成多個候選識別文本；
使用所述語言模型對候選識別文本進行輔助篩選，確定最終的識別文本。
6.根據(jù)權(quán)利要求1所述的方法，其中，所述原始聲音信號包括多個聲音切片，所述方法還包括：
對多方向融合的語音特征數(shù)據(jù)，附加各個語音切片的在時間維度上的位置編碼。
7.根據(jù)權(quán)利要求1所述的方法，其中，所述語音識別模型包括Transformer編碼器和Transformer解碼器。
8.根據(jù)權(quán)利要求1所述的方法，其中，還包括：
使用指定環(huán)境中的原始聲音信號和對應(yīng)識別文本作為訓(xùn)練數(shù)據(jù)，對所述濾波模型、池化網(wǎng)絡(luò)模型以及語音識別模型進行整體訓(xùn)練。
9.一種語音識別處理裝置，包括：
語音特征提取模塊，用于基于濾波模型對多個通道的原始聲音信號進行語音特征提取，生成多個方向的語音特征數(shù)據(jù)；
池化處理模塊，用于基于池化網(wǎng)絡(luò)模型對多個方向的語音特征數(shù)據(jù)進行以語音增強為目的池化處理，生成多方向融合的語音特征數(shù)據(jù)；
語音識別模塊，用于基于語音識別模型對多方向融合的語音特征數(shù)據(jù)進行語音識別，生成識別文本，其中，所述濾波模型、池化網(wǎng)絡(luò)模型以及語音識別模型整體上采用端到端的模型架構(gòu)。
10.根據(jù)權(quán)利要求9所述的裝置，其中，述濾波模型包括與多個方向?qū)?yīng)的空間濾波模型和用于語音特征提取的頻域濾波模型，所述對多個通道的原始聲音信號進行語音特征提取，生成多個方向的語音特征數(shù)據(jù)包括：
使用所述空間濾波模型，對所述多個通道的原始聲音信號進行空間濾波處理，生成多個方向的音頻數(shù)據(jù)；
使用所述頻域濾波模型，對所述多個方向的音頻數(shù)據(jù)進行語音特征提取，生成多個方向的語音特征數(shù)據(jù)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于阿里巴巴集團控股有限公司，未經(jīng)阿里巴巴集團控股有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011497900.3/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
