[發明專利]一種語音識別方法、裝置及設備

有效

• 申請號: 202011623207.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112820281B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 陳孝良;馮大航;焦偉;常樂
• 申請（專利權）人: 北京聲智科技有限公司
• 主分類號: G10L15/14
• 分類號: G10L15/14;G10L15/02
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜;黃燦

本發明提供一種語音識別方法、裝置及設備，該方法包括：獲取待識別語音；利用聲學模型和預先構建的目標解碼模型，對待識別語音進行識別，得到識別結果，其中，識別結果包括音素序列、文本和音素時間點信息，目標解碼模型為隱馬爾可夫模型HMM與CLG結合的解碼模型，CLG為音素模型、發音詞典和語言模型組合形成的模型，CLG的每條輸出實邊對應一個音素，HMM中建立有HMM狀態與音素的對應關系；依據識別結果，確定文本中每個詞的時間點信息；輸出文本和時間點信息。這樣，通過預先構建的HMM與CLG結合的解碼模型，可識別得到待識別語音中每個發音音素的時間點信息，進而可基于已識別文本中每個詞對應的音素的時間點信息，準確地確定每個詞的時間點信息。

技術領域

本發明涉及語音處理技術領域，尤其涉及一種語音識別方法、裝置及設備。

背景技術

隨著語音識別技術的不斷普及，語音識別技術的應用場景也越來越多。在一些場景下，語音識別系統不僅需要提供識別結果，還需要提供每個詞的時間點，比如多少毫秒到多少毫秒之間，對應的是某個詞。

相關技術中，通常是將解碼過程中出詞的時間點作為這個詞的結束時間點，該詞的開始時間點則為上一個詞的結束時間點。然而，由于解碼模型(解碼圖構)建過程中會對解碼模型做很多優化處理，導致在解碼模型中出詞的時間點，很大概率并不是這個詞真正結束的時間點。因此，相關語音識別技術中識別的詞的時間點會存在一定誤差，準確度不高。

發明內容

本發明實施例提供一種語音識別方法、裝置及設備，以解決相關語音識別技術中識別的詞的時間點會存在一定誤差，準確度不高的問題。

為解決上述技術問題，本發明是這樣實現的：

第一方面，本發明實施例提供了一種語音識別方法，包括：

獲取待識別語音；

利用聲學模型和預先構建的目標解碼模型，對所述待識別語音進行識別，得到識別結果，其中，所述識別結果包括音素序列、文本和音素時間點信息，所述目標解碼模型為隱馬爾可夫模型(Hidden Markov Model，HMM)與CLG結合的解碼模型，所述CLG為音素模型、發音詞典和語言模型組合形成的模型，所述CLG的每條輸出實邊對應一個音素，所述HMM中建立有HMM狀態與音素的對應關系；

依據所述識別結果，確定所述文本中每個詞的時間點信息；

輸出所述文本和所述時間點信息。

可選的，所述利用聲學模型和預先構建的目標解碼模型，對所述待識別語音進行識別，得到識別結果，包括：

對所述待識別語音進行音頻特征提取，并將提取的音頻特征輸入聲學模型，得到所述聲學模型輸出的HMM狀態信息；

利用預先構建的目標解碼模型，對所述HMM狀態信息進行解碼處理，得到所述CLG輸出的音素序列和文本，以及得到令牌中記錄的所述音素序列中每個音素的時間點信息，其中，所述令牌為所述解碼處理中使用的用于記錄每個音素對應的節點起止時間的數據結構。

可選的，所述利用預先構建的目標解碼模型，對所述HMM狀態信息進行解碼處理，包括：

基于所述目標解碼模型和所述HMM狀態信息，從所述CLG的開始節點開始擴展CLG輸出邊，并在每次擴展CLG輸出實邊的過程中，跳轉至所述HMM中以獲取當前節點的HMM狀態信息對應的目標音素，并在獲取所述目標音素后跳回所述CLG中；

使用當前節點對應的令牌記錄跳轉至所述HMM和跳回所述CLG的時間點信息，其中，所述跳轉至所述HMM和跳回所述CLG的時間點信息分別對應所述目標音素的起始時間和結束時間；

基于所擴展的CLG輸出實邊，確定所述CLG輸出的音素序列和文本。