[發明專利]語音識別方法、系統、裝置及介質

有效

• 申請號: 202110470132.0
• 申請日: 2021-04-28
• 公開（公告）號: CN113299283B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 白蒙蒙
• 申請（專利權）人: 上海淇玥信息技術有限公司
• 主分類號: G10L15/14
• 分類號: G10L15/14;G10L15/26;G10L15/18
• 代理公司: 北京清誠知識產權代理有限公司 11691
• 代理人: 喻穎

本發明涉及語音識別領域，針對現有的語音識別、計算資源浪費、多個模型間無法實現熱切換、單一領域模型不適應長對話識別等缺陷，提出了本發明的語音識別方法、系統、裝置及介質，旨在解決如何基于深度學習的動態語言模型根據領域信息，提供不同領域的語音識別服的技術問題。為此，本發明的方法通過構建的語音識別模型在預測過程中結合語料領域信息的利用，提供了適用于多領域有效熱切換、長對話的語音識別服務，改進了現有語音識別服務性能，有效減少資源浪費，適合不同領域交叉、長對話的正確識別，實現識別熱切換，且實現簡單操作容易成本低效率高。

技術領域

本發明涉及語音識別領域，具體而言，涉及一種語音識別方法、系統、裝置及介質。

背景技術

在語音識別中，其主要流程一般是用聲學模型識別出一段語音的聲學特征，再由語言模型根據聲學特征翻譯出對應的文字。由于存在同音異字的情況，會區分不同的應用場景而訓練不同的語言模型，使其能適應特定領域場景。如圖1所示：待識別語音轉換成對應聲學模型的單元(例子中的拼音、音調序號等)，通過聲學模型提取聲學特征，例如將聲學模型識別語音得到的聲學特征“jian3 yi4 gong1 zuo4”，進而，用某通用語言模型翻譯出來可以是“簡易工作”，而某防疫語言模型翻譯出來則可以是“檢疫工作”。由此，為了能提供許多領域的支持，必須需要訓練眾多的語言模型而且利用眾多的服務器來提供服務支持。進而，就需要如圖2所示的方式，由前端的判斷邏輯來確定應該調用后端的諸多服務器(即相應的適用于不同領域/不同場景的不同模型)中哪個特定的服務器端口i進行服務，并由后端輸出準確的與領域/場景匹配的翻譯的結果。

而上述現有技術采用的方式，往往存在諸多缺陷，例如：1、服務成本大，比如一個服務引擎就至少需求2C4G的配置，考慮并發量，一個領域的語言模型或許不僅僅一個服務器；2、計算資源浪費現象，比如所有領域的調用量都并不會相同，有些調用少，有些則會多，這樣，調用量少的語言模型，其部署的計算資源會顯得十分浪費；3、無法實現熱切換語言模型，比如當想讓冷門領域語言模型切換提供熱門領域時，需要人工維護，致使人工成本較大；4、往往單一領域模型并不能適應長對話識別任務。

發明內容

針對現有技術中的上述缺陷，本發明提供了一種語音識別方法、系統、裝置及介質的技術方案，旨在解決如何通過基于深度學習的動態語言模型實現適應不同領域識別服務的技術問題；進一步，還可以解決根據領域信息和/或判斷已有對話的領域信息為不同領域提供通過基于深度學習的動態語言模型進行的識別服務從而減少過多服務器部署的問題；再進一步，還可以解決減少計算資源浪費、減少人工成本、并且有效為長對話識別提供不同領域的識別結果等技術問題。

為了解決上述技術問題，本發明第一方面提出一種語音識別方法，包括：根據語音識別服務請求，獲得待識別語音的聲學特征以及對應所述聲學特征的領域信息；基于深度學習的動態語言模型切換到所述領域信息對應的領域對所述聲學特征進行識別，以確定所述待識別語音對應的文本識別結果。

優選地，所述根據語音識別服務請求，獲得待識別語音的聲學特征以及對應所述聲學特征的領域信息，具體包括：在一次服務請求中，將所述待識別語音轉換為聲學模型對應的單元以構建當前一句話的語料作為所述聲學特征；根據語料的領域分類，判斷所述當前一句話的語料所屬的領域，作為對應所述聲學特征的所述領域信息。

優選地，所述語音識別服務請求包括：長對話識別的一次服務請求，和/或，單句識別的一次服務請求；根據語料的領域分類，判斷所述當前一句話的語料所屬的領域，作為對應所述聲學特征的所述領域信息，具體包括：當所述語音識別服務請求為單句識別的一次服務請求時，直接根據語料的領域分類，判斷所述當前一句話的語料所屬的領域；和/或，當所述語音識別服務請求為長對話識別的一次服務請求時，先根據上一句話的識別信息對所述當前一句話的語料的第一特征進行提取，融合所述第一特征與從所述當前一句話的語料直接提取的特征后，再根據語料的領域分類，判斷所述當前一句話的語料所屬的領域；其中，上一句話指所述當前一句話之前的一句話。