[發(fā)明專利]語(yǔ)音處理方法、裝置和電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202110470941.1
• 申請(qǐng)日: 2021-04-28
• 公開（公告）號(hào): CN114038465B
• 公開（公告）日: 2022-08-23
• 發(fā)明（設(shè)計(jì)）人: 董林昊;蔡猛;馬澤君
• 申請(qǐng)（專利權(quán)）人: 北京有竹居網(wǎng)絡(luò)技術(shù)有限公司
• 主分類號(hào): G10L15/26
• 分類號(hào): G10L15/26
• 代理公司: 泰和泰律師事務(wù)所 51219
• 代理人: 祝海燕

本公開實(shí)施例公開了語(yǔ)音處理方法、裝置和電子設(shè)備。該方法的一具體實(shí)施方式包括：接收待識(shí)別的語(yǔ)音塊作為當(dāng)前語(yǔ)音塊，其中，語(yǔ)音塊包括過去幀、當(dāng)前幀和將來幀；基于當(dāng)前語(yǔ)音塊，執(zhí)行如下語(yǔ)音識(shí)別步驟：基于當(dāng)前語(yǔ)音塊進(jìn)行語(yǔ)音識(shí)別，得到當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果和將來幀的語(yǔ)音識(shí)別結(jié)果；確定是否存在當(dāng)前語(yǔ)音塊的前一個(gè)語(yǔ)音塊；若存在，則利用當(dāng)前語(yǔ)音塊的當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果對(duì)目標(biāo)識(shí)別結(jié)果進(jìn)行更新；輸出當(dāng)前語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果。該實(shí)施方式可以降低語(yǔ)音識(shí)別結(jié)果的輸出延遲。

技術(shù)領(lǐng)域

本公開實(shí)施例涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體涉及語(yǔ)音處理方法、裝置和電子設(shè)備。

背景技術(shù)

流式語(yǔ)音識(shí)別作為語(yǔ)音產(chǎn)品的重要應(yīng)用場(chǎng)景之一，對(duì)高準(zhǔn)確度和低延遲均有著較強(qiáng)的要求。為了提升流式語(yǔ)音的識(shí)別準(zhǔn)確度，常使用雙向神經(jīng)網(wǎng)絡(luò)來進(jìn)行聲學(xué)建模。自注意力網(wǎng)絡(luò)(Self-Attention Networks，SAN)作為其中的一種，憑借計(jì)算并行性高、建模效果強(qiáng)的特點(diǎn)在語(yǔ)音產(chǎn)品中的使用日益增多。但在SAN的建模過程中，隨著利用的將來幀信息增多，其建模后的識(shí)別準(zhǔn)確度雖會(huì)相應(yīng)提升，但是識(shí)別延遲亦會(huì)相應(yīng)增加。如何在保證識(shí)別準(zhǔn)確度不變的情況下，能夠低延遲地產(chǎn)生識(shí)別結(jié)果，是基于SAN的流式語(yǔ)音識(shí)別產(chǎn)品中值得關(guān)注的技術(shù)問題。

發(fā)明內(nèi)容

提供該公開內(nèi)容部分以便以簡(jiǎn)要的形式介紹構(gòu)思，這些構(gòu)思將在后面的具體實(shí)施方式部分被詳細(xì)描述。該公開內(nèi)容部分并不旨在標(biāo)識(shí)要求保護(hù)的技術(shù)方案的關(guān)鍵特征或必要特征，也不旨在用于限制所要求的保護(hù)的技術(shù)方案的范圍。

本公開實(shí)施例提供了一種語(yǔ)音處理方法、裝置和電子設(shè)備，可以在保證識(shí)別準(zhǔn)確度不變的情況下，降低語(yǔ)音識(shí)別結(jié)果的輸出延遲。

第一方面，本公開實(shí)施例提供了一種語(yǔ)音處理方法，包括：接收待識(shí)別的語(yǔ)音塊作為當(dāng)前語(yǔ)音塊，其中，語(yǔ)音塊包括過去幀、當(dāng)前幀和將來幀；基于當(dāng)前語(yǔ)音塊，執(zhí)行如下語(yǔ)音識(shí)別步驟：基于當(dāng)前語(yǔ)音塊進(jìn)行語(yǔ)音識(shí)別，得到當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果和將來幀的語(yǔ)音識(shí)別結(jié)果；確定是否存在當(dāng)前語(yǔ)音塊的前一個(gè)語(yǔ)音塊，其中，前一個(gè)語(yǔ)音塊的當(dāng)前幀在當(dāng)前語(yǔ)音塊的當(dāng)前幀之前且與當(dāng)前語(yǔ)音塊的當(dāng)前幀相鄰；若存在，則利用當(dāng)前語(yǔ)音塊的當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果對(duì)目標(biāo)識(shí)別結(jié)果進(jìn)行更新，其中，目標(biāo)識(shí)別結(jié)果包括前一個(gè)語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果；輸出當(dāng)前語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果。

第二方面，本公開實(shí)施例提供了一種語(yǔ)音處理裝置，包括：接收單元，用于接收待識(shí)別的語(yǔ)音塊作為當(dāng)前語(yǔ)音塊，其中，語(yǔ)音塊包括過去幀、當(dāng)前幀和將來幀；識(shí)別單元，用于基于當(dāng)前語(yǔ)音塊，執(zhí)行如下語(yǔ)音識(shí)別步驟：基于當(dāng)前語(yǔ)音塊進(jìn)行語(yǔ)音識(shí)別，得到當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果和將來幀的語(yǔ)音識(shí)別結(jié)果；確定是否存在當(dāng)前語(yǔ)音塊的前一個(gè)語(yǔ)音塊，其中，前一個(gè)語(yǔ)音塊的當(dāng)前幀在當(dāng)前語(yǔ)音塊的當(dāng)前幀之前且與當(dāng)前語(yǔ)音塊的當(dāng)前幀相鄰；若存在，則利用當(dāng)前語(yǔ)音塊的當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果對(duì)目標(biāo)識(shí)別結(jié)果進(jìn)行更新，其中，目標(biāo)識(shí)別結(jié)果包括前一個(gè)語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果；輸出當(dāng)前語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果。

第三方面，本公開實(shí)施例提供了一種電子設(shè)備，包括：一個(gè)或多個(gè)處理器；存儲(chǔ)裝置，用于存儲(chǔ)一個(gè)或多個(gè)程序，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行，使得所述一個(gè)或多個(gè)處理器實(shí)現(xiàn)如第一方面所述的語(yǔ)音處理方法。

第四方面，本公開實(shí)施例提供了一種計(jì)算機(jī)可讀介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的語(yǔ)音處理方法的步驟。

本公開實(shí)施例提供的語(yǔ)音處理方法、裝置和電子設(shè)備，通過接收待識(shí)別的語(yǔ)音塊作為當(dāng)前語(yǔ)音塊；之后，基于上述當(dāng)前語(yǔ)音塊，執(zhí)行如下語(yǔ)音識(shí)別步驟：基于當(dāng)前語(yǔ)音塊進(jìn)行語(yǔ)音識(shí)別，得到當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果和將來幀的語(yǔ)音識(shí)別結(jié)果；確定是否存在當(dāng)前語(yǔ)音塊的前一個(gè)語(yǔ)音塊；若存在，則利用當(dāng)前語(yǔ)音塊的當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果對(duì)目標(biāo)識(shí)別結(jié)果進(jìn)行更新；輸出當(dāng)前語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果。通過這種方式，可以對(duì)當(dāng)前語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果進(jìn)行上屏呈現(xiàn)，并在接收到后一個(gè)語(yǔ)音塊的當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果之后，利用后一個(gè)語(yǔ)音塊的當(dāng)前幀的語(yǔ)音識(shí)別結(jié)果對(duì)當(dāng)前語(yǔ)音塊的將來幀的語(yǔ)音識(shí)別結(jié)果進(jìn)行更新，從而可以在保證識(shí)別準(zhǔn)確度不變的情況下，降低語(yǔ)音識(shí)別結(jié)果的輸出延遲。