[發明專利]語種識別方法、裝置、設備及存儲介質

在審

• 申請號: 202110593396.5
• 申請日: 2021-05-28
• 公開（公告）號: CN113327584A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 秦沖;魏韜;馬駿;王少軍
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G10L15/00
• 分類號: G10L15/00;G10L15/16;G10L15/06;G10L15/02
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 張傳義

1.一種語種識別方法，其特征在于，包括：

獲取樣本音頻和所述樣本音頻對應的音頻標簽；

對所述樣本音頻進行數據處理，得到所述樣本音頻對應的特征矩陣；

將所述特征矩陣輸入第一神經網絡，得到所述特征矩陣對應的幀內特征；

將所述特征矩陣輸入第二神經網絡，得到所述特征矩陣對應的幀間特征；

根據所述幀內特征和所述幀間特征進行邏輯回歸，以對所述樣本音頻進行語種識別，得到所述樣本音頻的預測類別；

基于所述樣本音頻的預測類別和所述音頻標簽對所述第一神經網絡和所述第二神經網絡進行迭代訓練，將訓練完成的第一神經網絡和訓練完成的第二神經網絡合并得到語種識別模型，并基于所述語種識別模型對待識別語音進行語種識別。

2.根據權利要求1所述的語種識別方法，其特征在于，所述將所述特征矩陣輸入第一神經網絡，得到所述特征矩陣對應的幀內特征，包括：

將所述特征矩陣輸入第一神經網絡，得到多個輸出特征，對多個所述輸出特征進行平均，得到幀內特征；或者

將所述特征矩陣輸入第一神經網絡，得到多個輸出特征，將多個所述輸出特征作為幀內特征。

3.根據權利要求1所述的語種識別方法，其特征在于，所述對所述樣本音頻進行數據處理，得到所述樣本音頻對應的特征矩陣，包括：

對所述樣本音頻進行音頻采樣，得到采樣信號，所述音頻采樣包括抽樣、量化和編碼；

對所述采樣信號進行預處理，得到預處理后的信號，所述預處理包括預加重、分幀、加窗中的至少一種；

對所述預處理后的信號進行特征提取，得到特征矩陣。

4.根據權利要求3所述的語種識別方法，其特征在于，所述對所述預處理后的信號進行特征提取，得到特征矩陣，包括：

對所述預處理后的信號進行傅里葉變換，得到頻域信號；

將所述頻域信號通過梅爾濾波器，并取對數功率，從而得到單幀特征；

基于所述頻域信號的幀數和所述單幀特征得到特征矩陣。

5.根據權利要求1所述的語種識別方法，其特征在于，所述根據所述幀內特征和所述幀間特征進行邏輯回歸，以對所述樣本音頻進行語種識別，得到所述樣本音頻的預測類別，包括：

對所述幀內特征和所述幀間特征進行拼接融合，得到拼接特征；

基于所述拼接特征進行邏輯回歸，對所述拼接特征對應的樣本音頻進行打分，以根據所述樣本音頻的得分確定所述樣本音頻的預測類別。

6.根據權利要求1所述的語種識別方法，其特征在于，所述方法還包括：

統計所述樣本音頻的識別正確的正確數量和所述樣本音頻的總數量，并給予所述正確數量和所述總數量計算所述樣本音頻的識別準確率；

若所述識別準確率大于或等于預設閾值，則完成對所述第一神經網絡和所述第二神經網絡的訓練；

其中，若所述樣本音頻的預測類別和所述樣本音頻的音頻標簽相同，則確定對所述樣本音頻的識別結果為識別正確。

7.根據權利要求1所述的語種識別方法，其特征在于，所述第一神經網絡包括使用一維空洞卷積神經網絡構建的五層編碼器，所述第二神經網絡包括使用一維空洞卷積神經網絡構建的五層編碼器和自回歸模型，其中，所述自回歸模型為隱藏層特征為256維度的前向傳播網絡。