[發(fā)明專利]語(yǔ)音識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110659669.1
• 申請(qǐng)日: 2021-06-15
• 公開（公告）號(hào): CN113257239B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 陳誠(chéng);黃石磊;程剛
• 申請(qǐng)（專利權(quán)）人: 深圳市北科瑞聲科技股份有限公司
• 主分類號(hào): G10L15/16
• 分類號(hào): G10L15/16;G10L19/16
• 代理公司: 深圳智匯遠(yuǎn)見知識(shí)產(chǎn)權(quán)代理有限公司 44481
• 代理人: 劉潔;牛悅涵

本申請(qǐng)涉及人工智能技術(shù)領(lǐng)域，揭露了一種語(yǔ)音識(shí)別方法，所述方法包括：獲取待處理語(yǔ)音數(shù)據(jù)流，所述待處理語(yǔ)音數(shù)據(jù)流包含多個(gè)語(yǔ)音單元數(shù)據(jù)；通過集成神經(jīng)網(wǎng)絡(luò)依次將多個(gè)所述語(yǔ)音單元數(shù)據(jù)進(jìn)行編碼，并在得到任意一所述語(yǔ)音單元數(shù)據(jù)的編碼數(shù)據(jù)之后，實(shí)時(shí)將所述編碼數(shù)據(jù)輸入至與所述集成神經(jīng)網(wǎng)絡(luò)分開部署的解碼器進(jìn)行解碼，以得到多個(gè)所述語(yǔ)音單元數(shù)據(jù)的語(yǔ)音識(shí)別結(jié)果。此外，本申請(qǐng)還涉及一種語(yǔ)音識(shí)別裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。本申請(qǐng)可以提高語(yǔ)音識(shí)別的速度。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種語(yǔ)音識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)的普及，在客戶端和服務(wù)器端產(chǎn)生的數(shù)據(jù)越來(lái)越多，這些數(shù)據(jù)包括文本類型的數(shù)據(jù)和非文本類型的數(shù)據(jù)，如語(yǔ)音數(shù)據(jù)。實(shí)際應(yīng)用中常需要對(duì)這些非文本類型的數(shù)據(jù)進(jìn)行識(shí)別，例如，語(yǔ)音識(shí)別。通過語(yǔ)音識(shí)別可以將語(yǔ)音中的信息轉(zhuǎn)換為文本信息，進(jìn)而進(jìn)行自然語(yǔ)言處理或者是人機(jī)交互等操作。當(dāng)需要識(shí)別的語(yǔ)音數(shù)據(jù)比較多時(shí)，若無(wú)法快速獲取到語(yǔ)音識(shí)別結(jié)果，將影響語(yǔ)音識(shí)別的后續(xù)操作，如影響自然語(yǔ)音處理的結(jié)果（如無(wú)法快速識(shí)別用戶意圖）或者影響人機(jī)交互的效率（如無(wú)法快速根據(jù)用戶發(fā)出的語(yǔ)音信息執(zhí)行相應(yīng)控制操作）。因此，亟需一種提高語(yǔ)音識(shí)別的速度的技術(shù)方案。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題或者至少部分地解決上述技術(shù)問題，本申請(qǐng)?zhí)峁┝艘环N語(yǔ)音識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

第一方面，本申請(qǐng)?zhí)峁┝艘环N語(yǔ)音識(shí)別方法，所述方法包括：

獲取待處理語(yǔ)音數(shù)據(jù)流，所述待處理語(yǔ)音數(shù)據(jù)流包含多個(gè)語(yǔ)音單元數(shù)據(jù)；

通過集成神經(jīng)網(wǎng)絡(luò)依次將多個(gè)所述語(yǔ)音單元數(shù)據(jù)進(jìn)行編碼，并在得到任意一所述語(yǔ)音單元數(shù)據(jù)的編碼數(shù)據(jù)之后，實(shí)時(shí)將所述編碼數(shù)據(jù)輸入至與所述集成神經(jīng)網(wǎng)絡(luò)分開部署的解碼器進(jìn)行解碼，以得到多個(gè)所述語(yǔ)音單元數(shù)據(jù)的語(yǔ)音識(shí)別結(jié)果。

可選地，所述通過集成神經(jīng)網(wǎng)絡(luò)依次將多個(gè)所述語(yǔ)音單元數(shù)據(jù)進(jìn)行編碼，包括：

提取多個(gè)所述語(yǔ)音單元數(shù)據(jù)的語(yǔ)音標(biāo)識(shí)信息和位置信息；

將所述語(yǔ)音標(biāo)識(shí)信息和所述位置信息進(jìn)行組合，得到多個(gè)所述語(yǔ)音單元數(shù)據(jù)的語(yǔ)音單元特征；

通過集成神經(jīng)網(wǎng)絡(luò)依次將多個(gè)所述語(yǔ)音單元特征進(jìn)行編碼。

可選地，所述通過集成神經(jīng)網(wǎng)絡(luò)依次將多個(gè)所述語(yǔ)音單元特征進(jìn)行編碼，包括：

將第i個(gè)所述語(yǔ)音單元特征輸入至所述集成神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，其中i的初始值為1，i為正整數(shù)；

當(dāng)?shù)玫剿黾缮窠?jīng)網(wǎng)絡(luò)輸出的第i個(gè)所述語(yǔ)音單元特征的編碼數(shù)據(jù)時(shí)，令i=i+1，再次執(zhí)行所述將第i個(gè)所述語(yǔ)音單元特征輸入至所述集成神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼的操作。

可選地，當(dāng)所述集成神經(jīng)網(wǎng)絡(luò)部署于客戶端，則所述解碼器部署于服務(wù)器，或者當(dāng)所述集成神經(jīng)網(wǎng)絡(luò)部署于CPU，則所述解碼器部署于GPU。

可選地，所述解碼器的數(shù)量為多個(gè)，所述將所述編碼數(shù)據(jù)輸入至與所述集成神經(jīng)網(wǎng)絡(luò)分開部署的解碼器進(jìn)行解碼包括：

根據(jù)分配算法從多個(gè)所述解碼器中確定目標(biāo)解碼器；

將所述編碼數(shù)據(jù)輸入至所述目標(biāo)解碼器進(jìn)行解碼。

可選地，所述集成神經(jīng)網(wǎng)絡(luò)為Transformer模型中的編碼單元，所述解碼器為所述Transformer模型中的解碼單元。

可選地，所述根據(jù)分配算法從多個(gè)所述解碼器中確定目標(biāo)解碼器，包括：

檢測(cè)各個(gè)所述解碼器的網(wǎng)絡(luò)傳輸狀態(tài)、負(fù)載量和歷史處理狀況；

將所述網(wǎng)絡(luò)傳輸狀態(tài)、所述負(fù)載量和所述歷史處理狀況輸入至已訓(xùn)練的馬爾可夫模型，得到各個(gè)所述解碼器的處理速度預(yù)測(cè)值；