[發明專利]語音自適應識別方法、系統、設備及存儲介質

在審

• 申請號: 202111482314.6
• 申請日: 2021-12-06
• 公開（公告）號: CN114187900A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 郭武;丁楓林
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/07;G10L15/16
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;韓珂

本發明公開了一種語音自適應識別方法、系統、設備及存儲介質，解決了語音識別聲學建模的在線說話人自適應問題，通過引入一個輔助網絡(即多個基于注意力的門控縮放自適應層構成網絡)實現對主網絡(即聲學模型)的自適應學習，同時，輔助網絡采用自注意力機制可以學習更加區分性的說話人個性特征，從而提升識別率。

技術領域

本發明涉及語音信號處理技術領域，尤其涉及一種語音識別方法、系統、設備及存儲介質。

背景技術

近年來，隨著神經網絡在語音識別領域中的廣泛應用，語音識別系統的性能得到了顯著的改善。目前主流的語音識別系統主要有兩種，一種是基于HMM的語音識別系統(Graves A,Fernández S,Gomez F,et al.Connectionist temporal classification:labelling unsegmented sequence data with recurrent neural networks[C]//Proceedings of the 23rd international conference on Machine learning.ACM,2006:369-376.)，另一種則是端到端語音識別系統(Maas A,Xie Z,Jurafsky D,etal.Lexicon-free conversational speech recognition with neural networks[C]//Proceedings of the 2015 Conference of the North American Chapter of theAssociation for Computational Linguistics:Human Language Technologies.2015:345-354.)。相比于基于HMM的語音識別系統，端到端語音識別系統結構更加簡單，通過神經網絡直接把輸入語音特征序列轉化成文字序列，不需要HMM系統的一套發音詞典、決策樹、字級別標注對齊信息，由于其實現簡單且性能優異，因此成為了當前研究的熱點。

端到端語音識別的首次實現是谷歌的Alex Graves和多倫多大學的NavdeepJaitly將鏈接時序分類(ConnectionistTemporal Classification，CTC)準則引入到語音識別系統中(GRAVES A,JAITLY N.Towards end-to-end speech recognition withrecurrent neural networks[C]//International conference on machinelearning.PMLR,2014:1764-1772.)。CTC本質上是一個損失函數，但它在計算損失時解決了硬對齊問題，最初被提出用來解決序列到序列的預測任務(GRAVES A,S,GOMEZ F,et al.Connectionist temporal classification:labelling unsegmentedsequence data with recurrent neural networks[C]//Proceedings of the 23rdinternational conference on Machine learning.2006:369-376.)。語音識別作為一個典型的語音序列到文本序列的預測任務，CTC準則的引入成功實現了直接由輸入語音映射到文本標簽的過程。在結合RNN或卷積神經網絡(Convolutional Neural Network，CNN)對時序信息進行建模的情況下，CTC準則被廣泛的應用到語音識別系統中(LI J,YE G,DAS A,et al.Advancing acoustic-to-word CTC model[C]//2018IEEE InternationalConference on Acoustics,Speech and Signal Processing(ICASSP).IEEE,2018:5794-5798.)。