CN111276134A - 语音识别方法、装置和计算机可读存储介质 - Google Patents
语音识别方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111276134A CN111276134A CN202010073073.9A CN202010073073A CN111276134A CN 111276134 A CN111276134 A CN 111276134A CN 202010073073 A CN202010073073 A CN 202010073073A CN 111276134 A CN111276134 A CN 111276134A
- Authority
- CN
- China
- Prior art keywords
- filter bank
- frame
- energy value
- voice data
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009499 grossing Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000009432 framing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000000873 masking effect Effects 0.000 claims description 19
- 238000009827 uniform distribution Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims 3
- 230000002708 enhancing effect Effects 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开一种语音识别方法、装置、电子设备和计算机可读存储介质。其中方法包括：对获取的语音数据进行分帧处理，得到多帧语音数据；获取第t帧语音数据中第f个时频的平滑后的第一滤波器组能量值的K个平滑参数；根据K个平滑参数确定第一滤波器组能量值；根据第一滤波器组能量值确定第t帧语音数据中第f个时频的归一化能量特征；根据各帧语音数据的归一化能量特征进行语音识别。本公开实施例通过获取第t帧语音数据中第f个时频的平滑后的第一滤波器组能量值的K个平滑参数，根据K个平滑参数确定第一滤波器组能量值，根据第一滤波器组能量值确定归一化能量特征，进而进行语音识别，可以提高语音识别的准确性低，进而提高语音唤醒的效果。
Description
技术领域
本公开涉及人工智能技术领域，特别是涉及一种语音识别方法、装置和计算机可读存储介质。
背景技术
随着科学技术的进步，几乎很多带有语音功能的设备，例如移动终端、机器人、可穿戴设备、智能家居、车载等，都会需要语音唤醒技术作为人和机器互动的一个开始或入口，为用户利用语音指令唤醒设备提供了方便。
在现有技术中，通常利用滤波器组(filter bank，简称FB)特征进行语音识别。在安静近场的场景下，filter bank特征每一个子带的能量都非常明显，这种特征符合人耳听力的特征，因此可以很好的应用于语音识别领域。然而，在噪声场景和远场场景下，filterbank特征的各个子带的能量会出现失衡，这就导致了语音识别的准确性低，影响语音唤醒的效果。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开解决的技术问题是提供一种语音识别方法，以至少部分地解决现有技术中语音识别准确性低，影响语音唤醒的效果的技术问题。此外，还提供一种语音识别装置、语音识别硬件装置、计算机可读存储介质和语音识别终端。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种语音识别方法，包括：
对获取的语音数据进行分帧处理，得到多帧语音数据；
获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数；
根据所述K个平滑参数确定所述第一滤波器组能量值；
根据所述第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征；
根据各帧语音数据对应的归一化能量特征进行语音识别。
进一步的，所述根据所述K个平滑参数确定所述第一滤波器组能量值，包括：
分别根据每个平滑参数确定对应的子滤波器组能量值，得到K个子滤波器组能量值；其中，每个平滑参数均对应一个子滤波器组能量值；
根据所述K个子滤波器组能量值确定所述第一滤波器组能量值。
进一步的，所述根据所述K个子滤波器组能量值确定所述第一滤波器组能量值，包括：
分别确定每个平滑参数对应的权重系数，得到K个权重系数；其中，每个平滑参数均对应一个权重系数；
计算所述K个权重系数和所述K个子滤波器组能量值的加权和，将所述加权和作为所述第一滤波器组能量值。
进一步的，所述根据每个平滑参数分别确定对应的子滤波器组能量值，包括：
确定第t帧语音数据中第f个时频对应的第二滤波器组能量值；
确定第t-1帧语音数据中第f个时频对应的平滑后的第三滤波器组能量值；
根据所述第二滤波器组能量值、平滑参数及所述第三滤波器组能量值确定所述子滤波器组能量值。
进一步的，所述根据所述第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征，包括：
确定参数α、δ、r；其中，α为自动增益强度系数，δ为偏置系数，r为指数控制系数；
根据α、δ、r、所述第二滤波器组能量值、第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征。
进一步的，所述根据α、δ、r、所述第二滤波器组能量值、第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征，包括：
采用公式
计算得到所述第t帧语音数据中第f个时频对应的归一化能量特征；
其中，log()为取对数，e为自然常数，ε为常数，M(t，f)为所述第一滤波器组能量值，E(t，f)为第二滤波器组能量值，PCEN(t，f)为归一化能量特征。
进一步的，所述根据各帧语音数据对应的归一化能量特征进行语音识别，包括：
将各帧语音数据对应的归一化能量特征输入神经网络；
当所述神经网络的输出概率大于预设阈值时，则进行语音识别。
进一步的，所述方法还包括：
对每帧语音数据进行离散傅里叶变换得到语音信号的功率谱，并采用梅尔滤波器组对所述功率谱进行滤波，得到相应的滤波器组特征；
对所述滤波器组特征进行数据增强；
根据增强后的滤波器组特征触发执行获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数的操作步骤。
进一步的，所述对所述滤波器组特征进行数据增强，包括：
在(W，t-W)范围内随机抽取一点作为扭曲点，随机向左或向右进行扭曲，在(0，W)范围的均匀分布中随机抽取一个扭曲参数w，使用插值技术对所述滤波器组特征进行扭曲；其中，W为设置的扭曲参数，w为抽取的扭曲参数。
进一步的，所述对所述滤波器组特征进行数据增强，包括：
将所述滤波器组特征转化为t×f矩阵；
计算所述t×f矩阵中所有元素的均值作为掩盖值；
在(f0，f0+f)范围内进行掩盖；其中，f0取值范围为[0，v-f)，其中，v为滤波器组特征总维数，f为掩盖的特征维数，f在[0，F)范围的均匀分布中随机抽取，F为根据v设定的经验值。
进一步的，所述对所述滤波器组特征进行数据增强，包括：
将所述滤波器组特征转化为t×f矩阵；
计算所述t×f矩阵中所有元素的均值作为掩盖值；
在[t0，t0+t)范围内进行掩盖；其中，t0取值范围为[0，τ-t)，其中，τ为所述滤波器组特征的总帧数，t为掩盖的特征帧数，在[0，T)范围的均匀分布中随机抽取，T为根据τ设定的经验值。
为了实现上述目的，根据本公开的一个方面，还提供以下技术方案：
一种语音识别装置，包括：
语音数据获取模块，用于对获取的语音数据进行分帧处理，得到多帧语音数据；
平滑参数获取模块，用于获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数；
滤波器组能量值确定模块，用于根据所述K个平滑参数确定所述第一滤波器组能量值；
归一化能量确定模块，用于根据所述第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征；
语音识别模块，用于根据各帧语音数据对应的归一化能量特征进行语音识别。
进一步的，所述滤波器组能量值确定模块包括：
子滤波器组能量值确定单元，用于分别根据每个平滑参数确定对应的子滤波器组能量值，得到K个子滤波器组能量值；其中，每个平滑参数均对应一个子滤波器组能量值；
滤波器组能量值确定单元，用于根据所述K个子滤波器组能量值确定所述第一滤波器组能量值。
进一步的，所述滤波器组能量值确定单元具体用于：分别确定每个平滑参数对应的权重系数，得到K个权重系数；其中，每个平滑参数均对应一个权重系数；计算所述K个权重系数和所述K个子滤波器组能量值的加权和，将所述加权和作为所述第一滤波器组能量值。
进一步的，所述子滤波器组能量值确定单元具体用于：确定第t帧语音数据中第f个时频对应的第二滤波器组能量值；确定第t-1帧语音数据中第f个时频对应的平滑后的第三滤波器组能量值；根据所述第二滤波器组能量值、平滑参数及所述第三滤波器组能量值。
进一步的，所述归一化能量确定模块包括：
参数确定单元，用于确定参数α、δ、r；其中，α为自动增益强度系数，δ为偏置系数，r为指数控制系数；
归一化能量确定单元，用于根据α、δ、r、所述第二滤波器组能量值、第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征。
进一步的，所述归一化能量确定单元具体用于：采用公式
计算得到所述第t帧语音数据中第f个时频对应的归一化能量特征；其中，log()为取对数，e为自然常数，ε为常数，M(t，f)为所述第一滤波器组能量值，E(t，f)为第二滤波器组能量值，PCEN(t，f)为归一化能量特征。
进一步的，所述语音数据获取模块具体用于：将各帧语音数据对应的归一化能量特征输入神经网络；当所述神经网络的输出概率大于预设阈值时，则进行语音识别。
进一步的，所述语音数据获取模块还用于：对每帧语音数据进行离散傅里叶变换得到语音信号的功率谱，并采用梅尔滤波器组对所述功率谱进行滤波，得到相应的滤波器组特征；对所述滤波器组特征进行数据增强；根据增强后的滤波器组特征获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数。
进一步的，所述语音数据获取模块具体用于：在(W，t-W)范围内随机抽取一点作为扭曲点，随机向左或向右进行扭曲，在(0，W)范围的均匀分布中随机抽取一个扭曲参数w，使用插值技术对所述滤波器组特征进行扭曲；其中，W为设置的扭曲参数，w为抽取的扭曲参数。
进一步的，所述语音数据获取模块具体用于：将所述滤波器组特征转化为t×f矩阵；计算所述t×f矩阵中所有元素的均值作为掩盖值；在(f0，f0+f)范围内进行掩盖；其中，f0取值范围为[0，v-f)，v为滤波器组特征总维数，其中f为掩盖的特征维数，f在[0，F)范围的均匀分布中随机抽取，F为根据v设定的经验值。
进一步的，所述语音数据获取模块具体用于：将所述滤波器组特征转化为t×f矩阵；计算所述t×f矩阵中所有元素的均值作为掩盖值；在[t0，t0+t)范围内进行掩盖；其中，t0取值范围为[0，τ-t)，τ为所述滤波器组特征的总帧数，t为掩盖的特征帧数，在[0，T)范围的均匀分布中随机抽取，T为根据τ设定的经验值。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任一项所述的语音识别方法。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任一项所述的语音识别方法。
为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：
一种语音识别终端，包括上述任一语音识别装置。
本公开实施例通过获取第t帧语音数据中第f个时频的平滑后的第一滤波器组能量值的K个平滑参数，根据K个平滑参数确定第一滤波器组能量值，根据第一滤波器组能量值确定归一化能量特征，进而进行语音识别，可以提高语音识别的准确性低，进而提高语音唤醒的效果。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为根据本公开一个实施例的语音识别方法的流程示意图；
图2为根据本公开一个实施例的语音识别装置的结构示意图；
图3为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
实施例一
为了解决现有技术中语音识别准确性低，影响语音唤醒的效果的技术问题，本公开实施例提供一种语音识别方法。如图1所示，该语音识别方法主要包括如下步骤S11至步骤S15。
步骤S11：对获取的语音数据进行分帧处理，得到多帧语音数据。
具体的，可以通过终端设备的语音助手、录音应用或应用程序(微信)的语音输入按钮实时获取语音数据，还可以从终端设备本地或互联网获取语音数据。其中，终端设备可以为移动终端(例如，智能手机、平板电脑、ipad等)、可穿戴设备(例如，智能手表、运动手环等)或固定终端(例如，智能电视)等。
在获取到语音数据后，在对语音数据进行分帧处理，具体用可移动的有限长度窗口进行加权的方法来实现，例如，用一定的窗函数ω(n)来乘s(n)，从而形成加窗语音信号Sω(n)＝s(n)×ω(n)，其中，s(n)为语音数据。这样就可以将语音数据分割成一帧一帧的加过窗函数的短时信号，在进行处理时，按帧从数据区中取出数据，处理完成后再取下一帧，等等。具体的，可以将语音数据输入归一化能量PCEN神经网络模型中，该模型包括PCEN层和神经网络层。在PCEN层执行下述步骤S12-步骤S14。在神经网络层执行下述步骤S15。
进一步的，在得到多帧语音数据之后，还进一步包括滤波器组特征的数据增强过程。在本步骤中，数据增强的目的是为了扩充数据，以达到小数据条件下也能得到较好的识别性能，以及使语音识别模型具有一定的泛化能力。
具体的，在对时域语音信号分帧后，对每帧语音数据进行离散傅里叶变换得到语音信号的功率谱，并采用梅尔滤波器组对所述功率谱进行滤波，得到相应的滤波器组特征；对所述滤波器组特征进行数据增强；根据增强后的滤波器组特征获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数。其中，数据增强包括如下步骤：
1、进行时间扭曲。具体包括：滤波器组特征为一个t×f的矩阵，其中t代表帧数，f代表特征维数，在(W，t-W)范围内随机抽取一点作为扭曲点，随机向左或向右进行扭曲，在(0，W)范围的均匀分布中随机抽取一个扭曲参数w，使用插值技术对所述滤波器组特征进行扭曲；其中，W为设置的扭曲参数，w为抽取的扭曲参数。W可以设置为80左右。通过时间扭曲，使语音数据产生一定程度的失真，并使语音数据包含的特征更加多样化，从而提高了语音识别的鲁棒性。
2、在频率轴上进行随机掩盖。具体包括：将所述滤波器组特征转化为t×f矩阵；计算所述t×f矩阵中所有元素的均值作为掩盖值；在(f0，f0+f)范围内进行掩盖；其中，f0取值范围为[0，v-f)，其中，v为滤波器组特征总维数，f为掩盖的特征维数，f在[0，F)范围的均匀分布中随机抽取，F为根据v设定的经验值。通过在频率轴上进行随机掩盖，使语音数据产生一定程度的失真，并使语音数据包含的特征更加多样化，从而提高了语音识别的鲁棒性。
3、在时间轴上进行随机掩盖。具体包括：将所述滤波器组特征转化为t×f矩阵；计算所述t×f矩阵中所有元素的均值作为掩盖值；在[t0，t0+t)范围内进行掩盖；其中，t0取值范围为[0，τ-t)，τ为所述滤波器组特征的总帧数，t为掩盖的特征帧数，在[0，T)范围的均匀分布中随机抽取，T为根据τ设定的经验值。通过在时间轴上进行随机掩盖，使语音数据产生一定程度的失真，并使语音数据包含的特征更加多样化，从而提高了语音识别的鲁棒性。
在具体实现时，可以选择上述数据增强中的至少一个进行处理，通过上述数据增强步骤后，执行下述步骤S12-步骤S15。
步骤S12：获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值M(t，f)的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数。
具体的，为了与本文中其它不同含义的滤波器组能量值进行区分，这里将第t帧语音数据中第f个时频对应的平滑后的滤波器组能量值M(t，f)定义为第一滤波器组能量值。
其中，K个平滑参数可以由用户自定义设置，为K个固定常数，具体可以为0-1之间的小数。例如，可以为[0.01，0.03，0.05，0.07，0.09，0.11，0.13，0.15，0.17，0.19，0.21，0.23，0.25，0.27，0.29，0.31]，总共16个常数。
步骤S13：根据所述K个平滑参数确定所述M(t，f)。
具体的，其中一种可选的实施例为，求取所述K个平滑参数的平均值作为M(t，f)的平滑参数s，然后获取第t帧语音数据中第f个时频对应的第二滤波器组能量值E(t，f)，及获取第t-1帧语音数据中第f个时频对应的平滑后的第三滤波器组能量值M(t-1，f)，根据所述E(t，jf)、s及M(t-1，f)确定M(t，f)。例如，可采用公式M(t，f)＝(1-s)M(t-1，f)+sE(t，f)计算得到M(t，f)。其中，另一种可选的实现方式具体参见下述第一可选实施例。
具体的，为了与本文中其它不同含义的滤波器组能量值进行区分，这里将第t帧语音数据中第f个时频对应的滤波器组能量值E(t，f)定义为第二滤波器组能量值，及将第t-1帧语音数据中第f个时频对应的平滑后的滤波器组能量值M(t-1，f)定义为第三滤波器组能量值。
步骤S14：根据所述M(t，f)确定所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征。
具体的，其中一种可选的实施例为，可以采用公式
计算得到PCEN(t，f)，其中，log()为取对数，ε为一个非常小的常数，防止分母为0，α表示自动增益强度系数，α越大则自动增益控制强度越强，δ表示偏置，r表示指数控制系数，δ和r这两个参数用来控制PCEN特征在一个较小的动态范围内。其中另一种可选的实现方式具体参见下述第四实施例。
步骤S15：根据各帧语音数据对应的PCEN特征进行语音识别。
具体的，可以将各帧语音数据对应的PCEN特征输入神经网络，由神经网络进行语音识别，输出语音识别结果。其中，神经网络可以为深度学习的神经网络，具体包括隐藏层和输出层。
本实施例通过获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值M(t，f)的K个平滑参数，根据所述K个平滑参数确定所述M(t，f)，根据所述M(t，f)确定所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征，根据各帧语音数据对应的PCEN特征进行语音识别，可以提高语音识别的准确性低，进而提高语音唤醒的效果。
在第一个可选的实施例中，步骤S13具体包括：
步骤S131：根据平滑参数si确定子滤波器组能量值M(t，f)i，得到K个子滤波器组能量值；其中，每个平滑参数均对应一个子滤波器组能量值，i取值为0-K内的正整数。
例如，s为[0.01，0.03，0.05，0.07，0.09，0.11，0.13，0.15，0.17，0.19，0.21，0.23，0.25，0.27，0.29，0.31]16个常数，则每一个si对应的子滤波器组能量值M(t，f)i采用公式M(t，f)i＝(1-si)M(t-1，f)+siE(t，f)计算得到。
步骤S132：根据所述K个子滤波器组能量值确定所述M(t，f)。
其中，一种可实现的方案为，求取所述K个子滤波器组能量值的平均值，将该平均值所述M(t，f)。另一种可实现的方案具体参见下述第二个可选的实施例。
在第二个可选的实施例中，步骤S132具体包括：
步骤S1321：确定所述平滑参数si的权重系数wi，得到K个权重系数；其中，每个平滑参数均对应一个权重系数。
具体的，可以为每一个si设置一个权重系数wi，通过神经网络的softmax层将权重系数wi归一化至0至1的一个范围里。
步骤S1322：计算所述K个权重系数和所述K个子滤波器组能量值的加权和，将所述加权和作为所述M(t，f)。
具体的，采用公式
计算得到M(t，f)。
在第三个可选的实施例中，步骤S131具体包括：
步骤S1311：确定第t帧语音数据中第f个时频对应的第二滤波器组能量值E(t，f)。
步骤S1312：确定第t-1帧语音数据中第f个时频对应的平滑后的第三滤波器组能量值M(t-1，f)。
步骤S1313：根据所述E(t，f)、si及M(t-1，f)确定所述子滤波器组能量值M(t，f)i。
具体的，采用公式M(t，f)i＝(1-si)M(t-1，f)+siE(t，f)计算得到M(t，f)i。
在第四个可选的实施例中，步骤S14具体包括：
步骤S141：确定参数α、δ、r。
其中，α、δ、r为可训练的一维张量，可以随机初始化。其中，α为自动增益强度系数，δ为偏置系数，r为指数控制系数。
步骤S142：根据α、δ、r、所述E(t，f)、M(t，f)确定所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征。
在第五个可选的实施例中，步骤S142具体包括：
采用公式
计算得到所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征；
其中，log()为取对数，e为自然常数，ε为常数，M(t，f)为所述第一滤波器组能量值，E(t，f)为第二滤波器组能量值，PCEN(t，f)为归一化能量特征。
在第六个可选的实施例中，步骤S15具体包括：
步骤S151：将各帧语音数据对应的PCEN特征输入神经网络。
其中，神经网络位于PCEN神经网络模型的神经网络层，该神经网络包括隐藏层和输出层，在隐藏层输入PCEN特征，然后每一层都有相应的权重矩阵w和偏置矩阵b，这样逐层计算y＝wx+b。其中，x为PCEN特征。然后将隐藏层的输出结果作为输出层sofimax输入，输出层可以输出0～1之间的一个后验概率值。最后将后验概率作为唤醒判断依据。
步骤S152：当所述神经网络的输出概率大于预设阈值时，则进行语音识别。
具体的，当所述神经网络的输出概率大于预设阈值时，则进行语音识别，否则不进行语音识别。
本领域技术人员应能理解，在上述各个实施例的基础上，还可以进行明显变型(例如，对所列举的模式进行组合)或等同替换。
在上文中，虽然按照上述的顺序描述了语音识别方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。
下面为本公开装置实施例，本公开装置实施例可用于执行本公开方法实施例实现的步骤，为了便于说明，仅示出了与本公开实施例相关的部分，具体技术细节未揭示的，请参照本公开方法实施例。
实施例二
为了解决现有技术中语音识别准确性低，影响语音唤醒的效果的技术问题，本公开实施例提供一种语音识别装置。该装置可以执行上述实施例一所述的语音识别方法实施例中的步骤。如图2所示，该装置主要包括：语音数据获取模块21、平滑参数获取模块22、滤波器组能量值确定模块23、归一化能量确定模块24和语音识别模块25；其中，
语音数据获取模块21用于对获取的语音数据进行分帧处理，得到多帧语音数据；
平滑参数获取模块22用于获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值M(t，f)的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数；
滤波器组能量值确定模块23用于根据所述K个平滑参数确定所述M(t，f)；
归一化能量确定模块24用于根据所述M(t，f)确定所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征；
语音识别模块25用于根据各帧语音数据对应的PCEN特征进行语音识别。
进一步的，所述滤波器组能量值确定模块23包括：子滤波器组能量值确定单元231和滤波器组能量值确定单元232；其中，
子滤波器组能量值确定单元231用于根据平滑参数si确定子滤波器组能量值M(t，f)i，得到K个子滤波器组能量值；其中，每个平滑参数均对应一个子滤波器组能量值，i取值为0-K内的正整数；
滤波器组能量值确定单元232用于根据所述K个子滤波器组能量值确定所述M(t，f)。
进一步的，所述滤波器组能量值确定单元232具体用于：确定所述平滑参数si的权重系数wi，得到K个权重系数；其中，每个平滑参数均对应一个权重系数；计算所述K个权重系数和所述K个子滤波器组能量值的加权和，将所述加权和作为所述M(t，f)。
进一步的，所述子滤波器组能量值确定单元231具体用于：确定第t帧语音数据中第f个时频对应的第二滤波器组能量值E(t，f)；确定第t-1帧语音数据中第f个时频对应的平滑后的第三滤波器组能量值M(t-1，f)；根据所述E(t，f)、si及M(t-1，f)确定所述子滤波器组能量值M(t，f)i。
进一步的，所述归一化能量确定模块24包括：参数确定单元241和归一化能量确定单元242；其中，
参数确定单元241用于确定参数α、δ、r；其中，α为自动增益强度系数，δ为偏置系数，r为指数控制系数；
归一化能量确定单元242用于根据α、δ、r、所述E(t，f)、M(t，f)确定所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征。
进一步的，所述归一化能量确定单元242具体用于：采用公式
计算得到所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征；其中，log()为取对数，e为自然常数，ε为常数，M(t，f)为所述第一滤波器组能量值，E(t，f)为第二滤波器组能量值，PCEN(t，f)为归一化能量特征。
进一步的，所述语音数据获取模块21具体用于：将各帧语音数据对应的归一化能量特征输入神经网络；当所述神经网络的输出概率大于预设阈值时，则进行语音识别。
进一步的，所述语音数据获取模块21还用于：对每帧语音数据进行离散傅里叶变换得到语音信号的功率谱，并采用梅尔滤波器组对所述功率谱进行滤波，得到相应的滤波器组特征；对所述滤波器组特征进行数据增强；根据增强后的滤波器组特征获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数。
进一步的，所述语音数据获取模块21具体用于：在(W，t-W)范围内随机抽取一点作为扭曲点，随机向左或向右进行扭曲，在(0，W)范围的均匀分布中随机抽取一个扭曲参数w，使用插值技术对所述滤波器组特征进行扭曲；其中，W为设置的扭曲参数，w为抽取的扭曲参数。
进一步的，所述语音数据获取模块21具体用于：将所述滤波器组特征转化为t×f矩阵；计算所述t×f矩阵中所有元素的均值作为掩盖值；在(f0，f0+f)范围内进行掩盖；其中，f0取值范围为[0，v-f)，v为滤波器组特征总维数，其中f为掩盖的特征维数，f在[0，F)范围的均匀分布中随机抽取，F为根据v设定的经验值。
进一步的，所述语音数据获取模块21具体用于：将所述滤波器组特征转化为t×f矩阵；计算所述t×f矩阵中所有元素的均值作为掩盖值；在[t0，t0+t)范围内进行掩盖；其中，t0取值范围为[0，τ-t)，τ为所述滤波器组特征的总帧数，t为掩盖的特征帧数，在[0，T)范围的均匀分布中随机抽取，T为根据τ设定的经验值。
有关语音识别装置实施例的工作原理、实现的技术效果等详细说明可以参考前述语音识别方法实施例中的相关说明，在此不再赘述。
实施例三
下面参考图3，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对获取的语音数据进行分帧处理，得到多帧语音数据；获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值M(t，f)的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数；根据所述K个平滑参数确定所述M(t，f)；根据所述M(t，f)确定所述第t帧语音数据中第f个时频对应的归一化能量PCEN(t，f)特征；根据各帧语音数据对应的PCEN特征进行语音识别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种语音识别方法，其特征在于，包括：
对获取的语音数据进行分帧处理，得到多帧语音数据；
获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数；
根据所述K个平滑参数确定所述第一滤波器组能量值；
根据所述第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征；
根据各帧语音数据对应的归一化能量特征进行语音识别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述K个平滑参数确定所述第一滤波器组能量值，包括：
分别根据每个平滑参数确定对应的子滤波器组能量值，得到K个子滤波器组能量值；其中，每个平滑参数均对应一个子滤波器组能量值；
根据所述K个子滤波器组能量值确定所述第一滤波器组能量值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述K个子滤波器组能量值确定所述第一滤波器组能量值，包括：
分别确定每个平滑参数对应的权重系数，得到K个权重系数；其中，每个平滑参数均对应一个权重系数；
计算所述K个权重系数和所述K个子滤波器组能量值的加权和，将所述加权和作为所述第一滤波器组能量值。
4.根据权利要求2所述的方法，其特征在于，所述根据每个平滑参数分别确定对应的子滤波器组能量值，包括：
确定第t帧语音数据中第f个时频对应的第二滤波器组能量值；
确定第t-1帧语音数据中第f个时频对应的平滑后的第三滤波器组能量值；
根据所述第二滤波器组能量值、平滑参数及所述第三滤波器组能量值确定所述子滤波器组能量值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征，包括：
确定参数α、δ、r；其中，α为自动增益强度系数，δ为偏置系数，r为指数控制系数；
根据α、δ、r、所述第二滤波器组能量值、第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征。
6.根据权利要求5所述的方法，其特征在于，所述根据α、δ、r、所述第二滤波器组能量值、第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征，包括：
采用公式
计算得到所述第t帧语音数据中第f个时频对应的归一化能量特征；
其中，log()为取对数，e为自然常数，ε为常数，M(t，f)为所述第一滤波器组能量值，E(t，f)为第二滤波器组能量值，PCEN(t，f)为归一化能量特征。
7.根据权利要求1所述的方法，其特征在于，所述根据各帧语音数据对应的归一化能量特征进行语音识别，包括：
将各帧语音数据对应的归一化能量特征输入神经网络；
当所述神经网络的输出概率大于预设阈值时，则进行语音识别。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：
对每帧语音数据进行离散傅里叶变换得到语音信号的功率谱，并采用梅尔滤波器组对所述功率谱进行滤波，得到相应的滤波器组特征；
对所述滤波器组特征进行数据增强；
根据增强后的滤波器组特征触发执行获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数的操作步骤。
9.根据权利要求8所述的方法，其特征在于，所述对所述滤波器组特征进行数据增强，包括：
在(W，t-W)范围内随机抽取一点作为扭曲点，随机向左或向右进行扭曲，在(0，W)范围的均匀分布中随机抽取一个扭曲参数w，使用插值技术对所述滤波器组特征进行扭曲；其中，W为设置的扭曲参数，w为抽取的扭曲参数。
10.根据权利要求8所述的方法，其特征在于，所述对所述滤波器组特征进行数据增强，包括：
将所述滤波器组特征转化为t×f矩阵；
计算所述t×f矩阵中所有元素的均值作为掩盖值；
在(f0，f0+f)范围内进行掩盖；其中，f0取值范围为[0，v-f)，其中，v为滤波器组特征总维数，f为掩盖的特征维数，f在[0，F)范围的均匀分布中随机抽取，F为根据v设定的经验值。
11.根据权利要求8所述的方法，其特征在于，所述对所述滤波器组特征进行数据增强，包括：
将所述滤波器组特征转化为t×f矩阵；
计算所述t×f矩阵中所有元素的均值作为掩盖值；
在[t0，t0+t)范围内进行掩盖；其中，t0取值范围为[0，τ-t)，其中，τ为所述滤波器组特征的总帧数，t为掩盖的特征帧数，在[0，T)范围的均匀分布中随机抽取，T为根据τ设定的经验值。
12.一种语音识别装置，其特征在于，包括：
语音数据获取模块，用于对获取的语音数据进行分帧处理，得到多帧语音数据；
平滑参数获取模块，用于获取第t帧语音数据中第f个时频对应的平滑后的第一滤波器组能量值的K个平滑参数；其中，所述K个平滑参数为K个常量，K为大于1的正整数；
滤波器组能量值确定模块，用于根据所述K个平滑参数确定所述第一滤波器组能量值；
归一化能量确定模块，用于根据所述第一滤波器组能量值确定所述第t帧语音数据中第f个时频对应的归一化能量特征；
语音识别模块，用于根据各帧语音数据对应的归一化能量特征进行语音识别。
13.一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现根据权利要求1-11任一项所述的语音识别方法。
14.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-11任一项所述的语音识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073073.9A CN111276134B (zh) | 2020-01-22 | 2020-01-22 | 语音识别方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073073.9A CN111276134B (zh) | 2020-01-22 | 2020-01-22 | 语音识别方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111276134A true CN111276134A (zh) | 2020-06-12 |
| CN111276134B CN111276134B (zh) | 2023-03-31 |
Family
ID=71001213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010073073.9A Active CN111276134B (zh) | 2020-01-22 | 2020-01-22 | 语音识别方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111276134B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111933112A (zh) * | 2020-09-21 | 2020-11-13 | 北京声智科技有限公司 | 唤醒语音确定方法、装置、设备及介质 |
| CN112331186A (zh) * | 2020-11-19 | 2021-02-05 | 苏州思必驰信息科技有限公司 | 语音唤醒方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090177468A1 (en) * | 2008-01-08 | 2009-07-09 | Microsoft Corporation | Speech recognition with non-linear noise reduction on mel-frequency ceptra |
| CN107346659A (zh) * | 2017-06-05 | 2017-11-14 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音识别方法、装置及终端 |
-
2020
- 2020-01-22 CN CN202010073073.9A patent/CN111276134B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090177468A1 (en) * | 2008-01-08 | 2009-07-09 | Microsoft Corporation | Speech recognition with non-linear noise reduction on mel-frequency ceptra |
| CN107346659A (zh) * | 2017-06-05 | 2017-11-14 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音识别方法、装置及终端 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111933112A (zh) * | 2020-09-21 | 2020-11-13 | 北京声智科技有限公司 | 唤醒语音确定方法、装置、设备及介质 |
| CN112331186A (zh) * | 2020-11-19 | 2021-02-05 | 苏州思必驰信息科技有限公司 | 语音唤醒方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111276134B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10726858B2 (en) | Neural network for speech denoising trained with deep feature losses | |
| US20180190268A1 (en) | Speech recognizing method and apparatus | |
| CN110808063A (zh) | 一种语音处理方法、装置和用于处理语音的装置 | |
| CN108538311A (zh) | 音频分类方法、装置及计算机可读存储介质 | |
| CN111276134B (zh) | 语音识别方法、装置和计算机可读存储介质 | |
| EP4254408A1 (en) | Speech processing method and apparatus, and apparatus for processing speech | |
| WO2022160715A1 (zh) | 语音信号的处理方法及电子设备 | |
| CN110929836B (zh) | 神经网络训练及图像处理方法和装置、电子设备、介质 | |
| CN114898762A (zh) | 基于目标人的实时语音降噪方法、装置和电子设备 | |
| CN109766476B (zh) | 视频内容情感分析方法、装置、计算机设备及存储介质 | |
| CN111722696B (zh) | 用于低功耗设备的语音数据处理方法和装置 | |
| CN112259116A (zh) | 一种音频数据的降噪方法、装置、电子设备及存储介质 | |
| CN116913258B (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| CN110970050A (zh) | 语音降噪方法、装置、设备及介质 | |
| CN113823313A (zh) | 语音处理方法、装置、设备以及存储介质 | |
| CN113496706A (zh) | 音频处理方法、装置、电子设备及存储介质 | |
| CN116959469A (zh) | 语音增强模型的训练方法、装置、电子设备和存储介质 | |
| CN110660399A (zh) | 声纹识别的训练方法、装置、终端及计算机存储介质 | |
| CN111276127A (zh) | 语音唤醒方法、装置、存储介质及电子设备 | |
| CN113763976B (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
| CN117496990A (zh) | 语音去噪方法、装置、计算机设备及存储介质 | |
| WO2022213825A1 (zh) | 基于神经网络的端到端语音增强方法、装置 | |
| CN114783455A (zh) | 用于语音降噪的方法、装置、电子设备和计算机可读介质 | |
| CN110648681B (zh) | 语音增强的方法、装置、电子设备及计算机可读存储介质 | |
| CN111667842B (zh) | 音频信号处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |