CN111435592B - 一种语音识别方法、装置及终端设备 - Google Patents
一种语音识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111435592B CN111435592B CN201811592002.9A CN201811592002A CN111435592B CN 111435592 B CN111435592 B CN 111435592B CN 201811592002 A CN201811592002 A CN 201811592002A CN 111435592 B CN111435592 B CN 111435592B
- Authority
- CN
- China
- Prior art keywords
- model
- period
- preset
- sequence
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 29
- 210000005036 nerve Anatomy 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 33
- 230000006870 function Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明适用于终端设备技术领域，提供了一种语音识别方法、装置及终端设备，通过将目标音频数据输入预先构造的基于神经网络的声学模型后，得到目标拼音序列，再将该目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列，通过将语音识别过程拆分成两部分，一部分为从音频数据到拼音序列，一部分为从拼音序列到文字序列，大幅度降低了对数据量的依赖，因带声调的拼音一共就1400多个，常用的汉字7000多个，使得从拼音序列到文字序列的识别准确率大幅度地提高，满足了商用级别的语音识别准确率的应用需求。
Description
技术领域
本发明属于终端设备技术领域，尤其涉及一种语音识别方法、装置及终端设备。
背景技术
以混合高斯模型(GMM)、隐马尔可夫模型(HMM)，梅尔倒谱系数(MFCC)、n元词组语言模型等为代表的传统语音识别技术，虽然准确率已得到了较大的提高，但依然无法满足商业级的应用需求。
近年在深度学习技术的影响下，自动语音识别技术有了一定的突破，但与传统的语音识别系统相比，整体框架改变不大，用户体验依然较差。随着移动设备的快速发展，语音识别技术作为移动设备的基础应用，在精准、快速、易实现等方面还待进一步提高，以给用户提供更友好的体验。
发明内容
有鉴于此，本发明实施例提供了一种语音识别方法、装置及终端设备，以解决现有语音识别的准确率无法满足商业级的应用需求的问题。
本发明实施例的第一方面提供了一种语音识别方法，包括：
将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
本发明实施例的第二方面提供了一种语音识别装置，包括：
目标拼音序列识别单元，用于将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
目标文字序列识别单元，用于将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
本发明实施例的第三方面提供了一种终端设备，包括：
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的语音识别方法的步骤。
其中，所述计算机程序包括：
目标拼音序列识别单元，用于将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
目标文字序列识别单元，用于将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明实施例的第一方面提供的语音识别方法的步骤。
其中，所述计算机程序包括：
目标拼音序列识别单元，用于将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
目标文字序列识别单元，用于将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
本发明实施例与现有技术相比存在的有益效果是：通过将目标音频数据输入预先构造的基于神经网络的声学模型后，得到目标拼音序列，再将该目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列，通过将语音识别过程拆分成两部分，一部分为从音频数据到拼音序列，一部分为从拼音序列到文字序列，大幅度降低了对数据量的依赖，因带声调的拼音一共就1400多个，常用的汉字7000多个，使得从拼音序列到文字序列的识别准确率大幅度地提高，满足了商用级别的语音识别准确率的应用需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种语音识别方法的实现流程图；
图2是本发明实施例提供的一种构建基于神经网络的声学模型的方法的具体实现流程图；
图3是本发明实施例提供的一种对声学模型进行训练的方法的具体实现流程图；
图4是本发明实施例提供的一种输入目标拼音序列得到目标文字序列的可能的转换结果的示意图；
图5是本发明实施例提供的一种对语言模型进行训练的方法的具体实现流程图；
图6是本发明实施例提供的一种语音识别装置的示意图；
图7是本发明实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。请参考图1，图1示出了本发明实施例提供的一种语音识别方法的实现流程，详述如下：
在步骤S101中，将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列。
在本发明实施例中，目标音频数据为当前要进行语音识别的音频数据，比如用户A所说的语音内容。
在这里，声学模型是一个描述语音和状态(拼音、音素等)之间转换的模型，将语音转换为对应的拼音和音素，这里所指的音素可以是音节或者更小的颗粒度音素比如声母、韵母或者整体认读音节等，其采用深层循环神经网络结构所构建的模型，包括编码模型和解码模型，其中编码模型是使用GRU神经单元所构建的，解码模型是是使用LSTM神经单元所构建的。优选的，为了进一步提高语音识别的正确率，解码模型中还嵌入了基于注意力机制的注意力模型，使得解码模型能够更有效地获取全局信息，捕捉上下文信息，相应的提高了语音识别的效率及正确率。
在这里，目标拼音序列具体为目标音频数据中的语言所对应的拼音所形成的序列，比如目标音频数据为“你们去哪里”，在将该目标音频数据输入到基于神经网络的声学模型后，得到对应的目标拼音序列为“ni men qu na li”。
可选的，在步骤S101之前，本发明实施例还包括构建基于神经网络的声学模型的具体实现步骤，请参考图2，图2示出了本发明实施例提供的一种构建基于神经网络的声学模型的方法的具体实现流程，详述如下：
在步骤S201中，根据预先设置的GRU模型的层数及每层GRU神经元的个数，构建编码模型。
在步骤S202中，根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，构建解码模型。
在步骤S203中，基于所述编码模块和所述解码模块，构建所述声学模型。
在本发明实施例中，声学模型是基于编码模型和解码模型构建的，在构建声学模型之前，还需要构建编码模型和解码模型。
在这里，根据预先设置的GRU(Gated Recurrent Unit，LSTM变体)模型的层数及每层GRU神经单元的个数，构建编码模型。其中的GRU模型为双向GRU模型，预先设置的GRU模型的层数为n，其中n＝3,4,5，每层GRU模型中有512个GRU神经单元。
在这里，由于编码模型采用了GRU神经单元，替代了原来编码模型所采用LSTM神经单元，提升了基于神经网络的声学模型的训练效率，并在一定程度上减小了模型的大小，节省了系统空间，使得运行效率更高。
在这里，根据预先设置的长短期记忆LSTM(Long Short-Term Memory)模型的层数及每层LSTM神经单元的个数，构建解码模型。其中的LSTM模型为单向LSTM模型，预先设置的LSTM模型的层数为2，每层LSTM模型中有512个LSTM神经单元。
可选的，步骤S202具体为：
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合注意力模型和束搜索模型，构建所述解码模型。
在本发明实施例中，在构建解码模型过程中，还嵌入了注意力模型，使得解码模型能够更有效地获取全局信息，捕捉上下文信息，相应的提高了语音识别的效率及正确率；并引入了束搜索模型，扩大了搜索域，提高了解码的精度，从而相应的提高了语音识别的正确率。
在这里，束搜索主要是用于在训练好的声学模型中进行预测，输入为音频数据，输出为文字序列，在预测过程中，声学模型中的解码模型引入束搜索。其中，束搜索模型中包含的算法为启发式图搜索算法，通常用在图的解空间比较大的情况下，为了减少搜索所占用的空间和时间，在每一步深度扩展的时候，剪掉质量比较差的结点，保留下质量较高的结点。
在本发明实施例中，在没有引入束搜索模型之前，采用的是贪心算法，对于一个序列预测问题，若采用贪心算法，每时刻输出该时点概率最大的值，若采用束搜索，宽度为5，每个时刻输出概率最大的5个值，对比贪心算法，若序列长度为n，n为1的正整数，则搜索域扩大为5的n次方，即扩大为为5n，搜索域大幅扩大，从而提高了预测的精度。
可选的，在步骤S203之后，本发明实施例还提供了对声学模型进行训练的具体实现步骤，请参考图3，图3示出了本发明实施例提供的一种对声学模型进行训练的方法的具体实现流程，详述如下：
在步骤S301中，将预设语音数据输入所述声学模型，对所述声学模型进行训练。
在本发明实施例中，预设语音数据具体为从音频数据到拼音数据的组合语音数据。这里的预设语音数据为时长至少2000小时的语音数据，以满足语音识别技术对海量数据的需求。
在这里，对声学模型进行训练所采用的训练方法为同步分布式训练方法，其输入为音频数据，输出为拼音序列。在训练过程中，将音频数据转成80维的梅尔频谱数据，5帧作为一个预测值，每帧0.025秒，帧移0.01秒，进行批量训练，批量大小为128。
在步骤S302中，在训练过程中，按照预设周期获取所述声学模型的第一识别准确率。
在步骤S303中，将第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率进行相减，所述T为大于零的正整数。
在步骤S304中，当第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，停止对所述声学模型的训练。
在本发明实施例中，对声学模型每进行一次训练，其识别准确率也相应地提高一次，在这里，通过每隔预设周期的时长就获取一次声学模型的当前识别准确率，即第一识别准确率，并将当前周期所获取到的第一识别准确率与上一周期所获取到的第一识别准确率进行相减，以根据两者之间的差值是否小于预设阈值来判断第一识别准确率是否还在发生变化，当第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，即认为第一识别准确率达到平稳状态，不再发生变化，这时，停止对声学模型的训练，可以将声学模型的准确率达到最高，从而相应地提高了语音识别的准确率。
可选的，为了进一步保证声学模型的准确率以达到最优或最高的准确率，从而确保语音识别的准确，步骤S304具体为：
当第N个第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，停止对所述声学模型的训练，所述N为大于1的正整数。
在步骤S102中，将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
在本发明实施例中，基于神经网络的语言模型是将声学模型所输入的拼音序列，给出最大概率的文字序列，也就是完成拼音序列到文字序列的转换。
在这里，目标文字序列为与所输入的目标拼音序列所对应的文字信息，该目标文字序列与目标音频数据中的语言相对应。也就是说最终得到的目标文字序列就是所要识别的音频数据所对应的文字。
目前常用的语言模型所使用的公式如下：
P(S)＝P(w1,w2,w3,w4,....,wn)
＝p(w1)p(w2|w1)p(w3|w2,w1).....p(wn|wn-1,wn-2,.....,w1)；
其中，P表示文字序列出现的概率，w1,w2,w3,w4,....,wn表示序列中的单个文字，p(wn|wn-1,wn-2,.....,w1)表示在wn-1,wn-2,.....,w1出现的情况下wn出现的概率。
本发明实施例中，常用语言模型通常使用极大似然估计进行参数估计，公式如下：
p(wi|wi-1)＝count(wi-1,wi)/count(wi-1)；
其中，p(wi|wi-1)表示在wi-1出现的情况下，wi出现的概率，count(wi-1,wi)表示wi-1，wi同时出现的次数，count(wi-1)表示wi-1出现的次数。
对于音字转换问题，即从拼音序列到文字序列的转换问题，输入拼音“ni xianzai gan shen me”，可能对应着多个转换结果，比如对于输入拼音“ni xian zai gan shenme”，可能的转换结果请参考图4(只画出部分的词语节点)，图4示出了本发明实施例提供的一种输入目标拼音序列得到目标文字序列的可能的转换结果，各节点之间构成了复杂的网络结构，从开始到结束的任意一条路径都是可能的转换结果，从诸多转换结果中选择最合适的结果的过程就需要解码算法。对于本发明而言，将输入语言模型中的拼音序列转化为序列标注的问题，是通过采用双向的LSTM模型结合条件随机场的方法进行拼音序列向文字序列的转换。
可选的，在步骤S101之前，本发明实施例还包括构建基于神经网络的语言模型的具体实现步骤，具体如下：
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合条件随机场，构建所述语言模型。
在本发明实施例中，用于构建语言模型的LSTM模型具体为单层双向的LSTM模型，并叠加条件随机场CRF(Conditional Random Field)构成，该层LSTM模型中有512个LSTM神经单元。
可选的，在步骤S203之后，本发明实施例还提供了对语言模型进行训练的具体实现步骤，请参考图5，图5示出了本发明实施例提供的一种对语言模型进行训练的方法的具体实现流程，详述如下：
在步骤S501中，将预设文本数据输入所述语言模型，对所述语言模型进行训练。
在本发明实施例中，预设文本数据具体为从拼音数据到文字数据的组合文本数据。这里的预设文本数据的条数，至少为500万条文本数据，以满足语音识别技术对海量数据的需求，提高语音识别的准确率。
在这里，对语言模型进行训练所采用的训练方法同样为同步分布式训练方法，其输入为拼音序列，输出为文字序列。在训练过程中，将每个拼音初始化为一个256维的向量，进行批量训练，批量大小为4096。
在步骤S502中，在训练过程中，按照预设周期获取所述语言模型的第二识别准确率。
在步骤S503中，将第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率进行相减，所述T为大于零的正整数。
在步骤S504中，当第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率的差值的绝对值小于预设阈值时，停止对所述语言模型的训练。
在本发明实施例中，对语言模型每进行一次训练，其识别准确率也相应地提高一次，在这里，通过每隔预设周期的时长就获取一次语言模型的当前识别准确率，即第二识别准确率，并将当前周期所获取到的第二识别准确率与上一周期所获取到的第二识别准确率进行相减，以根据两者之间的差值是否小于预设阈值来判断第二识别准确率是否还在发生变化，当第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率的差值的绝对值小于预设阈值时，即认为第二识别准确率达到平稳状态，不再发生变化，这时，停止对语言模型的训练，可以将语言模型的准确率达到最高，从而相应地提高了语音识别的准确率。
现有语音识别的基本框架包括如下公式(1)至(3)。
其中，W表示文字序列，Y表示语音输入，P表示概率，公式(1)表示语音识别的目标是在给定语音输入的情况下，找到可能性最大的文字序列；公式(2)为公式(1)根据贝叶斯公式得到的公式，其中分母表示出现这条语音的概率，它相比于求解的文字序列没有参数关系，可以在求解时忽略，进而得到公式(3)。公式(3)中的第一部分P(Y|W)表示给定一个文字序列出现这条音频的概率，也可以认为其是语音识别中的声学模型；第二部分P(W)表示出现这个文字序列的概率，也可以称其为语音识别中的语言模型。
在本发明实施例中，所转化的拼音序列为带声调的拼音序列。相对于现有语音识别的基本框架，本发明实施例提供的基本框架中，是将上述公式(3)的第一部分P(Y|W)，即公式(3)中的声学模型用公式(4)表示，公式(4)具体如下：
其中，Q表示拼音序列，从公式(4)中可以看到，声学模型最终转换成了一个语音到拼音序列的模型和一个拼音序列到输出文字序列的模型，到此为止声学模型是从语音到拼音状态的一个描述。
其中，拼音序列到输出文字序列的模型表示为如下公式(5)，其意义是把拼音序列转化为文字序列。
其中，q表示为汉字，wl表示序列中第l个拼音，表示在第l个拼音出现的情况下，是文字q的概率。
在本发明实施例中，通过将目标音频数据输入预先构造的基于神经网络的声学模型后，得到目标拼音序列，再将该目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列，通过将语音识别过程拆分成两部分，一部分为从音频数据到拼音序列，一部分为从拼音序列到文字序列，大幅度降低了对数据量的依赖，因带声调的拼音一共就1400多个，常用的汉字7000多个，使得从拼音序列到文字序列的识别准确率大幅度地提高，满足了商用级别的语音识别准确率的应用需求。
可选的，为了进一步保证语言模型的准确率以达到最优或最高的准确率，从而确保语音识别的准确，步骤S504具体为：
当第N个第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率的差值的绝对值小于预设阈值时，停止对所述语言模型的训练，所述N为大于1的正整数。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑控制，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种语音识别方法，图6示出了本发明实施例提供的一种语音识别装置的示意图，为了便于说明，仅示出了与本发明实施例相关的部分。
参照图6，该装置包括：
目标拼音序列识别单元61，用于将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
目标文字序列识别单元62，用于将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
可选的，该装置还包括：
编码模型构建单元，用于根据预先设置的GRU模型的层数及每层GRU神经元的个数，构建编码模型；
解码模型构建单元，用于根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，构建解码模型；
声学模型构建单元，用于基于所述编码模块和所述解码模块，构建所述声学模型。
可选的，所述解码模型构建单元具体用于：
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合注意力模型和束搜索模型，构建所述解码模型。
可选的，该装置还包括：
声学模型训练单元，用于将预设语音数据输入所述声学模型，对所述声学模型进行训练；
第一识别准确率获取单元，用于在训练过程中，按照预设周期获取所述声学模型的第一识别准确率；
第一识别准确率比较单元，用于将第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率进行相减，所述T为大于零的正整数；
第一停止训练单元，用于当第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，停止对所述声学模型的训练。
可选的，该装置还包括：
语言模型构建单元，用于根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合条件随机场，构建所述语言模型。
可选的，该装置还包括：
语言模型训练单元，用于将预设文本数据输入所述语言模型，对所述语言模型进行训练；
第二识别准确率获取单元，用于在训练过程中，按照预设周期获取所述语言模型的第二识别准确率；
第二识别准确率比较单元，用于将第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率进行相减，所述T为大于零的正整数；
第二训练停止单元，用于当第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率的差值的绝对值小于预设阈值时，停止对所述语言模型的训练。
在本发明实施例中，通过将目标音频数据输入预先构造的基于神经网络的声学模型后，得到目标拼音序列，再将该目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列，通过将语音识别过程拆分成两部分，一部分为从音频数据到拼音序列，一部分为从拼音序列到文字序列，大幅度降低了对数据量的依赖，因带声调的拼音一共就1400多个，常用的汉字7000多个，使得从拼音序列到文字序列的识别准确率大幅度地提高，满足了商用级别的语音识别准确率的应用需求。
图7是本发明一实施例提供的一种终端的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个语音识别方法实施例中的步骤，例如图1所示的步骤101至102。或者，所述处理器70执行所述计算机程序72时实现上述各系统实施例中各单元的功能，例如图6所示模块61至62的功能。
示例性的，所述计算机程序72可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成目标拼音序列识别单元61、目标文字序列识别单元62，各单元具体功能如下：
目标拼音序列识别单元61，用于将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
目标文字序列识别单元62，用于将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列。
可选的，所述计算机程序72还可以被分割成编码模型构建单元、解码模型构建单元、声学模型构建单元，各单元具体功能如下：
编码模型构建单元，用于根据预先设置的GRU模型的层数及每层GRU神经元的个数，构建编码模型；
解码模型构建单元，用于根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，构建解码模型；
声学模型构建单元，用于基于所述编码模块和所述解码模块，构建所述声学模型。
可选的，所述解码模型构建单元具体用于：
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合注意力模型和束搜索模型，构建所述解码模型。
可选的，所述计算机程序72可以被分割成声学模型训练单元、第一识别准确率获取单元、第一识别准确率比较单元、第一停止训练单元，各单元具体功能如下：
声学模型训练单元，用于将预设语音数据输入所述声学模型，对所述声学模型进行训练；
第一识别准确率获取单元，用于在训练过程中，按照预设周期获取所述声学模型的第一识别准确率；
第一识别准确率比较单元，用于将第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率进行相减，所述T为大于零的正整数；
第一停止训练单元，用于当第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，停止对所述声学模型的训练。
可选的，所述计算机程序72可以被分割成语言模型构建单元，该单元具体功能如下：
语言模型构建单元，用于根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合条件随机场，构建所述语言模型。
可选的，所述计算机程序72可以被分割成语言模型训练单元、第二识别准确率获取单元、第二识别准确率比较单元、第二停止训练单元，各单元具体功能如下：
语言模型训练单元，用于将预设文本数据输入所述语言模型，对所述语言模型进行训练；
第二识别准确率获取单元，用于在训练过程中，按照预设周期获取所述语言模型的第二识别准确率；
第二识别准确率比较单元，用于将第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率进行相减，所述T为大于零的正整数；
第二训练停止单元，用于当第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率的差值的绝对值小于预设阈值时，停止对所述语言模型的训练。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及智能手机等智能终端，也可以是智能手环、智能手表、蓝牙耳机等穿戴设备。所述终端设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (9)
1.一种语音识别方法，其特征在于，所述方法包括：
将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列；
在将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列之前，还包括：
将预设语音数据输入所述声学模型，对所述声学模型进行训练；
在训练过程中，按照预设周期获取所述声学模型的第一识别准确率；
将第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率进行相减，所述T为大于零的正整数；
当第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，停止对所述声学模型的训练。
2.如权利要求1所述的方法，其特征在于，构造基于神经网络的声学模型包括：
根据预先设置的GRU模型的层数及每层GRU神经元的个数，构建编码模型；
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，构建解码模型；
基于所述编码模型和所述解码模型，构建所述声学模型。
3.如权利要求2所述的方法，其特征在于，所述根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，构建解码模块的步骤，包括：
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合注意力模型和束搜索模型，构建所述解码模型。
4.如权利要求1所述的方法，其特征在于，构造基于神经网络的语言模型包括：
根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合条件随机场，构建所述语言模型。
5.如权利要求4所述的方法，其特征在于，在所述根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，结合条件随机场，构建所述语言模型的步骤之后，包括：
将预设文本数据输入所述语言模型，对所述语言模型进行训练；
在训练过程中，按照预设周期获取所述语言模型的第二识别准确率；
将第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率进行相减，所述T为大于零的正整数；
当第T个周期所获取到的第二识别准确率与第T+1周期所获取到的第二识别准确率的差值的绝对值小于预设阈值时，停止对所述语言模型的训练。
6.一种语音识别装置，其特征在于，所述装置包括：
目标拼音序列识别单元，用于将目标音频数据输入预先构造的基于神经网络的声学模型，得到目标拼音序列；
目标文字序列识别单元，用于将所述目标拼音序列输入预先构造的基于神经网络的语言模型，得到目标文字序列；
其中，所述装置还包括：
声学模型训练单元，用于将预设语音数据输入所述声学模型，对所述声学模型进行训练；
第一识别准确率获取单元，用于在训练过程中，按照预设周期获取所述声学模型的第一识别准确率；
第一识别准确率比较单元，用于将第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率进行相减，所述T为大于零的正整数；
第一停止训练单元，用于当第T个周期所获取到的第一识别准确率与第T+1周期所获取到的第一识别准确率的差值的绝对值小于预设阈值时，停止对所述声学模型的训练。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
编码模型构建单元，用于根据预先设置的GRU模型的层数及每层GRU神经元的个数，构建编码模型；
解码模型构建单元，用于根据预先设置的LSTM模型的层数及每层LSTM神经单元的个数，构建解码模型；
声学模型构建单元，用于基于所述编码模型和所述解码模型，构建所述声学模型。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述语音识别方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述语音识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811592002.9A CN111435592B (zh) | 2018-12-25 | 2018-12-25 | 一种语音识别方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811592002.9A CN111435592B (zh) | 2018-12-25 | 2018-12-25 | 一种语音识别方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111435592A CN111435592A (zh) | 2020-07-21 |
| CN111435592B true CN111435592B (zh) | 2023-12-01 |
Family
ID=71579747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811592002.9A Active CN111435592B (zh) | 2018-12-25 | 2018-12-25 | 一种语音识别方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111435592B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992959A (zh) * | 2019-12-06 | 2020-04-10 | 北京市科学技术情报研究所 | 一种语音识别方法及系统 |
| CN112489637B (zh) * | 2020-11-03 | 2024-03-26 | 北京百度网讯科技有限公司 | 语音识别方法和装置 |
| CN112735425B (zh) * | 2020-12-24 | 2023-05-23 | 交控科技股份有限公司 | 轨旁设备巡检报文生成方法及系统 |
| CN113192534A (zh) * | 2021-03-23 | 2021-07-30 | 汉海信息技术(上海)有限公司 | 地址搜索方法、装置、电子设备及存储介质 |
| CN114758649B (zh) * | 2022-04-06 | 2024-04-19 | 北京百度网讯科技有限公司 | 一种语音识别方法、装置、设备和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578464A (zh) * | 2013-10-18 | 2014-02-12 | 威盛电子股份有限公司 | 语言模型的建立方法、语音辨识方法及电子装置 |
| CN106910497A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种中文词语发音预测方法及装置 |
| CN107180628A (zh) * | 2017-05-19 | 2017-09-19 | 百度在线网络技术（北京）有限公司 | 建立声学特征提取模型的方法、提取声学特征的方法、装置 |
| CN108417202A (zh) * | 2018-01-19 | 2018-08-17 | 苏州思必驰信息科技有限公司 | 语音识别方法及系统 |
| CN108615525A (zh) * | 2016-12-09 | 2018-10-02 | 中国移动通信有限公司研究院 | 一种语音识别方法及装置 |
| CN108877782A (zh) * | 2018-07-04 | 2018-11-23 | 百度在线网络技术（北京）有限公司 | 语音识别方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11501154B2 (en) * | 2017-05-17 | 2022-11-15 | Samsung Electronics Co., Ltd. | Sensor transformation attention network (STAN) model |
-
2018
- 2018-12-25 CN CN201811592002.9A patent/CN111435592B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578464A (zh) * | 2013-10-18 | 2014-02-12 | 威盛电子股份有限公司 | 语言模型的建立方法、语音辨识方法及电子装置 |
| CN106910497A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种中文词语发音预测方法及装置 |
| CN108615525A (zh) * | 2016-12-09 | 2018-10-02 | 中国移动通信有限公司研究院 | 一种语音识别方法及装置 |
| CN107180628A (zh) * | 2017-05-19 | 2017-09-19 | 百度在线网络技术（北京）有限公司 | 建立声学特征提取模型的方法、提取声学特征的方法、装置 |
| CN108417202A (zh) * | 2018-01-19 | 2018-08-17 | 苏州思必驰信息科技有限公司 | 语音识别方法及系统 |
| CN108877782A (zh) * | 2018-07-04 | 2018-11-23 | 百度在线网络技术（北京）有限公司 | 语音识别方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111435592A (zh) | 2020-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111435592B (zh) | 一种语音识别方法、装置及终端设备 | |
| CN111261144B (zh) | 一种语音识别的方法、装置、终端以及存储介质 | |
| US20180158449A1 (en) | Method and device for waking up via speech based on artificial intelligence | |
| CN103971685B (zh) | 语音命令识别方法和系统 | |
| CN110288972B (zh) | 语音合成模型训练方法、语音合成方法及装置 | |
| CN106875936B (zh) | 语音识别方法及装置 | |
| CN112528637B (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
| CN110827805A (zh) | 语音识别模型训练方法、语音识别方法和装置 | |
| CN110136715B (zh) | 语音识别方法和装置 | |
| CN107316635B (zh) | 语音识别方法及装置、存储介质、电子设备 | |
| CN112185363B (zh) | 音频处理方法及装置 | |
| CN113470619A (zh) | 语音识别方法、装置、介质及设备 | |
| CN112259089A (zh) | 语音识别方法及装置 | |
| CN111354343A (zh) | 语音唤醒模型的生成方法、装置和电子设备 | |
| CN114360557A (zh) | 语音音色转换方法、模型训练方法、装置、设备和介质 | |
| CN113793591A (zh) | 语音合成方法及相关装置和电子设备、存储介质 | |
| CN112071300A (zh) | 语音会话方法、装置、计算机设备和存储介质 | |
| CN111883121A (zh) | 唤醒方法、装置及电子设备 | |
| US11295732B2 (en) | Dynamic interpolation for hybrid language models | |
| CN114360510A (zh) | 一种语音识别方法和相关装置 | |
| CN113793599A (zh) | 语音识别模型的训练方法和语音识别方法及装置 | |
| CN112133285B (zh) | 语音识别方法、装置、存储介质和电子设备 | |
| US9530103B2 (en) | Combining of results from multiple decoders | |
| CN113012683A (zh) | 语音识别方法及装置、设备、计算机可读存储介质 | |
| CN111414748A (zh) | 话务数据处理方法及装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province Applicant after: TCL Technology Group Co.,Ltd. Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District Applicant before: TCL Corp. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |