CN111489735A - 语音识别模型训练方法及装置 - Google Patents
语音识别模型训练方法及装置 Download PDFInfo
- Publication number
- CN111489735A CN111489735A CN202010323071.0A CN202010323071A CN111489735A CN 111489735 A CN111489735 A CN 111489735A CN 202010323071 A CN202010323071 A CN 202010323071A CN 111489735 A CN111489735 A CN 111489735A
- Authority
- CN
- China
- Prior art keywords
- chinese
- foreign language
- foreign
- model
- language model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000000463 material Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241000220225 Malus Species 0.000 description 2
- 244000134242 Malus prunifolia Species 0.000 description 2
- 235000005087 Malus prunifolia Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001737 promoting effect Effects 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
- G10L15/02—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
- G10L15/005—Language recognition
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L15/26—Speech to text systems
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/008—Multichannel audio signal coding or decoding using interchannel correlation to reduce redundancy, e.g. joint-stereo, intensity-coding or matrixing
-
- 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
- G10L2015/025—Phonemes, fenemes or fenones being the recognition units
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开公开了一种语音识别模型训练方法、装置、电子设备和计算机可读存储介质。其中方法包括:获取外文单词的音频;采用音素语言模型构建的解码器对音频进行解码,得到所述外文单词的音素序列;根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;在中文语言模型中加入外文单词,得到中外文语言模型;根据中外文发音词典、中文声学模型和中外文语言模型训练得到中外文语音识别模型。本公开实施例在中文语言模型的基础上训练得到中外文语言模型,并且不需要大量中英文混合数据,仅需获取英文数据即可,训练速度大大加快,而且在训练中外文语言模型时直接采用现有的中文语言模型和中文声学模型,因此不会对原有的中文识别率产生影响。
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模型训练方法、装置和计算机可读存储介质。
背景技术
随着智能音箱的逐渐普及,人们对智能音箱中语音识别的要求也越来越高。除了要求识别引擎可以准确的识别中文外,对于中外文混杂识别的需求也越来越大。目前中外文混杂识别仍然是语音识别技术中的一个难点。
在现有技术中,通常收集大量中外文混杂的音频和文本,构建外文单词发音词典,重新训练声学模型和语言模型。外文部分的发音词典构建一般有三种选择:(1)使用中文音素标注外文发音。(2)使用外文音素标注外文发音,音素集合为中文音素加外文音素。(3)使用中文音素和部分外文音素标注外文发音,发音相似的使用中文音素标音,发音差距较大的使用外文音素标音。
但是,上述方法存在以下缺陷:中外文混杂音频数据比较稀有,收集成本高;构建外文词典人力成本高,并且无法保证词典的效果;声学模型训练周期很长,训练成本高;加入中外文混合数据训练声学模型,会影响对纯中文识别的识别效果。
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模型训练方法,以至少部分地解决现有技术中中外文混杂音频数据比较稀有,收集成本高,构建外文词典人力成本高,并且无法保证词典的效果,声学模型训练周期很长,训练成本高,加入中外文混合数据训练声学模型,会影响对纯中文识别的识别效果的技术问题。此外,还提供一种语音识别模型训练装置、语音识别模型训练硬件装置、计算机可读存储介质和语音识别模型训练终端。
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:
一种语音识别模型训练方法,包括:
获取外文单词的音频;
采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型;
根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;
在中文语言模型中加入所述外文单词,得到中外文语言模型;
根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
进一步的,所述采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列,包括:
当所述音频为多条时,采用音素语言模型构建的解码器对所述多条音频进行解码;
选出最优的一条或多条音素序列作为所述外文单词的音素序列。
进一步的,所述选出最优的一条或多条音素序列作为所述外文单词的音素序列,包括:
确定n条最优音素序列和每条音素序列的置信度;其中,n为正整数;
选出所述置信度最高的一条或多条音素序列作为所述外文单词的音素序列。
进一步的,所述在中文语言模型中加入所述外文单词,得到中外文语言模型,包括:
在中文语言模型的关联文件中查找到所述外文单词对应的中文;
在所述关联文件中添加所述外文单词及所述外文单词的概率,得到中外文语言模型,其中,所述外文单词的概率为所述中文的概率。
进一步的,所述在中文语言模型中加入所述外文单词,得到中外文语言模型,包括:
若在中文语言模型的关联文件中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的外文语料,得到中外文语料;
根据所述中外文语料训练得到中外文语言模型。
进一步的,所述在中文语言模型中加入所述外文单词,得到中外文语言模型,包括:
若在所述中文语言模型中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的中文语料;
根据增加后的中文语料重新训练得到中文语言模型;
在重新训练的中文语言模型中加入所述外文单词,得到中外文语言模型。
进一步的,所述方法还包括:
采用中文发音词典,将中文语料中包含的中文对应的标注转到音素级别,得到音素语言模型。
进一步的,所述中文语言模型和所述中外文语言模型均为ngram语言模型。
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:
一种语音识别模型训练装置,包括:
音频获取模块,用于获取外文单词的音频;
音素获取模块,用于采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型;
外文发音词典生成模块,用于根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;
中外文语言模型生成模块,用于在中文语言模型中加入所述外文单词,得到中外文语言模型;
语音识别模型训练模块,用于根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
进一步的,所述音素获取模块采包括:
解码单元,用于当所述音频为多条时,采用音素语言模型构建的解码器对所述多条音频进行解码;
音素获取单元,用于选出最优的一条或多条音素序列作为所述外文单词的音素序列。
进一步的,所述音素获取单元具体用于:确定n条最优音素序列和每条音素序列的置信度;其中,n为正整数;选出所述置信度最高的一条或多条音素序列作为所述外文单词的音素序列。
进一步的,所述中外文语言模型生成模块具体用于:在中文语言模型的关联文件中查找到所述外文单词对应的中文;在所述关联文件中添加所述外文单词及所述外文单词的概率,得到中外文语言模型,其中,所述外文单词的概率为所述中文的概率。
进一步的,所述中外文语言模型生成模块具体用于:
若在中文语言模型的关联文件中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的外文语料,得到中外文语料;根据所述中外文语料训练得到中外文语言模型。
进一步的,所述中外文语言模型生成模块具体用于:
若在所述中文语言模型中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的中文语料;根据增加后的中文语料重新训练得到中文语言模型;在重新训练的中文语言模型中加入所述外文单词,得到中外文语言模型。
进一步的,所述装置还包括:
音素语言模型训练模块,用于采用中文发音词典,将中文语料中包含的中文对应的标注转到音素级别,得到音素语言模型。
进一步的,所述中文语言模型和所述中外文语言模型均为ngram语言模型。
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模型训练方法。
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模型训练方法。
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:
一种语音识别模型训练终端,包括上述任一语音识别模型训练装置。
本公开实施例训练速度快,由于不需要训练声学模型,只需要重新训练语言模型,训练速度大大加快。当有新的中英文混合识别的需求时,只需要录制十几条英文音频,重新训练语言模型即可支持。并且,由于没有重新训练声学模型,不会对原有的中文识别率产生影响。
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模型训练方法的流程示意图;
图2为根据本公开一个实施例的语音识别模型训练装置的结构示意图;
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中外文混杂音频数据比较稀有,收集成本高,构建外文词典人力成本高,并且无法保证词典的效果,声学模型训练周期很长,训练成本高,加入中外文混合数据训练声学模型,会影响对纯中文识别的识别效果的技术问题,本公开实施例提供一种语音识别模型训练方法。如图1所示,该语音识别模型训练方法主要包括如下步骤S11至步骤S15。
步骤S11:获取外文单词的音频。
例如,可以录制需要支持的外文单词的音频,例如需要支持“我要吃apple”的识别,就去收集或者录制一批apple的音频,量级可以在10几条左右。
步骤S12:采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型。
其中,音素(phone),是根据语音的自然属性划分出来的最小语音单位,依据音节里的发音动作来分析,一个动作构成一个音素。音素分为元音与辅音两大类。例如汉语音节ā(啊)只有一个音素,ài(爱)有两个音素,dāi(呆)有三个音素等。在本实施例中,音素为外文单词的发音。音素语言模型为音素级别的语言模型。
其中,解码器为一个实现解码算法的程序,即在每个音素的声学模型上使用解码器做解码,也就是该解码器为根据音素语言模型构建的解码器,该解码器为音素级别的解码器。具体的,通常要识别一个比较长的音频,这段音频中可能包含了很多外文单词,这就需要把所有可能的外文单词展开为音素序列,再根据音素的声学模型得到解码图,然后在这个解码图上实施解码算法,得到最佳音素序列。
步骤S13:根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典。
具体的,可以将外文词典中每个单词及对应的音素序列加入已有发音词典中(例如,中文发音词典),得到中外文发音词典。
步骤S14:在中文语言模型中加入所述外文单词,得到中外文语言模型。
该中文语言模型和中外文语言模型均沿用现有的词级别的语言模型,不需要将其训练为音素级别的语言模型,这样可以提高中外文语言模型的训练速度,并且,不会对原有的中文识别率产生影响。
步骤S15:根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
具体的,可以根据中英文词典和中英文语言模型构建解码器,该解码器为词级别的解码器。基于词级别的解码器和声学模型,可以支持中英文混合识别。
本实施例训练速度快,由于不需要训练声学模型,只需要重新训练语言模型,训练速度大大加快。当有新的中英文混合识别的需求时,只需要录制十几条英文音频,重新训练语言模型即可支持。并且,由于没有重新训练声学模型,不会对原有的中文识别率产生影响。
在一个可选的实施例中,所述方法还包括:
步骤S16:采用中文发音词典,将中文语料中包含的中文对应的标注转到音素级别,得到音素语言模型。
其中,中文语料可以为训练中文语言模型使用的中文训练语料。其中,中文语言模型可以为ngram模型或神经网络语言模型。
具体的,可以使用中文发音词典,将中文的标注转到音素级别。现有的中文语言模型,输入和输出都是词,但是音素级别的语言模型即音素语言模型的输入和输出都是音素。例如,使用ngram工具训练音素级别的语言模型,也就是统计音素的ngram概率,构建音素语言模型。音素语言模型构建的解码器,可以输出音素序列,这样可以达到对英文音频解码得到英文对应音素的目的。
在一个可选的实施例中,步骤S12具体包括:
步骤S121:当所述音频为多条时,采用音素语言模型构建的解码器对所述多条音频进行解码。
步骤S122:选出最优的一条或多条音素序列作为所述外文单词的音素序列。
在一个可选的实施例中,步骤S122具体包括:确定n条最优音素序列和每条音素序列的置信度;其中,n为正整数;选出所述置信度最高的一条或多条音素序列作为所述外文单词的音素序列。
具体的,当所述音频为多条时,采用所述音素语言模型构建的解码器进行解码,取出nbest结果。由于音素语言模型是音素级别,解码出的结果也就是这条音频对应的发音的音素序列。根据多条音频的nbest结果和对应的置信度,选择分数最高一条或几条解码结果,作为这个英文单词的发音序列即音素序列。
在一个可选的实施例中,步骤S14具体包括:
步骤S141:在中文语言模型的关联文件中查找到所述外文单词对应的中文。
步骤S142:在所述关联文件中添加所述外文单词及所述外文单词的概率,得到中外文语言模型,其中,所述外文单词的概率为所述中文的概率。
其中,中文语言模型的关联文件中包含中文及对应的概率,例如苹果及苹果对应的概率0.06。具体在实现时,可以将中文语言模型的关联文件(例如,ngram文件)中所有出现中文苹果的地方,复制一遍,然后将复制的中文苹果改为英文apple,则apple的概率也为0.06。
在一个可选的实施例中,步骤S14具体包括:
步骤S143:若在中文语言模型的关联文件中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的外文语料,得到中外文语料。
步骤S144:根据所述中外文语料训练得到中外文语言模型。
具体的,如果中文语言模型中不存在外文单词对应的中文词汇,例如英文歌名,就需要对中文语言模型的中文训练语料进行扩充,增加英文歌名对应的句式,根据中外文语料重新训练直接得到中外文语言模型。
在一个可选的实施例中,步骤S14包括:
步骤S145:若在所述中文语言模型中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的中文语料。
步骤S146:根据增加后的中文语料重新训练得到中文语言模型。
步骤S147:在重新训练的中文语言模型中加入所述外文单词,得到中外文语言模型。
具体的,如果中文语言模型中不存在外文单词对应的中文词汇,例如英文歌名,就需要对中文语言模型的中文训练语料进行扩充,增加英文歌名对应的中文的句式,再重新训练得到中文语言模型。
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模型训练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中外文混杂音频数据比较稀有,收集成本高,构建外文词典人力成本高,并且无法保证词典的效果,声学模型训练周期很长,训练成本高,加入中外文混合数据训练声学模型,会影响对纯中文识别的识别效果的技术问题,本公开实施例提供一种语音识别模型训练装置。该装置可以执行上述实施例一所述的语音识别模型训练方法实施例中的步骤。如图2所示,该装置主要包括:音频获取模块21、音素获取模块22、外文发音词典生成模块23、中外文语言模型生成模块24和语音识别模型训练模块25;其中,
音频获取模块21用于获取外文单词的音频;
音素获取模块22用于采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型;
外文发音词典生成模块23用于根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;
中外文语言模型生成模块24用于在中文语言模型中加入所述外文单词,得到中外文语言模型;
语音识别模型训练模块25用于根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
进一步的,所述音素获取模块22包括:解码单元221和音素获取单元222;其中,
所述解码单元221用于当所述音频为多条时,采用音素语言模型构建的解码器对所述多条音频进行解码;
所述音素获取单元222用于选出最优的一条或多条音素序列作为所述外文单词的音素序列。
进一步的,所述音素获取单元222具体用于:确定n条最优音素序列和每条音素序列的置信度;其中,n为正整数;选出所述置信度最高的一条或多条音素序列作为所述外文单词的音素序列。
进一步的,所述中外文语言模型生成模块24具体用于:在中文语言模型的关联文件中查找到所述外文单词对应的中文;在所述关联文件中添加所述外文单词及所述外文单词的概率,得到中外文语言模型,其中,所述外文单词的概率为所述中文的概率。
进一步的,所述中外文语言模型生成模块24具体用于:
若在中文语言模型的关联文件中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的外文语料,得到中外文语料;根据所述中外文语料训练得到中外文语言模型。
进一步的,所述中外文语言模型生成模块24具体用于:
若在所述中文语言模型中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的中文语料;根据增加后的中文语料重新训练得到中文语言模型;在重新训练的中文语言模型中加入所述外文单词,得到中外文语言模型。
进一步的,所述装置还包括:音素语言模型训练模块26;其中,
所述音素语言模型训练模块26用于采用中文发音词典,将中文语料中包含的中文对应的标注转到音素级别,得到音素语言模型。
进一步的,所述中文语言模型和所述中外文语言模型均为ngram语言模型。
有关语音识别模型训练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模型训练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:获取外文单词的音频;采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型;根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;在中文语言模型中加入所述外文单词,得到中外文语言模型;根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
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 (11)
1.一种语音识别模型训练方法,其特征在于,包括:
获取外文单词的音频;
采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型;
根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;
在中文语言模型中加入所述外文单词,得到中外文语言模型;
根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
2.根据权利要求1所述的方法,其特征在于,所述采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列,包括:
当所述音频为多条时,采用音素语言模型构建的解码器对所述多条音频进行解码;
选出最优的一条或多条音素序列作为所述外文单词的音素序列。
3.根据权利要求2所述的方法,其特征在于,所述选出最优的一条或多条音素序列作为所述外文单词的音素序列,包括:
确定n条最优音素序列和每条音素序列的置信度;其中,n为正整数;
选出所述置信度最高的一条或多条音素序列作为所述外文单词的音素序列。
4.根据权利要求1所述的方法,其特征在于,所述在中文语言模型中加入所述外文单词,得到中外文语言模型,包括:
在中文语言模型的关联文件中查找到所述外文单词对应的中文;
在所述关联文件中添加所述外文单词及所述外文单词的概率,得到中外文语言模型,其中,所述外文单词的概率为所述中文的概率。
5.根据权利要求1所述的方法,其特征在于,所述在中文语言模型中加入所述外文单词,得到中外文语言模型,包括:
若在中文语言模型的关联文件中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的外文语料,得到中外文语料;
根据所述中外文语料训练得到中外文语言模型。
6.根据权利要求1所述的方法,其特征在于,所述在中文语言模型中加入所述外文单词,得到中外文语言模型,包括:
若在所述中文语言模型中未查找到所述外文单词对应的中文,则对训练所述中文语言模型的中文语料进行扩充,增加包含所述外文单词的中文语料;
根据增加后的中文语料重新训练得到中文语言模型;
在重新训练的中文语言模型中加入所述外文单词,得到中外文语言模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用中文发音词典,将中文语料中包含的中文对应的标注转到音素级别,得到音素语言模型。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述中文语言模型和所述中外文语言模型均为ngram语言模型。
9.一种语音识别模型训练装置,其特征在于,包括:
音频获取模块,用于获取外文单词的音频;
音素获取模块,用于采用音素语言模型构建的解码器对所述音频进行解码,得到所述外文单词的音素序列;其中,所述音素语言模型为音素级别的语言模型;
外文发音词典生成模块,用于根据所述外文单词及所述音素序列更新发音词典,获得中外文发音词典;
中外文语言模型生成模块,用于在中文语言模型中加入所述外文单词,得到中外文语言模型;
语音识别模型训练模块,用于根据所述中外文发音词典、中文声学模型和所述中外文语言模型训练得到中外文语音识别模型。
10.一种电子设备,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1-8任一项所述的语音识别模型训练方法。
11.一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1-8任一项所述的语音识别模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323071.0A CN111489735B (zh) | 2020-04-22 | 2020-04-22 | 语音识别模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323071.0A CN111489735B (zh) | 2020-04-22 | 2020-04-22 | 语音识别模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489735A true CN111489735A (zh) | 2020-08-04 |
CN111489735B CN111489735B (zh) | 2023-05-16 |
Family
ID=71811089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323071.0A Active CN111489735B (zh) | 2020-04-22 | 2020-04-22 | 语音识别模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489735B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489634A (zh) * | 2020-11-17 | 2021-03-12 | 腾讯科技(深圳)有限公司 | 语言的声学模型训练方法、装置、电子设备及计算机介质 |
CN112820281A (zh) * | 2020-12-31 | 2021-05-18 | 北京声智科技有限公司 | 一种语音识别方法、装置及设备 |
CN112905869A (zh) * | 2021-03-26 | 2021-06-04 | 北京儒博科技有限公司 | 语言模型的自适应训练方法、装置、存储介质及设备 |
CN112951210A (zh) * | 2021-02-02 | 2021-06-11 | 虫洞创新平台(深圳)有限公司 | 语音识别方法及装置、设备、计算机可读存储介质 |
CN113393841A (zh) * | 2020-10-16 | 2021-09-14 | 腾讯科技(深圳)有限公司 | 语音识别模型的训练方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082831A1 (en) * | 2000-12-26 | 2002-06-27 | Mei-Yuh Hwang | Method for adding phonetic descriptions to a speech recognition lexicon |
WO2007069512A1 (ja) * | 2005-12-15 | 2007-06-21 | Sharp Kabushiki Kaisha | 情報処理装置及びプログラム |
CN101447184A (zh) * | 2007-11-28 | 2009-06-03 | 中国科学院声学研究所 | 基于音素混淆的中英文双语语音识别方法 |
CN107195296A (zh) * | 2016-03-15 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 一种语音识别方法、装置、终端及系统 |
CN107195295A (zh) * | 2017-05-04 | 2017-09-22 | 百度在线网络技术(北京)有限公司 | 基于中英文混合词典的语音识别方法及装置 |
CN107301860A (zh) * | 2017-05-04 | 2017-10-27 | 百度在线网络技术(北京)有限公司 | 基于中英文混合词典的语音识别方法及装置 |
CN108492820A (zh) * | 2018-03-20 | 2018-09-04 | 华南理工大学 | 基于循环神经网络语言模型和深度神经网络声学模型的中文语音识别方法 |
CN110675854A (zh) * | 2019-08-22 | 2020-01-10 | 厦门快商通科技股份有限公司 | 一种中英文混合语音识别方法及装置 |
CN110930980A (zh) * | 2019-12-12 | 2020-03-27 | 苏州思必驰信息科技有限公司 | 一种中英文混合语音的声学识别模型、方法及系统 |
-
2020
- 2020-04-22 CN CN202010323071.0A patent/CN111489735B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082831A1 (en) * | 2000-12-26 | 2002-06-27 | Mei-Yuh Hwang | Method for adding phonetic descriptions to a speech recognition lexicon |
WO2007069512A1 (ja) * | 2005-12-15 | 2007-06-21 | Sharp Kabushiki Kaisha | 情報処理装置及びプログラム |
CN101447184A (zh) * | 2007-11-28 | 2009-06-03 | 中国科学院声学研究所 | 基于音素混淆的中英文双语语音识别方法 |
CN107195296A (zh) * | 2016-03-15 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 一种语音识别方法、装置、终端及系统 |
CN107195295A (zh) * | 2017-05-04 | 2017-09-22 | 百度在线网络技术(北京)有限公司 | 基于中英文混合词典的语音识别方法及装置 |
CN107301860A (zh) * | 2017-05-04 | 2017-10-27 | 百度在线网络技术(北京)有限公司 | 基于中英文混合词典的语音识别方法及装置 |
CN108492820A (zh) * | 2018-03-20 | 2018-09-04 | 华南理工大学 | 基于循环神经网络语言模型和深度神经网络声学模型的中文语音识别方法 |
CN110675854A (zh) * | 2019-08-22 | 2020-01-10 | 厦门快商通科技股份有限公司 | 一种中英文混合语音识别方法及装置 |
CN110930980A (zh) * | 2019-12-12 | 2020-03-27 | 苏州思必驰信息科技有限公司 | 一种中英文混合语音的声学识别模型、方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393841A (zh) * | 2020-10-16 | 2021-09-14 | 腾讯科技(深圳)有限公司 | 语音识别模型的训练方法、装置、设备及存储介质 |
CN113393841B (zh) * | 2020-10-16 | 2024-01-26 | 腾讯科技(深圳)有限公司 | 语音识别模型的训练方法、装置、设备及存储介质 |
CN112489634A (zh) * | 2020-11-17 | 2021-03-12 | 腾讯科技(深圳)有限公司 | 语言的声学模型训练方法、装置、电子设备及计算机介质 |
CN112820281A (zh) * | 2020-12-31 | 2021-05-18 | 北京声智科技有限公司 | 一种语音识别方法、装置及设备 |
CN112820281B (zh) * | 2020-12-31 | 2022-09-23 | 北京声智科技有限公司 | 一种语音识别方法、装置及设备 |
CN112951210A (zh) * | 2021-02-02 | 2021-06-11 | 虫洞创新平台(深圳)有限公司 | 语音识别方法及装置、设备、计算机可读存储介质 |
CN112905869A (zh) * | 2021-03-26 | 2021-06-04 | 北京儒博科技有限公司 | 语言模型的自适应训练方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111489735B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583900B (zh) | 歌曲合成方法、装置、可读介质及电子设备 | |
CN111489735B (zh) | 语音识别模型训练方法及装置 | |
CN112786006B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
CN112489620B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
WO2022156544A1 (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN111583903B (zh) | 语音合成方法、声码器训练方法、装置、介质及电子设备 | |
CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
EP3282368A1 (en) | Parallel processing-based translation method and apparatus | |
CN111292720A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
CN112786011B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
CN111951779B (zh) | 语音合成的前端处理方法及相关设备 | |
CN112786008B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
CN112331176B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
CN112365878B (zh) | 语音合成方法、装置、设备及计算机可读存储介质 | |
CN111916053B (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
CN111354343B (zh) | 语音唤醒模型的生成方法、装置和电子设备 | |
CN111883117A (zh) | 语音唤醒方法及装置 | |
CN114495902A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
CN111933119B (zh) | 用于生成语音识别网络的方法、装置、电子设备和介质 | |
CN111063337B (zh) | 可快速更新语言模型的大规模语音识别方法及系统 | |
CN112836476B (zh) | 一种纪要生成方法、装置、设备及介质 | |
CN114613351A (zh) | 韵律预测方法、装置、可读介质及电子设备 | |
CN112927676A (zh) | 一种语音信息的获取方法、装置、设备和存储介质 |
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 |