声学网络模型训练方法、装置及电子设备
技术领域
本公开涉及数据处理技术领域,尤其涉及一种声学网络模型训练方法、装置及电子设备。
背景技术
语音处理(Speech processing),又称语音信号处理、人声处理,其目的是希望做出想要的信号,进一步做语音辨识,应用到手机界面甚至一般生活中,使人与电脑能进行沟通。
语音处理的过程中,可以用麦克风或其他装置收到的类音声音信号,经由模拟数字变换装置,将资料数据化进行处理,最后再经过数字模拟变换装置输出。因此,在处理时是针对数字信号,语音信号是一种离散时间信号。其信号处理流程如下:收取并采样信号:利用麦克风或各种收音装置,收取模拟语音信号,再用ADC装置(如模拟数字变换卡)把模拟信号变成数字信号,接着根据奈奎斯特理论作采样,若不符合理论则会造成信号失真。量化及编码:由于电脑中的记忆都是0和1,因此要将所收到的数据用一段适合的0跟1去储存,这个动作就称为量化,所使用的0与1越多,所需的内存越多。接着利用编码器将数值以波形呈现。将语音信号标准化,使其数值都落在同一个范围。由于语音信号是一段很长的信号,因此会针对想要处理的部分取音框。由于噪声多集中在高频的部分,因此利用简单的高频滤波器,就可以去掉部分噪声。
BLSTM(Bidirectional Long Short-Term Memory,双向长短记忆网络)在进行语音文件的预测的过程中,存在预测结果不稳定的情况,为此,需要通过网络训练的方式,使得BLSTM网络的预测结果趋于稳定。
发明内容
有鉴于此,本公开实施例提供一种声学网络模型训练方法、装置及电子设备,以至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种声学网络模型训练方法,包括:
获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件;
利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音;
基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果;
当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。
根据本公开实施例的一种具体实现方式,所述获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件,包括:
基于预先设置的分类,获取多个语音文件;
对所述多个语音文件进行语义标注;
基于标注后的语义文件,形成所述训练样本。
根据本公开实施例的一种具体实现方式,所述利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,包括:
利用所述BLSTM模型对输入的语音文件进行特征提取;
基于提取到的语音特征,确定所述语音文件中尖峰特征所在的时间点;
将所述时间点作为所述尖峰所在的时间点。
根据本公开实施例的一种具体实现方式,所述基于预先设置CTC分割网络,对所述分段语音进行语义预测,包括:
利用所述CTC分割网络对所述分段语音进行语义解析,以获得解析结果;
基于所述解析结果,预测所述分段语音所述对应的语义文字。
根据本公开实施例的一种具体实现方式,所述当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,包括:
获取所述声学网络模型的输出结果;
将所述输出结果与所述语义标注进行比较,形成比较结果;
当所述比较结果满足预设要求时,停止对所述声学网络模型的训练。
根据本公开实施例的一种具体实现方式,所述利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测之前,所述方法还包括:
在随机初始化LSTM网络模型之后,基于设置的与LSTM网络相关的第一训练参数及第二训练参数,形成用于训练BLSTM网络的损失函数;
在训练所述BLSTM网络的过程中,在逐渐增大所述第一训练参数的值的同时,逐渐减小所述第二训练参数的值;
当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练,以便于利用所述BLSTM网络对输入的语音文件进行实时的尖峰检测。
根据本公开实施例的一种具体实现方式,所述形成用于训练BLSTM网络的损失函数,包括:
获取所述LSTM网络模型连接的CTC网络的第一输出结果;
将所述第一输出结果与所述第一训练参数的乘积作为所述损失函数的第一组成部分。
根据本公开实施例的一种具体实现方式,所述形成用于训练BLSTM网络的损失函数,包括:
获取所述LSTM网络模型在训练过程中输出的KL散度;
将所述KL散度与所述第二训练参数的乘积作为所述损失函数的第二组成部分。
第二方面,本公开实施例提供了一种声学网络模型训练装置,包括:
获取模块,用于获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件;
检测模块,用于利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音;
预测模块,用于基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果;
执行模块,用于当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的声学网络模型训练方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的声学网络模型训练方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的声学网络模型训练方法。
本公开实施例中的声学网络模型训练方案,包括获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件;利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音;基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果;当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。通过本公开的处理方案,在提高了声学网络模型训练的效率的同时,使得BLSTM网络的预测结果趋于稳定。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种声学网络模型训练方法的流程图;
图2为本公开实施例提供的另一种声学网络模型训练方法的流程图;
图3为本公开实施例提供的另一种声学网络模型训练方法的流程图;
图4为本公开实施例提供的另一种声学网络模型训练方法的流程图;
图5为本公开实施例提供的一种声学网络模型训练装置的结构示意图;
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种声学网络模型训练方法。本实施例提供的声学网络模型训练方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、客户端等中。
参见图1,本公开实施例中的声学网络模型训练方法,可以包括如下步骤:
S101,获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件。
在进行声学网络模型训练之前,需要采集多个语音文件,通过将多个语音文件组合成一个语音集合,形成训练样本,通过训练样本来对该声学网络模型进行训练。
为了保证采集到的训练样本满足多样化的要求,可以预先设置多个不同的语音分类,通过这些预先设置的分类,在每个分类中填充预设个数目的语音文件,从而获取到训练样本所需要的多个语音文件。
在获取到语音文件之后,需要对所述多个语音文件进行语义标注,通过这些语义标注,能够确定这些语音所要表达的具体的文本内容。最后,通过将这些语音文件和标注后的语义文件合并在一起,形成所述训练样本
S102,利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音。
BLSTM(Bidirectional Long Short-Term Memory,双向长短记忆网络)模型用于对语音进行解析具有速度快、训练时间短的优势,为此,可以利用训练后的BLSTM网络来对语音中包含的语音尖峰进行检测,语音尖峰表示了语音中不同声音组成之间的划分点,通过对语音尖峰进行检测并划分语音文件,能够形成多个包含不同字母的分段语音。
作为一种实时方式,对于实时性和准确性要求较高的应用场景而言(例如,语音字幕的实时解析),BLSTM网络存在单个文字的出现时间预测不准确的缺点,影响了语音到文字预测的时效性。为此,设置LSTM(Long Short-Term Memory,长短记忆网络)网络模型,由于LSTM模型具有文字预测时效性高的优点,可以利用该LSTM网络模型来训练BLSTM网络模型,从而使得BLSTM网络模型具有与LSTM模型一样的预测性能。
S103,基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果。
通过在BLSTM网络后面连接CTC(Connectionist Temporal Classification,连接时序分类)分割网络的方式,可以在BLSTM网络设置完成之后,可以利用BLSTM网络后面连接的CTC网络的输出来构建BLSTM的损失函数,从而进一步的利用该损失函数来对该分割语音进行语义预测,从而确定每个语义段所表示的具体含义,得到与分段语音所对应的文本预测结果。
S104,当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。
可以预先设置声学网络模型的性能参数,在声学网络模型满足设置的性能参数之后,结束对声学网络模型的训练。从而利用训练后的声学网络模型对输入的声音文件进行实时的文字预测。
通过本实施例中的方案,能够通过BLSTM对语音进行尖峰检测,基于检测到的语音段对语音文件进行文本检测,从而提高了语音预测的准确性。
参见图2,根据本公开实施例的一种具体实现方式,所述获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件,包括:
S201,基于预先设置的分类,获取多个语音文件。
通过预先设置多个语音分类,可以在多个分类中填充不同类型的语音文件,从而满足语音文件的多样性,最终形成多个语音文件。
S202,对所述多个语音文件进行语义标注。
获得多个语音文件之后,可以通过人工标注的方式对语音文件进行语义标注,从而形成与该语音文件所对应的文本内容。
S203,基于标注后的语义文件,形成所述训练样本。
通过该实施例的内容,能够形成多样性的语音训练样本。
参见图3,根据本公开实施例的一种具体实现方式,所述利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,包括:
S301,利用所述BLSTM模型对输入的语音文件进行特征提取。
可以在BLSTM网络中设置多个特征提取层,通过设定的特征提取层来获取语音文件的特征值,从而进一步的基于该特征值进行特征提取。
S302,基于提取到的语音特征,确定所述语音文件中尖峰特征所在的时间点。
通过对提取到的特征进行特征比对的方式,可以确定与尖峰特征相比具有特定相似度的语音特征,通过查找该语音特征所在的时间点,确定语音文件中尖峰特征所在的时间点。
S303,将所述时间点作为所述尖峰所在的时间点。
通过上述实施例的内容,能够快速的确定尖峰所在的时间段,从而对语音文件进行快速的切分。
根据本公开实施例的一种具体实现方式,所述基于预先设置CTC分割网络,对所述分段语音进行语义预测,包括:利用所述CTC分割网络对所述分段语音进行语义解析,以获得解析结果;基于所述解析结果,预测所述分段语音所述对应的语义文字。
参见图4,根据本公开实施例的一种具体实现方式,所述当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,包括:
S401,获取所述声学网络模型的输出结果。
声学模型通过对输入的语音文件进行解析,能够预测出与该输入的语音文件所对应的文本预测结果,为此,可以获取所述声学网络模型的输出结果。
S402,将所述输出结果与所述语义标注进行比较,形成比较结果。
S403,当所述比较结果满足预设要求时,停止对所述声学网络模型的训练。
通过设置预设的性能指标(例如,预测结果的准确度),可以对声学网络模型预测结果的准确度进行判断,当预测结果满足预设要求时,停止对该声学网络模型的训练。
根据本公开实施例的一种具体实现方式,所述利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测之前,所述方法还包括:
首先,在随机初始化LSTM网络模型之后,基于设置的与LSTM网络相关的第一训练参数及第二训练参数,形成用于训练BLSTM网络的损失函数。
在LSTM网络设置完成之后,可以利用LSTM网络后面连接的CTC(ConnectionistTemporal Classification,连接时序分类)网络的输出来构建BLSTM的损失函数,从而进一步的利用该损失函数来训练LSTM网络模型。
具体的,可以构建BLSTM网络的损失函数L如下:
L=a*CTC+b*KL
其中,a为与CTC网络相关的第一训练参数,CTC为从CTC网络选取的输出内容,b为与KL散度相关的第二训练参数,KL为LSTM网络的散度值。其中CTC的值可以根据实际的需要进行设置,例如CTC可以设置为CTC网络的损失函数值。
其次,在训练所述BLSTM网络的过程中,在逐渐增大所述第一训练参数的值的同时,逐渐减小所述第二训练参数的值。
为了提高训练的速度,可以通过修改第一训练参数和第二训练参数的方式来进行。具体的,可以在逐渐增大所述第一训练参数的值的同时,逐渐减小所述第二训练参数的值。
最后,当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练,以便于利用所述BLSTM网络对输入的语音文件进行实时的尖峰检测。
根据本公开实施例的一种具体实现方式,所述形成用于训练BLSTM网络的损失函数,包括:获取所述LSTM网络模型连接的CTC网络的第一输出结果;将所述第一输出结果与所述第一训练参数的乘积作为所述损失函数的第一组成部分。
根据本公开实施例的一种具体实现方式,所述形成用于训练BLSTM网络的损失函数,包括:获取所述LSTM网络模型在训练过程中输出的KL散度;将所述KL散度与所述第二训练参数的乘积作为所述损失函数的第二组成部分。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种声学网络模型训练装置50,包括:
获取模块501,用于获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件;
检测模块502,用于利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音;
预测模块503,用于基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果;
执行模块504,用于当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。
本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的声学网络模型训练方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的声学网络模型训练方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的声学网络模型训练方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子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6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6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601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。
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:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,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:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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。
根据本公开的一个或多个实施例,本公开提供了一种声学网络模型训练方法,该方法包括:
获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件;
利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音;
基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果;
当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。
根据本公开的一个或多个实施例,所述获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件,包括:
基于预先设置的分类,获取多个语音文件;
对所述多个语音文件进行语义标注;
基于标注后的语义文件,形成所述训练样本。
根据本公开的一个或多个实施例,所述利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,包括:
利用所述BLSTM模型对输入的语音文件进行特征提取;
基于提取到的语音特征,确定所述语音文件中尖峰特征所在的时间点;
将所述时间点作为所述尖峰所在的时间点。
根据本公开的一个或多个实施例,所述基于预先设置CTC分割网络,对所述分段语音进行语义预测,包括:
利用所述CTC分割网络对所述分段语音进行语义解析,以获得解析结果;
基于所述解析结果,预测所述分段语音所述对应的语义文字。
根据本公开的一个或多个实施例,所述当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,包括:
获取所述声学网络模型的输出结果;
将所述输出结果与所述语义标注进行比较,形成比较结果;
当所述比较结果满足预设要求时,停止对所述声学网络模型的训练。
根据本公开的一个或多个实施例,所述利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测之前,所述方法还包括:
在随机初始化LSTM网络模型之后,基于设置的与LSTM网络相关的第一训练参数及第二训练参数,利用所述LSTM网络的训练结果,形成用于训练BLSTM网络的损失函数;
在训练所述BLSTM网络的过程中,在逐渐增大所述第一训练参数的值的同时,逐渐减小所述第二训练参数的值;
当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练,以便于利用所述BLSTM网络对输入的语音文件进行实时的尖峰检测。
根据本公开的一个或多个实施例,所述形成用于训练BLSTM网络的损失函数,包括:
获取所述LSTM网络模型连接的CTC网络的第一输出结果;
将所述第一输出结果与所述第一训练参数的乘积作为所述损失函数的第一组成部分。
根据本公开的一个或多个实施例,所述形成用于训练BLSTM网络的损失函数,包括:
获取所述LSTM网络模型在训练过程中输出的KL散度;
将所述KL散度与所述第二训练参数的乘积作为所述损失函数的第二组成部分。
根据本公开的一个或多个实施例,本公开提供了一种声学网络模型训练装置,包括:
获取模块,用于获取用于进行声学网络模型训练的训练样本,所述训练样本中包含一个或多个语音文件;
检测模块,用于利用BLSTM网络对所述语音文件中包含的语音进行尖峰检测,以便于基于检测到的尖峰对所述语音文件中包含的字母进行划分,形成分段语音;
预测模块,用于基于预先设置CTC分割网络,对所述分段语音进行语义预测,获得文本预测结果;
执行模块,用于当所述预测结果满足预设的性能要求之后,停止对所述声学网络模型的训练,以便于利用所述声学网络模型对输入的语音进行文字预测。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
基于预先设置的分类,获取多个语音文件;
对所述多个语音文件进行语义标注;
基于标注后的语义文件,形成所述训练样本。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
利用所述BLSTM模型对输入的语音文件进行特征提取;
基于提取到的语音特征,确定所述语音文件中尖峰特征所在的时间点;
将所述时间点作为所述尖峰所在的时间点。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
利用所述CTC分割网络对所述分段语音进行语义解析,以获得解析结果;
基于所述解析结果,预测所述分段语音所述对应的语义文字。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
获取所述声学网络模型的输出结果;
将所述输出结果与所述语义标注进行比较,形成比较结果;
当所述比较结果满足预设要求时,停止对所述声学网络模型的训练。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
在随机初始化LSTM网络模型之后,基于设置的与LSTM网络相关的第一训练参数及第二训练参数,利用所述LSTM网络的训练结果,形成用于训练BLSTM网络的损失函数;
在训练所述BLSTM网络的过程中,在逐渐增大所述第一训练参数的值的同时,逐渐减小所述第二训练参数的值;
当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练,以便于利用所述BLSTM网络对输入的语音文件进行实时的尖峰检测。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
获取所述LSTM网络模型连接的CTC网络的第一输出结果;
将所述第一输出结果与所述第一训练参数的乘积作为所述损失函数的第一组成部分。
根据本公开的一个或多个实施例,所述声学网络模型训练装置还用于:
获取所述LSTM网络模型在训练过程中输出的KL散度;
将所述KL散度与所述第二训练参数的乘积作为所述损失函数的第二组成部分。
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”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。