CN111583911A

CN111583911A - 基于标签平滑的语音识别方法、装置、终端及介质

Info

Publication number: CN111583911A
Application number: CN202010366735.1A
Authority: CN
Inventors: 郑诣; 杨显杰; 熊友军
Original assignee: Shenzhen Ubtech Technology Co ltd
Current assignee: Beijing Youbixuan Intelligent Robot Co ltd
Priority date: 2020-04-30
Filing date: 2020-04-30
Publication date: 2020-08-25
Anticipated expiration: 2040-04-30
Also published as: CN111583911B

Abstract

本申请公开了一种基于标签平滑的语音识别方法，包括：获取训练数据，所述训练数据包括多个训练样本，每一个所述训练样本包括样本语音及与样本语音对应的样本识别标签；基于预设的同音字字典，对所述样本识别标签进行标签平滑处理，获取经过标签平滑处理后的样本平滑标签；根据训练样本和所述样本平滑标签对预设的语音识别模型进行训练，并基于预设的损失函数，计算与所述训练样本对应的损失值；根据损失值进行反向传播，以完成对所述预设的语音识别模型的训练。此外，本申请还公开了一种语音识别模型的训练装置、智能终端及计算机可读存储介质。采用本申请，可以提高语音识别模型的语音识别准确性。

Description

基于标签平滑的语音识别方法、装置、终端及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于标签平滑的语音识别方法、装置、智能终端及计算机可读存储介质。

背景技术

随着移动互联网和人工智能技术的快速发展，语音识别在人工智能领域以及各个领域的应用越来越多。如何提供语音识别的准确性也成为了语音识别技术中非常重要的一个任务。但是，在相关的语音识别模型的训练方法中，训练的语音识别模型的准确率尚存在一定的不足，尤其是在针对中文的语音识别中，出现错别字的几率较高。也就是说，相关技术方案中的语音识别模型的训练方法存在后续的语音识别的准确率不足的问题。

发明内容

基于此，有必要针对上述问题，提出了一种基于标签平滑的语音识别方法、装置、智能终端及计算机可读存储介质。

在本申请的第一方面，提出了一种基于标签平滑的语音识别方法。

一种基于标签平滑的语音识别方法，包括：

获取训练数据，所述训练数据包括多个训练样本，每一个所述训练样本包括样本语音及与样本语音对应的样本识别标签；

基于预设的同音字字典，对所述样本识别标签进行标签平滑处理，获取经过标签平滑处理后的样本平滑标签；

根据训练样本和所述样本平滑标签对预设的语音识别模型进行训练，并基于预设的损失函数，计算与所述训练样本对应的损失值；

根据损失值进行反向传播，以完成对所述预设的语音识别模型的训练。

在本申请的第二方面，提出了一种基于标签平滑的语音识别装置。

一种基于标签平滑的语音识别装置，包括：

训练数据获取模块，用于获取训练数据，所述训练数据包括多个训练样本，每一个所述训练样本包括样本语音及与样本语音对应的样本识别标签；

标签平滑处理模块，用于基于预设的同音字字典，对所述样本识别标签进行标签平滑处理，获取经过标签平滑处理后的样本平滑标签；

损失值计算模块，用于根据训练样本和所述样本平滑标签对预设的语音识别模型进行训练，并基于预设的损失函数，计算与所述训练样本对应的损失值；

反向传播训练模块，用于根据损失值进行反向传播，以完成对所述预设的语音识别模型的训练。

在本申请的第三方面，提出了一种智能终端。

一种智能终端，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

在本申请的第四方面，提出了一种计算机可读存储介质。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

实施本申请实施例，将具有如下有益效果：

采用了上述基于标签平滑的语音识别方法、装置、智能终端及计算机可读存储介质之后，在通过训练样本对语音识别模型进行训练的过程中，针对训练样本对应的样本识别标签基于预设的同音字字典进行标签平滑处理，以得到对应的样本平滑标签；然后通过训练样本和样本平滑标签对语音识别模型进行训练，在这个过程中，基于预设的损失函数计算对应的损失值，并基于损失值进行反向传播以完成对语音识别模型的训练。其中，对训练样本的标签平滑考虑了同音字，通过同音字的使得同音字相比于其他非同音字具有较高的概率，从而提高了包含同音字的中文的语音识别的准确性，提高了语音识别整体的准确度。

进一步的，在本实施例中，对于损失值的计算过程中，在损失函数中除了用交叉熵度量损失值之外，还增加了可以度量语音识别模型的测试识别标签和样本平滑标签之间的差异的KL距离作为罚项，通过上述损失值计算方式得到的损失值，可以更好的完成对语音识别模型的训练，以提高语音识别模型的训练效果，提高后续的语音识别的精准度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，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他的附图。

其中：

图1为本申请的一个实施例的基于标签平滑的语音识别方法的应用环境图；

图2为本申请的一个实施例的一种基于标签平滑的语音识别方法的流程示意图；

图3为本申请的一个实施例的对样本识别标签进行标签平滑处理的过程的流程示意图；

图4为本申请的一个实施例中语音识别模型的结构示意图；

图5为本申请的一个实施例中损失值计算过程的流程示意图；

图6为本申请的一个实施例中一种基于标签平滑的语音识别方法的结构示意图；

图7为本申请的一个实施例中损失值计算模块的结构示意图；

图8为本申请的一个实施例中标签平滑处理模块的结构示意图；

图9为本申请的一个实施例的运行上述基于标签平滑的语音识别方法的计算机设备的结构示意图；

图10为本申请的一个实施例中一种智能终端的结构示意图；

图11为本申请的一个实施例中一种非暂时性计算机可读存储介质的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为一个实施例中一种基于标签平滑的语音识别方法的应用环境图。参照图1，该基于标签平滑的语音识别方法可应用于语音识别系统。该语音识别系统包括终端110和服务器120。终端110和服务器120通过网络连接，终端110具体可以是智能机器人、台式终端或移动终端，移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种，在本实施例中，终端10不限于任何智能终端。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，终端110用于对需要进行待识别的语音片段进行识别处理，服务器120用于模型的训练与预测。

在另一个实施例中，上述基于标签平滑的语音识别方法所应用的语音识别系统还可以是基于终端110实现的。终端110用于模型的训练与预测，并将待识别的语音片段转换成文字。

如图2所示，在一个实施例中，提供了一种基于标签平滑的语音识别方法。该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该基于标签平滑的语音识别方法具体包括如下步骤：

步骤S102：获取训练数据，所述训练数据包括多个训练样本，每一个所述训练样本包括样本语音及与样本语音对应的样本识别标签。

在本实施例中，为了语音识别模型进行训练，首先需要构建对语音识别模型进行训练的训练数据。在本实施例中，训练数据是由多个训练样本构成的训练数据库，其中，每一个训练样本包括与语音片段对应的样本语音(样本语音可以为语音片段，也可以为样本语音特征)，以及与该样本语音对应的样本识别标签。其中，样本语音可以是语音片段，也可以是与语音片段对应的语音特征。样本识别标签为与语音片段对应的文字识别标签，为一文本序列。在一个具体的实施例中，样本识别结果可以是人工对于语音片段对应的标注标签。

需要说明的，在样本语音为与语音片段对应的语音特征的情况下，需要预先针对语音片段按照预设的特征提取算法提取对应的语音特征向量，然后将提取到的对应的语音特征向量作为前述样本语音。

在本实施例中，训练数据中的每一条训练样本对应的语音片段，为一个语句，也就是说，在本实施例中，语音识别模型的训练以及后续的识别，是针对语句进行的，并不是针对单个词或字。因此，训练样本对应的样本语音为与语句对应的语音特征向量，例如，每一个字向量对应一个语音特征向量，在其他实施例中，还可以是多个字向量对应一个语音特征向量。

步骤S104：基于预设的同音字字典，对所述样本识别标签进行标签平滑处理，获取经过标签平滑处理后的样本平滑标签。

因为中文中的同音字很多，同音字对于语音的识别也有一定的影响，因此，在对语音识别模型进行训练的过程中，还需要考虑同音字。

在本实施例中，在语音识别的标签数据库中，根据每一个标签(即为字符)的拼音，预先确定相同拼音的标签。例如，chu2：厨除橱雏滁锄躇刍蜍蹰。也就是说，针对指定的拼音，可以根据自己所使用的中文语料信息和字典信息，统计同一个拼音对应哪些标签(即字符或汉字)。在本实施例中，预设的同音字字典中包含了相同拼音的所有标签。

标签平滑(Label Smoothing)是一种正则化的方法，对标签平滑化处理以防止过拟合。在具体操作中，标签平滑是对标注的标签(如前述的样本识别标签)增加其他标签的一定概率的可选择性。

在本实施例中，针对中文常用的汉字构建对应的标签数据库，即为字符数据库。例如，可以采用国标GB2313的两级字库，其中包含了6763个汉字。也就是说，在标签数据库对应国标GB2313的两级字库的情况下，标签数据库中包括了6763个标签。

对于训练样本对应样本语音对应的样本识别标签包括了多个字符对应的标签。在本实施例中，针对样本语音对应的每一个标签，需要通过标签平滑处理，对每一个标签进行平滑处理，即为针对样本识别标签中的标签，增加标签数据库中的其他标签作为语音识别标签的概率。具体的，基于同音字字典，对样本识别标签中的标签基于同音字进行标签的平滑，以确定对应的经过平滑处理后的样本平滑标签。

在一个具体的实施例中，在本步骤中，对样本识别标签进行标签平滑处理的过程具体包括如图3所示的步骤S402-S406：

步骤S402：基于所述预设的同音字字典，确定与每一个样本识别标签对应的至少一个同音字标签。

对于样本识别标签包含的每一个字符(即每一个标签)，根据该字符对应的拼音，来分别确定与每一个标签对应的同音字标签，其中，每一个标签对应的同音字标签的数量为多个。例如，在样本识别标签包括“厨chu2”的情况，对应的多个同音字标签可以为：除、橱、雏、滁、锄、躇、刍、蜍、蹰。进一步的，在本实施例中，还需要确定与样本识别标签对应的非同音字标签。具体的，在样本识别标签包括“厨chu2”的情况，对应的非同音字标签为标签数据库中除了上述样本识别标签以及同音字标签之外的其他标签。

样本识别标签为训练样本对应的语音识别标签，为一文本序列，在本步骤中，根据汉语拼音，确定样本识别结果对应的拼音，并构建对应的拼音序列，即为样本拼音序列。其中，因为样本识别标签对应的是一个语句，因此，样本拼音序列也包含了该语句对应的多个字或词语对应的多个拼音。针对训练样本，需要确定样本识别标签包含的多个字符(标签)对应的拼音，从而确定对应的样本拼音序列，其中，样本拼音序列包括了样本识别标签对应的多个字符构成的文字序列对应的多个拼音标签。然后针对每一个拼音标签，根据预设的同音字字典，确定与该拼音标签对应的同音字，以此作为同音字标签。

以训练样本为与“打开厨房换气扇”对应的语音片段对应的样本语音以及对应的样本识别标签(“打开厨房换气扇”对应的文本序列)为例进行说明。

构建样本拼音序列的过程，即为确定“打开厨房换气扇”对应的拼音序列的过程，并且构建的样本拼音序列为：“da kai chu fang huan qi shan”。

在本实施例中，因为中文中存在很多的同音字，无法根据单个字的拼音确定对应的汉字，需要结合整个语句的上下文中的词语生成对应的拼音序列。

步骤S404：基于所述确定的同音字标签，对所述样本识别标签进行标签平滑处理，确定与所述样本识别标签对应的第一分布信息。

步骤S406：将所述第一分布信息作为样本平滑标签。

在本实施例中，进行标签平滑的过程中，针对标签数据库中的所有标签并不是基于字频统计，也不是随机分布，而是根据同音字确定的。也就是说，在标签平滑的过程中，标签对应的概率的确定，是根据是否为样本识别标签对应的同音字标签来确定的。

具体的，对于样本识别标签，基于前述确定的同音字标签和/或对应的非同音字标签，对样本识别标签进行标签平滑处理，从而确定样本平滑标签。

在本实施例中，基于一预设的概率分布，确定样本识别标签、以及对应的同音字标签、非同音字标签对应的标签概率。其中，每一个标签的确定是根据该预设的概率分布根据每一个标签是否为同音字标签来确定的。具体实施中，获取预设的概率系数，根据所述预设的概率系数确定所述样本识别标签、多个同音字标签和/或多个非同音字标签中的一个或多个的标签概率。其中，预设的概率系数包括了与样本识别标签、同音字标签和/或多个非同音字标签中的一个或多个的标签概率，据此可以确定每一个标签对应的标签概率。然后根据所述样本识别标签、多个同音字标签和/或多个非同音字标签中的一个或多个的标签概率确定对应的概率分布，即为第一分布信息。

例如，针对chu2这个拼音标签(样本识别标签中对应的为“厨”)，同音字标签数量为N个，标签数据库共包括M个字符，则构建的第一分布信息为：

[“厨”的概率＝0.6，所有同音字标签概率＝0.3/N，其他标签＝(1-0.6-0.3)/M]

即：厨的同音字标签共有9个，则M维的向量为[厨除橱雏滁锄躇刍蜍蹰...........]＝[…厨＝0.6,…同音字＝0.3/9,…其他…(1-0.6-0.3)/(M-10)，........]。也就是说，“厨”本身赋予0.6标签概率，其它同音字标签共同分享0.3标签概率，剩下所有非同音字标签共同分享0.1的标签概率。

需要说明的是，还可以根据需求，设定其它的概率系数，例如，0.7，0.2，0.1。具体可以根据模型设计的需求进行确定。

在另一个实施例中，在上述每一个同音字标签以及非同音字标签的概率确定的过程中，除了采用相同的概率之外，还可以根据每一个标签确定其对应的概率，例如，根据每一个标签在语音识别的过程中出现的字频统计结果来确定。

例如，针对上述“厨”的同音字标签“除橱雏滁锄躇刍蜍蹰”，这9个同音字标签对应的概率的和为0.3，但是每一个同音字标签对应的概率的分布可以为前述的均分方式，也可以根据其他因素来确定每一个同音字标签的概率。具体的，对于同音字标签，确定与同音字标签对应的概率系数，例如前述的0.3，然后对于多个同音字标签，按照预设的方式(例如根据字频统计)确定每一个同音字标签对应的概率系数，其中，所有同音字标签的概率系数的和与前述确定的同音字标签对应的概率系数(如0.3)是对应的。相应的，还可以相同的方式确定非同音字标签的概率系数。采用上述概率的确定方式，在考虑了同音字的情况下，还考虑了字频统计结果以及其他的因素，可以进一步的提高标签平滑的科学性，提高了语音识别模型训练的有效性，提高后续的语音识别的准确性。

步骤S106：根据训练样本和所述样本平滑标签对预设的语音识别模型进行训练，并基于预设的损失函数，计算与所述训练样本对应的损失值。

在本步骤中，首先需要确定进行训练的语音识别模型，即预设的语音识别模型。具体实施中，可以先根据语音识别的需求构建语音识别模型，例如构建神经网络模型。在一个具体的实施例中，构建的神经网络模型为端到端的神经网络模型。

请参见图4，图4给出了一种语音识别模型的具体模型结构图。如图4所示，x₁,……,x_T为语音识别模型的输入，例如，根据语音片段提取出的语音特征；y₁,y₂,……为语音识别模型的输出，例如，语音片段的识别标签(字符或字符向量)。其中，301为对输入特征进行处理的第一子网络模块，h₂,……,h_T为第一子网络模块的中间变量。302和303分别为第二子网络模块和第三子网络模块，用于根据第一子网络模块301的输出计算对应的语音识别标签，z₂,z₄,……为第二子网络模块302的中间变量，r₀,……,r_L和q₀,……,q_L、c₁,c₂,……为第三子网络模块303的中间变量。然后根据第二子网络模块302和第三子网络模块303分别的语音识别标签，确定语音识别模型最终的输出，即y₁,y₂,……。

需要说明的是，上述语音识别模型输出的结果包括识别出来的字符以及每一个字符对应的置信度，所有字符的置信度的和为100％。

在其他实施例中，构建的神经网络模型还可以是BP神经网络、Hopfield网络、ART网络或Kohonen网络等。

在本步骤中，根据步骤S102中确定的训练样本、以及进行标签平滑处理之后的样本平滑标签，对预设的语音识别模型进行训练，然后计算对应的损失值，以评估语音识别模型的训练效果。

在本实施例中，损失值的计算在一个实施例中采用的是交叉熵损失函数，指的是预测标签概率与构建的标签概率的交叉熵，也就是说，在本步骤中，交叉熵损失函数计算的是通过当前的语音识别模型预设的预测标签概率与经过标签平滑之后的样本平滑标签之间的距离值。需要说明的是，在其它实施例中，损失函数还可以采用其它损失函数的计算方法来计算损失值。

具体实施例中，基于训练样本对预设的语音识别模型进行训练的过程，可以是将训练样本对应的样本语音输入语音识别模型，获取语音识别模型输出的结果，该输出结果即为根据语音识别模型进行计算得到的识别标签，即为测试识别标签。然后根据测试识别标签、样本识别标签以及样本平滑标签，计算对应的损失值，其中，损失值的计算是按照预设的损失函数来进行计算的。

具体的，如图5所示，给出了上述步骤S106中，计算损失值过程包括如图5所示的步骤S202-S204：

步骤S202：将所述样本语音输入所述预设的语音识别模型，获取所述预设的语音识别模型输出的测试识别标签。

在本实施例中，在对语音识别模型进行训练的过程中，分别针对每一个训练样本，将训练样本对应的样本语音作为输入，样本识别标签作为输出，对上述构建的语音识别模型(即预设的语音识别模型)进行训练，以使得训练完成的语音识别模型具备语音识别能力。

具体的，在本步骤中，将样本语音输入语音识别模型，然后通过该语音识别模型，获取对应的测试识别标签。该测试识别标签为该语音识别模型输出的与样本语音对应的语音识别标签，为对应的文本序列。

步骤S204：根据预设的损失函数，计算所述测试识别标签与所述样本平滑标签之间的损失值。

下面对损失值的计算过程进行具体的描述。

如前所述，基于同音字字典，对样本识别标签进行标签平滑处理以获取对应的样本平滑标签，同时构建对应的第一分布信息。

在步骤S202中，通过训练样本，将样本语音输入语音识别模型之后，获取模型输出的测试识别标签，基于该测试识别标签确定第二分布信息，该第二分布信息是根据测试识别标签确定的概率分布。其中，第二分布信息是根据当前的语音识别模型的测试识别标签确定的，标识了测试识别标签中每一个标签对应的分布情况。

在计算损失值的过程中，基于预设的损失函数，计算第二分布信息(预测输出的分布)和第一分布信息(期望输出的分布)之间的差异，以此来估计基于标签平滑构建的第一分布信息与语音识别模型预测得到的预测分布(即第二分布信息)之间的损失。

在本实施例中，上述损失函数的计算分为两个部分，一个部分为交叉熵，另一个部分为KL散度。

具体的，对于交叉熵的计算，通过预设的交叉熵损失函数，计算第二分布信息(预测输出的分布)和第一分布信息(期望输出的分布)之间的交叉熵，作为交叉熵项，用于度量二者之间的接近程度。

具体实施中，基于预设的交叉熵损失函数计算公式，计算所述第一分布信息和所述第二分布信息之间的交叉熵值，作为所述交叉熵项：

Σ(logp_θ(y|x))，

并且在具体的损失值的计算过程中，以负熵的形式确定损失值：

L(θ)＝-Σ(logp_θ(y|x))，

其中，L(θ)为损失值。

对于KL散度的计算，根据预设的KL距离计算公式，计算第二分布信息(预测输出的分布)和第一分布信息(期望输出的分布)之间的KL距离作为KL罚项。其中，KL散度(也称KL距离，Kullback–Leibler divergence，又称相对熵(relative entropy))，用于描述两个概率分布之间的差异。也就是说，在本实施例中，可以通过预设的KL距离计算公式(也称KL散度计算公式)计算第一分布信息和第二分布信息之间的差异，用于计算对应的损失值。

具体实施中，基于预设的KL距离计算公式，计算所述第一分布信息和所述第二分布信息之间的KL距离值，作为所述损失值。

其中，KL距离计算公式如下：

D_KL(p(d_y|y||p_θ(y|x))

其中，y为字符(即测试识别结果与样本识别结果)，x标识样本语音特征，θ标识语音识别模型的参数，d_y为上述根据第一分布信息。上述构建的KL距离D_KL(p(d_y|y||p_θ(y|x))可以度量了第二分布信息与第一分布信息之间的距离。

并且在具体的损失值的计算过程中，以负的KL距离的形式确定损失值：

L(θ)＝-D_KL(p(d_y|y||p_θ(y|x))，

其中，L(θ)为损失值。

进一步的，基于上述KL距离D_KL(p(d_y|y||p_θ(y|x))，可以进一步的构建对应的损失函数。也就是说，在本步骤中，损失函数包括了交叉熵项和KL罚项：

L(θ)＝-Σ(logp_θ(y|x))-D_KL(p(d_y|y||p_θ(y|x))

其中，L(θ)为损失值，Σ(logp_θ(y|x))为交叉熵项，D_KL(p(d_y|y||p_θ(y|x))为KL罚项。

如前所述，第一分布信息是基于同音字字典对样本识别标签进行标签平滑处理之后构建的，也就是说，在第一分布信息中，同音字较其他的字符具有较高的概率，可以在中文的语音识别中很好的考虑同音字相较于其他字符有较高的概率。

在本实施例中，针对KL距离计算的一般计算方式D_KL(u||p_θ(y|x)中，u为固定的uniform分布或unigram分布，将u由包含同音字信息在内的第二分布信息替代D_KL(p(d_y|y||p_θ(y|x)，从而使得在损失值的计算过程中，可以很好的考虑到同音字，以使得后续通过损失值训练得到的语音识别模型，可以更好的针对包含有同音字的中文进行语音识别。

也就是说，在本实施例中，通过构建同音字字典，考虑了在语音识别模型的训练中的中文汉字多音字信息与语音识别模型的影响，不仅考虑了语音识别过程中每一个汉字对应的字符出现的频率，还考虑了同音字的出现对于语音识别过程中的影响，将同音字作为构建先验分布的知识之一，从而提高了同音字较多的中文语音识别的准确率。

需要说明的是，在本实施例中，计算损失值的损失函数还可以是其他函数，不限于上述损失函数的计算方式。

步骤S108：根据损失值进行反向传播，以完成对所述预设的语音识别模型的训练。

在计算损失值之后，即可根据损失值对语音识别模型进行反向传播，以完成对语音识别模型的训练。具体实施例中，可以利用利用随机梯度下降法进行反向传播，对语音识别模型进行训练；在其它实施例中，还可以采用其它算法进行反向传播。或者，利用预设的优化器进行反向传播，所述预设的优化器，对语音识别模型进行训练，其中，预设的优化器可以是AdagradOptimizer、MomentumOptimizer或AdamOptimizer中的一种，也可以是其它的优化器。对于进行反向传播的具体方法，在本实施例中不作限定，可以通过相关技术方案中反向传播的方法进行实现。

不同于英文的语音识别，在中文的语音识别中，因为同音字的原因，导致中文的语音识别效果存在不足。在相关的语音识别方案的标签平滑过程中，仅考虑了字符的概率分布，该标签平滑的方法可以在一定程度上提高神经网络模型的性能，但是对于包含多音字的中文语音识别还存在一定的不足。在本实施例中提出的基于同音字字典进行标签平滑，并基于标签平滑结果构建的先验分布构建的包括交叉熵和KL距离的损失函数中，考虑了同音字的存在对于语音识别效果的影响，在构建先验分布的情况下，将同音字的概率设置为高于其它字符的概率，保证了同音字相比其它字符有较高的概率，从而提升了语音识别模型训练的标签平滑效果，提升了语音识别模型的性能，提高了语音识别的准确率。

也就是说，在本实施例中，通过在损失函数中添加基于测试识别标签分布与基于样本平滑标签对应的分布之间的交叉熵以及KL距离对应的罚项，可以缓解网络过度置信，从而降低网络过拟合，起到较好的标签平滑的作用，从而提高神经网络模型的性能。并且，神经网络模型过度置信意味着低熵分布，因为，在本实施例中，在交叉熵的基础上中添加了基于测试识别标签分布和样本平滑标签对应的分布的KL距离，通过损失值对语音识别模型训练过程中进行优化，可以进一步的起到较好的标签平滑的作用，提高语音识别模型的识别效果，并且降低了语音识别模型网络过拟合现象。

通过上述损失函数计算得到的损失值对语音识别模型通过反向传播算法进行训练，可以使得训练完成的语音识别模型能较好的考虑同音字对中文的语音识别所带来的影响，达到较好的语音识别效果。

进一步的，在通过反向传播算法对语音识别模型进行训练的过程中，还需要进一步的考虑模型训练的结束条件。具体的，上述根据损失值进行反向传播，以完成对所述预设的语音识别模型的训练的步骤，还包括：判断所述损失值是否小于预设的损失阈值；在所述损失值小于预设的损失阈值的情况下，判定所述预设的语音识别模型的训练完成。损失值代表的是测试识别标签和样本识别标签之间的距离或者差值，如果测试识别标签和样本识别标签之间足够接近或者相等，则说明训练的语音识别模型的准确率已经达到要求，可以结束相应的语音识别模型的训练。在本实施例中，设定一损失阈值，例如0.05，在损失值小于该损失阈值的情况下，确定语音识别模型训练完毕，反之，则需要通过训练数据中包括的训练样本继续对该语音识别模型进行训练。

也就是说，在本实施例中，通过损失阈值的设置，既避免了语音识别模型训练的无止境，也进一步的提高了语音识别模型训练的准确性。

在本实施例中，还提出了一种基于标签平滑的语音识别装置。

具体的，请参见图6，上述基于标签平滑的语音识别装置包括：

训练数据获取模块102，用于获取训练数据，所述训练数据包括多个训练样本，每一个所述训练样本包括样本语音及与样本语音对应的样本识别标签；

标签平滑处理模块104，用于基于预设的同音字字典，对所述样本识别标签进行标签平滑处理，获取经过标签平滑处理后的样本平滑标签；

损失值计算模块106，用于根据训练样本和所述样本平滑标签对预设的语音识别模型进行训练，并基于预设的损失函数，计算与所述训练样本对应的损失值；

反向传播训练模块108，用于根据损失值进行反向传播，以完成对所述预设的语音识别模型的训练。

在其中一个实施例中，所述预设的语音识别模型为端到端的神经网络模型。

在其中一个实施例中，如图7所示，损失值计算模块106还包括：

测试识别标签获取单元602，用于将所述样本语音输入所述预设的语音识别模型，获取所述预设的语音识别模型输出的测试识别标签；

损失值计算子单元604，用于根据预设的损失函数，计算所述测试识别标签与所述样本平滑标签之间的损失值。

在其中一个实施例中，如图8所示，标签平滑处理模块104还包括：

同音字标签确定子单元402，用于基于所述预设的同音字字典，确定与每一个样本识别标签对应的至少一个同音字标签；

第一分布确定子单元404，用于基于所述确定的同音字标签，对所述样本识别标签进行标签平滑处理，确定与所述样本识别标签对应的第一分布信息；将所述第一分布信息作为样本平滑标签。

在其中一个实施例中，每一个所述样本识别标签包括与该样本识别标签对应的文字序列；同音字标签确定子单元402用于确定与所述样本识别标签对应的样本拼音序列，所述样本拼音序列包括与所述样本识别标签对应的文字序列对应的若干个拼音标签；基于所述预设的同音字字典，分别确定与每一个拼音标签对应的所述至少一个同音字标签。

在其中一个实施例中，同音字标签确定子单元402用于基于预设的同音字字典，确定与每一个所述拼音标签对应的至少一个同音字标签和至少一个非同音字标签；

在其中一个实施例中，第二分布确定子单元404还用于获取预设的概率系数，根据所述预设的概率系数确定所述样本识别标签、多个同音字标签和/或多个非同音字标签中的一个或多个的标签概率；根据所述样本识别标签、多个同音字标签和/或多个非同音字标签中的一个或多个的标签概率确定所述第一分布信息。

在其中一个实施例中，测试识别标签获取单元602还用于根据所述测试识别标签，确定第二分布信息；损失值计算子单元604还用于基于预设的交叉熵损失函数，计算与所述训练样本对应的交叉熵项；基于预设的KL距离计算公式，计算所述第一分布信息和所述第二分布信息之间的KL距离值，作为KL罚项；根据所述KL罚项和所述交叉熵项，计算所述损失值。

图9示出了一个实施例中计算机设备的内部结构图。该计算机设备不限于任意智能终端，也可以是服务器，在本实施例中，优选为智能机器人。如图9所示，该计算机设备90包括通过系统总线连接的处理器901、非暂时性存储器902和网络接口903。其中，非暂时性存储器902包括非易失性存储介质9021和内存储器9022。该计算机设备的非易失性存储介质存储有操作系统9023，还可存储有计算机程序9024，该计算机程序被处理器执行时，可使得处理器实现基于标签平滑的语音识别方法。该内存储器中也可储存有计算机程序9025，该计算机程序被处理器执行时，可使得处理器执行基于标签平滑的语音识别方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提出了一种智能终端，如图10所示，所述智能终端1000包括非暂时性存储器1001和处理器1002，所述非暂时性存储器1001存储有计算机程序1003，所述计算机程序1003被所述处理器1002执行时，使得所述处理器1002执行以下步骤：

在一个实施例中，如图11所示，提出了一种非暂时性计算机可读存储介质1100，存储有计算机程序1101，所述计算机程序1101被处理器执行时，使得所述处理器执行以下步骤：

采用了上述基于标签平滑的语音识别方法、装置、智能终端及计算机可读存储介质之后，在通过训练样本对语音识别模型进行训练的过程中，针对训练样本对应的样本识别标签基于预设的同音字字典进行标签平滑处理，以得到对应的样本平滑标签；然后通过训练样本和样本平滑标签对语音识别模型进行训练，在这个过程中，基于预设的损失函数计算对应的损失值，并基于损失值进行反向传播以完成对语音识别模型的训练。其中，对训练样本的标签平滑考虑了同音字，通过同音字的使得同音字相比于其他非同音字具有较高的概率，从而提高了包含同音字的中文的语音识别的准确性，提高了语音识别的准确度。

进一步的，在本实施例中，对于损失值的计算过程中，在损失函数中除了用交叉熵度量损失值之外，还增加了可以度量语音识别模型的测试识别标签和样本平滑标签之间的差异的KL距离作为罚项，通过上述损失值计算方式得到的损失值，可以提高语音识别效果，提高后续的语音识别的精准度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种基于标签平滑的语音识别方法，其特征在于，包括：

2.根据权利要求1所述的基于标签平滑的语音识别方法，其特征在于，所述根据训练样本和所述样本平滑标签对预设的语音识别模型进行训练，并基于预设的损失函数，计算与所述训练样本对应的损失值的步骤，还包括：

将所述样本语音输入所述预设的语音识别模型，获取所述预设的语音识别模型输出的测试识别标签；

根据预设的损失函数，计算所述测试识别标签与所述样本平滑标签之间的损失值。

3.根据权利要求2所述的基于标签平滑的语音识别方法，其特征在于，所述基于预设的同音字字典，对所述样本识别标签进行标签平滑处理，获取经过标签平滑处理后的样本平滑标签的步骤，还包括：

基于所述预设的同音字字典，确定与每一个样本识别标签对应的至少一个同音字标签；

基于所述确定的同音字标签，对所述样本识别标签进行标签平滑处理，确定与所述样本识别标签对应的第一分布信息；

将所述第一分布信息作为样本平滑标签。

4.根据权利要求3所述的基于标签平滑的语音识别方法，其特征在于，每一个所述样本识别标签包括与该样本识别标签对应的文字序列；

所述基于所述预设的同音字字典，确定与每一个样本识别标签对应的至少一个同音字标签的步骤，还包括：

确定与所述样本识别标签对应的样本拼音序列，所述样本拼音序列包括与所述样本识别标签对应的文字序列对应的若干个拼音标签；

基于所述预设的同音字字典，分别确定与每一个拼音标签对应的所述至少一个同音字标签。

5.根据权利要求3所述的基于标签平滑的语音识别方法，其特征在于，所述基于所述预设的同音字字典，确定与每一个样本识别标签对应的多个同音字标签的步骤包括：

基于预设的同音字字典，确定与每一个所述拼音标签对应的至少一个同音字标签和至少一个非同音字标签；

所述基于所述确定的同音字标签，对所述样本识别标签进行标签平滑处理，确定与所述样本识别标签对应的第一分布信息的步骤，还包括：

获取预设的概率系数，根据所述预设的概率系数确定所述样本识别标签、多个同音字标签和/或多个非同音字标签中的一个或多个的标签概率；

根据所述样本识别标签、多个同音字标签和/或多个非同音字标签中的一个或多个的标签概率确定所述第一分布信息。

6.根据权利要求3所述的基于标签平滑的语音识别方法，其特征在于，所述将所述样本语音输入所述预设的语音识别模型，获取所述预设的语音识别模型输出的测试识别标签的步骤，还包括：

根据所述测试识别标签，确定第二分布信息；

所述基于预设的损失函数，计算与所述训练样本对应的损失值的步骤，还包括：

基于预设的交叉熵损失函数，计算与所述训练样本对应的交叉熵项；

基于预设的KL距离计算公式，计算所述第一分布信息和所述第二分布信息之间的KL距离值，作为KL罚项；

根据所述KL罚项和所述交叉熵项，计算所述损失值。

7.根据权利要求1所述的基于标签平滑的语音识别方法，其特征在于，所述预设的语音识别模型为端到端的神经网络模型。

8.一种基于标签平滑的语音识别装置，其特征在于，包括：

9.一种非暂时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

10.一种智能终端，包括非暂时性存储器和处理器，所述非暂时性存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。