CN111768762B - 语音识别方法、装置及电子设备 - Google Patents
语音识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111768762B CN111768762B CN202010503214.6A CN202010503214A CN111768762B CN 111768762 B CN111768762 B CN 111768762B CN 202010503214 A CN202010503214 A CN 202010503214A CN 111768762 B CN111768762 B CN 111768762B
- Authority
- CN
- China
- Prior art keywords
- training
- network
- blstm
- training parameter
- value
- 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 60
- 238000012549 training Methods 0.000 claims abstract description 270
- 230000003247 decreasing effect Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal 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
- G10L15/06—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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0631—Creating reference templates; Clustering
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (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)
- Telephonic Communication Services (AREA)
Abstract
本公开实施例中提供了一种语音识别方法、装置及电子设备,属于数据处理技术领域,该方法包括:利用预先设置的训练样本,随机初始化并训练LSTM网络模型;基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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网络对输入的声音文件进行实时的文字预测。通过本公开的处理方案,能够提高声学网络模型预测的时间戳准确度。
Description
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,进一步做语音识别,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,双向长短时记忆网络)在进行语音识别的过程中,存在预测结果的时间戳不稳定的情况,具体而言,相对于LSTM,存在偏前或者偏后的情况,为此,需要通过改进网络训练,使得BLSTM网络的预测结果的时间戳趋于稳定。
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:
利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型;
基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,形成用于训练双向长短时记忆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文字预测。
根据本公开实施例的一种具体实现方式,所述利用预先设置的训练样本,随机初始化并训练LSTM网络模型之前,所述方法还包括:
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,所述利用预先设置的训练样本,随机初始化并训练LSTM网络模型,包括:
将所述训练样本作为所述LSTM网络模型的输入;
利用所述训练样本和CTC损失函数训练所述LSTM网络模型,获得训练好的LSTM网络参数。
根据本公开实施例的一种具体实现方式,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,包括:
获取所述BLSTM网络模型的CTC损失函数作为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BLSTM网络的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,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,还包括:
获取所述LSTM网络模型的输出,并和BLSTM网络模型的输出计算二者的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BLSTM网络的损失函数的第二组成部分。
根据本公开实施例的一种具体实现方式,所述在训练所述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之前,所述方法还包括:
初始化所述第一训练参数和所述第二训练参数,使的所述第一训练参数的值小于所述第二训练参数的值。
根据本公开实施例的一种具体实现方式,所述在训练所述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,包括:
设置与所述第一训练参数和所述第二训练参数相关的变化因子;
每训练若干迭代所述BLSTM,使所述第一训练参数的值增加所述变化因子的值,同时使所述第二训练参数的值减小所述变化因子的值。
根据本公开实施例的一种具体实现方式,所述当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练之后,所述方法还包括:
利用所述BLSTM网络对输入的语音文件进行预测处理,以得到与所述输入的语音文件对应的文字。
第二方面,本公开实施例提供了一种语音识别装置,包括:
初始模块,用于利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型;
形成模块,用于基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,形成用于训练双向长短时记忆BLSTM网络的损失函数;
变化模块,用于在训练所述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;
执行模块,用于当所述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,包括利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型;基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,形成用于训练双向长短时记忆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文字预测。通过本公开的处理方案,提高了声学网络模型预测效果的时间戳准确度。
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语音识别的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语音识别的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语音识别的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语音识别的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语音识别的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,利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型。
基于CTC(Connectionist Temporal Classification,连接时序分类)的BLSTM(Bidirectional Long Short-Term Memory,双向长短时记忆网络)模型用于对语音进行识别具有识别效果好的优势,然而对于预测尖峰的时间戳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,长短时记忆网络)网络模型,由于LSTM模型具有文字预测时间戳准确性高的优点,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模型基本一致的时间戳预测性能,同时识别的语音识别的准确率更高。
在利用LSTM训练BLSTM之前,需要对LSTM网络模型进行初始化操作,具体的,可以预先设置用于训练LSTM模型的训练样本,通过这些训练样本来随机的训练LSTM网络模型,从而使得训练后的LSTM网络模型能够达到预设的性能指标。
S102,基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,形成用于训练双向长短时记忆BLSTM网络的损失函数。
在LSTM网络训练完成之后,可以利用LSTM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BLSTM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损失函数相关的第一训练参数,CTC为从BLSTM网络的输出和真实标注的损失函数,b为与KL散度相关的第二训练参数,KL为LSTM网络的输出和BLSTM网络输出的KL散度。
S103,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。
作为一种实施方式,可以在训练BLSTM模型之前,初始化所述第一训练参数和所述第二训练参数,使的所述第一训练参数的值小于所述第二训练参数的值。
作为另外一种方式,在训练BLSTM网络的过程中,可以设置与所述第一训练参数和所述第二训练参数相关的变化因子;每训练若干迭代所述BLSTM,使所述第一训练参数的值增加所述变化因子的值,同时使所述第二训练参数的值减小所述变化因子的值
S104,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文字预测。
可以预先设置BLSTM网络的性能参数,在BLSTM网络满足设置的性能参数之后,结束对BLSTM网络的训练。从而利用训练后的BLSTM网络对输入的声音文件进行实时的文字预测。
通过本实施例的方案,能够利用LSTM网络完成对BLSTM网络的训练,提高了BLSTM网络预测的准确性。
参见图2,根据本公开实施例的一种具体实现方式,所述利用预先设置的训练样本,随机初始化LSTM网络模型之前,所述方法还包括:
S201,获取多个语音文件。
可以设置多个不同的分类,通过在每个分类中填充不同类型语音文件的方式,获取多个语音文件,从而满足获取到的多个语音文件的多样性。
S202,对所述多个语音文件进行语义标注。
可以对语音文件进行语义标注,形成与该语音文件所对应的语义文本,通过这种方式,能够利用标注的语义文本,对语音文件的预测结果是否正确进行验证和判断。
S203,基于标注后的语义文件,形成所述训练样本。
通过将获取到的多个语音文件和语义文件一起,便可以形成用于语音训练的训练样本。
根据本公开实施例的一种具体实现方式,所述利用预先设置的训练样本,随机初始化LSTM网络模型,包括:将所述训练样本作为所述LSTM网络模型的输入;利用所述训练样本,并进行特征处理,训练所述LSTM网络。
参见图3,根据本公开实施例的一种具体实现方式,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,包括:
S301,获取所述BLSTM网络模型的CTC损失函数作为第一输出结果。
S302,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BLSTM网络的损失函数的第一组成部分。
参见图4,根据本公开实施例的一种具体实现方式,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,还包括:
S401,获取所述LSTM网络模型的输出,和BLSTM网络模型的输出,计算训练过程中二者的KL散度。
S402,将所述KL散度与所述第二参数的乘积作为所述损失函数的第二组成部分。
根据本公开实施例的一种具体实现方式,所述在训练所述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之前,所述方法还包括:初始化所述第一训练参数和所述第二训练参数,使的所述第一训练参数的值小于所述第二训练参数的值。
根据本公开实施例的一种具体实现方式,所述在训练所述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,包括:设置与所述第一训练参数和所述第二训练参数相关的变化因子;每训练若干迭代所述BLSTM,使所述第一训练参数的值增加所述变化因子的值,同时使所述第二训练参数的值减小所述变化因子的值。
根据本公开实施例的一种具体实现方式,所述当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练之后,所述方法还包括:利用所述BLSTM网络对输入的声音文件进行预测处理,以得到与所述输入的声音文件对应的文字。
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语音识别装置50,包括:
初始模块501,用于利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型;
形成模块502,用于基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,形成用于训练双向长短时记忆BLSTM网络的损失函数;
变化模块503,用于在训练所述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;
执行模块504,用于当所述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)。
根据本公开的一个或多个实施例,所述利用预先设置的训练样本,随机初始化并训练LSTM网络模型之前,所述方法还包括:
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,所述利用预先设置的训练样本,随机初始化并训练LSTM网络模型,包括:
将所述训练样本作为所述LSTM网络模型的输入;
利用所述训练样本和CTC损失函数训练所述LSTM网络模型,获得训练好的LSTM网络参数。
根据本公开的一个或多个实施例,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,包括:
获取所述BLSTM网络模型的CTC损失函数作为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BLSTM网络的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,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,还包括:
获取所述LSTM网络模型的输出,并和BLSTM网络模型的输出计算二者的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BLSTM网络的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,所述在训练所述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之前,所述方法还包括:
初始化所述第一训练参数和所述第二训练参数,使的所述第一训练参数的值小于所述第二训练参数的值。
根据本公开的一个或多个实施例,所述在训练所述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,包括:
设置与所述第一训练参数和所述第二训练参数相关的变化因子;
每训练若干迭代所述BLSTM,使所述第一训练参数的值增加所述变化因子的值,同时使所述第二训练参数的值减小所述变化因子的值。
根据本公开的一个或多个实施例,所述当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练之后,所述方法还包括:
利用所述BLSTM网络对输入的语音文件进行预测处理,以得到与所述输入的语音文件对应的文字。
根据本公开的一个或多个实施例,所述语音识别装置还用于:
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,所述语音识别装置还用于:
将所述训练样本作为所述LSTM网络模型的输入;
利用所述训练样本和CTC损失函数训练所述LSTM网络模型,获得训练好的LSTM网络参数。
根据本公开的一个或多个实施例,所述语音识别装置还用于:
获取所述BLSTM网络模型的CTC损失函数作为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BLSTM网络的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,所述语音识别装置还用于:
获取所述LSTM网络模型的输出,并和BLSTM网络模型的输出计算二者的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BLSTM网络的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,所述语音识别装置还用于:
初始化所述第一训练参数和所述第二训练参数,使的所述第一训练参数的值小于所述第二训练参数的值。
根据本公开的一个或多个实施例,所述语音识别装置还用于:
设置与所述第一训练参数和所述第二训练参数相关的变化因子;
每训练若干迭代所述BLSTM,使所述第一训练参数的值增加所述变化因子的值,同时使所述第二训练参数的值减小所述变化因子的值。
根据本公开的一个或多个实施例,所述语音识别装置还用于:
利用所述BLSTM网络对输入的语音文件进行预测处理,以得到与所述输入的语音文件对应的文字。
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”。
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。
Claims (10)
1.一种语音识别方法,其特征在于,包括:
利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型;
基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,通过训练结果乘积计算的方式,形成用于训练双向长短时记忆BLSTM网络的损失函数,包括:获取所述BLSTM网络模型的CTC损失函数作为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BLSTM网络的损失函数的第一组成部分;
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文字预测。
2.根据权利要求1所述的方法,其特征在于,所述利用预先设置的训练样本,随机初始化并训练LSTM网络模型之前,所述方法还包括:
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。
3.根据权利要求1所述的方法,其特征在于,所述利用预先设置的训练样本,随机初始化并训练LSTM网络模型,包括:
将所述训练样本作为所述LSTM网络模型的输入;
利用所述训练样本和CTC损失函数训练所述LSTM网络模型,获得训练好的LSTM网络参数。
4.根据权利要求1所述的方法,其特征在于,所述基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,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,还包括:
获取所述LSTM网络模型的输出,并和BLSTM网络模型的输出计算二者的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BLSTM网络的损失函数的第二组成部分。
5.根据权利要求1所述的方法,其特征在于,所述在训练所述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之前,所述方法还包括:
初始化所述第一训练参数和所述第二训练参数,使的所述第一训练参数的值小于所述第二训练参数的值。
6.根据权利要求1所述的方法,其特征在于,所述在训练所述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,包括:
设置与所述第一训练参数和所述第二训练参数相关的变化因子;
每训练若干迭代所述BLSTM,使所述第一训练参数的值增加所述变化因子的值,同时使所述第二训练参数的值减小所述变化因子的值。
7.根据权利要求1所述的方法,其特征在于,所述当所述BLSTM网络输出的性能指标满足预设要求后,停止对所述BLSTM网络的训练之后,所述方法还包括:
利用所述BLSTM网络对输入的语音文件进行预测处理,以得到与所述输入的语音文件对应的文字。
8.一种语音识别装置,其特征在于,包括:
初始模块,用于利用预先设置的训练样本,随机初始化并训练长短时记忆LSTM网络模型;
形成模块,用于基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数,利用所述LSTM网络的训练结果,通过训练结果乘积计算的方式,形成用于训练双向长短时记忆BLSTM网络的损失函数,包括:获取所述BLSTM网络模型的CTC损失函数作为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BLSTM网络的损失函数的第一组成部分;
变化模块,用于在训练所述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;
执行模块,用于当所述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文字预测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的方法。
10.一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权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503214.6A CN111768762B (zh) | 2020-06-05 | 2020-06-05 | 语音识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503214.6A CN111768762B (zh) | 2020-06-05 | 2020-06-05 | 语音识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768762A CN111768762A (zh) | 2020-10-13 |
CN111768762B true CN111768762B (zh) | 2022-01-21 |
Family
ID=72720368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010503214.6A Active CN111768762B (zh) | 2020-06-05 | 2020-06-05 | 语音识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768762B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389576A (zh) * | 2018-01-10 | 2018-08-10 | 苏州思必驰信息科技有限公司 | 压缩后的语音识别模型的优化方法及系统 |
CN109215662A (zh) * | 2018-09-18 | 2019-01-15 | 平安科技(深圳)有限公司 | 端对端语音识别方法、电子装置及计算机可读存储介质 |
CN110246487A (zh) * | 2019-06-13 | 2019-09-17 | 苏州思必驰信息科技有限公司 | 用于单通道的语音识别模型的优化方法及系统 |
CN110570845A (zh) * | 2019-08-15 | 2019-12-13 | 武汉理工大学 | 一种基于域不变特征的语音识别方法 |
CN111540344A (zh) * | 2020-04-21 | 2020-08-14 | 北京字节跳动网络技术有限公司 | 声学网络模型训练方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10811000B2 (en) * | 2018-04-13 | 2020-10-20 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for recognizing simultaneous speech by multiple speakers |
CN111128137B (zh) * | 2019-12-30 | 2023-05-30 | 广州市百果园信息技术有限公司 | 一种声学模型的训练方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-05 CN CN202010503214.6A patent/CN111768762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389576A (zh) * | 2018-01-10 | 2018-08-10 | 苏州思必驰信息科技有限公司 | 压缩后的语音识别模型的优化方法及系统 |
CN109215662A (zh) * | 2018-09-18 | 2019-01-15 | 平安科技(深圳)有限公司 | 端对端语音识别方法、电子装置及计算机可读存储介质 |
CN110246487A (zh) * | 2019-06-13 | 2019-09-17 | 苏州思必驰信息科技有限公司 | 用于单通道的语音识别模型的优化方法及系统 |
CN110570845A (zh) * | 2019-08-15 | 2019-12-13 | 武汉理工大学 | 一种基于域不变特征的语音识别方法 |
CN111540344A (zh) * | 2020-04-21 | 2020-08-14 | 北京字节跳动网络技术有限公司 | 声学网络模型训练方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
Advancing Multi-Accented Lstm-CTC Speech Recognition Using a Domain Specific Student-Teacher Learning Paradigm;Shahram Ghorbani et al.;《2018 IEEE Spoken Language Technology Workshop (SLT)》;20190214;第29-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111768762A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069608B (zh) | 一种语音交互的方法、装置、设备和计算机存储介质 | |
CN111540344B (zh) | 声学网络模型训练方法、装置及电子设备 | |
US12119023B2 (en) | Audio onset detection method and apparatus | |
CN111429942B (zh) | 一种音频数据处理方法、装置、电子设备及存储介质 | |
CN111402867B (zh) | 混合采样率声学模型训练方法、装置及电子设备 | |
CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN110070885B (zh) | 音频起始点检测方法和装置 | |
CN112382266B (zh) | 一种语音合成方法、装置、电子设备及存储介质 | |
CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN116884402A (zh) | 语音转文本的方法、装置、电子设备及存储介质 | |
CN111768762B (zh) | 语音识别方法、装置及电子设备 | |
CN112461244A (zh) | 一种基于经纬度的快递柜定位方法、装置及电子设备 | |
CN110085214B (zh) | 音频起始点检测方法和装置 | |
CN110852042A (zh) | 字符类型转换方法和装置 | |
CN110337027A (zh) | 视频生成方法、装置及电子设备 | |
US20240096347A1 (en) | Method and apparatus for determining speech similarity, and program product | |
CN112509581B (zh) | 语音识别后文本的纠错方法、装置、可读介质和电子设备 | |
CN114495941A (zh) | 单通道音频转文本的方法、装置、电子设备及存储介质 | |
CN111626045A (zh) | 字符长度计算方法、装置及电子设备 | |
CN111028848B (zh) | 压缩语音处理方法、装置及电子设备 | |
CN110728137A (zh) | 用于分词的方法和装置 | |
CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 | |
CN112416859B (zh) | 一种用于iOS应用内的意见反馈方法及相关设备 | |
CN113674739B (zh) | 一种时间确定方法、装置、设备及存储介质 |
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 |