CN111933119A - 用于生成语音识别网络的方法、装置、电子设备和介质 - Google Patents

用于生成语音识别网络的方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN111933119A
CN111933119A CN202010829138.8A CN202010829138A CN111933119A CN 111933119 A CN111933119 A CN 111933119A CN 202010829138 A CN202010829138 A CN 202010829138A CN 111933119 A CN111933119 A CN 111933119A
Authority
CN
China
Prior art keywords
language model
finite state
state machine
weighted finite
word
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
Application number
CN202010829138.8A
Other languages
English (en)
Other versions
CN111933119B (zh
Inventor
蔡猛
蔡建伟
姚佳立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Douyin Vision Beijing Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010829138.8A priority Critical patent/CN111933119B/zh
Publication of CN111933119A publication Critical patent/CN111933119A/zh
Application granted granted Critical
Publication of CN111933119B publication Critical patent/CN111933119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G10L15/02—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
    • G10L15/08—Speech classification or search
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • 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
    • 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
    • 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
    • G10L2015/0633—Creating reference templates; Clustering using lexical or orthographic knowledge sources
    • 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
    • G10L15/08—Speech classification or search
    • G10L2015/081—Search algorithms, e.g. Baum-Welch or Viterbi

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)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开的实施例公开了用于生成语音识别网络的方法、装置、电子设备和介质。该方法的一具体实施方式包括将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图上述第一预设语言模型对待识别目标词进行了处理，为下一步操作提供了基础。基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。上述过程提高了待识别目标词在之后解码网络中出现的概率，进而提高了识别的召回率。

Description

用于生成语音识别网络的方法、装置、电子设备和介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于生成语音识别网络的方法、装置、电子设备和介质。
背景技术
随着互联网的发展和以深度学习为核心的人工智能技术的普及，语音识别技术应用到人们生活的各个领域，现有相关语音识别网络在识别过程中对于一些特定的词识别的召回率不高。
发明内容
本公开的内容部分用于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。本公开的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。本公开的一些实施例提出了用于生成语音识别网络的方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种用于生成语音识别网络的方法，该方法包括：将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图；基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
第二方面，本公开的一些实施例提供了一种用于生成语音识别网络装置，装置包括：第一组合单元，被配置成将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图；生成单元，被配置成基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
第三方面，本公开的一些实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图；上述第一预设语言模型对待识别目标词进行了处理，为下一步操作提供了基础。基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。上述过程提高了待识别目标词在之后解码网络中出现的概率，进而提高了识别的召回率。
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是根据本公开的一些实施例的用于生成语音识别网络的方法的一个应用场景的示意图；
图2是根据本公开的用于生成语音识别网络的方法的一些实施例的流程图；
图3是根据本公开的用于生成语音识别网络的方法的另一些实施例的流程图；
图4是根据本公开的用于生成语音识别网络的装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些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。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的用于生成语音识别网络的方法的一个应用场景的示意图。
如图1所示，终端设备101将预先训练的声学模型102、词典103、用于处理相关上下文的模型104以及第一预设语言模型105对应的加权有限状态机进行组合，生成第一词图106。例如，将目标词“上牌”的声学特征输入预先训练的声学模型102，输出目标词“上牌”的相关音节信息。从加权有限状态机的角度来看，上述声学模型102可以是声学特征到相关音节信息的一个状态搜索空间，其中，上述状态搜索空间包括多条搜索路径。进而，将上述相关音节信息输入用于处理相关上下文的模型104，输出相关音节信息的中间音节信息。从加权有限状态机的角度来看上述，上述输入用于处理相关上下文的模型104可以表示为相关上下文音节信息到中间音节信息的一个状态搜索空间，其中，上述状态搜索空间包括多条搜索路径。然后，将上述中间音节信息输入到上述词典103，输出于上述中间音节信息对应的词。从加权有限状态机的角度来看，上述词典103可以是中间音节信息到对应的词或字的一个状态搜索空间，其中，该状态搜索空间包括多条搜索路径。下一步，将词典103中输出的词输入到第一预设语言模型105，得到输入的词的相关联的概率。第一词图106可以是将上述预先训练的声学模型102、词典103、用于处理相关上下文的模型104、第一预设语言模型105进行组合得到的第一状态搜索空间。将第一词图106与第二语言模型107进行合并，生成第一解码网络108。例如，在上述第一状态搜索空间之后再附加一个语言模型对应的状态搜索空间，可以得到第二状态搜索空间，也就是上述第一解码网络108。
可以理解的是，用于生成语音识别网络的方法的执行主体可以是各种软件，可以是终端设备101，或者也可以是服务器，上述方法的执行主体还可以包括上述终端设备101与上述服务器通过网络相集成所构成的设备。其中，终端设备101可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当生成网络的方法的执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备。
继续参考图2，示出了根据本公开的用于生成语音识别网络的方法的一些实施例的流程200。该用于生成语音识别网络的方法，包括以下步骤：
步骤201，将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图。
在一些实施例中，用于生成语音识别网络的方法的执行主体(例如图1所示的终端设备)可以通过WFST(Weighted Finite-state Transducer，加权有限状态机)的标准构建方式来组合上述第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机。其中，语言模型可以是确定一个句子的概率大小的这种模型，它表示一个词在一句话中出现的概率多大。语言模型的加权有限状态机可以是指将这种模型转化为对应的lattice(词网格，又叫词图)。在形式上可以看作是一个状态搜索空间，表示一个状态到另一个状态之间的转换。在语言模型对应的lattice中包含有多条状态转换路径。上述预先训练的声学模型可以通过HMM(Hidden Markov Model，隐马尔科夫模型)对每一帧语音所对应的状态进行假设，可以在HMM的状态序列上进行搜索，从而产生可能的相关上下文。上述预先训练的声学模型的加权有限状态机可以是将上述声学模型转换为对应的lattice。在形式上可以看作是一个状态搜索空间，表示一个声学帧状态到相关上下文音素状态之间的转换的lattice。上述相关上下文可以是通过跨词三音素模型输入相关上下文音素，输出相关上下文的中间音素。上述相关上下文对应的加权有限状态机可以表示相关上下文音素状态到相关上下文中间音素状态之间转换的lattice。上述词典可以表示为音素到文字之间的映射。输入相关上下文的中间音素，输出为中间音素对应的文字或词。上述词典对应的加权有限状态机可以表示为中间音素的状态到对应文字或词的状态之间转换的lattice。
通常，上述WFST的标准构建方式可以通过以下公式表示，具体公式为：
N＝π∈(min(det(H°det(C°det(l°G)))))
其中，N是整个加权有限状态机的构建过程，H是声学模型对应的加权有限状态机，C是相关上下文对应的加权有限状态机，L是词典对应的加权有限状态机，G是语言模型对应的加权有限状态机。
Figure BDA0002637272310000051
表示为加权有限状态机的组合操作，det表示确定化算法；min表示最小化算法；π∈为ε-Removal算法。在逐步引入信息的同时采用确定化算法对网络结构进行优化。而在将所有信息引入后，需要采用WFST的最小化算法以及ε-Removal算法完成进一步的优化，使得形成的识别网络较小。
在一些实施例的一些可选的实现方式中，上述第一预设语言模型对应的加权有限状态机是一个状态搜索空间，上述状态搜索空间中包含至少一条用来匹配目标词的路径，用来提高至少一个目标字在文本中出现的概率。作为示例，当“上牌”这个目标词输出值上述第一预设语言模型时，会有一条匹配“上牌”这个目标词的路径，因为语言模型是体现一个词出现的概率大小的模型，所以“上牌”这个词在经过匹配路径后，上述“上牌”这个目标词的概率在文本中出现的概率就会提高。
步骤202，基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
在一些实施例中，上述方法的执行主体基于步骤201中得到的第一词图，与第二语言模型对应的加权有限状态机进行组合，生成第一解码网络。其中，第一解码网络是在第一词图的基础上附加了一个第二语言模型，也是一个包含多条候选路径的状态搜索空间。第二语言模型是确定一个字或词的概率大小的这种模型，它表示一个字或词在基于前面一个字或词或者后面一个字或词在一句话中出现的概率多大。
在一些实施例的一些可选的实现方式中，上述第二语言模型是一个一元文法语言模型。实践中，一元文法语言模型时给定一个词，确定下一个词出现的概率大小的模型。
本公开的上述各个实施例中的一个实施例具有如下有益效果：将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图，其中，上述第一预设语言模型中包含用来匹配目标词的路径；上述第一预设语言模型对待识别目标词进行了处理，为下一步操作提供了基础。基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。上述过程提高了待识别目标词在之后解码网络中出现的概率，进而提高了识别的召回率。
进一步参考图3，其示出了用于生成语音识别网络的方法的另一些实施例的流程300。该用于生成语音识别网络的方法的流程300，包括以下步骤：
步骤301，将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图，其中，上述第一预设语言模型中包含用来匹配目标词的路径。
步骤302，基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
在一些实施例中，步骤301-302的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。
步骤303，通过第三预设语言模型对应的加权有限状态机对上述第一解码网络中上述第一预设语言模型对应的加权有限状态机进行处理，得到第二词图。
在一些实施例中，上述方法的执行主体可以基于第三预设语言模型对应的加权有限状态机对上述第一解码网络中上述第一预设语言模型对应的加权有限状态机进行处理得到第二词图。其中，上述第一解码网络是通过上述第一词图和第二预设语言模型进行组合得到的。上述第三预设语言模型对应的加权有限状态机是在上述第一预设语言模型对应的加权有限状态机的基础上生成的。上述第一预设语言模型对应的加权有限状态机是一个状态搜索空间，在该状态搜索空间中预先设置一条匹配目标词的路径，用来提高上述目标词在文本中出现的概率。上述路径中每个状态到下一个状态转换的过程在加权有限状态机中可以用一条带有权重的边或弧表示。上述第三预设语言模型对应的加权有限状态机在第一预设语言模型对应的加权有限状态机的基础上，对上述第一预设语言模型对应的加权有限状态机中的上述路径上的权重取相反数，得到第三预设语言模型。
在一些实施例的一些可选的实现方式中，上述第三预设语言模型对应的加权有限状态机是通过以下步骤得到：基于上述第一预设语言模型的加权有限状态机，对上述第一预设语言模型对应的加权有限状态机中的上述至少一条路径上的权重取相反数，得到第三预设语言模型对应的加权有限状态机。
步骤304，将第四预设语言模型对应的加权有限状态机和上述第二词图进行组合，得到第二解码网络，其中，上述第二解码网络存在多条包含目标词的词串的候选路径。
在一些实施例中，基于步骤303得到的第二词图，上述方法的执行主体将上述第二词图和第四预设语言模型对应的加权有限状态机进行组合，得到第二解码网络。其中，上述第四预设语言模型是一个n元文法的语言模型，就是确定一个句子的概率大小的这种模型，它表示一个词基于上下文信息在一句话中出现的概率多大。
在一些实施例的一些可选的实现方式中，上述第四预设语言模型是一个n元文法的语言模型。实践中，n元文法语言模型时给定多个个词，确定下一个词出现的概率大小的模型。
在一些实施例的一些可选的实现方式中，将目标语音输入到上述第二解码网络，输出上述目标语音对应的文本。其中，上述目标语音可以是任意一段话，或者是一段录音。上述目标语音对应的文本可以是上述一段话或者录音在输入第二解码网络后，在上述第二解码网络对应的状态搜索空间中选择概率最大的路径所对应的字串或者词串。
在一些实施例的一些可选的实现方式中，对上述目标语音进行预处理，得到目标语音对应的预处理结果；对上述预处理结果进行特征提取，得到目标语音对应的声学特征；以及上述将目标语音输入上述第二解码网络，输出目标语音对应的文本，包括：将上述声学特征输入上述第二解码网络，输出目标语音对应的文本。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的生成第二解码网络的方法的流程300进一步对上述第一解码网络进行组合。针对第一解码网络中第一预设语言模型做了优化处理。由此，使得在语音识别过程中对于一些特定的词识别召回率很高的技术上，虚警率更低。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于生成语音识别网络的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的用于生成语音识别网络的装置400包括：第一组合单元401、生成单元402。其中第一组合单元401被配置成将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图；生成单元402被配置成成基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
在一些实施例的一些可选实现方式中，用于生成语音识别网络的装置400还包括处理单元和第二组合单元。其中，处理单元被配置成通过第三预设语言模型对应的加权有限状态机对上述第一解码网络中上述第一预设语言模型对应的加权有限状态机进行处理，得到第二词图；第二组合单元被配置成将第四预设语言模型对应的加权有限状态机和上述第二词图进行组合，得到第二解码网络，其中，上述第二解码网络存在多条包含目标词的词串的候选路径。
在一些实施例的一些可选实现方式中，上述第一预设语言模型对应的加权有限状态机是一个状态搜索空间，上述状态搜索空间中包含至少一条用来匹配目标词的路径，用来提高至少一个目标字在文本中出现的概率。
在一些实施例的一些可选实现方式中，上述第二语言模型是一个一元文法语言模型。
在一些实施例的一些可选实现方式中，用于生成语音识别网络的装置400的处理单元进一步被配置成基于上述第一预设语言模型的加权有限状态机，对上述第一预设语言模型对应的加权有限状态机中的所述至少一条路径上的权重取相反数，得到第三预设语言模型对应的加权有限状态机。
在一些实施例的一些可选实现方式中，上述第四预设语言模型是一个n元文法的语言模型。
在一些实施例的一些可选实现方式中，用于生成语音识别网络的装置400还包括输出单元，被配置成将目标语音输入上述第二解码网络，输出上述目标语音对应的文本。
在一些实施例的一些可选实现方式中，上述装置还包括：预处理单元和特征提取单元。其中，预处理单元被配置成对上述目标语音进行预处理，得到目标语音对应的预处理结果；特征提取单元被配置成对上述预处理结果进行特征提取，得到目标语音对应的声学特征；以及上述将目标语音输入上述第二解码网络，输出目标语音对应的文本，包括：将上述声学特征输入上述第二解码网络，输出目标语音对应的文本。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的终端设备)500的结构示意图。本公开的一些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5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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计算设备中所包含的；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：将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图，其中，上述第一预设语言模型中包含用来匹配目标词的路径；基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
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一些实施例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。
描述于本公开的一些实施例中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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一组合单元、生成单元。其中，这些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，第一组合单元还可以被描述为“将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合的单元”。
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。
根据本公开的一个或多个实施例，提供了一种用于生成语音识别网络的方法，包括：将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图；基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
根据本公开的一个或多个实施例，通过第三预设语言模型对应的加权有限状态机对上述第一解码网络中上述第一预设语言模型对应的加权有限状态机进行处理，得到第二词图；将第四预设语言模型对应的加权有限状态机和上述第二词图进行组合，得到第二解码网络，其中，上述第二解码网络存在多条包含目标词的词串的候选路径。
根据本公开的一个或多个实施例，上述第一预设语言模型对应的加权有限状态机是一个状态搜索空间，上述状态搜索空间中包含至少一条用来匹配目标词的路径，用来提高至少一个目标字在文本中出现的概率。
根据本公开的一个或多个实施例，上述第二语言模型是一个一元文法语言模型。
根据本公开的一个或多个实施例，基于上述第一预设语言模型的加权有限状态机，对上述第一预设语言模型对应的加权有限状态机中的所述至少一条路径上的权重取相反数，得到第三预设语言模型对应的加权有限状态机。
根据本公开的一个或多个实施例，上述第四预设语言模型是一个n元文法的语言模型。
根据本公开的一个或多个实施例，将目标语音输入上述第二解码网络，输出上述目标语音对应的文本。
根据本公开的一个或多个实施例，对上述目标语音进行预处理，得到目标语音对应的预处理结果；对上述预处理结果进行特征提取，得到目标语音对应的声学特征；以及上述将目标语音输入上述第二解码网络，输出目标语音对应的文本，包括：将上述声学特征输入上述第二解码网络，输出目标语音对应的文本。
根据本公开的一个或多个实施例，提供了一种用于生成语音识别网络的装置，包括：第一组合单元，被配置成将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图，其中，上述第一预设语言模型中包含用来匹配目标词的路径；生成单元，被配置成基于上述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，上述第二语言模型是基于上述第一词图得到的。
根据本公开的一个或多个实施例，用于生成语音识别网络的装置400还包括处理单元和第二组合单元。其中，处理单元被配置成通过第三预设语言模型对应的加权有限状态机对上述第一解码网络中上述第一预设语言模型对应的加权有限状态机进行处理，得到第二词图；第二组合单元被配置成将第四预设语言模型对应的加权有限状态机和上述第二词图进行组合，得到第二解码网络，其中，上述第二解码网络存在多条包含目标词的词串的候选路径。
根据本公开的一个或多个实施例，上述第一预设语言模型对应的加权有限状态机是一个状态搜索空间，上述状态搜索空间中包含至少一条用来匹配目标词的路径，用来提高至少一个目标字在文本中出现的概率。
根据本公开的一个或多个实施例，上述第二语言模型是一个一元文法语言模型。
根据本公开的一个或多个实施例，用于生成语音识别网络的装置的处理单元进一步被配置成基于上述第一预设语言模型的加权有限状态机，对上述第一预设语言模型对应的加权有限状态机中的所述至少一条路径上的权重取相反数，得到第三预设语言模型对应的加权有限状态机。
根据本公开的一个或多个实施例，上述第四预设语言模型是一个n元文法的语言模型。
根据本公开的一个或多个实施例，用于生成语音识别网络的装置还包括输出单元，被配置成将目标语音输入上述第二解码网络，输出上述目标语音对应的文本。
根据本公开的一个或多个实施例，上述装置还包括：预处理单元和特征提取单元。其中，预处理单元被配置成对上述目标语音进行预处理，得到目标语音对应的预处理结果；特征提取单元被配置成对上述预处理结果进行特征提取，得到目标语音对应的声学特征；以及上述将目标语音输入上述第二解码网络，输出目标语音对应的文本，包括：将上述声学特征输入上述第二解码网络，输出目标语音对应的文本。
根据本公开的一个或多个实施例，本公开的一些实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
根据本公开的一个或多个实施例，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (11)

1.一种用于生成语音识别网络的方法，包括：
将第一预设语言模型、预先训练的声学模型、词典以及用于处理相关上下文的模型分别对应的加权有限状态机进行组合，得到第一词图；
基于所述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，所述第二语言模型是基于所述第一词图得到的。
2.根据权利要求1所述的方法，其中，所述第一预设语言模型对应的加权有限状态机是一个状态搜索空间，所述状态搜索空间中包含至少一条用来匹配目标词的路径以提高至少一个目标字在文本中出现的概率。
3.根据权利要求1所述的方法，其中，所述第二语言模型是一个一元文法语言模型。
4.根据权利要求1所述的方法，其中，所述方法还包括：
通过第三预设语言模型对应的加权有限状态机对所述第一解码网络中所述第一预设语言模型对应的加权有限状态机进行处理，得到第二词图；
将第四预设语言模型对应的加权有限状态机和所述第二词图进行组合，得到第二解码网络，其中，所述第二解码网络存在多条包含目标词的词串的候选路径。
5.根据权利要求4所述的方法，其中，所述第三预设语言模型对应的加权有限状态机是通过以下步骤得到：
对所述第一预设语言模型对应的加权有限状态机中的至少一条路径上的权重取相反数，得到第三预设语言模型对应的加权有限状态机。
6.根据权利要求4所述的方法，其中，所述第四预设语言模型是一个n元文法的语言模型。
7.根据权利要求4所述的方法，其中，所述方法还包括：
将目标语音输入所述第二解码网络，输出所述目标语音对应的文本。
8.根据权利要求7所述的方法，其中，在所述将目标语音输入所述第二解码网络，输出所述目标语音对应的文本之前，所述方法还包括：
对所述目标语音进行预处理，得到目标语音对应的预处理结果；
对所述预处理结果进行特征提取，得到目标语音对应的声学特征；以及
所述将目标语音输入所述第二解码网络，输出目标语音对应的文本，包括：
将所述声学特征输入所述第二解码网络，输出目标语音对应的文本。
9.一种用于生成语音识别网络的装置，包括：
第一组合单元，被配置成将第一预设语言模型、预先训练的声学模型、词典以及相关上下文分别对应的加权有限状态机进行组合，得到第一词图；
生成单元，被配置成基于所述第一词图和第二语言模型对应的加权有限状态机，生成第一解码网络，所述第二语言模型是基于所述第一词图得到的。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202010829138.8A 2020-08-18 2020-08-18 用于生成语音识别网络的方法、装置、电子设备和介质 Active CN111933119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010829138.8A CN111933119B (zh) 2020-08-18 2020-08-18 用于生成语音识别网络的方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010829138.8A CN111933119B (zh) 2020-08-18 2020-08-18 用于生成语音识别网络的方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN111933119A true CN111933119A (zh) 2020-11-13
CN111933119B CN111933119B (zh) 2022-04-05

Family

ID=73305076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010829138.8A Active CN111933119B (zh) 2020-08-18 2020-08-18 用于生成语音识别网络的方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN111933119B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112820280A (zh) * 2020-12-30 2021-05-18 北京声智科技有限公司 规则语言模型的生成方法及装置
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

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150179177A1 (en) * 2013-12-24 2015-06-25 Kabushiki Kaisha Toshiba Decoder, decoding method, and computer program product
US20160357728A1 (en) * 2015-06-04 2016-12-08 Apple Inc. Language identification from short strings
CN108899013A (zh) * 2018-06-27 2018-11-27 广州视源电子科技股份有限公司 语音搜索方法、装置和语音识别系统
US20190011278A1 (en) * 2017-07-06 2019-01-10 Here Global B.V. Method and apparatus for providing mobility-based language model adaptation for navigational speech interfaces
CN110047477A (zh) * 2019-04-04 2019-07-23 北京清微智能科技有限公司 一种加权有限状态转换机的优化方法、设备以及系统
CN110176230A (zh) * 2018-12-11 2019-08-27 腾讯科技（深圳）有限公司 一种语音识别方法、装置、设备和存储介质
CN111145733A (zh) * 2020-01-03 2020-05-12 深圳追一科技有限公司 语音识别方法、装置、计算机设备和计算机可读存储介质
CN111243599A (zh) * 2020-01-13 2020-06-05 网易有道信息技术（北京）有限公司 语音识别模型构建方法、装置、介质及电子设备
CN111402895A (zh) * 2020-06-08 2020-07-10 腾讯科技（深圳）有限公司 语音处理、语音评测方法、装置、计算机设备和存储介质
CN111402891A (zh) * 2020-03-23 2020-07-10 北京字节跳动网络技术有限公司 语音识别方法、装置、设备和存储介质
US20200227024A1 (en) * 2020-03-27 2020-07-16 Intel Corporation Method and system of automatic speech recognition with highly efficient decoding
CN111508478A (zh) * 2020-04-08 2020-08-07 北京字节跳动网络技术有限公司 语音识别方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150179177A1 (en) * 2013-12-24 2015-06-25 Kabushiki Kaisha Toshiba Decoder, decoding method, and computer program product
US20160357728A1 (en) * 2015-06-04 2016-12-08 Apple Inc. Language identification from short strings
US20190011278A1 (en) * 2017-07-06 2019-01-10 Here Global B.V. Method and apparatus for providing mobility-based language model adaptation for navigational speech interfaces
CN108899013A (zh) * 2018-06-27 2018-11-27 广州视源电子科技股份有限公司 语音搜索方法、装置和语音识别系统
CN110176230A (zh) * 2018-12-11 2019-08-27 腾讯科技（深圳）有限公司 一种语音识别方法、装置、设备和存储介质
CN110047477A (zh) * 2019-04-04 2019-07-23 北京清微智能科技有限公司 一种加权有限状态转换机的优化方法、设备以及系统
CN111145733A (zh) * 2020-01-03 2020-05-12 深圳追一科技有限公司 语音识别方法、装置、计算机设备和计算机可读存储介质
CN111243599A (zh) * 2020-01-13 2020-06-05 网易有道信息技术（北京）有限公司 语音识别模型构建方法、装置、介质及电子设备
CN111402891A (zh) * 2020-03-23 2020-07-10 北京字节跳动网络技术有限公司 语音识别方法、装置、设备和存储介质
US20200227024A1 (en) * 2020-03-27 2020-07-16 Intel Corporation Method and system of automatic speech recognition with highly efficient decoding
CN111508478A (zh) * 2020-04-08 2020-08-07 北京字节跳动网络技术有限公司 语音识别方法和装置
CN111402895A (zh) * 2020-06-08 2020-07-10 腾讯科技（深圳）有限公司 语音处理、语音评测方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PRASHANT SERAI，等: "IMPROVING SPEECH RECOGNITION ERROR PREDICTION FOR MODERN AND OFF-THE-SHELF SPEECH RECOGNIZERS", 《ICASSP 2019》 *
郭宇弘，等: "基于加权有限状态机的动态匹配词图生成算法", 《电子与信息学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112820280A (zh) * 2020-12-30 2021-05-18 北京声智科技有限公司 规则语言模型的生成方法及装置
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
CN111933119B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
TWI610295B (zh) 解壓縮及壓縮用於語音辨識之轉換器資料的電腦實施方法及電腦實施之語音辨識系統
US10255911B2 (en) System and method of automatic speech recognition using parallel processing for weighted finite state transducer-based speech decoding
CN112489621B (zh) 语音合成方法、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
CN112259089B (zh) 语音识别方法及装置
CN112786007A (zh) 语音合成方法、装置、可读介质及电子设备
CN111681661B (zh) 语音识别的方法、装置、电子设备和计算机可读介质
CN111369971A (zh) 语音合成方法、装置、存储介质和电子设备
CN112927674B (zh) 语音风格的迁移方法、装置、可读介质和电子设备
CN113470619A (zh) 语音识别方法、装置、介质及设备
CN112786008A (zh) 语音合成方法、装置、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
CN112509562A (zh) 用于文本后处理的方法、装置、电子设备和介质
CN111986655A (zh) 音频内容识别方法、装置、设备和计算机可读介质
CN110136715A (zh) 语音识别方法和装置
CN111508478B (zh) 语音识别方法和装置
CN111354343A (zh) 语音唤醒模型的生成方法、装置和电子设备
CN111916053A (zh) 语音生成方法、装置、设备和计算机可读介质
CN114765025A (zh) 语音识别模型的生成方法、识别方法、装置、介质及设备
CN113160820B (zh) 语音识别的方法、语音识别模型的训练方法、装置及设备
CN110675865B (zh) 用于训练混合语言识别模型的方法和装置
CN111968657A (zh) 语音处理方法、装置、电子设备和计算机可读介质
CN112133285A (zh) 语音识别方法、装置、存储介质和电子设备
CN112530416B (zh) 语音识别方法、装置、设备和计算机可读介质
JP7348447B2 (ja) テキストベースの話者変更検出を活用した話者ダイアライゼーション補正方法およびシステム

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: Tiktok vision (Beijing) Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.