CN112466285B - 离线语音识别方法、装置、电子设备及存储介质 - Google Patents
离线语音识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112466285B CN112466285B CN202011535645.7A CN202011535645A CN112466285B CN 112466285 B CN112466285 B CN 112466285B CN 202011535645 A CN202011535645 A CN 202011535645A CN 112466285 B CN112466285 B CN 112466285B
- Authority
- CN
- China
- Prior art keywords
- syllable
- model
- recognition result
- language model
- decoding
- 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 49
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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
- G10L15/04—Segmentation; Word boundary detection
-
- 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
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
-
- 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
- G10L19/02—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 using spectral analysis, e.g. transform vocoders or subband vocoders
- G10L19/032—Quantisation or dequantisation of spectral components
-
- 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
- G10L2015/027—Syllables being the recognition units
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开公开了离线语音识别方法、装置、电子设备及存储介质,涉及语音识别、自然语言处理及深度学习等人工智能领域,其中的方法可包括:将待识别的语音数据解码为音节识别结果;将所述音节识别结果转换为对应的文字,将所述文字作为待识别的语音数据的语音识别结果。应用本公开所述方案,可提升语音识别结果的准确性等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及语音识别、自然语言处理及深度学习等领域,具体为离线语音识别方法、装置、电子设备及存储介质。
背景技术
目前,语音识别已经广泛应用于语音输入、语音拨号、车载导航等各种场景中。
语音识别方式主要分为在线语音识别和离线语音识别。其中,在线语音识别通常需要将语音数据通过网络上传到服务器中进行解码,语音识别的性能严重受到网络质量的影响,而且由于需要上传语音数据,因此很容易引起个人信息的泄露等。也就是说,在线语音识别无法满足可靠性以及私密性等方面的要求。
离线语音识别不需要将语音数据上传到服务器,直接在设备本地进行解码,从而满足了可靠性以及私密性等方面的要求。但由于设备端的计算和存储资源等比较有限,因此通常需要对识别模型体积进行限制,从而导致语音识别结果的准确性较低等。
发明内容
本公开提供了离线语音识别方法、装置、电子设备及存储介质。
一种离线语音识别方法,包括:
将待识别的语音数据解码为音节识别结果;
将所述音节识别结果转换为对应的文字,将所述文字作为所述语音数据的语音识别结果。
一种离线语音识别装置,包括:离线解码模块以及音节转换模块;
所述离线解码模块,用于将待识别的语音数据解码为音节识别结果;
所述音节转换模块,用于将所述音节识别结果转换为对应的文字,将所述文字作为所述语音数据的语音识别结果。
一种电子设备,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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:提出了一种基于音节的两段式离线语音识别方式,将离线语音识别过程拆分为两个阶段,首先将与上下文无关的音节作为基本的声学建模单元,对待识别的语音数据进行解码,得到音节识别结果,之后,为了满足识别结果的可读性,将音节识别结果转换为对应的文字,从而得到所需的语音识别结果,该方式既不会增大对于计算及存储资源等的占用,而且确保了语音识别结果的准确性等。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述离线语音识别方法实施例的流程图;
图2为现有的离线语音识别方式示意图;
图3为本公开所述基于音节的端到端SMLTA模型的结构示意图;
图4为本公开所述基于音节的LSTM语言模型的结构示意图;
图5为本公开所述流式的Transformer模型的结构示意图;
图6为本公开所述离线语音识别的实现过程示意图;
图7为本公开所述离线语音识别装置70实施例的组成结构示意图;
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述离线语音识别方法实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,将待识别的语音数据解码为音节识别结果。
在步骤102中,将音节识别结果转换为对应的文字,将得到的文字作为语音数据的语音识别结果。
可以看出,本公开方法实施例所述方案中,提出了一种基于音节的两段式离线语音识别方式,将离线语音识别过程拆分为两个阶段,首先将与上下文无关的音节(syllable)作为基本的声学建模单元,对待识别的语音数据进行解码,得到音节识别结果,之后,为了满足识别结果的可读性,将音节识别结果转换为对应的文字,从而得到所需的语音识别结果,该方式既不会增大对于计算及存储资源等的占用,而且确保了语音识别结果的准确性等。
在将待识别的语音数据解码为音节识别结果时,具体地,可利用音节解码器对语音数据进行解码,从而得到音节识别结果,其中,音节解码器用于结合基于音节的声学模型以及基于音节的语言模型来对语音数据进行解码。
优选地,声学模型可为端到端的流式多层截断注意力(SMLTA,Streaming Multi-Layer Trancated Attention)模型,和/或,语言模型可为长短期记忆网络(LSTM,LongShort Term Memory)语言模型。
现有的离线语音识别系统通常由声学模型、语言模型以及解码器等三部分组成。如图2所示,图2为现有的离线语音识别方式示意图,可利用解码器对输入的语音数据根据语言模型和声学模型进行解码,从而得到语音识别结果,考虑到设备端的计算和存储资源有限,可采用基于相对熵(relative entropy)的方法等对语言模型进行裁剪,得到n元语言模型,通常n元语言模型的体积会控制在几十M左右,相比于在线语言识别中的服务器端的语言模型体积减少了约1000倍,大幅裁剪语言模型的体积会导致语音识别结果的准确性大大降低,而且,利用n元语言模型进行识别时需要对解码的路径进行扩展,由于相同的发音存在多个可能对应的文字,为了满足嵌入式设备计算资源的要求,需要对识别的候选结果进行裁剪,而正确的识别结果很容易被提前裁剪掉,从而造成识别错误,进而进一步降低了语音识别结果的准确性等。
而本公开所述离线语音识别方式中,利用基于音节的神经网络语言模型代替了n元语言模型,在有效减少了模型体积的同时,避免了裁剪等所带来的问题,进而提升了语言识别结果的准确性等。
另外,使用基于音节的神经网络语言模型,在解码时直接输出音节识别结果,进而将音节识别结果转换为对应的文字,不需要进行发音到文字的转换,从而可以极大地减少解码器的搜索空间,特别适用于离线语音识别解码资源有限的场景,有效保证了离线语音识别的性能等。
如前所述,本公开所述离线语音识别方式中所用的声学模型可为基于音节的端到端SMLTA模型。
图3为本公开所述基于音节的端到端SMLTA模型的结构示意图。如图3所示,该模型主要由编码器(Encoder)、时序类分类(CTC,Connectionist temporal classification)以及解码器(Decoder)三部分组成,解码器可为语音转字符(LAS,Listen,Attend and Spell)解码器。
其中,编码器中可包括一个卷积(Conv)层和N个LSTM+批归一化(BN,BatchNormalize)层,N的具体取值可根据实际需要而定,如可为5。CTC中可包括一个线性变换(Linear)层以及一个归一化(Softmax)层。LAS解码器中可包含了一个注意力(Attention)层、M个LSTM+层归一化(LN,Layer Normalize)层以及一个Softmax层,M的具体取值同样可根据实际需要而定,如可为2。
图3所示SMLTA模型的输入(input)可为从语音数据中提取出的特征数据,输出(output)包括CTC输出和LAS输出,均可提供给音节解码器,以便音节解码器根据这两个输出结果并结合语言模型等,解码得到音节识别结果。
为提升处理效率等,图3所示编码器和解码器中的LSTM均可为单向LSTM。另外,图3所示SMLTA模型可为采用了低帧率的SMLTA(light-SMLTA)模型,这样可以在提升处理效率的同时,进一步降低声学模型的计算量等。
如前所述,本公开所述离线语音识别方式中所用的语言模型可为基于音节的LSTM语言模型。
图4为本公开所述基于音节的LSTM语言模型的结构示意图。如图4所示,可包括N个LSTM+LSTM层,N的具体取值可根据实际需要而定,两个LSTM可以相同,也可以不同,如参数配置可不同。
另外,还可采用4-比特(bit)量化方法对LSTM语言模型的模型体积进行压缩,以便进一步降低LSTM语言模型的体积,相比于通常的语言模型采用的32-bit的存储结构,经过4-bit量化压缩后的模型体积将只有原来的1/8。4-bit量化方法的具体实现为现有技术。
由于音节解码器的输出为音节识别结果,即为一个音节序列,对于普通用户来说无法辨识,因此为了满足识别结果的可读性,还需要将音节识别结果转换为对应的文字,即将音节序列转换为对应的文字序列。
具体地,可采用音节转换模型,如利用流式的转换器(Transformer)模型,将音节识别结果转换为对应的文字。
图5为本公开所述流式的Transformer模型的结构示意图。如图5所示,本公开所述的流式的Transformer模型与标准的Transformer模型的结构类似,都是采用编码器+解码器的结构,且具体处理方式均如下所示:音节识别结果首先通过输入编码(InputEmbedding)和位置编码(Positional Encoding)进行特征变换并利用编码器的N层级联的Attention模块和残差模块进行特征编码,解码器对历史输出同样进行输出编码(OutputEmbedding)和位置编码,并结合历史输出的编码结果以及编码器输出的特征编码等,利用M层级联的Attention模块和残差模块等得到输出结果,N和M的具体取值均可根据实际需要而定。
如图5所示,与标准的Transformer模型不同的是,本公开所述的流式的Transformer模型中,各注意力结构中分别增加了时间掩码(Time mask)操作,以便利用所述时间掩码操作实现流式的音节转换,从而实现解码结果流式输出的功能。
基于上述介绍,图6为本公开所述离线语音识别的实现过程示意图。
如图6所示,离线解码系统和音节转换系统构成离线语音识别系统,对于待识别的语音数据,首先由离线解码系统中的音节解码器结合基于音节的声学模型以及基于音节的语言模型对语音数据进行解码,从而得到音节识别结果。
音节解码器可为基于神经网络(NN,Neural Network)语言模型的中英文音节解码器,声学模型可为低帧率的端到端的SMLTA模型,语言模型可为LSTM模型,并且,可采用4-bit量化方法对LSTM语言模型的模型体积进行压缩。
如图6所示,对于离线解码系统输出的音节识别结果,可利用音节转换系统中的流式的Transformer模型,将音节识别结果转换为对应的文字,从而得到待识别的语音数据的语音识别结果。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图7为本公开所述离线语音识别装置70实施例的组成结构示意图。如图7所示,包括:离线解码模块701以及音节转换模块702。
离线解码模块701,用于将待识别的语音数据解码为音节识别结果。
音节转换模块702,用于将音节识别结果转换为对应的文字,将得到对的文字作为语音数据的语音识别结果。
在将待识别的语音数据解码为音节识别结果时,具体地,离线解码模块701可利用音节解码器对语音数据进行解码,从而得到音节识别结果;其中,音节解码器用于结合基于音节的声学模型以及基于音节的语言模型对语音数据进行解码。
优选地,声学模型可为端到端的SMLTA模型,和/或,语言模型可为LSTM语言模型。
其中,SMLTA模型可为低帧率的SMLTA模型。另外,离线解码模块701还可采用4-bit量化方法对LSTM语言模型的模型体积进行压缩,以便进一步降低LSTM语言模型的体积。
由于音节解码器的输出为音节识别结果,即为一个音节序列,对于普通用户来说无法辨识,因此为了满足识别结果的可读性,音节转换模块702还需要将音节识别结果转换为对应的文字,即将音节序列转换为对应的文字序列。
具体地,音节转换模块702可利用流式的Transformer模型,将音节识别结果转换为对应的文字。
流式的Transformer模型与标准的Transformer模型的结构类似,不同的是,音节转换模块702还可在流式的Transformer模型中的各注意力结构中分别增加时间掩码操作,以便利用所述时间掩码操作实现流式的音节转换。
图7所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,提出了一种基于音节的两段式离线语音识别方式,将离线语音识别过程拆分为两个阶段,首先将与上下文无关的音节作为基本的声学建模单元,对待识别的语音数据进行解码,得到音节识别结果,之后,为了满足识别结果的可读性,将音节识别结果转换为对应的文字,从而得到所需的语音识别结果,该方式既不会增大对于计算及存储资源等的占用,而且确保了语音识别结果的准确性等。
本公开所述方案可应用于人工智能领域,特别涉及语音识别、自然语言处理及深度学习等领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种离线语音识别方法,包括:
将待识别的语音数据解码为音节识别结果;
将所述音节识别结果转换为对应的文字,包括:利用流式的转换器Transformer模型,将所述音节识别结果转换为对应的文字,其中,在所述Transformer模型中的各注意力结构中分别增加时间掩码操作,利用所述时间掩码操作实现流式的音节转换;
将所述文字作为所述语音数据的语音识别结果。
2.根据权利要求1所述的方法,其中,所述将待识别的语音数据解码为音节识别结果包括:
利用音节解码器对所述语音数据进行解码,得到所述音节识别结果;
其中,所述音节解码器用于结合基于音节的声学模型以及基于音节的语言模型对所述语音数据进行解码。
3.根据权利要求2所述的方法,其中,
所述声学模型包括:端到端的流式多层截断注意力SMLTA模型;
和/或,所述语言模型包括:长短期记忆网络LSTM语言模型。
4.根据权利要求3所述的方法,还包括:
采用4-比特量化方法对所述LSTM语言模型的模型体积进行压缩。
5.一种离线语音识别装置,包括:离线解码模块以及音节转换模块;
所述离线解码模块,用于将待识别的语音数据解码为音节识别结果;
所述音节转换模块,用于将所述音节识别结果转换为对应的文字,包括:利用流式的转换器Transformer模型,将所述音节识别结果转换为对应的文字,其中,在所述Transformer模型中的各注意力结构中分别增加时间掩码操作,利用所述时间掩码操作实现流式的音节转换;将所述文字作为所述语音数据的语音识别结果。
6.根据权利要求5所述的装置,其中,
所述离线解码模块利用音节解码器对所述语音数据进行解码,得到音节识别结果;其中,所述音节解码器用于结合基于音节的声学模型以及基于音节的语言模型对所述语音数据进行解码。
7.根据权利要求6所述的装置,其中,
所述声学模型包括:端到端的流式多层截断注意力SMLTA模型;
和/或,所述语言模型包括:长短期记忆网络LSTM语言模型。
8.根据权利要求7所述的装置,其中,
所述离线解码模块进一步用于,采用4-比特量化方法对所述LSTM语言模型的模型体积进行压缩。
9.一种电子设备,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权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011535645.7A CN112466285B (zh) | 2020-12-23 | 2020-12-23 | 离线语音识别方法、装置、电子设备及存储介质 |
JP2021131343A JP7264951B2 (ja) | 2020-12-23 | 2021-08-11 | オフライン音声認識方法、装置、電子機器、記憶媒体及びコンピュータプログラム |
KR1020210126603A KR20210124933A (ko) | 2020-12-23 | 2021-09-24 | 오프라인 음성 인식 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 |
US17/644,749 US20220108684A1 (en) | 2020-12-23 | 2021-12-16 | Method of recognizing speech offline, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011535645.7A CN112466285B (zh) | 2020-12-23 | 2020-12-23 | 离线语音识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112466285A CN112466285A (zh) | 2021-03-09 |
CN112466285B true CN112466285B (zh) | 2022-01-28 |
Family
ID=74803363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011535645.7A Active CN112466285B (zh) | 2020-12-23 | 2020-12-23 | 离线语音识别方法、装置、电子设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220108684A1 (zh) |
JP (1) | JP7264951B2 (zh) |
KR (1) | KR20210124933A (zh) |
CN (1) | CN112466285B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667828B (zh) | 2020-05-28 | 2021-09-21 | 北京百度网讯科技有限公司 | 语音识别方法和装置、电子设备和存储介质 |
CN113220830A (zh) * | 2021-04-30 | 2021-08-06 | 上海适享文化传播有限公司 | 无网络条件下离线语音检索产品的方法 |
CN113674732B (zh) * | 2021-08-16 | 2022-05-17 | 北京百度网讯科技有限公司 | 语音置信度检测方法、装置、电子设备和存储介质 |
CN114220432A (zh) * | 2021-11-15 | 2022-03-22 | 交通运输部南海航海保障中心广州通信中心 | 基于海事单边带语音自动监听方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741752A (zh) * | 2018-12-27 | 2019-05-10 | 金现代信息产业股份有限公司 | 一种基于语音识别的人事考评方法与系统 |
CN110534095A (zh) * | 2019-08-22 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 语音识别方法、装置、设备以及计算机可读存储介质 |
CN111415654A (zh) * | 2019-01-07 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种音频识别方法和装置、以及声学模型训练方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3728177B2 (ja) | 2000-05-24 | 2005-12-21 | キヤノン株式会社 | 音声処理システム、装置、方法及び記憶媒体 |
JP5660441B2 (ja) * | 2010-09-22 | 2015-01-28 | 独立行政法人情報通信研究機構 | 音声認識装置、音声認識方法、及びプログラム |
CN103578467B (zh) * | 2013-10-18 | 2017-01-18 | 威盛电子股份有限公司 | 声学模型的建立方法、语音辨识方法及其电子装置 |
WO2017135148A1 (ja) * | 2016-02-02 | 2017-08-10 | 日本電信電話株式会社 | 音響モデル学習方法、音声認識方法、音響モデル学習装置、音声認識装置、音響モデル学習プログラムおよび音声認識プログラム |
JP7109771B2 (ja) | 2018-03-12 | 2022-08-01 | 国立研究開発法人情報通信研究機構 | 音声認識システム、音声認識方法、学習済モデル |
US20220036155A1 (en) * | 2018-10-30 | 2022-02-03 | Google Llc | Quantizing trained long short-term memory neural networks |
CN111429889B (zh) | 2019-01-08 | 2023-04-28 | 百度在线网络技术(北京)有限公司 | 基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质 |
US11011156B2 (en) | 2019-04-11 | 2021-05-18 | International Business Machines Corporation | Training data modification for training model |
CN110211588A (zh) * | 2019-06-03 | 2019-09-06 | 北京达佳互联信息技术有限公司 | 语音识别方法、装置及电子设备 |
WO2020250443A1 (ja) | 2019-06-14 | 2020-12-17 | 日本電信電話株式会社 | 情報学習装置、情報処理装置、情報学習方法、情報処理方法及びプログラム |
CN113470662A (zh) * | 2020-03-31 | 2021-10-01 | 微软技术许可有限责任公司 | 生成和使用用于关键词检出系统的文本到语音数据和语音识别系统中的说话者适配 |
-
2020
- 2020-12-23 CN CN202011535645.7A patent/CN112466285B/zh active Active
-
2021
- 2021-08-11 JP JP2021131343A patent/JP7264951B2/ja active Active
- 2021-09-24 KR KR1020210126603A patent/KR20210124933A/ko unknown
- 2021-12-16 US US17/644,749 patent/US20220108684A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741752A (zh) * | 2018-12-27 | 2019-05-10 | 金现代信息产业股份有限公司 | 一种基于语音识别的人事考评方法与系统 |
CN111415654A (zh) * | 2019-01-07 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种音频识别方法和装置、以及声学模型训练方法和装置 |
CN110534095A (zh) * | 2019-08-22 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 语音识别方法、装置、设备以及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
Syllable-Based Sequence-to-Sequence Speech Recognition with the Transformer in Mandarin Chinese;Shiyu Zhou等;《INTERSPEECH 2018》;20180906;第2-3节,附图1 * |
Also Published As
Publication number | Publication date |
---|---|
KR20210124933A (ko) | 2021-10-15 |
US20220108684A1 (en) | 2022-04-07 |
JP7264951B2 (ja) | 2023-04-25 |
CN112466285A (zh) | 2021-03-09 |
JP2021176022A (ja) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112466285B (zh) | 离线语音识别方法、装置、电子设备及存储介质 | |
CN113239705B (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
CN113889076B (zh) | 语音识别及编解码方法、装置、电子设备及存储介质 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN113553864A (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN112466288A (zh) | 语音识别方法、装置、电子设备及存储介质 | |
CN112861548B (zh) | 自然语言生成及模型的训练方法、装置、设备和存储介质 | |
CN114724168A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
CN112989970A (zh) | 文档版面分析方法、装置、电子设备及可读存储介质 | |
CN114937478B (zh) | 用于训练模型的方法、用于生成分子的方法和装置 | |
CN113689868B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN114495977B (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113129869B (zh) | 语音识别模型的训练与语音识别的方法、装置 | |
CN114783428A (zh) | 语音翻译、模型训练方法、装置、设备及存储介质 | |
CN114898734A (zh) | 基于语音合成模型的预训练方法、装置和电子设备 | |
CN114898742A (zh) | 流式语音识别模型的训练方法、装置、设备和存储介质 | |
CN113689866A (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN114841175A (zh) | 机器翻译方法、装置、设备及存储介质 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
CN112560466A (zh) | 链接实体关联方法、装置、电子设备和存储介质 | |
CN113408298A (zh) | 语义解析方法、装置、电子设备及存储介质 | |
CN113255332B (zh) | 文本纠错模型的训练与文本纠错方法、装置 | |
CN114419319A (zh) | 图像分割方法和装置 | |
CN113963433A (zh) | 运动搜索方法、装置、电子设备及存储介质 |
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 |