CN112466288B - 语音识别方法、装置、电子设备及存储介质 - Google Patents
语音识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112466288B CN112466288B CN202011506530.5A CN202011506530A CN112466288B CN 112466288 B CN112466288 B CN 112466288B CN 202011506530 A CN202011506530 A CN 202011506530A CN 112466288 B CN112466288 B CN 112466288B
- Authority
- CN
- China
- Prior art keywords
- sequence
- module
- sample
- hidden layer
- voice
- 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 42
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000012634 fragment Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 26
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 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
- 238000010801 machine learning 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
- 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
- G10L15/04—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
- G10L15/02—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
- G10L15/18—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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Machine Translation (AREA)
Abstract
本公开公开了语音识别方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及深度学习技术领域、自然语言处理领域、语音技术领域等人工智能技术领域。具体实现方案为：获取待识别语音，以及待识别语音的隐层特征序列；对隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据音节序列中音节所在的帧位置对隐层特征序列进行截断处理，得到特征片段序列；针对特征片段序列中的第i个特征片段，结合第i‑1个特征片段对应的文字的语义向量以及特征片段序列，预测第i个特征片段对应的文字；进而生成待识别语音的识别结果，从而能够避免采用解码器，降低了计算量，提高了语音识别效率和语音识别准确度。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习技术领域、自然语言处理领域、语音技术领域等人工智能技术领域，尤其涉及语音识别方法、装置、电子设备及存储介质。
背景技术
目前的语音识别框架为，待识别语音输入smlta声学模型，获取音节序列；音节序列输入语言模型，获取多个候选的文字序列；音节序列和多个候选的文字序列输入解码器进行解码，从多个候选的文字序列中选择文字序列作为待识别语音的识别结果。
上述方案中，解码过程中，不仅要计算声学得分，还必须时刻查询语言得分，计算量大，解码效率差，解码准确度差。
发明内容
本公开提供了一种语音识别方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种语音识别方法，包括：获取待识别语音，以及所述待识别语音的隐层特征序列；对所述隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据所述音节序列中音节所在的帧位置对所述隐层特征序列进行截断处理，得到特征片段序列；针对所述特征片段序列中的第i个特征片段，结合所述特征片段序列中第i-1个特征片段对应的文字的语义向量以及所述特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；根据所述特征片段序列中各个特征片段对应的文字，生成所述待识别语音的识别结果。
根据本公开的另一方面，提供了一种语音识别装置，包括：获取模块，用于获取待识别语音，以及所述待识别语音的隐层特征序列；时序分类模块，用于对所述隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据所述音节序列中音节所在的帧位置对所述隐层特征序列进行截断处理，得到特征片段序列；预测模块，用于针对所述特征片段序列中的第i个特征片段，结合所述特征片段序列中第i-1个特征片段对应的文字的语义向量以及所述特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；生成模块，用于根据所述特征片段序列中各个特征片段对应的文字，生成所述待识别语音的识别结果。
根据第三方面，提供了一种电子设备，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上所述的语音识别方法。
根据第四方面，提供了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所述计算机执行如上所述的语音识别方法。
根据第五方面，提供了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，实现如上所述的语音识别方法。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是语音识别模型的示意图；
图4是根据本公开第三实施例的示意图；
图5是根据本公开第四实施例的示意图；
图6是用来实现本公开实施例的语音识别方法的电子设备的框图。
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。
下面参考附图描述本申请实施例的语音识别方法、装置、电子设备及存储介质。
图1是根据本申请第一实施例的示意图。其中，需要说明的是，本申请实施例的执行主体为语音识别装置，语音识别装置具体可以为硬件设备，或者硬件设备中的软件等。
如图1所示，语音识别方法的具体实现过程如下：
步骤101，获取待识别语音，以及待识别语音的隐层特征序列。
在本申请实施例中，待识别语音可以为通过任意方式获取的任意语音。其中，待识别语音的隐层特征序列的获取方式例如可以为，获取待识别语音的声学特征，将待识别语音的声学特征输入隐层特征提取模块，以获取待识别语音中各帧的隐层特征。
在本申请实施例中，待识别语音的声学特征例如可以为，FBank(filterbank)特征，或者梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient,简称MFCC)。在本申请实施例中，待识别语音中可以包括多帧语音，针对每帧语音，提取对应的声学特征，进而提取到对应的隐层特征。
步骤102，对隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据音节序列中音节所在的帧位置对隐层特征序列进行截断处理，得到特征片段序列。
在本申请实施例中，语音识别装置对隐层特征序列中的各帧隐层特征进行时序分类的过程例如可以为，将隐层特征序列输入基于联结时序分类(Connectionist temporalclassification，CTC)模块，以获取音节序列。其中，音节序列中具体可以包括：具体的音节以及空字符，音节以及空字符的总数量与待识别语音的帧数一致，音节的数量与待识别语音对应的文本中文字的数量一致，音节所在的帧位置为尖峰位置。
在本申请实施例中，隐层特征序列中隐层特征的数量与待识别语音的帧数一致。根据音节序列中音节所在的帧位置对隐层特征序列进行截断处理，可以将隐层特征序列中的连续多个隐层特征作为一个特征片段，其中，特征片段的数量与待识别语音对应的文本中文字的数量一致。
步骤103，针对特征片段序列中的第i个特征片段，结合特征片段序列中第i-1个特征片段对应的文字的语义向量以及特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量。
在本申请实施例中，语音识别装置执行步骤103的过程例如可以为，获取特征片段序列中的前i-1个特征片段对应的文字，生成文字序列；结合所述文字序列，获取文字序列中第i-1个文字的语义向量；结合特征片段序列以及语义向量序列中第i-1个文字的语义向量，预测第i个特征片段对应的文字。
在本申请实施例中，由于第i-1个文字为所述文字序列中的最后一个文字，因此，语音识别装置获取文字序列中第i-1个文字的语义向量的过程例如可以为，将文字序列输入语言模块，语言模块输出的语义向量，将所述语言模块输出的语义向量，确定为第i-1个文字的语义向量。
在本申请实施例中，语音识别装置结合特征片段序列以及语义向量序列中第i-1个文字的语义向量，预测第i个特征片段对应的文字的过程例如可以为，将特征片段序列以及语义向量序列中第i-1个文字的语义向量输入注意力模块，获取注意力模块输出的第i个文字，并将注意力模块输出的第i个文字，确定为第i个特征片段对应的文字；然后将第i个文字输入语言模块，语言模块结合之前输入的前i-1个文字以及第i个文字，获取第i个文字的语义向量，依次类推，直至预测完成。
在本申请实施例中，结合第i-1个文字的语义向量以及特征片段序列来预测第i个文字，由于语义向量中包含文字特征，而特征片段序列中包括声学特征，从而能够结合文字特征和声学特征来预测文字，不需要解码器对音节序列以及多个文字序列进行解码，降低了计算量，提高了语音识别效率，且提高了语音识别的准确度。
步骤104，根据特征片段序列中各个特征片段对应的文字，生成待识别语音的识别结果。
在本申请实施例中，语音识别装置可以对特征片段序列中各个特征片段对应的文字进行整合，整合得到的文本作为待识别语音的识别结果。
综上，通过获取待识别语音，以及待识别语音的隐层特征序列；对隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据音节序列中音节所在的帧位置对隐层特征序列进行截断处理，得到特征片段序列；针对特征片段序列中的第i个特征片段，结合特征片段序列中第i-1个特征片段对应的文字的语义向量以及特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；根据特征片段序列中各个特征片段对应的文字，生成待识别语音的识别结果，从而能够避免解码器的采用，降低了计算量，提高了语音识别效率，且提高了语音识别的准确度。
图2是根据本申请第二实施例的示意图。其中，需要说明的是，本申请实施例的执行主体为语音识别装置，语音识别装置具体可以为硬件设备，或者硬件设备中的软件等。
如图2所示，语音识别方法的具体实现过程如下：
步骤201，构建语音识别模型，其中，语音识别模型包括：提取隐层特征的隐层特征提取模块、进行时序分类的基于联结时序分类CTC模块、生成文字的语义向量的语言模块、以及预测特征片段对应文字的注意力模块；其中，语言模块的输出连接注意力模块的输入，隐层特征提取模块的输出分别连接基于联结时序分类CTC模块的输入和注意力模块的输入，基于联结时序分类CTC模块的输出连接注意力模块的输入。
在本申请实施例中，语音识别模型的示意图例如可以如图3所示。在图3中，隐层特征提取模块输出的隐层特征序列分别提供给基于联结时序分类CTC模块和注意力模块；注意力模块的输出为预测得到的文字；语言模块的输出提供给注意力模块；而语言模块的输入，在语言识别模型进行预测时，语言模块的输入为注意力模块输出的各个文字；在语言识别模型进行训练时，语言模块的输入为样本语音对应的样本文本。
步骤202，获取第一训练数据，其中，第一训练数据包括：样本语音以及对应的样本文本。
步骤203，采用第一训练数据中的样本语音以及对应的样本文本对语音识别模型进行训练，以获取训练好的语音识别模型。
在本申请实施例中，语音识别装置执行步骤203的过程例如可以为，针对每个样本语音，将样本语音输入语音识别模型的隐层特征提取模块，并将样本语音对应的样本文本输入语音识别模型的语言模块，以获取基于联结时序分类CTC模型输出的样本音节序列以及注意力模块输出的预测文本；结合样本音节序列、预测文本、样本语音对应的样本文本以及预设的第一损失函数，确定第一损失函数值；结合第一损失函数值，对隐层特征提取模块、所述基于联结时序分类CTC模块、语言模块和注意力模块进行参数调整。
在本申请实施例中，第一损失函数可以由两部分组成，一部分是音节序列损失函数，表征样本音节序列与样本文本中各个文字的实际音节之间的差异；一部分是文本损失函数，表征样本文本与预测文本之间的差异。结合第一损失函数来计算损失函数值，并对隐层特征提取模块、所述基于联结时序分类CTC模块、语言模块和注意力模块进行参数调整，能够加快语音识别模型中隐层特征提取模块的训练速度，进而加快语音识别模型的训练速度；且注意力模块的输入有文字的语义向量，使得注意力模型能够学习到大量的文字特征以及声学特征，提高训练得到的语音识别模型的准确度。
在本申请实施例中，由于样本语音的数量较少，而样本文本的数量较大，为了进一步提高训练得到的语音识别模型的准确度，在采用样本语音以及对应的样本文本对语音识别模型进行训练之前，还可以先采用大量的样本文本对语音识别模型中的语言模块进行训练，使得语言模块学习到大量的文字特征，进而在采用样本语音以及对应的样本文本对语音识别模型的训练过程中，使得注意力模块能够学习到大量的文字特征，进一步提高注意力模块预测得到的文字的准确度，进一步提高语音识别模型的识别准确度。因此，在本申请实施例中，在步骤202之前，所述的方法还可以包括以下步骤：获取第二训练数据，其中，第二训练数据包括：多个样本文本；采用多个样本文本，对语音识别模型中的语言模块进行训练。
在本申请实施例中，语音识别装置采用多个样本文本，对语音识别模型中的语言模块进行训练的过程例如可以为，针对每个样本文本，将样本文本中的前j-1个文字输入语言模块，获取语言模块输出的文字预测结果，其中，j为大于0且小于等于M的正整数，M为样本文本中文字的总数量；结合文字预测结果、样本文本中的第j个文字以及预设的第二损失函数，确定第二损失函数值；结合第二损失函数值对语言模块进行参数调整。
步骤204，获取待识别语音，以及待识别语音的隐层特征序列。
步骤205，对隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据音节序列中音节所在的帧位置对隐层特征序列进行截断处理，得到特征片段序列。
步骤206，针对特征片段序列中的第i个特征片段，结合特征片段序列中第i-1个特征片段对应的文字的语义向量以及特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量。
步骤207，根据特征片段序列中各个特征片段对应的文字，生成待识别语音的识别结果。
在本申请实施例中，针对步骤204至步骤207的详细描述，可以参考图1所示实施例中的步骤101至步骤104，此处不再做详细描述。
综上，通过构建语音识别模型，其中，语音识别模型包括：提取隐层特征的隐层特征提取模块、进行时序分类的基于联结时序分类CTC模块、生成文字的语义向量的语言模块、以及预测特征片段对应文字的注意力模块；其中，语言模块的输出连接所述注意力模块的输入，隐层特征提取模块的输出分别连接所述基于联结时序分类CTC模块的输入和所述注意力模块的输入，基于联结时序分类CTC模块的输出连接注意力模块的输入；获取第一训练数据，其中，第一训练数据包括：样本语音以及对应的样本文本；采用第一训练数据中的样本语音以及对应的样本文本对语音识别模型进行训练，以获取训练好的语音识别模型，能够加快语音识别模型中隐层特征提取模块的训练速度，进而加快语音识别模型的训练速度；且注意力模块的输入有文字的语义向量，使得注意力模型能够学习到大量的文字特征以及声学特征，提高训练得到的语音识别模型的准确度。
为了实现上述实施例，本申请实施例还提出一种语音识别装置。
图4是根据本申请第三实施例的示意图。如图4所示，该语音识别装置400包括：获取模块410、时序分类模块420、预测模块430和生成模块440。
其中，获取模块410，用于获取待识别语音，以及所述待识别语音的隐层特征序列；
时序分类模块420，用于对所述隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据所述音节序列中音节所在的帧位置对所述隐层特征序列进行截断处理，得到特征片段序列；
预测模块430，用于针对所述特征片段序列中的第i个特征片段，结合所述特征片段序列中第i-1个特征片段对应的文字的语义向量以及所述特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；
生成模块440，用于根据所述特征片段序列中各个特征片段对应的文字，生成所述待识别语音的识别结果。
作为本申请实施例的一种可能实现方式，所述预测模块430具体用于，获取所述特征片段序列中的前i-1个特征片段对应的文字，生成文字序列；结合所述文字序列，获取所述文字序列中第i-1个文字的语义向量；结合所述特征片段序列以及所述语义向量序列中第i-1个文字的语义向量，预测所述第i个特征片段对应的文字。
综上，通过获取待识别语音，以及待识别语音的隐层特征序列；对隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据音节序列中音节所在的帧位置对隐层特征序列进行截断处理，得到特征片段序列；针对特征片段序列中的第i个特征片段，结合特征片段序列中第i-1个特征片段对应的文字的语义向量以及特征片段序列，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；根据特征片段序列中各个特征片段对应的文字，生成待识别语音的识别结果，从而能够避免解码器的采用，降低了计算量，提高了语音识别效率，且提高了语音识别的准确度。
图5是根据本申请第四实施例的示意图。如图5所示，该语音识别装置500包括：构建模块510、训练模块520、获取模块530、时序分类模块540、预测模块550和生成模块560。
其中，所述构建模块510，用于构建语音识别模型，其中，所述语音识别模型包括：提取隐层特征的隐层特征提取模块、进行时序分类的基于联结时序分类CTC模块、生成文字的语义向量的语言模块、以及预测特征片段对应文字的注意力模块；其中，所述语言模块的输出连接所述注意力模块的输入，所述隐层特征提取模块的输出分别连接所述基于联结时序分类CTC模块的输入和所述注意力模块的输入，所述基于联结时序分类CTC模块的输出连接所述注意力模块的输入；
所述获取模块530，用于获取第一训练数据，其中，所述第一训练数据包括：样本语音以及对应的样本文本；
所述训练模块520，用于采用所述第一训练数据中的样本语音以及对应的样本文本对所述语音识别模型进行训练，以获取训练好的语音识别模型。
作为本申请实施例的一种可能实现方式，所述训练模块520具体用于，针对每个样本语音，将所述样本语音输入所述语音识别模型的隐层特征提取模块，并将所述样本语音对应的样本文本输入所述语音识别模型的语言模块，以获取所述基于联结时序分类CTC模型输出的样本音节序列以及所述注意力模块输出的预测文本；结合所述样本音节序列、所述预测文本、所述样本语音对应的样本文本以及预设的第一损失函数，确定第一损失函数值；结合所述第一损失函数值，对所述隐层特征提取模块、所述基于联结时序分类CTC模块、所述语言模块和所述注意力模块进行参数调整。
作为本申请实施例的一种可能实现方式，所述获取模块530，还用于获取第二训练数据，其中，所述第二训练数据包括：多个样本文本；所述训练模块520，还用于采用所述多个样本文本，对所述语音识别模型中的语言模块进行训练。
作为本申请实施例的一种可能实现方式，所述训练模块520具体用于，针对每个样本文本，将所述样本文本中的前j-1个文字输入所述语言模块，获取所述语言模块输出的文字预测结果，其中，j为大于0且小于等于M的正整数，M为样本文本中文字的总数量；结合所述文字预测结果、所述样本文本中的第j个文字以及预设的第二损失函数，确定第二损失函数值；结合所述第二损失函数值对所述语言模块进行参数调整。
在本申请实施例中，获取模块530、时序分类模块540、预测模块550和生成模块560的功能的详细描述，可以参考图4所示实施例中的获取模块410、时序分类模块420、预测模块430和生成模块440，此处不再做详细描述。
综上，通过构建语音识别模型，其中，语音识别模型包括：提取隐层特征的隐层特征提取模块、进行时序分类的基于联结时序分类CTC模块、生成文字的语义向量的语言模块、以及预测特征片段对应文字的注意力模块；其中，语言模块的输出连接所述注意力模块的输入，隐层特征提取模块的输出分别连接所述基于联结时序分类CTC模块的输入和所述注意力模块的输入，基于联结时序分类CTC模块的输出连接注意力模块的输入；获取第一训练数据，其中，第一训练数据包括：样本语音以及对应的样本文本；采用第一训练数据中的样本语音以及对应的样本文本对语音识别模型进行训练，以获取训练好的语音识别模型，能够加快语音识别模型中隐层特征提取模块的训练速度，进而加快语音识别模型的训练速度；且注意力模块的输入有文字的语义向量，使得注意力模型能够学习到大量的文字特征以及声学特征，提高训练得到的语音识别模型的准确度。
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6示出了可以用来实施本公开的实施例的示例电子设备600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、个人数字助理、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，个人数字处理、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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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(A I)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601执行上文所描述的各个方法和处理，例如语音识别方法。例如，在一些实施例中，语音识别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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的语音识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音识别方法。
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)、互联网和区块链网络。
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，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"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 (8)
1.一种语音识别方法，包括：
获取待识别语音，以及所述待识别语音的隐层特征序列；
对所述隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据所述音节序列中音节所在的帧位置对所述隐层特征序列进行截断处理，得到特征片段序列；
针对所述特征片段序列中的第i个特征片段，将所述特征片段序列中第i-1个特征片段对应的文字的语义向量以及所述特征片段序列输入注意力模块，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；
根据所述特征片段序列中各个特征片段对应的文字，生成所述待识别语音的识别结果；
其中，在获取待识别语音，以及所述待识别语音的隐层特征序列之前，还包括：
构建语音识别模型，其中，所述语音识别模型包括：提取隐层特征的隐层特征提取模块、进行时序分类的基于联结时序分类CTC模块、生成文字的语义向量的语言模块、以及预测特征片段对应文字的注意力模块；其中，所述语言模块的输出连接所述注意力模块的输入，所述隐层特征提取模块的输出分别连接所述基于联结时序分类CTC模块的输入和所述注意力模块的输入，所述基于联结时序分类CTC模块的输出连接所述注意力模块的输入；获取第一训练数据，其中，所述第一训练数据包括：样本语音以及对应的样本文本；采用所述第一训练数据中的样本语音以及对应的样本文本对所述语音识别模型进行训练，以获取训练好的语音识别模型；
所述针对所述特征片段序列中的第i个特征片段，结合所述特征片段序列中第i-1个特征片段对应的文字的语义向量以及所述特征片段序列，预测第i个特征片段对应的文字，包括：
获取所述特征片段序列中的前i-1个特征片段对应的文字，生成文字序列；
结合所述文字序列，获取所述文字序列中第i-1个文字的语义向量；
结合所述特征片段序列以及所述语义向量序列中第i-1个文字的语义向量，预测所述第i个特征片段对应的文字；
所述采用所述第一训练数据中的样本语音以及对应的样本文本对所述语音识别模型进行训练，以获取训练好的语音识别模型，包括：
针对每个样本语音，将所述样本语音输入所述语音识别模型的隐层特征提取模块，并将所述样本语音对应的样本文本输入所述语音识别模型的语言模块，以获取所述基于联结时序分类CTC模型输出的样本音节序列以及所述注意力模块输出的预测文本；
结合所述样本音节序列、所述预测文本、所述样本语音对应的样本文本以及预设的第一损失函数，确定第一损失函数值；所述第一损失函数值由两部分组成，一部分是音节序列损失函数，表征样本音节序列与样本文本中各个文字的实际音节之间的差异，一部分是文本损失函数，表征样本文本与预测文本之间的差异；
结合所述第一损失函数值，对所述隐层特征提取模块、所述基于联结时序分类CTC模块、所述语言模块和所述注意力模块进行参数调整。
2.根据权利要求1所述的方法，其中，所述获取第一训练数据之前，还包括：
获取第二训练数据，其中，所述第二训练数据包括：多个样本文本；
采用所述多个样本文本，对所述语音识别模型中的语言模块进行训练。
3.根据权利要求2所述的方法，其中，所述采用所述多个样本文本，对所述语音识别模型中的语言模块进行训练，包括：
针对每个样本文本，将所述样本文本中的前j-1个文字输入所述语言模块，获取所述语言模块输出的文字预测结果，其中，j为大于0且小于等于M的正整数，M为样本文本中文字的总数量；
结合所述文字预测结果、所述样本文本中的第j个文字以及预设的第二损失函数，确定第二损失函数值；
结合所述第二损失函数值对所述语言模块进行参数调整。
4.一种语音识别装置，包括：
获取模块，用于获取待识别语音，以及所述待识别语音的隐层特征序列；
时序分类模块，用于对所述隐层特征序列中的各帧隐层特征进行时序分类，以获取音节序列，并根据所述音节序列中音节所在的帧位置对所述隐层特征序列进行截断处理，得到特征片段序列；
预测模块，用于针对所述特征片段序列中的第i个特征片段，将所述特征片段序列中第i-1个特征片段对应的文字的语义向量以及所述特征片段序列输入注意力模块，预测第i个特征片段对应的文字，其中，i为大于0且小于等于N的正整数，N为特征片段的总数量；
生成模块，用于根据所述特征片段序列中各个特征片段对应的文字，生成所述待识别语音的识别结果；
构建模块，用于构建语音识别模型，其中，所述语音识别模型包括：提取隐层特征的隐层特征提取模块、进行时序分类的基于联结时序分类CTC模块、生成文字的语义向量的语言模块、以及预测特征片段对应文字的注意力模块；其中，所述语言模块的输出连接所述注意力模块的输入，所述隐层特征提取模块的输出分别连接所述基于联结时序分类CTC模块的输入和所述注意力模块的输入，所述基于联结时序分类CTC模块的输出连接所述注意力模块的输入；
所述预测模块具体用于，
获取所述特征片段序列中的前i-1个特征片段对应的文字，生成文字序列；
结合所述文字序列，获取所述文字序列中第i-1个文字的语义向量序列；
结合所述特征片段序列以及所述语义向量序列中第i-1个文字的语义向量，预测所述第i个特征片段对应的文字；
所述的装置还包括：训练模块；
所述获取模块，还用于获取第一训练数据，其中，所述第一训练数据包括：样本语音以及对应的样本文本；
所述训练模块，用于采用所述第一训练数据中的样本语音以及对应的样本文本对所述语音识别模型进行训练，以获取训练好的语音识别模型；
所述训练模块具体用于，
针对每个样本语音，将所述样本语音输入所述语音识别模型的隐层特征提取模块，并将所述样本语音对应的样本文本输入所述语音识别模型的语言模块，以获取所述基于联结时序分类CTC模型输出的样本音节序列以及所述注意力模块输出的预测文本；
结合所述样本音节序列、所述预测文本、所述样本语音对应的样本文本以及预设的第一损失函数，确定第一损失函数值；所述第一损失函数值由两部分组成，一部分是音节序列损失函数，表征样本音节序列与样本文本中各个文字的实际音节之间的差异，一部分是文本损失函数，表征样本文本与预测文本之间的差异；
结合所述第一损失函数值，对所述隐层特征提取模块、所述基于联结时序分类CTC模块、所述语言模块和所述注意力模块进行参数调整。
5.根据权利要求4所述的装置，其中，
所述获取模块，还用于获取第二训练数据，其中，所述第二训练数据包括：多个样本文本；
所述训练模块，还用于采用所述多个样本文本，对所述语音识别模型中的语言模块进行训练。
6.根据权利要求5所述的装置，其中，所述训练模块具体用于，
针对每个样本文本，将所述样本文本中的前j-1个文字输入所述语言模块，获取所述语言模块输出的文字预测结果，其中，j为大于0且小于等于M的正整数，M为样本文本中文字的总数量；
结合所述文字预测结果、所述样本文本中的第j个文字以及预设的第二损失函数，确定第二损失函数值；
结合所述第二损失函数值对所述语言模块进行参数调整。
7.一种电子设备，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1-3中任一项所述的方法。
8.一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所述计算机执行根据权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011506530.5A CN112466288B (zh) | 2020-12-18 | 2020-12-18 | 语音识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011506530.5A CN112466288B (zh) | 2020-12-18 | 2020-12-18 | 语音识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112466288A CN112466288A (zh) | 2021-03-09 |
| CN112466288B true CN112466288B (zh) | 2022-05-31 |
Family
ID=74803052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011506530.5A Active CN112466288B (zh) | 2020-12-18 | 2020-12-18 | 语音识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112466288B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112951218B (zh) * | 2021-03-22 | 2024-03-29 | 百果园技术(新加坡)有限公司 | 基于神经网络模型的语音处理方法、装置及电子设备 |
| CN113257227B (zh) * | 2021-04-25 | 2024-03-01 | 平安科技（深圳）有限公司 | 语音识别模型性能检测方法、装置、设备及存储介质 |
| CN113571064B (zh) * | 2021-07-07 | 2024-01-30 | 肇庆小鹏新能源投资有限公司 | 自然语言理解方法及装置、交通工具及介质 |
| CN113722425B (zh) * | 2021-07-23 | 2024-08-27 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法、计算机设备及计算机可读存储介质 |
| CN113643694B (zh) * | 2021-08-17 | 2024-07-05 | 科大讯飞股份有限公司 | 语音识别方法、装置、电子设备和存储介质 |
| CN113782007B (zh) * | 2021-09-07 | 2024-08-16 | 上海企创信息科技有限公司 | 一种语音识别方法、装置、语音识别设备及存储介质 |
| CN114926847B (zh) * | 2021-12-06 | 2023-04-07 | 百度在线网络技术（北京）有限公司 | 少数类语言的图像处理方法、装置、设备和存储介质 |
| CN114758649B (zh) * | 2022-04-06 | 2024-04-19 | 北京百度网讯科技有限公司 | 一种语音识别方法、装置、设备和介质 |
| CN115223574B (zh) * | 2022-07-15 | 2023-11-24 | 北京百度网讯科技有限公司 | 语音信息处理方法、模型的训练方法、唤醒方法及装置 |
| CN115132210B (zh) * | 2022-09-02 | 2022-11-18 | 北京百度网讯科技有限公司 | 音频识别方法、音频识别模型的训练方法、装置和设备 |
| CN115906853A (zh) * | 2022-12-16 | 2023-04-04 | 浙江极氪智能科技有限公司 | 实体信息确定方法、装置和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462735A (zh) * | 2020-04-10 | 2020-07-28 | 网易（杭州）网络有限公司 | 语音检测方法、装置、电子设备及存储介质 |
| CN111986673A (zh) * | 2020-07-24 | 2020-11-24 | 北京奇保信安科技有限公司 | 一种用于语音识别的槽值填充方法、装置和电子设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6481939B2 (ja) * | 2015-03-19 | 2019-03-13 | 株式会社レイトロン | 音声認識装置および音声認識プログラム |
| US11107463B2 (en) * | 2018-08-01 | 2021-08-31 | Google Llc | Minimum word error rate training for attention-based sequence-to-sequence models |
| WO2020027394A1 (ko) * | 2018-08-02 | 2020-02-06 | 미디어젠 주식회사 | 음소 단위 발음 정확성 평가 장치 및 평가 방법 |
| 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 |
| CN111402891B (zh) * | 2020-03-23 | 2023-08-11 | 抖音视界有限公司 | 语音识别方法、装置、设备和存储介质 |
| CN111833848B (zh) * | 2020-05-11 | 2024-05-28 | 北京嘀嘀无限科技发展有限公司 | 用于识别语音的方法、装置、电子设备和存储介质 |
| CN111931513B (zh) * | 2020-07-08 | 2023-11-14 | 泰康保险集团股份有限公司 | 一种文本的意图识别方法及装置 |
-
2020
- 2020-12-18 CN CN202011506530.5A patent/CN112466288B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462735A (zh) * | 2020-04-10 | 2020-07-28 | 网易（杭州）网络有限公司 | 语音检测方法、装置、电子设备及存储介质 |
| CN111986673A (zh) * | 2020-07-24 | 2020-11-24 | 北京奇保信安科技有限公司 | 一种用于语音识别的槽值填充方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112466288A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112466288B (zh) | 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 | |
| JP7346788B2 (ja) | 音声認識モデルのトレーニング方法、装置、機器、および記憶媒体 | |
| CN112528655B (zh) | 关键词生成方法、装置、设备及存储介质 | |
| CN113407698B (zh) | 意图识别模型的训练与意图识别的方法、装置 | |
| CN112926306A (zh) | 文本纠错方法、装置、设备以及存储介质 | |
| CN114023342B (zh) | 一种语音转换方法、装置、存储介质及电子设备 | |
| CN114267375B (zh) | 音素检测方法及装置、训练方法及装置、设备和介质 | |
| CN113380239B (zh) | 语音识别模型的训练方法、语音识别方法、装置和设备 | |
| US20220374678A1 (en) | Method for determining pre-training model, electronic device and storage medium | |
| CN113850386A (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
| CN112634880A (zh) | 话者识别的方法、装置、设备、存储介质以及程序产品 | |
| CN114973279B (zh) | 手写文本图像生成模型的训练方法、装置和存储介质 | |
| CN112949818A (zh) | 模型蒸馏方法、装置、设备以及存储介质 | |
| CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
| CN115359323A (zh) | 图像的文本信息生成方法和深度学习模型的训练方法 | |
| CN113129869B (zh) | 语音识别模型的训练与语音识别的方法、装置 | |
| CN114220163A (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
| CN116502649A (zh) | 文本生成模型的训练方法、装置、电子设备及存储介质 | |
| CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
| CN113838450B (zh) | 音频合成及相应的模型训练方法、装置、设备及存储介质 | |
| CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
| CN112507712B (zh) | 建立槽位识别模型与槽位识别的方法、装置 | |
| CN113689866A (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
| CN114023310A (zh) | 应用于语音数据处理的方法、装置及计算机程序产品 |
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 |