CN112634876A - 语音识别方法、装置、存储介质及电子设备 - Google Patents
语音识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112634876A CN112634876A CN202110004489.XA CN202110004489A CN112634876A CN 112634876 A CN112634876 A CN 112634876A CN 202110004489 A CN202110004489 A CN 202110004489A CN 112634876 A CN112634876 A CN 112634876A
- Authority
- CN
- China
- Prior art keywords
- sample
- text
- punctuation
- character
- characters
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 238000007639 printing Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered 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
- G10L15/06—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
- G10L15/08—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
- G10L15/06—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)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种语音识别方法、装置、存储介质及电子设备,以降低语音识别系统的复杂度,提高语音识别效率。其中,该语音识别方法包括:获取待识别的目标音频;对所述目标音频进行特征提取,以得到语音特征序列;将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
Description
技术领域
本公开涉及语音识别技术领域,具体地,涉及一种语音识别方法、装置、存储介质及电子设备。
背景技术
标点预测是语音识别系统中不可缺少的一个部分,通常语音识别会将连续的音频信号转化成文字序列,然后标点预测功能会对文字打上标点,实现断句的功能。比如语音识别系统出来的结果通常是纯文字序列“今天天气很好我们去爬山吧”,经过标点预测模型处理后得到“今天天气很好,我们去爬山吧。”标点预测可以在保持语义的完整性上将文字进行切分,提升阅读的流畅性,并且断句后更有利于后续机器翻译等任务的进行。
相关技术中,语音识别和标点预测作为两个独立的子模块单独运行,通常需要等到语音识别结束后,才会调用标点预测模型做标点处理。这样的设计增加了整个系统的复杂度,功耗和延迟都有所增加。
发明内容
提供该发明内容部分以便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。该发明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。
第一方面,本公开提供一种语音识别方法,所述方法包括:
获取待识别的目标音频;
对所述目标音频进行特征提取,以得到语音特征序列;
将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
第二方面,本公开提供一种语音识别装置,所述装置包括:
获取模块,用于获取待识别的目标音频;
提取模块,用于对所述目标音频进行特征提取,以得到语音特征序列;
识别模块,用于将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现第一方面中所述方法的步骤。
按照上述技术方案,通过标注有标点信息的带标点样本文本以及带标点样本文本对应的样本音频进行端到端的模型训练,从而语音识别模型可以自动学习语音到带标点文本的映射,后续过程将语音输入语音识别模型则可以直接得到带标点目标文本,即语音识别和标点预测可以同时进行,进而可以降低系统复杂度、系统功耗和延迟,提高语音识别效率。并且,语音识别模型通过结合声学和语言信息输出语音识别结果的方式,充分利用了声学特征中包含的情绪、语气等信息进行标点预测,一定程度上可以提高标点预测的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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。在附图中:
图1是根据本公开一示例性实施例示出的一种语音识别方法的流程图;
图2是根据本公开一示例性实施例示出的一种语音识别方法中语音识别模型的训练及应用过程示意图;
图3是根据本公开一示例性实施例示出的一种语音识别方法中语音识别模型的结构示意图;
图4是根据本公开一示例性实施例示出的一种语音识别装置的框图;
图5是根据本公开一示例性实施例示出的一种电子设备的框图。
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。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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。另外需要注意,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。
标点预测是语音识别系统中不可缺少的一个部分,通常语音识别会将连续的音频信号转化成文字序列,然后标点预测功能会对文字打上标点,实现断句的功能。比如语音识别系统出来的结果通常是纯文字序列“今天天气很好我们去爬山吧”,经过标点预测模型处理后得到“今天天气很好,我们去爬山吧。”标点预测可以在保持语义的完整性上将文字进行切分,提升阅读的流畅性,并且断句后更有利于后续机器翻译等任务的进行。
相关技术中,语音识别和标点预测作为两个独立的子模块单独运行,通常需要等到语音识别结束后,才会调用标点预测模型做标点处理。发明人研究发现这样的设计增加了整个系统的复杂度,功耗和延迟都有所增加。此外,标点预测模型的输入通常仅为语音识别模型输出的文本序列,在语音中人的语气停顿这些可以帮助标点预测的特征都无法被利用到。
有鉴于此,本公开提供一种语音识别方法、装置、存储介质及电子设备,以简化语音识别系统的复杂度,减少语音识别过程中的功耗和时延,提高语音识别效率。
图1是根据本公开一示例性实施例示出的一种语音识别方法的流程图。参照图1,该语音识别方法包括:
步骤101,获取待识别的目标音频。
步骤102,对目标音频进行特征提取,以得到语音特征序列。
步骤103,将语音特征序列输入语音识别模型,以得到目标音频对应的带标点目标文本,该语音识别模型是通过标注有标点信息的带标点样本文本以及带标点样本文本对应的样本音频训练得到的。
示例地,目标音频可以是用户实时输入的,或者也可以是响应于用户触发的语音识别指令从电子设备的存储器中获取到的,或者还可以是从网络下载的,等等,本公开实施例对此不作限定。应当理解的是,对目标音频进行特征提取,以得到语音特征序列的过程与相关技术中类似,这里不再赘述。其中,语音特征序列中的语音特征为时间维度的特征,每一时刻可以对应有一个语音特征。
示例地,语音识别模型可以是流式端到端模型循环神经网络转换机(recurrentneural network transducer,RNN-T)。其中,端到端学习在语音识别可以表现出比传统混合模型更好的性能,可以去掉对发音辞典的依赖,将声学模型和语言模型整合到一个模型中,既简化了建模的流程,也提升系统的性能。本公开实施例中,语音识别模型可以通过标注有标点信息的带标点样本文本以及带标点样本文本对应的样本音频训练得到。也即是说,本公开实施例可以通过成对的样本音频和带标点样本文本训练端到端的语音识别模型,实现将语音识别模型和标点预测模型融合到一个模型中,降低整体系统功耗和延迟,提升系统性能,从而提高语音识别效率。并且,语音识别模型可以结合声学和语言信息输出语音识别结果,可以充分利用声学特征中包含的情绪、语气等信息进行标点预测,从而提高标点预测的准确性。
在可能的方式中,带标点样本文本与样本音频可以是通过如下方式得到的:在获得样本音频以及样本音频对应的、未标注有标点信息的样本文本的情况下,通过预训练的离线标点模型对样本音频对应的、未标注有标点信息的样本文本添加标点信息,以得到带标点样本文本;或者,在获得带标点样本文本的情况下,通过预训练的语音合成模型合成带标点样本文本对应的样本音频。
在本公开实施例中,语音识别模型可以同时对声学模型和语言模型建模,因此需要成对的样本音频和带标点样本文本对模型进行训练。相关技术中,语音识别的训练数据包括音频和不带标点的文本数据,标点预测模型的训练数据包括带标点的文本数据,但是不包括音频。因此在本公开实施例中,为了获得成对的样本音频和带标点样本文本,可以采用以下两种方式:
第一种方式,在获得样本音频以及该样本音频对应的、未标注有标点信息的样本文本的情况下,可以通过预训练的离线标点模型,比如BLSTM模型,Bert模型等,对样本音频对应的、未标注有标点信息的样本文本添加标点信息,以得到带标点样本文本。
第二种方式,在获得带标点样本文本的情况下,可以通过预训练的语音合成模型,比如Tactron模型等,合成带标点样本文本对应的样本音频。
以语音识别模型为RNN-T模型为例,本公开实施例中语音识别模型的训练及应用过程示意图可以如图2所示。参照图2,可以将ASR(自动语音识别)训练数据(即样本音频对应的、未标注有标点信息的样本文本)输入文本标点系统中,从而得到带标点的文本语音对训练数据,即可以得到成对的样本音频和带标点样本文本。另一方面,可以将文本训练数据(即带标点样本文本)输入TTS(Text To Speech,从文本到语音)合成系统中,从而得到带标点的文本语音对训练数据。之后,则可以通过该带标点的文本语音对训练数据进行RNN-T模型训练,从而可以通过训练后的语音识别模型进行语音识别,以降低系统功耗和延迟,提高语音识别效率。
在可能的方式中,语音识别模型可以用于通过如下方式对语音特征序列进行处理,以得到目标音频对应的带标点目标文本:先针对语音特征序列中每一时刻对应的语音特征,基于语音特征与上一时刻所确定的字符识别结果,确定语音特征对应的字符概率值,其中字符概率值包括标点符号对应的标点概率值;若字符概率值中目标字符概率值大于预设阈值,则确定目标字符概率值对应的字符为语音特征的目标字符识别结果。其中,预设阈值可以根据不同的业务情况进行设定,本公开实施例对此不作限定。
应当理解的是,语音识别模型输出识别结果是每个时刻进行对应输出,比如第一时刻输出识别结果A,第二时刻输出识别结果B,以此类推,可以得到每一时刻输出的识别结果,从而将每一时刻输出的识别结果按照输出顺序进行组合,即可得到最终的语音识别结果。
在本公开实施例中,由于通过成对的样本音频和带标点样本文本训练得到语音识别模型,因此语音识别模型可以将标点符号作为输出字符进行处理,直接输出带标点目标文本。具体的,针对语音特征序列中每一时刻对应的语音特征,可以基于语音特征与上一时刻所确定的字符识别结果,确定语音特征对应的字符概率值。应当理解的是,可以根据语音特征确定该语音特征可能对应的多个字符,从而可以得到多个字符概率值。然后可以在该多个字符概率值中选取大于预设阈值的目标字符概率值,从而将目标字符概率值对应的字符确定为当前时刻输出的目标字符识别结果。
例如,参照图3,语音识别模型为RNN-T模型,可以包括编码器(Encoder)网络,预测网络(prediction network)和联合网络(joint network)。其中,编码器网络的输入是语音特征(即声学特征),主要对人的发音进行建模。预测网络的输入是上一时刻所确定的字符识别结果,主要对语言信息进行建模。联合网络可以同时结合声学和语言特性,预测下一时刻输出的目标字符识别结果。比如,参照图3,可以将语音特征xt输入编码器,得到通过编码器网络进行特征转换后得到的语音特征并将上一时刻所确定的字符识别结果yt-1输入预测网络,得到通过预测网络进行特征转换后得到的字符特征联合网络可以结合输入的语音特征和字符特征进行特征处理,以得到新的融合特征zt,u。然后,语音识别模型可以通过softmax层进行字符概率预测,以得到字符概率值,从而确定待输出的目标字符识别结果。应当理解的是,该语音识别模型中各模块的具体结构与相关技术中的RNN-T模型类似,这里不再赘述。
通过上述方式,语音识别模型在输出语音识别的过程中,可以将标点符号作为输出字符进行处理,从而直接输出带标点目标文本,而无需后续再通过标点预测模型对语音识别得到的无标点文本进行标点添加,以降低系统功耗和延迟,提高语音识别效率。
在可能的方式中,带标点样本文本中的标点位置可以具有位置偏移量,该位置偏移量用于表征带标点样本文本中标点的实际位置与标注位置之间相差的字符数。相应地,语音识别模型可以用于通过如下方式确定目标音频对应的带标点目标文本:将标点位置确定在通过语音特征序列识别到的初始标点位置之前,且标点位置与所述初始标点位置之间的间隔字符数为位置偏移量表征的字符数。
也即是说,语音识别模型可以对标点的位置进行N个(N可以取1或者2)字符的延迟,即让语音识别模型多看几个字符后对之前的字符位置做标点的判断,以提升标点预测的准确性。其中,位置偏移量即指延迟的字符数,比如位置偏移量为1或2,则表明语音识别模型会多看1个或2个字符后进行标点判断。
示例地,可以针对带标点样本文本进行带位置偏移量的标点标注,比如位置偏移量为1,则对带标点样本文本中每一标点的实际位置往后延迟1个字符位置。在此种情况下,训练后的语音识别模型则可以多看1个字符后进行标点预测。在语音识别模型的应用阶段,由于语音识别模型是多看几个字符后再进行的标点预测,因此需要将预测得到的标点位置往前移动相应的支付数,以得到准确的标点预测结果。
例如,位置偏移量为2,对于“今天天气很好明天我想要出去玩”,实际情况可以在中间“好”字后面添加逗号,在末尾“玩”字后面添加句号。按照本公开实施例中的方案,语音识别模型可以多看2个字符之后再进行标点预测,即可以在识别“明天”这两个字符之后进行标点预测。此种情况下,可能将逗号添加在“明天”的“天”字后面。然后,可以把这个逗号往前移动2个字符,以得到准确的标点预测结果。应当理解的是,本公开实施例中对于一句话的末尾,可以添0,因此对于句子的末尾字符,同样可以实现多看几个字符后再进行标点预测的方案。比如,上述举例中,对于末尾的句号,可以多看两个字符0之后进行标点预测,即在句子末尾的第2个0处添加句号,然后再将该句号往前移动2个字符,以得到准确的标点预测结果。
通过上述方式,可以对标点位置进行字符延迟,使语音识别模型多看几个字符后对之前的位置做标点的判断,以提升标点预测的准确性。
在可能的方式中,语音识别模型的训练步骤可以包括:可以将样本音频对应的样本语音特征序列输入语音识别模型,以确定样本语音特征序列对应的多个带标点预测文本,其中每一带标点预测文本对应样本音频中文字信息与时间信息的一种对应情况,然后针对每一所述带标点预测文本,可以根据带标点预测文本和样本音频对应的、标注有标点信息的带标点样本文本计算损失函数,以得到目标损失函数,最后根据目标损失函数调整语音识别模型的参数。
例如,样本音频中发音人说了2个字,样本音频的时长为3秒,语音识别模型无法识别这2个字对应的是3秒中的哪2秒,则语音识别模型可以针对该3秒钟这2个字的所有可能的出现情况进行语音识别,从而得到6个带标点预测文本。然后,可以针对每一带标点预测文本,根据带标点预测文本和该样本音频对应的、标注有标点信息的带标点样本文本分别计算损失函数,以得到目标损失函数。其中,损失函数的具体类型本公开实施例对此不作限定,可以根据实际业务情况进行设定,本公开实施例对此不作限定。
示例地,目标损失函数的计算结果可以用于表征带标点预测文本与带标点样本文本之间的差异,若目标损失函数的计算结果较大,则说明带标点预测文本与带标点样本文本之间的差异较大,从而可以通过调整语音识别模型的参数来减小目标损失函数的计算结果,以提高语音识别模型的结果准确性。另一种情况下,若目标损失函数的计算结果较小,则说明带标点预测文本与带标点样本文本之间的差异较小,可以不调整语音识别模型的参数,或者也可以通过调整语音识别模型的参数来进一步减小目标损失函数的计算结果,以进一步提高语音识别模型的结果准确性。
以图3所示的语音识别模型为例,语音识别模型的训练目标函数可以是要最大化给定语音特征序列输出的字符识别结果的字符概率值,即目标损失函数的计算结果最小。其中,训练目标函数的公式可以是:
在可能的方式中,确定样本语音特征序列对应的多个带标点预测文本,可以是:针对样本音频中文字信息与时间信息的每一种对应情况,确定样本语音特征序列中每一样本语音特征对应的样本字符概率值,并根据样本语音特征序列对应的样本字符概率值,确定带标点预测文本。相应地,语音识别模型的训练步骤还可以包括:针对带标点预测文本中的句尾字符以及位于该句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,以减小句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值。
样本文本中句子的尾部通常有较长静音,并且训练的时候不同长度的特征会补0到相同长度,因此句尾的标点很有可能对齐到这些静音或特征0上面,从而会造成语音识别的延迟增大,即造成标点预测结果与实际标点位置不符。为了解决该问题,本公开实施例可以对句尾若干帧的标点概率值进行惩罚,减少概率值。
比如,在上述举例中,样本音频中发音人说了2个字,样本音频的时长为3秒,针对该2个字在样本音频中第1秒和第2秒的情况,可以确定该样本音频中每一样本语音特征对应的样本字符概率值,从而根据该样本字符概率值,确定一个带标点预测文本。类似的,针对该2个字在样本音频中第2秒和第3秒的情况,可以确定该样本音频中每一样本语音特征对应的样本字符概率值,从而根据该样本字符概率值,确定另一个带标点预测文本,以此类推,可以得到多个带标点预测文本。
然后,针对每一带标点预测文本,可以对该带标点预测文本中的句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,以减小句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值。其中,位于句尾字符之前的多个字符可以根据实际业务情况确定,本公开实施例对此不作限定。
在可能的方式中,针对带标点预测文本中的句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值可以添加相同的概率惩罚值;或者,针对带标点预测文本中的句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值可以添加不同的概率惩罚值,以使句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值按照在带标点预测文本中的字符顺序依次减小。
示例地,可以对带标点预测文本中句尾的M个字符的字符概率值添加相同的常数惩罚a。在此种情况下,带标点预测文本中句尾M个字符的字符概率值为:P'(xt)=P-a,其中,P'(xt)表示语音特征xt对应的添加有概率惩罚值的字符概率值,P表示语音特征xt对应的未添加有概率惩罚值的字符概率值,即通过语音识别模型得到的初始字符概率值,t=T-M+1,…,T-1,T,T表示样本音频对应的语音特征长度。
或者,还可以对带标点预测文本中句尾的M个字符的字符概率值添加不同的惩罚,以使句尾字符以及位于句尾字符之前的多个字符所对应的样本字符概率值按照对应字符在带标点预测文本中的顺序依次减小。比如,按照如下公式,确定带标点预测文本中句尾M个字符的字符概率值:P'(xt)=P-(M-(T-t))·b。其中,P'(xt)表示语音特征xt对应的添加有概率惩罚值的字符概率值,P表示语音特征xt对应的未添加有概率惩罚值的字符概率值,即通过语音识别模型得到的初始字符概率值,t=T-n+1,…,T-1,T,T表示样本音频对应的语音特征长度,b表示预设常数。
通过上述方式,可以避免将句尾的标点对齐到句尾静音或特征0上面,减少语音识别结果的延迟,使得语音识别中的标点预测结果与实际标点位置更相符,从而在提高语音识别效率的同时,提高语音识别的准确性。
基于同一发明构思,本公开实施例还提供一种语音识别装置,该装置可以通过软件、硬件或两者结合的方式成为电子设备的部分或全部。参照图4,该语音识别装置400可以包括:
获取模块401,用于获取待识别的目标音频;
提取模块402,用于对所述目标音频进行特征提取,以得到语音特征序列;
识别模块403,用于将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
可选地,所述语音识别模型用于通过如下模块对所述语音特征序列进行处理,以得到所述目标音频对应的带标点目标文本:
第一确定模块,用于针对所述语音特征序列中每一时刻对应的语音特征,基于所述语音特征与上一时刻所确定的字符识别结果,确定所述语音特征对应的字符概率值,其中所述字符概率值包括标点符号对应的标点概率值;
第二确定模块,用于当所述字符概率值中目标字符概率值大于预设阈值时,确定所述目标字符概率值对应的字符为所述语音特征的目标字符识别结果。
可选地,所述带标点样本文本中的标点位置具有位置偏移量,所述位置偏移量用于表征所述带标点样本文本中标点的实际位置与标注位置之间相差的字符数,所述语音识别模型用于通过如下模块确定所述目标音频对应的带标点目标文本:
第三确定模块,用于将标点位置确定在通过语音特征序列识别到的初始标点位置之前,且所述标点位置与所述初始标点位置之间的间隔字符数为所述位置偏移量表征的字符数。
可选地,所述装置400还包括用于训练所述语音识别模型的如下模块:
输入模块,用于将所述样本音频对应的样本语音特征序列输入所述语音识别模型,以确定所述样本语音特征序列对应的多个带标点预测文本,其中每一所述带标点预测文本对应所述样本音频中文字信息与时间信息的一种对应情况;
计算模块,用于针对每一所述带标点预测文本,根据所述带标点预测文本和所述样本音频对应的、标注有标点信息的带标点样本文本计算损失函数,以得到目标损失函数;
调整模块,用于根据所述目标损失函数调整所述语音识别模型的参数。
可选地,所述输入模块用于:
针对所述样本音频中文字信息与时间信息的每一种对应情况,确定所述样本语音特征序列中每一样本语音特征对应的样本字符概率值,并根据所述样本语音特征序列对应的所述样本字符概率值,确定所述带标点预测文本;
所述装置400还包括用于训练所述语音识别模型的如下模块:
第一添加模块,用于针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,以减小所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值。
可选地,所述第一添加模块用于:
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加相同的概率惩罚值;或者
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加不同的概率惩罚值,以使所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值按照对应字符在所述带标点预测文本中的顺序依次减小。
可选地,所述装置400还包括用于确定带标点样本文本与所述样本音频的如下模块:
第二添加模块,用于在获得样本音频以及所述样本音频对应的、未标注有标点信息的样本文本的情况下,通过预训练的离线标点模型对所述样本音频对应的、未标注有标点信息的样本文本添加标点信息,以得到所述带标点样本文本;或者
合成模块,用于在获得带标点样本文本的情况下,通过预训练的语音合成模型合成带标点样本文本对应的样本音频。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本公开实施例还提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现上述任一语音识别方法的步骤。
基于同一发明构思,本公开实施例还提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现上述任一语音识别方法的步骤。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的终端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RAM 503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。
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,其包括承载在非暂态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。
在一些实施方式中,可以利用诸如HTTP(HyperText Transfer Protocol,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:获取待识别的目标音频;对所述目标音频进行特征提取,以得到语音特征序列;将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
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操作的计算机程序代码,上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块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,模块的名称在某种情况下并不构成对该模块本身的限定。
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。
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。
根据本公开的一个或多个实施例,示例1提供了一种语音识别方法,包括:
获取待识别的目标音频;
对所述目标音频进行特征提取,以得到语音特征序列;
将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述语音识别模型用于通过如下方式对所述语音特征序列进行处理,以得到所述目标音频对应的带标点目标文本:
针对所述语音特征序列中每一时刻对应的语音特征,基于所述语音特征与上一时刻所确定的字符识别结果,确定所述语音特征对应的字符概率值,其中所述字符概率值包括标点符号对应的标点概率值;
若所述字符概率值中目标字符概率值大于预设阈值,则确定所述目标字符概率值对应的字符为所述语音特征的目标字符识别结果。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述带标点样本文本中的标点位置具有位置偏移量,所述位置偏移量用于表征所述带标点样本文本中标点的实际位置与标注位置之间相差的字符数,所述语音识别模型用于通过如下方式确定所述目标音频对应的带标点目标文本:
将标点位置确定在通过语音特征序列识别到的初始标点位置之前,且所述标点位置与所述初始标点位置之间的间隔字符数为所述位置偏移量表征的字符数。
根据本公开的一个或多个实施例,示例4提供了示例1-3任一项的方法,所述语音识别模型的训练步骤包括:
将所述样本音频对应的样本语音特征序列输入所述语音识别模型,以确定所述样本语音特征序列对应的多个带标点预测文本,其中每一所述带标点预测文本对应所述样本音频中文字信息与时间信息的一种对应情况;
针对每一所述带标点预测文本,根据所述带标点预测文本和所述样本音频对应的、标注有标点信息的带标点样本文本计算损失函数,以得到目标损失函数;
根据所述目标损失函数调整所述语音识别模型的参数。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述确定所述样本语音特征序列对应的多个带标点预测文本,包括:
针对所述样本音频中文字信息与时间信息的每一种对应情况,确定所述样本语音特征序列中每一样本语音特征对应的样本字符概率值,并根据所述样本语音特征序列对应的所述样本字符概率值,确定所述带标点预测文本;
所述语音识别模型的训练步骤还包括:
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,以减小所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,包括:
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加相同的概率惩罚值;或者
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加不同的概率惩罚值,以使所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值按照对应字符在所述带标点预测文本中的顺序依次减小。
根据本公开的一个或多个实施例,示例7提供了示例1-3任一项的方法,所述带标点样本文本与所述样本音频是通过如下方式得到的:
在获得样本音频以及所述样本音频对应的、未标注有标点信息的样本文本的情况下,通过预训练的离线标点模型对所述样本音频对应的、未标注有标点信息的样本文本添加标点信息,以得到所述带标点样本文本;或者
在获得带标点样本文本的情况下,通过预训练的语音合成模型合成带标点样本文本对应的样本音频。
根据本公开的一个或多个实施例,示例8提供了一种语音识别装置,所述装置包括:
获取模块,用于获取待识别的目标音频;
提取模块,用于对所述目标音频进行特征提取,以得到语音特征序列;
识别模块,用于将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
根据本公开的一个或多个实施例,示例9提供了示例8的装置,所述语音识别模型用于通过如下模块对所述语音特征序列进行处理,以得到所述目标音频对应的带标点目标文本:
第一确定模块,用于针对所述语音特征序列中每一时刻对应的语音特征,基于所述语音特征与上一时刻所确定的字符识别结果,确定所述语音特征对应的字符概率值,其中所述字符概率值包括标点符号对应的标点概率值;
第二确定模块,用于当所述字符概率值中目标字符概率值大于预设阈值时,确定所述目标字符概率值对应的字符为所述语音特征的目标字符识别结果。
根据本公开的一个或多个实施例,示例10提供了示例8的装置,所述带标点样本文本中的标点位置具有位置偏移量,所述位置偏移量用于表征所述带标点样本文本中标点的实际位置与标注位置之间相差的字符数,所述语音识别模型用于通过如下模块确定所述目标音频对应的带标点目标文本:
第三确定模块,用于将标点位置确定在通过语音特征序列识别到的初始标点位置之前,且所述标点位置与所述初始标点位置之间的间隔字符数为所述位置偏移量表征的字符数。
根据本公开的一个或多个实施例,示例11提供了示例8-10任一项的装置,所述装置还包括用于训练所述语音识别模型的如下模块:
输入模块,用于将所述样本音频对应的样本语音特征序列输入所述语音识别模型,以确定所述样本语音特征序列对应的多个带标点预测文本,其中每一所述带标点预测文本对应所述样本音频中文字信息与时间信息的一种对应情况;
计算模块,用于针对每一所述带标点预测文本,根据所述带标点预测文本和所述样本音频对应的、标注有标点信息的带标点样本文本计算损失函数,以得到目标损失函数;
调整模块,用于根据所述目标损失函数调整所述语音识别模型的参数。
根据本公开的一个或多个实施例,示例12提供了示例11的装置,所述输入模块用于:
针对所述样本音频中文字信息与时间信息的每一种对应情况,确定所述样本语音特征序列中每一样本语音特征对应的样本字符概率值,并根据所述样本语音特征序列对应的所述样本字符概率值,确定所述带标点预测文本;
所述装置还包括用于训练所述语音识别模型的如下模块:
第一添加模块,用于针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,以减小所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值。
根据本公开的一个或多个实施例,示例13提供了示例12的装置,所述第一添加模块用于:
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加相同的概率惩罚值;或者
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加不同的概率惩罚值,以使所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值按照对应字符在所述带标点预测文本中的顺序依次减小。
根据本公开的一个或多个实施例,示例14提供了示例8-10任一项的装置,所述装置还包括用于确定带标点样本文本与所述样本音频的如下模块:
第二添加模块,用于在获得样本音频以及所述样本音频对应的、未标注有标点信息的样本文本的情况下,通过预训练的离线标点模型对所述样本音频对应的、未标注有标点信息的样本文本添加标点信息,以得到所述带标点样本文本;或者
合成模块,用于在获得带标点样本文本的情况下,通过预训练的语音合成模型合成带标点样本文本对应的样本音频。
根据本公开的一个或多个实施例,示例15提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-7任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例16提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-7任一项所述方法的步骤。
以上描述仅为本公开的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,本公开中所涉及的公开范围,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公开构思的情况下,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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种语音识别方法,其特征在于,所述方法包括:
获取待识别的目标音频;
对所述目标音频进行特征提取,以得到语音特征序列;
将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述语音识别模型用于通过如下方式对所述语音特征序列进行处理,以得到所述目标音频对应的带标点目标文本:
针对所述语音特征序列中每一时刻对应的语音特征,基于所述语音特征与上一时刻所确定的字符识别结果,确定所述语音特征对应的字符概率值,其中所述字符概率值包括标点符号对应的标点概率值;
若所述字符概率值中目标字符概率值大于预设阈值,则确定所述目标字符概率值对应的字符为所述语音特征的目标字符识别结果。
3.根据权利要求1所述的方法,其特征在于,所述带标点样本文本中的标点位置具有位置偏移量,所述位置偏移量用于表征所述带标点样本文本中标点的实际位置与标注位置之间相差的字符数,所述语音识别模型用于通过如下方式确定所述目标音频对应的带标点目标文本:
将标点位置确定在通过语音特征序列识别到的初始标点位置之前,且所述标点位置与所述初始标点位置之间的间隔字符数为所述位置偏移量表征的字符数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述语音识别模型的训练步骤包括:
将所述样本音频对应的样本语音特征序列输入所述语音识别模型,以确定所述样本语音特征序列对应的多个带标点预测文本,其中每一所述带标点预测文本对应所述样本音频中文字信息与时间信息的一种对应情况;
针对每一所述带标点预测文本,根据所述带标点预测文本和所述样本音频对应的、标注有标点信息的带标点样本文本计算损失函数,以得到目标损失函数;
根据所述目标损失函数调整所述语音识别模型的参数。
5.根据权利要求4所述的方法,其特征在于,所述确定所述样本语音特征序列对应的多个带标点预测文本,包括:
针对所述样本音频中文字信息与时间信息的每一种对应情况,确定所述样本语音特征序列中每一样本语音特征对应的样本字符概率值,并根据所述样本语音特征序列对应的所述样本字符概率值,确定所述带标点预测文本;
所述语音识别模型的训练步骤还包括:
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,以减小所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值。
6.根据权利要求5所述的方法,其特征在于,所述针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加概率惩罚值,包括:
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加相同的概率惩罚值;或者
针对所述带标点预测文本中的句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值添加不同的概率惩罚值,以使所述句尾字符以及位于所述句尾字符之前的多个字符所对应的样本字符概率值按照对应字符在所述带标点预测文本中的顺序依次减小。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述带标点样本文本与所述样本音频是通过如下方式得到的:
在获得样本音频以及所述样本音频对应的、未标注有标点信息的样本文本的情况下,通过预训练的离线标点模型对所述样本音频对应的、未标注有标点信息的样本文本添加标点信息,以得到所述带标点样本文本;或者
在获得带标点样本文本的情况下,通过预训练的语音合成模型合成带标点样本文本对应的样本音频。
8.一种语音识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别的目标音频;
提取模块,用于对所述目标音频进行特征提取,以得到语音特征序列;
识别模块,用于将所述语音特征序列输入语音识别模型,以得到所述目标音频对应的带标点目标文本,所述语音识别模型是通过标注有标点信息的带标点样本文本以及所述带标点样本文本对应的样本音频训练得到的。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004489.XA CN112634876B (zh) | 2021-01-04 | 2021-01-04 | 语音识别方法、装置、存储介质及电子设备 |
PCT/CN2021/136431 WO2022143058A1 (zh) | 2021-01-04 | 2021-12-08 | 语音识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004489.XA CN112634876B (zh) | 2021-01-04 | 2021-01-04 | 语音识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634876A true CN112634876A (zh) | 2021-04-09 |
CN112634876B CN112634876B (zh) | 2023-11-10 |
Family
ID=75291318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110004489.XA Active CN112634876B (zh) | 2021-01-04 | 2021-01-04 | 语音识别方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112634876B (zh) |
WO (1) | WO2022143058A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129935A (zh) * | 2021-06-16 | 2021-07-16 | 北京新唐思创教育科技有限公司 | 音频打点数据获取方法、装置、存储介质及电子设备 |
CN113362811A (zh) * | 2021-06-30 | 2021-09-07 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN113436620A (zh) * | 2021-06-30 | 2021-09-24 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN113936643A (zh) * | 2021-12-16 | 2022-01-14 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音识别方法、语音识别模型、电子设备和存储介质 |
CN114495993A (zh) * | 2021-12-24 | 2022-05-13 | 北京梧桐车联科技有限责任公司 | 进度调节方法、装置、设备及计算机可读存储介质 |
WO2022143768A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 语音识别方法及装置 |
WO2022143058A1 (zh) * | 2021-01-04 | 2022-07-07 | 北京有竹居网络技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
WO2023071562A1 (zh) * | 2021-10-28 | 2023-05-04 | 北京搜狗科技发展有限公司 | 语音识别文本处理方法、装置、设备、存储介质及程序产品 |
CN117392985A (zh) * | 2023-12-11 | 2024-01-12 | 飞狐信息技术(天津)有限公司 | 语音处理方法、装置、终端和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113941B (zh) * | 2023-10-23 | 2024-02-06 | 新声科技(深圳)有限公司 | 标点符号恢复方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160027433A1 (en) * | 2014-07-24 | 2016-01-28 | Intrnational Business Machines Corporation | Method of selecting training text for language model, and method of training language model using the training text, and computer and computer program for executing the methods |
CN105609107A (zh) * | 2015-12-23 | 2016-05-25 | 北京奇虎科技有限公司 | 一种基于语音识别的文本处理方法和装置 |
CN108831481A (zh) * | 2018-08-01 | 2018-11-16 | 平安科技(深圳)有限公司 | 语音识别中符号添加方法、装置、计算机设备及存储介质 |
CN110310626A (zh) * | 2019-05-23 | 2019-10-08 | 平安科技(深圳)有限公司 | 语音训练数据生成方法、装置、设备及可读存储介质 |
CN110827825A (zh) * | 2019-11-11 | 2020-02-21 | 广州国音智能科技有限公司 | 语音识别文本的标点预测方法、系统、终端及存储介质 |
CN111640418A (zh) * | 2020-05-29 | 2020-09-08 | 数据堂(北京)智能科技有限公司 | 一种韵律短语识别方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829163A (zh) * | 2019-02-01 | 2019-05-31 | 浙江核新同花顺网络信息股份有限公司 | 一种语音识别结果处理方法及相关装置 |
CN110245334B (zh) * | 2019-06-25 | 2023-06-16 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN112466277B (zh) * | 2020-10-28 | 2023-10-20 | 北京百度网讯科技有限公司 | 韵律模型训练方法、装置、电子设备及存储介质 |
CN112634876B (zh) * | 2021-01-04 | 2023-11-10 | 北京有竹居网络技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
-
2021
- 2021-01-04 CN CN202110004489.XA patent/CN112634876B/zh active Active
- 2021-12-08 WO PCT/CN2021/136431 patent/WO2022143058A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160027433A1 (en) * | 2014-07-24 | 2016-01-28 | Intrnational Business Machines Corporation | Method of selecting training text for language model, and method of training language model using the training text, and computer and computer program for executing the methods |
CN105609107A (zh) * | 2015-12-23 | 2016-05-25 | 北京奇虎科技有限公司 | 一种基于语音识别的文本处理方法和装置 |
CN108831481A (zh) * | 2018-08-01 | 2018-11-16 | 平安科技(深圳)有限公司 | 语音识别中符号添加方法、装置、计算机设备及存储介质 |
CN110310626A (zh) * | 2019-05-23 | 2019-10-08 | 平安科技(深圳)有限公司 | 语音训练数据生成方法、装置、设备及可读存储介质 |
CN110827825A (zh) * | 2019-11-11 | 2020-02-21 | 广州国音智能科技有限公司 | 语音识别文本的标点预测方法、系统、终端及存储介质 |
CN111640418A (zh) * | 2020-05-29 | 2020-09-08 | 数据堂(北京)智能科技有限公司 | 一种韵律短语识别方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
张慧;蒋晔;: "CRF模型的自动标点预测方法研究", 网络新媒体技术, no. 03 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022143768A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 语音识别方法及装置 |
WO2022143058A1 (zh) * | 2021-01-04 | 2022-07-07 | 北京有竹居网络技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
CN113129935A (zh) * | 2021-06-16 | 2021-07-16 | 北京新唐思创教育科技有限公司 | 音频打点数据获取方法、装置、存储介质及电子设备 |
CN113362811A (zh) * | 2021-06-30 | 2021-09-07 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN113436620A (zh) * | 2021-06-30 | 2021-09-24 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN113436620B (zh) * | 2021-06-30 | 2022-08-30 | 北京有竹居网络技术有限公司 | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 |
WO2023273612A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京有竹居网络技术有限公司 | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 |
WO2023273611A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京有竹居网络技术有限公司 | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 |
WO2023071562A1 (zh) * | 2021-10-28 | 2023-05-04 | 北京搜狗科技发展有限公司 | 语音识别文本处理方法、装置、设备、存储介质及程序产品 |
CN113936643A (zh) * | 2021-12-16 | 2022-01-14 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音识别方法、语音识别模型、电子设备和存储介质 |
CN114495993A (zh) * | 2021-12-24 | 2022-05-13 | 北京梧桐车联科技有限责任公司 | 进度调节方法、装置、设备及计算机可读存储介质 |
CN117392985A (zh) * | 2023-12-11 | 2024-01-12 | 飞狐信息技术(天津)有限公司 | 语音处理方法、装置、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022143058A1 (zh) | 2022-07-07 |
CN112634876B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634876B (zh) | 语音识别方法、装置、存储介质及电子设备 | |
CN111583900B (zh) | 歌曲合成方法、装置、可读介质及电子设备 | |
CN111583903B (zh) | 语音合成方法、声码器训练方法、装置、介质及电子设备 | |
CN112309366B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
US20240021202A1 (en) | Method and apparatus for recognizing voice, electronic device and medium | |
CN111368559A (zh) | 语音翻译方法、装置、电子设备及存储介质 | |
CN112489621B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN111261144A (zh) | 一种语音识别的方法、装置、终端以及存储介质 | |
CN111798821B (zh) | 声音转换方法、装置、可读存储介质及电子设备 | |
CN111667810B (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
CN112331176B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
US11393458B2 (en) | Method and apparatus for speech recognition | |
CN112906381B (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
CN111883107A (zh) | 语音合成、特征提取模型训练方法、装置、介质及设备 | |
CN112365878A (zh) | 语音合成方法、装置、设备及计算机可读存储介质 | |
CN112906380A (zh) | 文本中角色的识别方法、装置、可读介质和电子设备 | |
CN113421550A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN113257218A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
CN113362813A (zh) | 一种语音识别方法、装置和电子设备 | |
CN112309367A (zh) | 语音合成方法、装置、存储介质及电子设备 | |
CN112785667A (zh) | 视频生成方法、装置、介质及电子设备 | |
CN111414748A (zh) | 话务数据处理方法及装置 | |
CN112487937B (zh) | 视频识别方法、装置、存储介质及电子设备 | |
CN115171695A (zh) | 语音识别方法、装置、电子设备和计算机可读介质 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 |
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 |