CN113470619A - 语音识别方法、装置、介质及设备 - Google Patents
语音识别方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN113470619A CN113470619A CN202110735672.7A CN202110735672A CN113470619A CN 113470619 A CN113470619 A CN 113470619A CN 202110735672 A CN202110735672 A CN 202110735672A CN 113470619 A CN113470619 A CN 113470619A
- Authority
- CN
- China
- Prior art keywords
- text
- feature vector
- training
- context
- hot 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 179
- 239000013598 vector Substances 0.000 claims description 236
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 241000207961 Sesamum Species 0.000 description 4
- 235000003434 Sesamum indicum Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G10L15/26—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
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种语音识别方法、装置、介质及设备,所述方法包括:接收待识别语音数据;根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。由此,在语境识别子模型进行训练时是结合训练数据的发音特征和文本特征进行训练的,可以基于该发音特征对拼写或发音相近的各个热词进行准确区分,因此对热词进行识别时,避免对热词的混淆识别,进一步提高语音识别的准确性。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种语音识别方法、装置、介质及设备。
背景技术
随着深度学习的兴起,各种完全依赖于神经网络进行端到端建模的方法逐渐兴起,逐步发展为自动语音识别(ASR)技术中的主流。通过自动语音识别,可直接将原始的语音数据转换为对应的文本结果。相关技术中通常采用基于热词的先验语境知识进行语音识别的方式提高语音识别的准确性。然而相关技术中采用热词先验语境知识时,容易出现对拼写或发音相近的热词的混淆识别,从而导致语音识别的准确度不足。
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:
接收待识别语音数据;
根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
可选地,所述语境识别子模型包括发音特征编码器、文本特征编码器、注意力模块和语境特征解码器;
所述根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本,包括:
根据所述发音特征编码器对所述热词的音标序列进行编码,获得所述热词的发音特征向量,并根据所述文本特征编码器对所述热词的文本序列进行编码,获得所述热词的文本特征向量;
根据所述语音识别子模型和所述待识别语音数据,获得所述待识别语音数据对应的每一预测字符的字符声学向量和文本概率分布;
根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量;
根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布;
根据所述文本概率分布和所述语境概率分布,确定所述待识别数据对应的目标文本。
可选地,所述根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量,包括:
针对每一所述热词,根据该热词的所述发音特征向量和所述文本特征向量,确定该热词对应的融合特征向量;
针对每一所述预测字符,在所述注意力模块中,根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量。
可选地,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量,包括:
将所述字符声学向量与每一所述热词对应的融合特征向量的点积,确定为该热词对应的初始权重;
将每一所述热词对应的初始权重进行归一化处理,获得每一所述热词对应的目标权重;
根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
可选地,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量,还包括:
将按照所述目标权重由大至小的顺序排序M之后的目标权重更新为零,M为正整数;
所述根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量,包括:
根据每一所述热词对应的更新后的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
可选地,所述根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布,包括:
针对每一所述预测字符,根据所述预测字符的声学字符向量和所述语境特征向量,获得预测字符的目标特征向量;
根据所述语境特征解码器对所述目标特征向量进行解码,获得每一所述预测字符对应的语境概率分布。
可选地,通过以下方式确定所述训练词语的音标序列、文本序列以及训练标签:
从每一训练样本的训练标注文本中确定所述训练词语;
针对每一所述训练词语,根据所述训练词语的语种确定所述训练词语的音标序列,并从所述训练标注文本中确定所述文本序列;
针对每一所述训练词语,将所述训练词语对应的训练标注文本中、除所述训练词语之外的文本替换为预设标签,以生成所述训练词语对应的训练标签。
第二方面,本公开提供一种语音识别装置,所述装置包括:
接收模块,用于接收待识别语音数据;
处理模块,用于根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
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任一所述方法的步骤。
第四方面,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,以实现第一方面任一所述方法的步骤。
由此,在上述技术方案,用于对待识别语音数据进行识别的语音识别模型中可以包含语音识别子模型和语境识别子模型,则在语音识别的过程中可以基于该语音识别子模型进行语音识别,同时可以结合该语境识别子模型提高对待识别语音数据中的热词识别的准确性,进而提高语音识别的准确性。并且,在语境识别子模型进行训练时是结合训练数据的发音特征和文本特征进行训练的,可以基于该发音特征对拼写或发音相近的各个热词进行准确区分,因此对热词进行识别时,可以结合该多个特征从多个热词中进行准确的识别,避免对拼写或发音相近的热词的混淆识别,进一步提高语音识别的准确性,提升用户使用体验。
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为根据本公开的一种实施方式提供的一种语音识别方法的流程图;
图2是根据本公开的一种实施方式提供的一种语音识别模型的结构示意图;
图3是根据待识别语音数据、热词信息和语音识别模型,获得待识别语音数据对应的目标文本的示例性实现方式的流程图;
图4是根据本公开的一种实施方式提供的一种语音识别装置的框图;
图5示出了适于用来实现本公开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。
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。
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。
图1所示,为根据本公开的一种实施方式提供的一种语音识别方法的流程图,如图1所示,所述方法可以包括:
在步骤11中,接收待识别语音数据。
在步骤12中,根据待识别语音数据、热词信息和语音识别模型,获得待识别语音数据对应的目标文本。
其中,所述热词信息包含多个热词对应的文本序列和音标序列。其中,该热词信息可以是与具体的应用语境对应的热词,以为该待识别语音数据的识别过程提供先验语境知识。音标序列用于表示热词的发音,如该热词为中文时,其对应的音标序列中则包含有调拼音,热词为英文时,其对应的音标序列则包含英式音标或者美式音标等。热词的文本序列则可以是该热词文本本身。
所述语音识别模型包括语音识别子模型和语境识别子模型,其中,所述语音识别子模型用于对该待识别语音数据进行语音信息识别,该语境识别子模型用于对该待识别语音数据进行语境信息识别,即用于识别该待识别语音数据中包含的热词特征。
具体地,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。因此,在该语境识别子模型的训练过程中可以同时结合训练词语对应的发音特征和文本特征进行训练,使得语境识别子模型的训练特征更加全面和丰富,为后续进行热词判定提高准确且全面的数据支持。
例如,热词信息中包含热词“张志国”和“章芝果”,待识别语音数据对应的真实文本应为“章芝果说她最近要结婚了”,通过相关技术,由于该热词信息中包含相近发音的热词,则在进行语音识别时,则会出现识别文本“张志国说她最近要结婚了”,即出现热词的混淆识别。而通过上述技术方案,在基于热词进行语音识别时,可以基于热词的发音特征对热词识别进行增强识别,如“张志国”对应的音标序列为“zhang1zhi4guo2”,“章芝果”对应的音标序列为“zhang1zhi1guo3”,则可以对发音相近的热词进行区分,得出识别结果“章芝果说她最近要结婚了”,提高语音识别的准确性。
由此,在上述技术方案,用于对待识别语音数据进行识别的语音识别模型中可以包含语音识别子模型和语境识别子模型,则在语音识别的过程中可以基于该语音识别子模型进行语音识别,同时可以结合该语境识别子模型提高对待识别语音数据中的热词识别的准确性,进而提高语音识别的准确性。并且,在语境识别子模型进行训练时是结合训练数据的发音特征和文本特征进行训练的,可以基于该发音特征对拼写或发音相近的各个热词进行准确区分,因此对热词进行识别时,可以结合该多个特征从多个热词中进行准确的识别,避免对拼写或发音相近的热词的混淆识别,进一步提高语音识别的准确性,提升用户使用体验。
在一种可能的实施例中,如图2所示,所述语音识别模型10可以包括语音识别子模型100和语境识别子模型200,所述语境识别子模型200包括发音特征编码器201、文本特征编码器202、注意力模块203和语境特征解码器204。相应地,在步骤12中,根据待识别语音数据、热词信息和语音识别模型,获得待识别语音数据对应的目标文本的示例性实现方式如下,如图3所示,该步骤可以包括:
在步骤31中,根据发音特征编码器对热词的音标序列进行编码,获得热词的发音特征向量,并根据文本特征编码器对热词的文本序列进行编码,获得热词的文本特征向量。
在步骤32中,根据语音识别子模型和待识别语音数据,获得待识别语音数据对应的每一预测字符的字符声学向量和文本概率分布。
示例地,如图2所示,该语音识别子模型可以进一步包括编码器101、预测子模型102和解码器103,其中该预测子模型可以为CIF(Continuous Integrate-and-Fire,连续整合发放)模型。
通常情况下,可以将每秒的语音数据切分为多个音频帧,从而基于音频帧进行数据处理,示例地,可以将每秒的语音数据切分为100个音频帧进行处理。相应地,通过该编码器对该待识别语音数据的音频帧进行编码,获得的声学向量序列H可以表示为:
H:{H1,H2,…,HU},其中,U用于表示该输入待识别语音数据中的音频帧的数量,即该声学向量序列的长度。
之后,可以根据声学向量和所述预测子模型,获得待识别语音数据对应的字符声学向量。
示例地,可以将所述声学向量输入预测子模型,则该预测子模型可以对声学向量进行信息量预测,获得该音频帧对应的信息量。之后可以根据多个音频帧的信息量对音频帧的声学向量进行合并,获得字符声学向量。
在本公开实施例中默认每一预测字符对应的信息量是相同的,因此可以将音频帧对应的信息量从左到右的方式进行累加,信息量累加至预设阈值时,认为此时该累加的信息量对应的音频帧形成为一个预测字符,一个预测字符对应于一个或多个音频帧。其中,该预设阈值可以根据实际应用场景和经验进行设置,示例地该预设阈值可以设置为1,本公开对此不进行限定。
在一种可能的实施例中,可以通过如下方式根据多个音频帧的信息量对音频帧的声学向量进行合并:
按照信息量的顺序,依次获取一音频帧i的信息量Wi;
若Wi小于预设阈值β,则获取下一音频帧作为当前的音频帧,即i=i+1,并对遍历到的音频帧的信息量进行累加,若累加和大于该预设阈值,可以认为此时出现了字符边界,即该当前遍历到的音频帧中部分属于当前的预测字符,另一部分属于下一预测字符。
示例地,若W1+W2大于β,则可以认为此时出现了字符边界,即第1个音频帧和第2个音频帧的部分可以对应于一个预测字符,该预测字符的边界处于第2个音频帧中。此时可以将该第2个音频帧的信息量切分为两部分,即一部分信息量属于当前的预测字符,剩余一部分的信息量属于下一预测字符。
相应地,第2个音频帧的信息量W2中属于当前的预测字符的信息量W21可以表示为:W21=β-W1;属于下一预测字符的信息量W22可以表示为:W22=W1-W21。
之后继续遍历音频帧的信息量,并从该第2个音频帧的剩余一部分的信息量继续进行信息量的累加,即将第2个音频帧中的信息量W22和第3个音频帧中的信息量W3进行累加,直至累加至预设阈值β,获得下一预测字符对应的音频帧。针对后续的音频帧的信息量以此类推,通过上述方式进行合并,获得该多个音频帧对应的各个预测字符。
基于此,在确定出该语音数据中预测字符和音频帧的对应关系后,针对每一预测字符,可以将该预测字符对应的每一音频帧的声学向量的加权和确定为该预测字符对应的字符声学向量。其中,该预测字符对应的每一音频帧的声学向量的权重为该音频帧在该预测字符中对应的信息量。若该音频帧全部属于该预测字符,则该音频帧的声学向量的权重为该音频帧的信息量,若该音频帧部分属于该预测字符,则该音频帧的声学向量的权重为该音频帧中该部分的信息量。
如上文所述示例,针对第一个预测字符,其包含第1个音频帧和第2个音频帧的部分,则该预测字符对应的字符声学向量C1可以表示为:
C1=W1*H1+W21*H2;
又如示例,针对第二个预测字符,其包含第2个音频帧的部分和第3个音频帧,则该预测字符对应的字符声学向量C2可以表示为:
C2=W22*H2+W3*H3。
之后,可以基于解码器对每一预测字符的字符声学向量进行解码,从而获得该预测字符的文本概率分布。
转回图3,在步骤33中,根据注意力模块、发音特征向量、文本特征向量以及字符声学向量,获得每一预测字符的语境特征向量。
其中,在该步骤中,在确定预测字符的语境特征向量时,可以通过结合各个热词对应的发音特征和文本特征,从而可以对各个热词的多个特征进行综合的考量,以提高语境特征向量中特征的丰富性和准确性。同时在该注意力模块中结合发音特征向量、文本特征向量以及字符声学向量,可以在其进行注意力计算时保证各个热词与语音数据之间的匹配性。其具体计算方式在下文进行描述。
在步骤34中,根据语境特征解码器和语境特征向量,获得每一预测字符的语境概率分布。
之后,可以基于语境特征解码器对每一预测字符的语境特征向量进行解码,从而可以获得该预测字符的语境概率分布。
在步骤35中,根据文本概率分布和语境概率分布,确定待识别数据对应的目标文本。
作为示例,可以针对每一预测字符,将其文本概率分布和语境概率分布进行加权求和,从而可以获得该预测字符对应的综合概率分布。之后可以则可以基于该综合概率分布,通过贪心搜索(Greedy Search)的算法或者集束搜索(Beam Search)的算法确定出每一预测字符对应的识别字符,以获得该目标文本。其中上述搜索算法为本领域中的常用方式,在此不再赘述。
由此,通过上述技术方案,可以针对待识别语音数据中的每一预测字符的语音识别过程中进行热词增强识别,以提高语音识别的精细度和准确性,也可以在一定程度上提高语音识别的实时性,提升用户使用体验。
在一种可能的实施例中,所述根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量的示例性实现方式如下,该步骤可以包括:
针对每一所述热词,根据该热词的所述发音特征向量和所述文本特征向量,确定该热词对应的融合特征向量。
其中,可以通过将该发音特征向量和该文本特征向量进行拼接,从而获得该融合特征向量。
针对每一所述预测字符,在所述注意力模块中,根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量。
其中,在所述注意力模块可以通过该字符声学向量和各个融合特征向量,确定当前的预测字符对各个热词的关注度,以为后续进行热词的识别判断提供数据支持。
在一种可能的实施例中,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量的示例性实现方式如下,该步骤可以包括:
将所述字符声学向量与每一所述热词对应的融合特征向量的点积,确定为该热词对应的初始权重。
其中,作为示例,针对字符声学向量Ci,可以将该Ci与n个热词中的每一热词对应的融合特征向量T1至Tn分别计算点积,即将Ci与T1的点积Q1确定该T1的初始权重,Ci与T2的点积Q1确定T2的初始权重,其他以此类推,以确定出每一热词对应的初始权重。具体地,针对每一热词在计算初始权重时,可以基于多头注意力(multi-head attention)计算Ci和融合特征向量的点积注意力,之后将计算获得的多个点积注意力的平均值作为该特征融合向量对应的综合权重,即该该特征融合向量对应的热词的初始权重。相应地,该初始权重则可以用于表征该在该预测字符的字符声学向量中对每一热词的关注度。
将每一所述热词对应的初始权重进行归一化处理,获得每一所述热词对应的目标权重。
示例地,为了更加准确地衡量对各个热词的关注程度,可以将该各个热词对应的初始权重Q1-Qn进行归一化处理,例如可以对该Q1-Qn进行softmax计算,可以将每一热词的权重映射到统一标准下衡量,便于对各个热词对应的目标权重进行比较,从而可以确定出该预测字符更可能对应的热词。
之后,根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
在该实施例中,可以基于每一热词对应的目标权重与其对应的文本特征向量的乘积进行累加,获得该语境特征向量,则对应目标权重更高的文本特征向量则会在在该语境特征向量中对应更加明确的特征表示。
由此,通过上述技术方案,可以基于包含发音特征序列和文本特征序列的融合特征序列确定每一热词对应的目标权重,使得提供的特征更加丰富,并使得确定出的该目标权重更加准确,以提高语境特征向量的准确性,在一定程度上提高语境识别子模型对输入的热词识别的准确性,实现拼写或发音相近的热词之间的区分性,保证语音识别的准确性。
在一种可能的实施例中,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量的另一示例性实施方式如下,在上一实施例的基础上,还包括:
将按照所述目标权重由大至小的顺序排序M之后的目标权重更新为零,M为正整数。M可以根据实际使用场景进行设置,例如M可以设置为20。
其中,目标权重用于表示当前的预测字符对各个热词的关注度,则在热词对应的目标权重较小排序靠后时,表示该预测字符对应于该热词的可能性较低,此时可以直接将该热词的目标权重设置为0,在进行热词判定时重点判断可能性更高的热词。
具体地,在对目标权重更新时,按照所述目标权重由大至小的顺序进行排序,并保留前M的目标权重,对排序M之后的目标权重设置为零。
相应地,所述根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量的示例性实现方式可以包括:
根据每一所述热词对应的更新后的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
由此,通过上述技术方案,可以直接基于目标权重对可能性较小的热词进行排除识别,可以在一定程度上降低计算数据量,在提高热词增强识别的识别效率的同时,保证热词增强识别的准确性。
在一种可能的实施例中,根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布的示例实现方式如下,该步骤可以包括:
针对每一所述预测字符,根据所述预测字符的声学字符向量和所述语境特征向量,获得预测字符的目标特征向量。
作为示例,可以将该预测字符的声学字符向量和所述语境特征向量进行拼接,从而获得该目标特征向量。
根据所述语境特征解码器对所述目标特征向量进行解码,获得每一所述预测字符对应的语境概率分布。
由此,通过上述技术方案,在语境特征解码器进行解码时,可以基于包含输入的语音数据的音频特征和各个热词的相关特征的目标特征向量进行解码,提高该语境概率分布与待识别语音数据以及热词之间的匹配程度,为后续进行目标文本的确定提供准确且全面的数据支持,进一步提高语音识别过程中特征的多样性,从而提高语音识别结果的准确性。
在一种可能的实施例中,通过以下方式确定所述训练词语的音标序列、文本序列以及训练标签:
从每一训练样本的训练标注文本中确定所述训练词语。
作为示例,可以针对每一训练样本的训练标注文本,从该文本中随机抽取一条N-gram词语,并将该词语作为候选词语。之后可以从该候选词语中随机选择部分词语作为该训练词语。作为另一示例,可以从所述训练样本的训练标注文本中确定候选文本,之后可以针对每一候选文本,从该候选文本中随机抽取一条N-gram词语作为训练词语。由此以保证训练词语的多样性和随机性。
针对每一所述训练词语,根据所述训练词语的语种确定所述训练词语的音标序列,并从所述训练标注文本中确定所述文本序列。
其中,可以直接将从训练标注文本中提取出的该训练词语本身作为该文本序列,可以预先设置不同语种对应的音标序列类型,如设置中文对应的音标序列为拼音序列,设置英文对应的音标序列为英式音标序列。作为示例,可以基于电子辞典进行查询的方式确定对应的音标序列,如针对中文词语,可以针对该词语中的每一个字符查询中文辞典,从而获得该词语中每一字符对应的有调拼音,之后将每一字符的有调拼音进行拼接获得该词语的音标序列;也可以直接基于该词语进行查询,从而直接获得该词语的音标序列,如针对训练词语“凸优化理论”,其对应为音标序列表示为“tu1you1hua4li3lun4”。
针对每一所述训练词语,将所述训练词语对应的训练标注文本中、除所述训练词语之外的文本替换为预设标签,以生成所述训练词语对应的训练标签。
示例地,针对训练标注文本“凸优化理论是一门重要课程”,从中提取出的训练词语为“凸优化理论”,则在确定该训练词语对应的训练标签时,可以将所述训练词语对应的训练标注文本中、除所述训练词语之外的文本替换为预设标签,即将训练标注文本“凸优化理论是一门重要课程”中的“是一门重要课程”进行替换,获得训练标签“凸优化理论*******”。其中,预设标签没有实际含义,其用于表征此处对应的文本无对应的先验语境知识。
由此,通过上述技术方案,可以对训练样本进行自动化处理以获得用于对语境识别子模型进行训练的训练数据,并且在获得该训练数据时,可以同时提取训练词语对应的文本特征和发音特征,便于更加精确的对每一词语进行标识,以便于对拼写或发音相近的词语进行区分,从而可以为语境识别子模型的训练提供更加全面且可靠的特征信息,在一定程度上提高训练所得的语境识别子模型的准确性。
在一种可能的实施例中,所述语音识别模型可以通过如下方式进行训练:
在语音识别子模型训练完成的情况下,根据训练样本,确定训练样本中的训练词语的音标序列、文本序列以及训练标签。
其中,在本公开实施例中,可以分别对语音识别子模型和语境识别子模型进行训练。可以以训练语音数据作为输入,以对应的训练标注文本作为目标输出,实现对语音识别子模型的训练。其中,可以基于本领域中常用的训练方法进行训练,在此不再赘述。
在语音识别子模型训练完成的情况下,则可以基于该训练完成的语音识别子模型进一步实现对语境识别子模型的训练。其中,该语境识别子模型用于确定热词对应的先验语境知识,因此,在本公开实施例中,可以直接从训练样本中获取对应的训练词语,以基于该训练词语的先验语境知识进行训练,保证训练词语的多样性,从而可以提高模型的稳定性和泛化性。其中,训练词语的音标序列用于表示训练词语的发音,如该训练样本为中文时,其对应的音标序列中则包含有调拼音,训练样本为英文时,其对应的音标序列则包含英式音标或者美式音标等。训练词语的文本序列则可以是该训练词语对应的识别文本。训练词语的训练标签用于表示所述训练词语对应的目标输出。
之后,可以根据发音特征编码器对训练词语的音标序列进行编码,获得训练词语的发音特征向量,并根据文本特征编码器对训练词语的文本序列进行编码,获得训练词语的文本特征向量;
根据语音识别子模型获得训练样本中的训练语音数据对应的每一预测字符的字符声学向量;
根据注意力模块、发音特征向量、文本特征向量以及字符声学向量,获得每一预测字符的语境特征向量;
基于语境特征解码器对语境特征向量进行解码,每一预测字符的概率分布,之后根据该概率分布获得语境识别子模型的输出文本。
其中,上述步骤的实现方式与上文所述针对热词和待识别语音数据的处理方式类似,在此不再赘述。
之后,则可以根据输出文本和训练词语对应的训练标签确定语境识别子模型的目标损失。
其中,可以根据该输出文本与训练标签计算交叉熵损失,并将该交叉熵损失确定为该目标损失。
在满足更新条件的情况下,根据目标损失对语境识别子模型的模型参数进行更新。
作为示例,该更新条件可以为目标损失大于预设的损失阈值,此时表示语境识别子模型的识别准确性不足。作为另一示例,该更新条件可以是迭代次数小于预设的次数阈值,此时认为语境识别子模型迭代次数较少,其识别准确性不足。相应地,在满足更新条件的情况下,可以根据该目标损失对该语境识别子模型的模型参数进行更新。其中,基于确定出的损失对模型参数进行更新的方式可以采用本领域中常用的更新方式,如梯度下降法,在此不再赘述。
在不满足该更新条件的情况下,则可以认为该语境识别子模型的识别精确性达到训练要求,此时可以停止训练过程,获得训练完成的语境识别子模型,进而获得训练完成的语音识别模型。
其中,需要进行说明的是,在对语境识别子模型的模型参数进行更新的过程中,保持训练完成的语音识别子模型的模型参数不变。由此,通过上述技术方案,可以在训练完成的语音识别子模型的基础上增加该语境识别子模型,以实现该语音识别模型,提高该训练方法的可扩展性和应用范围,同时可以在保证语音识别子模型的准确性的基础上,提供更加准确的先验语境知识,提高语音识别模型的识别准确率。
本公开还提供一种语音识别装置,如图4所示,所述装置40包括:
接收模块41,用于接收待识别语音数据;
处理模块42,用于根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
可选地,所述语境识别子模型包括发音特征编码器、文本特征编码器、注意力模块和语境特征解码器;
所述处理模块包括:
编码子模块,用于根据所述发音特征编码器对所述热词的音标序列进行编码,获得所述热词的发音特征向量,并根据所述文本特征编码器对所述热词的文本序列进行编码,获得所述热词的文本特征向量;
第一处理子模块,用于根据所述语音识别子模型和所述待识别语音数据,获得所述待识别语音数据对应的每一预测字符的字符声学向量和文本概率分布;
第二处理子模块,用于根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量;
第一解码子模块,用于根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布;
第一确定子模块,用于根据所述文本概率分布和所述语境概率分布,确定所述待识别数据对应的目标文本。
可选地,所述第二处理子模块包括:
第二确定子模块,用于针对每一所述热词,根据该热词的所述发音特征向量和所述文本特征向量,确定该热词对应的融合特征向量;
第三确定子模块,用于针对每一所述预测字符,在所述注意力模块中,根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量。
可选地,所述第三确定子模块包括:
第四确定子模块,用于将所述字符声学向量与每一所述热词对应的融合特征向量的点积,确定为该热词对应的初始权重;
第三处理子模块,用于将每一所述热词对应的初始权重进行归一化处理,获得每一所述热词对应的目标权重;
计算子模块,用于根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
可选地,所述第三确定子模块还包括:
更新子模块,用于将按照所述目标权重由大至小的顺序排序M之后的目标权重更新为零,M为正整数;
所述计算子模块用于:
根据每一所述热词对应的更新后的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
可选地,所述第一解码子模块包括:
第四处理子模块,用于针对每一所述预测字符,根据所述预测字符的声学字符向量和所述语境特征向量,获得预测字符的目标特征向量;
第二解码子模块,用于根据所述语境特征解码器对所述目标特征向量进行解码,获得每一所述预测字符对应的语境概率分布。
可选地,通过以下方式确定所述训练词语的音标序列、文本序列以及训练标签:
从每一训练样本的训练标注文本中确定所述训练词语;
针对每一所述训练词语,根据所述训练词语的语种确定所述训练词语的音标序列,并从所述训练标注文本中确定所述文本序列;
针对每一所述训练词语,将所述训练词语对应的训练标注文本中、除所述训练词语之外的文本替换为预设标签,以生成所述训练词语对应的训练标签。
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600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600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600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600,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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
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:接收待识别语音数据;根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
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,例如,接收模块还可以被描述为“接收待识别语音数据的模块”。
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,所述方法包括:
接收待识别语音数据;
根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
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,所述语境识别子模型包括发音特征编码器、文本特征编码器、注意力模块和语境特征解码器;
所述根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本,包括:
根据所述发音特征编码器对所述热词的音标序列进行编码,获得所述热词的发音特征向量,并根据所述文本特征编码器对所述热词的文本序列进行编码,获得所述热词的文本特征向量;
根据所述语音识别子模型和所述待识别语音数据,获得所述待识别语音数据对应的每一预测字符的字符声学向量和文本概率分布;
根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量;
根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布;
根据所述文本概率分布和所述语境概率分布,确定所述待识别数据对应的目标文本。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量,包括:
针对每一所述热词,根据该热词的所述发音特征向量和所述文本特征向量,确定该热词对应的融合特征向量;
针对每一所述预测字符,在所述注意力模块中,根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量,包括:
将所述字符声学向量与每一所述热词对应的融合特征向量的点积,确定为该热词对应的初始权重;
将每一所述热词对应的初始权重进行归一化处理,获得每一所述热词对应的目标权重;
根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
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,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量,还包括:
将按照所述目标权重由大至小的顺序排序M之后的目标权重更新为零,M为正整数;
所述根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量,包括:
根据每一所述热词对应的更新后的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
根据本公开的一个或多个实施例,示例6提供了示例2的方法,所述根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布,包括:
针对每一所述预测字符,根据所述预测字符的声学字符向量和所述语境特征向量,获得预测字符的目标特征向量;
根据所述语境特征解码器对所述目标特征向量进行解码,获得每一所述预测字符对应的语境概率分布。
根据本公开的一个或多个实施例,示例7提供了示例1-6中任一示例的方法,通过以下方式确定所述训练词语的音标序列、文本序列以及训练标签:
从每一训练样本的训练标注文本中确定所述训练词语;
针对每一所述训练词语,根据所述训练词语的语种确定所述训练词语的音标序列,并从所述训练标注文本中确定所述文本序列;
针对每一所述训练词语,将所述训练词语对应的训练标注文本中、除所述训练词语之外的文本替换为预设标签,以生成所述训练词语对应的训练标签。
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:
接收模块,用于接收待识别语音数据;
处理模块,用于根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
根据本公开的一个或多个实施例,示例9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中任一示例所述方法的步骤。
根据本公开的一个或多个实施例,示例10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中任一示例所述方法的步骤。
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:
接收待识别语音数据;
根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
2.根据权利要求1所述的方法,其特征在于,所述语境识别子模型包括发音特征编码器、文本特征编码器、注意力模块和语境特征解码器;
所述根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本,包括:
根据所述发音特征编码器对所述热词的音标序列进行编码,获得所述热词的发音特征向量,并根据所述文本特征编码器对所述热词的文本序列进行编码,获得所述热词的文本特征向量;
根据所述语音识别子模型和所述待识别语音数据,获得所述待识别语音数据对应的每一预测字符的字符声学向量和文本概率分布;
根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量;
根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布;
根据所述文本概率分布和所述语境概率分布,确定所述待识别数据对应的目标文本。
3.根据权利要求2所述的方法,其特征在于,所述根据所述注意力模块、所述发音特征向量、所述文本特征向量以及所述字符声学向量,获得每一所述预测字符的语境特征向量,包括:
针对每一所述热词,根据该热词的所述发音特征向量和所述文本特征向量,确定该热词对应的融合特征向量;
针对每一所述预测字符,在所述注意力模块中,根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量,包括:
将所述字符声学向量与每一所述热词对应的融合特征向量的点积,确定为该热词对应的初始权重;
将每一所述热词对应的初始权重进行归一化处理,获得每一所述热词对应的目标权重;
根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述预测字符的字符声学向量、各个所述热词对应的融合特征向量和文本特征向量,确定所述预测字符对应的语境特征向量,还包括:
将按照所述目标权重由大至小的顺序排序M之后的目标权重更新为零,M为正整数;
所述根据每一所述热词对应的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量,包括:
根据每一所述热词对应的更新后的目标权重对所述热词的文本特征向量进行加权和计算,获得所述语境特征向量。
6.根据权利要求2所述的方法,其特征在于,所述根据所述语境特征解码器和所述语境特征向量,获得每一所述预测字符的语境概率分布,包括:
针对每一所述预测字符,根据所述预测字符的声学字符向量和所述语境特征向量,获得预测字符的目标特征向量;
根据所述语境特征解码器对所述目标特征向量进行解码,获得每一所述预测字符对应的语境概率分布。
7.根据权利要求1-6中任一项所述的方法,其特征在于,通过以下方式确定所述训练词语的音标序列、文本序列以及训练标签:
从每一训练样本的训练标注文本中确定所述训练词语;
针对每一所述训练词语,根据所述训练词语的语种确定所述训练词语的音标序列,并从所述训练标注文本中确定所述文本序列;
针对每一所述训练词语,将所述训练词语对应的训练标注文本中、除所述训练词语之外的文本替换为预设标签,以生成所述训练词语对应的训练标签。
8.一种语音识别装置,其特征在于,所述装置包括:
接收模块,用于接收待识别语音数据;
处理模块,用于根据所述待识别语音数据、热词信息和语音识别模型,获得所述待识别语音数据对应的目标文本;其中,所述热词信息包含多个热词对应的文本序列和音标序列;所述语音识别模型包括语音识别子模型和语境识别子模型,所述语境识别子模型是基于训练词语以及所述训练词语的音标序列、文本序列以及训练标签进行训练的。
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 |
---|---|---|---|
CN202110735672.7A CN113470619B (zh) | 2021-06-30 | 2021-06-30 | 语音识别方法、装置、介质及设备 |
PCT/CN2022/089595 WO2023273578A1 (zh) | 2021-06-30 | 2022-04-27 | 语音识别方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735672.7A CN113470619B (zh) | 2021-06-30 | 2021-06-30 | 语音识别方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470619A true CN113470619A (zh) | 2021-10-01 |
CN113470619B CN113470619B (zh) | 2023-08-18 |
Family
ID=77876448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735672.7A Active CN113470619B (zh) | 2021-06-30 | 2021-06-30 | 语音识别方法、装置、介质及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113470619B (zh) |
WO (1) | WO2023273578A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114036959A (zh) * | 2021-11-25 | 2022-02-11 | 北京房江湖科技有限公司 | 会话语境的确定方法、装置、计算机程序产品和存储介质 |
CN114299930A (zh) * | 2021-12-21 | 2022-04-08 | 广州虎牙科技有限公司 | 端到端语音识别模型处理方法、语音识别方法及相关装置 |
WO2023273578A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京有竹居网络技术有限公司 | 语音识别方法、装置、介质及设备 |
CN115713939A (zh) * | 2023-01-06 | 2023-02-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音识别方法、装置及电子设备 |
CN116110378A (zh) * | 2023-04-12 | 2023-05-12 | 中国科学院自动化研究所 | 模型训练方法、语音识别方法、装置和电子设备 |
CN117116264A (zh) * | 2023-02-20 | 2023-11-24 | 荣耀终端有限公司 | 一种语音识别方法、电子设备以及介质 |
CN117437909A (zh) * | 2023-12-20 | 2024-01-23 | 慧言科技(天津)有限公司 | 基于热词特征向量自注意力机制的语音识别模型构建方法 |
WO2024183560A1 (zh) * | 2023-03-03 | 2024-09-12 | 抖音视界有限公司 | 语音识别方法、装置及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705058B (zh) * | 2023-08-04 | 2023-10-27 | 贝壳找房(北京)科技有限公司 | 多模语音任务的处理方法、电子设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693725A (zh) * | 2011-03-25 | 2012-09-26 | 通用汽车有限责任公司 | 依赖于文本信息语境的语音识别 |
CN105393302A (zh) * | 2013-07-17 | 2016-03-09 | 三星电子株式会社 | 多级语音识别 |
CN105719649A (zh) * | 2016-01-19 | 2016-06-29 | 百度在线网络技术(北京)有限公司 | 语音识别方法及装置 |
WO2018203935A1 (en) * | 2017-05-03 | 2018-11-08 | Google Llc | Contextual language translation |
CN109815322A (zh) * | 2018-12-27 | 2019-05-28 | 东软集团股份有限公司 | 应答的方法、装置、存储介质及电子设备 |
CN110517692A (zh) * | 2019-08-30 | 2019-11-29 | 苏州思必驰信息科技有限公司 | 热词语音识别方法和装置 |
CN110544477A (zh) * | 2019-09-29 | 2019-12-06 | 北京声智科技有限公司 | 一种语音识别方法、装置、设备及介质 |
WO2020005202A1 (en) * | 2018-06-25 | 2020-01-02 | Google Llc | Hotword-aware speech synthesis |
CN110689881A (zh) * | 2018-06-20 | 2020-01-14 | 深圳市北科瑞声科技股份有限公司 | 语音识别方法、装置、计算机设备和存储介质 |
CN110879839A (zh) * | 2019-11-27 | 2020-03-13 | 北京声智科技有限公司 | 一种热词识别方法、装置及系统 |
CN111583909A (zh) * | 2020-05-18 | 2020-08-25 | 科大讯飞股份有限公司 | 一种语音识别方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101614756B1 (ko) * | 2014-08-22 | 2016-04-27 | 현대자동차주식회사 | 음성 인식 장치, 그를 포함하는 차량, 및 그 차량의 제어 방법 |
CN110706690B (zh) * | 2019-09-16 | 2024-06-25 | 平安科技(深圳)有限公司 | 语音识别方法及其装置 |
CN111816165A (zh) * | 2020-07-07 | 2020-10-23 | 北京声智科技有限公司 | 语音识别方法、装置及电子设备 |
CN111933129B (zh) * | 2020-09-11 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 音频处理方法、语言模型的训练方法、装置及计算机设备 |
CN112489646B (zh) * | 2020-11-18 | 2024-04-02 | 北京华宇信息技术有限公司 | 语音识别方法及其装置 |
CN113470619B (zh) * | 2021-06-30 | 2023-08-18 | 北京有竹居网络技术有限公司 | 语音识别方法、装置、介质及设备 |
-
2021
- 2021-06-30 CN CN202110735672.7A patent/CN113470619B/zh active Active
-
2022
- 2022-04-27 WO PCT/CN2022/089595 patent/WO2023273578A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693725A (zh) * | 2011-03-25 | 2012-09-26 | 通用汽车有限责任公司 | 依赖于文本信息语境的语音识别 |
CN105393302A (zh) * | 2013-07-17 | 2016-03-09 | 三星电子株式会社 | 多级语音识别 |
CN105719649A (zh) * | 2016-01-19 | 2016-06-29 | 百度在线网络技术(北京)有限公司 | 语音识别方法及装置 |
WO2018203935A1 (en) * | 2017-05-03 | 2018-11-08 | Google Llc | Contextual language translation |
CN110689881A (zh) * | 2018-06-20 | 2020-01-14 | 深圳市北科瑞声科技股份有限公司 | 语音识别方法、装置、计算机设备和存储介质 |
WO2020005202A1 (en) * | 2018-06-25 | 2020-01-02 | Google Llc | Hotword-aware speech synthesis |
CN109815322A (zh) * | 2018-12-27 | 2019-05-28 | 东软集团股份有限公司 | 应答的方法、装置、存储介质及电子设备 |
CN110517692A (zh) * | 2019-08-30 | 2019-11-29 | 苏州思必驰信息科技有限公司 | 热词语音识别方法和装置 |
CN110544477A (zh) * | 2019-09-29 | 2019-12-06 | 北京声智科技有限公司 | 一种语音识别方法、装置、设备及介质 |
CN110879839A (zh) * | 2019-11-27 | 2020-03-13 | 北京声智科技有限公司 | 一种热词识别方法、装置及系统 |
CN111583909A (zh) * | 2020-05-18 | 2020-08-25 | 科大讯飞股份有限公司 | 一种语音识别方法、装置、设备及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273578A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京有竹居网络技术有限公司 | 语音识别方法、装置、介质及设备 |
CN114036959A (zh) * | 2021-11-25 | 2022-02-11 | 北京房江湖科技有限公司 | 会话语境的确定方法、装置、计算机程序产品和存储介质 |
CN114299930A (zh) * | 2021-12-21 | 2022-04-08 | 广州虎牙科技有限公司 | 端到端语音识别模型处理方法、语音识别方法及相关装置 |
CN115713939A (zh) * | 2023-01-06 | 2023-02-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音识别方法、装置及电子设备 |
CN115713939B (zh) * | 2023-01-06 | 2023-04-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音识别方法、装置及电子设备 |
CN117116264A (zh) * | 2023-02-20 | 2023-11-24 | 荣耀终端有限公司 | 一种语音识别方法、电子设备以及介质 |
CN117116264B (zh) * | 2023-02-20 | 2024-07-23 | 荣耀终端有限公司 | 一种语音识别方法、电子设备以及介质 |
WO2024183560A1 (zh) * | 2023-03-03 | 2024-09-12 | 抖音视界有限公司 | 语音识别方法、装置及电子设备 |
CN116110378A (zh) * | 2023-04-12 | 2023-05-12 | 中国科学院自动化研究所 | 模型训练方法、语音识别方法、装置和电子设备 |
CN117437909A (zh) * | 2023-12-20 | 2024-01-23 | 慧言科技(天津)有限公司 | 基于热词特征向量自注意力机制的语音识别模型构建方法 |
CN117437909B (zh) * | 2023-12-20 | 2024-03-05 | 慧言科技(天津)有限公司 | 基于热词特征向量自注意力机制的语音识别模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023273578A1 (zh) | 2023-01-05 |
CN113470619B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN113436620B (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
CN111402861B (zh) | 一种语音识别方法、装置、设备及存储介质 | |
CN111368559A (zh) | 语音翻译方法、装置、电子设备及存储介质 | |
CN113362811B (zh) | 语音识别模型的训练方法、语音识别方法和装置 | |
CN112183120A (zh) | 语音翻译方法、装置、设备和存储介质 | |
CN112528637B (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112883967B (zh) | 图像字符识别方法、装置、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 | |
CN111368560A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN111667810B (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
CN111883121A (zh) | 唤醒方法、装置及电子设备 | |
CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
CN111625649A (zh) | 文本处理方法、装置、电子设备及介质 | |
CN113793599B (zh) | 语音识别模型的训练方法和语音识别方法及装置 | |
CN114765025A (zh) | 语音识别模型的生成方法、识别方法、装置、介质及设备 | |
CN111933119B (zh) | 用于生成语音识别网络的方法、装置、电子设备和介质 | |
US11482211B2 (en) | Method and apparatus for outputting analysis abnormality information in spoken language understanding | |
CN113947060A (zh) | 文本转换方法、装置、介质及电子设备 | |
CN110728137B (zh) | 用于分词的方法和装置 | |
CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN113986958A (zh) | 文本信息的转换方法、装置、可读介质和电子设备 | |
CN114613351A (zh) | 韵律预测方法、装置、可读介质及电子设备 |
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 |