CN114067800A - 语音识别方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了语音识别方法、装置和电子设备。该方法的一具体实施方式包括：获取待识别的语音块作为当前语音块，其中，当前语音块中的将来帧的数目小于第一目标数目；增加当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为第一目标数目；对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，第一目标帧为位于当前帧之前的第二目标数目个语音帧；基于目标语音识别结果，对已识别出的语音识别结果进行更新。该实施方式可以在减小语音识别延迟的同时提高语音识别准确率。

Description

语音识别方法、装置和电子设备

技术领域

本公开实施例涉及计算机技术领域，具体涉及语音识别方法、装置和电子设备。

背景技术

衡量语音识别模型的两个关键指标是准确率和延迟。根据延迟大小，一般可以将语音识别模型分为流式模型和非流式模型。非流式模型的延迟通常较大，无法实时地识别出语音对应的文本，通常也就不能做线上服务，而识别结果的准确率很高。流式模型的延迟较小，可以实时地识别出语音对应的文本，相应的识别准确率会低于非流式模型。为了在准确率和延迟之间取得平衡，通常会尝试多种不同配置延迟的流式模型，即一个模型对应一种延迟，同时准确率是确定的。

发明内容

提供该公开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。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种语音识别方法、装置和电子设备，可以在减小语音识别延迟的同时提高了语音识别准确率。

第一方面，本公开实施例提供了一种语音识别方法，包括：获取待识别的语音块作为当前语音块，其中，当前语音块包括过去帧和当前帧，当前语音块中的将来帧的数目小于第一目标数目；增加当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为第一目标数目；对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，第一目标帧为位于当前帧之前的第二目标数目个语音帧；基于目标语音识别结果，对已识别出的语音识别结果进行更新。

第二方面，本公开实施例提供了一种语音识别装置，包括：获取单元，用于获取待识别的语音块作为当前语音块，其中，当前语音块包括过去帧和当前帧，当前语音块中的将来帧的数目小于第一目标数目；调整单元，用于增加当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为第一目标数目；识别单元，用于对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，第一目标帧为位于当前帧之前的第二目标数目个语音帧；更新单元，用于基于目标语音识别结果，对已识别出的语音识别结果进行更新。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的语音识别方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的语音识别方法的步骤。

本公开实施例提供的语音识别方法、装置和电子设备，通过获取待识别的语音块作为当前语音块；之后，增加上述当前语音块的将来帧，得到调整后的语音块；而后，对上述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果；最后，基于上述目标语音识别结果，对已识别出的语音识别结果进行更新。通过这种方式可以通过填补空块的方式补足将来帧，同时识别出当前帧和当前帧之前的语音帧的语音识别结果，利用该语音识别结果对已识别出的语音识别结果进行更新，从而可以在减小语音识别延迟的同时提高语音识别准确率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的语音识别方法的一个实施例的流程图；

图3是根据本公开的语音识别方法的另一个实施例的流程图；

图4是根据本公开的语音识别方法的又一个实施例的流程图；

图5是根据本公开的语音识别方法的再一个实施例的流程图；

图6是现有的流式模型的帧同步解码的一个应用场景的示意图；

图7是根据本公开的语音识别方法中非流式模型的分块递增解码的一个应用场景的示意图；

图8是根据本公开的语音识别方法中对语音识别模型进行异步修正解码的一个应用场景的示意图；

图9A是根据本公开的语音识别方法中语音识别模型在编码阶段的一个应用场景的示意图；

图9B是现有的语音识别模型的训练阶段的一个示意图；

图9C是根据本公开的语音识别方法中对语音识别模型进行分段裁剪训练的一个应用场景的示意图；

图10是根据本公开的语音识别装置的一个实施例的结构示意图；

图11是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

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示出了可以应用本公开的语音识别方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备1011、1012、1013，网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备1011、1012、1013通过网络102与服务器103交互，以发送或接收消息等，例如，服务器103可以接收终端设备1011、1012、1013发送的语音信息，终端设备1011、1012、1013也可以接收服务器103输出的语音识别结果，终端设备1011、1012、1013还可以从服务器103获取语音识别模型。终端设备1011、1012、1013上可以安装有各种通讯客户端应用，例如语音识别类应用、即时通讯软件等。

终端设备1011、1012、1013可以获取待识别的语音块作为当前语音块，其中，上述当前语音块包括过去帧和当前帧，上述当前语音块中的将来帧的数目小于第一目标数目；之后，可以增加上述当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为上述第一目标数目；而后，可以对上述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，上述目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，上述第一目标帧为位于上述当前帧之前的第二目标数目个语音帧；最后，可以基于上述目标语音识别结果，对已识别出的语音识别结果进行更新。

终端设备1011、1012、1013可以是硬件，也可以是软件。当终端设备1011、1012、1013为硬件时，可以是具有话筒并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备1011、1012、1013为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以是提供各种服务的服务器。例如，可以是对从终端设备1011、1012、1013获取到的待识别的语音块进行处理的服务器。服务器103可以从终端设备1011、1012、1013获取待识别的语音块作为当前语音块，其中，上述当前语音块包括过去帧和当前帧，上述当前语音块中的将来帧的数目小于第一目标数目；之后，可以增加上述当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为上述第一目标数目；而后，可以对上述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，上述目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，上述第一目标帧为位于上述当前帧之前的第二目标数目个语音帧；最后，可以基于上述目标语音识别结果，对已识别出的语音识别结果进行更新。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开实施例所提供的语音识别方法可以由终端设备1011、1012、1013执行，此时，语音识别装置通常设置于终端设备1011、1012、1013中。本公开实施例所提供的语音识别方法也可以由服务器103执行，此时，语音识别装置通常设置于服务器103中。

还需要说明的是，在本公开实施例所提供的语音识别方法由终端设备1011、1012、1013执行的情况下，若终端设备1011、1012、1013的本地存储有预先训练的语音识别模型，此时示例性系统架构100可以不存在网络102和服务器103。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的语音识别方法的一个实施例的流程200。该语音识别方法，包括以下步骤：

步骤201，获取待识别的语音块作为当前语音块。

在本实施例中，语音识别方法的执行主体(例如图1所示的终端设备或服务器)可以获取待识别的语音块作为当前语音块。上述待识别的语音块可以是以语音流的形式传入的，语音流通常是指语音能够被作为一个稳定的和连续的流通过网络进行传输和处理；也可以是以非流式的形式传入的，例如，对一段给定的语音片段进行语音识别。

在这里，在语音识别的过程中通常需要考虑当前语音的上下文才能得到更加准确的语音识别结果。因此，在语音识别的场景中，通常需要将语音切分成若干个互有重叠的语音块，每个语音块通常包含过去帧(Np帧)、当前帧(Nc帧)和将来帧(Nf帧)，其中，过去帧和将来帧用来给语音识别网络的提供上下文。

在本实施例中，上述当前语音块可以包括过去帧和当前帧。上述当前语音块中的将来帧的数目通常小于第一目标数目，其中，上述第一目标数目通常指的是后续对上述当前语音块进行语音识别的语音识别模型在语音识别处理过程中所需要的将来帧的数目。在一些情况下，上述当前语音块中的将来帧的数目可以为0。

需要说明的是，一个将来帧可以由至少一个语音帧所组成，即一个将来帧可以理解为一个语音块。此时，将来帧的数目可以指的是将来的语音块的数目。

步骤202，增加当前语音块的将来帧，得到调整后的语音块。

在本实施例中，上述执行主体可以增加上述当前语音块的将来帧，得到调整后的语音块。在这里，增加的将来帧中的语音内容通常为空，调整后的语音块中将来帧的数目通常为上述第一目标数目。

作为示例，若后续对上述当前语音块进行语音识别的语音识别模型在语音识别处理过程中所需要的将来帧的数目为20，上述当前语音块中的将来帧的数目为0，此时，上述执行主体可以在上述当前语音块中增加20个将来帧且增加的将来帧中的语音内容为空。

步骤203，对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果。

在本实施例中，上述执行主体可以对在步骤202中得到的调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果。上述目标语音识别结果可以包括当前帧的语音识别结果和第一目标帧的语音识别结果。上述第一目标帧可以为位于上述当前帧之前的第二目标数目个语音帧。上述第二目标数目可以是预先设置的需要对当前帧之前的语音帧(过去帧)的语音识别结果进行的修正的次数。

在这里，可以使用现有的语音识别方法对调整后的语音块进行语音识别，在此不再赘述。

步骤204，基于目标语音识别结果，对已识别出的语音识别结果进行更新。

在本实施例中，上述执行主体可以基于在步骤203中得到的目标语音识别结果，对已识别出的语音识别结果进行更新。上述已识别出的语音识别结果可以是在当前时刻之前得到的语音识别结果中处于稳定状态的语音识别结果。处于稳定状态的语音识别结果通常指的是不会由于后面的语音块的到来而有所改变的语音识别结果，在这里，处于稳定状态的语音识别结果通常为上述第一目标帧中的最开始的一个语音帧的语音识别结果。上述执行主体可以将上述第一目标帧中的最开始的一个语音帧的语音识别结果添加到已识别出的语音识别结果中，从而实现对已识别出的语音识别结果的更新。

在这里，上述执行主体可以将更新后的语音识别结果发送给上述当前语音块所来源的用户终端，以供上述用户终端对上述更新后的语音识别结果进行呈现。

本公开的上述实施例提供的方法通过获取待识别的语音块作为当前语音块；之后，增加上述当前语音块的将来帧，得到调整后的语音块；而后，对上述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果；最后，基于上述目标语音识别结果，对已识别出的语音识别结果进行更新。通过这种方式可以通过填补空块的方式补足将来帧，同时识别出当前帧和当前帧之前的语音帧的语音识别结果，利用该语音识别结果对已识别出的语音识别结果进行更新，从而可以在减小语音识别延迟的同时提高语音识别准确率。

在一些可选的实现方式中，上述第三目标数目可以是预先设置的需要对当前帧之前的语音帧的语音识别中间结果进行的修正的次数。用户可以对上述第三目标数目进行更改。上述执行主体可以确定是否接收到对上述第三目标数目的更改指令，若接收到对上述第三目标数目的更改指令，则上述执行主体可以对上述第三目标数目进行更改。上述更改指令中通常包括新的第三目标数目的数值，上述执行主体可以将上述第三目标数目修改成新的第三目标数目的数值。

在一些可选的实现方式中，上述第二目标数目可以是预先设置的需要对当前帧之前的语音帧的语音识别结果进行的修正的次数。用户可以对上述第二目标数目进行更改。上述执行主体可以确定是否接收到对上述第二目标数目的更改指令，若接收到对上述第二目标数目的更改指令，则上述执行主体可以对上述第二目标数目进行更改。上述更改指令中通常包括新的第二目标数目的数值，上述执行主体可以将上述第二目标数目修改成新的第二目标数目的数值。

进一步参考图3，其示出了语音识别方法的另一个实施例的流程300。该语音识别方法的流程300，包括以下步骤：

步骤301，获取待识别的语音块作为当前语音块。

步骤302，增加当前语音块的将来帧，得到调整后的语音块。

在本实施例中，步骤301-302可以按照与步骤201-202类似的方式执行，在此不再赘述。

步骤303，将调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果。

在本实施例中，语音识别方法的执行主体(例如图1所示的终端设备或服务器)可以将在步骤302中得到的调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果。上述目标语音识别结果可以包括当前帧的语音识别结果和第一目标帧的语音识别结果。上述第一目标帧可以为位于上述当前帧之前的第二目标数目个语音帧。上述第二目标数目可以是预先设置的需要对当前帧之前的语音帧(过去帧)的语音识别结果进行的修正的次数。上述语音识别模型可以用于表征语音块与语音识别结果之间的对应关系。在使用上述语音识别模型进行语音识别时，过去帧和将来帧用来给语音识别模型提供上下文信息，从而使得输出的当前帧的语音识别结果更加准确。

在这里，上述语音识别模型可以包括但不限于：HMM(Hidden Markov Model，隐马尔可夫模型)框架下的声学模型、CTC(Connectionist temporal classification，基于神经网络的时序类分类)模型、RNN-T(Recurrent Neural Network Transducer，循环神经网络传感器)模型和注意力模型。

步骤304，基于目标语音识别结果，对已识别出的语音识别结果进行更新。

在本实施例中，步骤304可以按照与步骤204类似的方式执行，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的语音识别方法的流程300体现了利用语音识别模型进行语音识别的步骤。由此，本实施例描述的方案提供了一种通过语音识别模型进行语音识别的方式，通过这种方式可以进一步提高语音识别准确率。

在一些可选的实现方式中，上述语音识别模型可以为非流式语音识别模型。非流式语音识别模型往往需要更多的将来帧，因此，使用非流式语音识别模型进行语音识别所得到的语音识别结果往往更加准确，但是也需要等待更长时间才能得到足够的将来帧。而在流式语音识别的过程中，对所等待的将来帧的数量是有限制的，例如，最多能等待一个将来帧的语音块，此时，需要将不够的部分用空块进行填补。

在一些可选的实现方式中，上述语音识别模型可以包括编码器网络和解码器网络。上述执行主体可以通过如下方式将上述调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果：上述执行主体可以将调整后的语音块输入上述编码器网络，得到语音识别中间结果作为目标语音识别中间结果。上述目标语音识别中间结果可以包括当前帧的语音识别中间结果和第二目标帧的语音识别中间结果，上述第二目标帧可以为位于上述当前帧之前的第三目标数目个语音帧。上述第三目标数目可以是预先设置的需要对当前帧之前的语音帧(过去帧)的语音识别中间结果进行的修正的次数。上述编码器网络可以用于表征语音块与语音识别中间结果之间的对应关系。而后，上述执行主体可以基于上述目标语音识别中间结果和解码器网络，确定目标语音识别结果。具体地，上述执行主体可以将上述目标语音识别中间结果输入上述解码器网络，得到目标语音识别结果。上述解码器网络可以用于表征语音识别中间结果与语音识别结果之间的对应关系。

在一些可选的实现方式中，上述语音识别模型可以是通过如下方式训练得到的：首先，可以获取训练样本集合。上述训练样本集合中的训练样本可以包括样本语音块和对应的样本语音识别结果。样本语音识别结果通常包括样本语音块中的当前帧的语音识别结果和位于样本语音块中的当前帧之前的第二目标数目个语音帧的语音识别结果。上述样本语音块可以是对样本语音进行分段裁剪所得到的，例如，可以是对样本语音进行随机分段裁剪所得到的。之后，可以将上述训练样本集合中的训练样本中的样本语音块输入初始神经网络，得到该样本语音块的语音识别结果，以该训练样本中的样本语音识别结果作为初始神经网络的期望输出，利用机器学习方法训练初始神经网络。具体地，可以首先利用预设的损失函数计算所得到的语音识别结果与该训练样本中的样本语音识别结果之间的差异，例如，可以采用L2范数作为损失函数计算所得到的语音识别结果与该训练样本中的样本语音识别结果之间的差异。然后，可以基于计算所得的差异，调整初始神经网络的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

这里，可以采用各种实现方式基于所生成的语音识别结果与该训练样本中的样本语音识别结果之间的差异调整初始神经网络的网络参数。例如，可以采用BP(BackPropagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始神经网络的网络参数。

最后，可以将训练得到的初始神经网络确定为预先训练的语音识别模型。

需要说明的是，上述语音识别模型可以是语音识别方法的执行主体通过上述方式训练得到的，也可以是其他电子设备训练得到的。

进一步参考图4，其示出了语音识别方法的又一个实施例的流程400。该语音识别方法的流程400，包括以下步骤：

步骤401，获取待识别的语音块作为当前语音块。

步骤402，增加当前语音块的将来帧，得到调整后的语音块。

步骤403，对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果。

在本实施例中，步骤401-403可以按照与步骤201-203类似的方式执行，在此不再赘述。

步骤404，利用第一目标帧的语音识别结果对已识别出的语音识别结果中与第一目标帧对应的语音识别结果进行替换。

在本实施例中，在步骤403中得到的目标语音识别结果可以包括当前帧的语音识别结果和第一目标帧的语音识别结果。上述第一目标帧可以为位于上述当前帧之前的第二目标数目个语音帧。上述第二目标数目可以是预先设置的需要对当前帧之前的语音帧(过去帧)的语音识别结果进行的修正的数目。

在本实施例中，语音识别方法的执行主体(例如图1所示的终端设备或服务器)可以利用上述第一目标帧的语音识别结果对已识别出的语音识别结果中与第一目标帧对应的语音识别结果进行替换。上述已识别出的语音识别结果可以是在当前时刻之前得到的语音识别结果。

作为示例，若上述第一目标帧包括X0、X1和X2，在已识别出的语音识别结果中，X0的语音识别结果为N0，X1的语音识别结果为N1，X2的语音识别结果为N2，在步骤303中得到的语音识别结果中X0的语音识别结果为N3、X1的语音识别结果为N4、X2的语音识别结果为N5，此时，上述执行主体可以利用N3对X0的语音识别结果N0进行替换，利用N4对X1的语音识别结果N1进行替换，利用N5对X2的语音识别结果N2进行替换。

步骤405，将当前帧的语音识别结果添加到替换后的语音识别结果之后。

在本实施例中，上述执行主体可以将在步骤403中得到的语音识别结果中的当前帧的语音识别结果添加到步骤404中得到的替换后的语音识别结果之后。

作为示例，若替换后的语音识别结果为“…N3 N4 N5”，当前帧的语音识别结果为N6，则将N6添加到“…N3 N4 N5”之后，得到“…N3 N4 N5 N6”。

在这里，上述执行主体可以将更新后的语音识别结果发送给上述当前语音块所来源的用户终端，以供上述用户终端对上述更新后的语音识别结果进行呈现。

从图4中可以看出，与图2对应的实施例相比，本实施例中的语音识别方法的流程400体现了利用本次识别出的语音识别结果对已识别出的语音识别结果进行替换以及将当前帧的语音识别结果添加到替换后的语音识别结果之后的步骤。由此，本实施例描述的方案可以在流式语音输入场景中及时将语音识别结果进行输出，同时利用当前输入的语音块对当前帧之前的语音帧的语音识别结果进行替换，从而进一步减少了语音识别延迟以及提高了语音识别准确性。

进一步参考图5，其示出了语音识别方法的再一个实施例的流程500。该语音识别方法的流程500，包括以下步骤：

步骤501，获取待识别的语音块作为当前语音块。

步骤502，增加当前语音块的将来帧，得到调整后的语音块。

在本实施例中，步骤501-502可以按照与步骤201-202类似的方式执行，在此不再赘述。

步骤503，将调整后的语音块输入编码器网络，得到语音识别中间结果作为目标语音识别中间结果。

在本实施例中，预先训练的语音识别模型可以包括编码器网络和解码器网络。

在本实施例中，语音识别方法的执行主体(例如图1所示的终端设备或服务器)可以将在步骤502中调整后的语音块输入上述编码器网络，得到语音识别中间结果作为目标语音识别中间结果。上述目标语音识别中间结果可以包括当前帧的语音识别中间结果和第二目标帧的语音识别中间结果，上述第二目标帧可以为位于上述当前帧之前的第三目标数目个语音帧。上述第三目标数目可以是预先设置的需要对当前帧之前的语音帧(过去帧)的语音识别中间结果进行的修正的数目。上述编码器网络可以用于表征语音块与语音识别中间结果之间的对应关系。

步骤504，利用第二目标帧的语音识别中间结果对已识别出的语音识别中间结果中与第二目标帧对应的语音识别中间结果进行替换。

在本实施例中，上述执行主体可以利用在步骤503中得到的语音识别中间结果中的第二目标帧的语音识别中间结果对已识别出的语音识别中间结果中与第二目标帧对应的语音识别中间结果进行替换。上述已识别出的语音识别中间结果可以是在当前时刻之前得到的语音识别中间结果。

步骤505，将当前帧的语音识别中间结果添加到替换后的语音识别中间结果之后。

在本实施例中，上述执行主体可以将在步骤503中得到的语音识别中间结果中的当前帧的语音识别中间结果添加到在步骤504中得到的替换后的语音识别中间结果之后。

步骤506，将更新后的语音识别中间结果输入解码器网络，得到目标语音识别结果。

在本实施例中，上述执行主体可以将在步骤505中得到的更新后的语音识别中间结果输入解码器网络，得到目标语音识别结果。上述目标语音识别结果可以包括当前帧的语音识别结果和第一目标帧的语音识别结果。上述第一目标帧可以为位于上述当前帧之前的第二目标数目个语音帧。上述第二目标数目可以是预先设置的需要对当前帧之前的语音帧(过去帧)的语音识别结果进行的修正的数目。上述解码器网络可以用于表征语音识别中间结果与语音识别结果之间的对应关系。

步骤507，基于目标语音识别结果，对已识别出的语音识别结果进行更新。

在本实施例中，步骤507可以按照与步骤204类似的方式执行，在此不再赘述。

从图5中可以看出，与图2对应的实施例相比，本实施例中的语音识别方法的流程500体现了对于包括编码器网络和解码器网络的语音识别模型的语音识别结果的修正步骤。由此，本实施例描述的方案可以利用当前输入的语音块对当前帧之前的语音帧的语音识别中间结果进行替换，从而提高了语音识别准确性。

继续参见图6，图6是现有的流式模型的帧同步解码的一个应用场景的示意图。在图6的应用场景中，在语音识别模型对语音进行处理之前，通常会对输入的语音进行分块处理，一个语音块由固定数目个语音帧组成。假设流式模型需要两个语音块的将来帧，在采用帧同步解码时，需要等待将来帧的两个语音块到了才能对当前的输入语音块进行解码。如图6中的左图所示，C0表示当前帧的语音块，C1和C2表示将来帧的两个语音块，E0表示编码器网络对C0、C1和C2进行编码后的状态(也称语音识别中间结果)，D0表示将E0输入解码器网络进行解码后的状态(也称语音识别结果)。如图6中的中间图所示，当下一个语音块C3到来时，当前帧的语音块C1有了足够的将来帧，于是将C1、C2和C3输入编码器网络进行编码得到状态E1，D1表示将E1输入解码器网络进行解码后的状态。如图6中的右图所示，当下一个语音块C4到来时，当前帧的语音块C2有了足够的将来帧，于是将C2、C3和C4输入编码器网络进行编码得到状态E2，D2表示将E2输入解码器网络进行解码后的状态。如此递推，从而实现流式模型的帧同步解码。需要说明的是，图6省略了编码器网络和解码器网络的过去帧的输入。以如图6中的右图为例，除了将C2、C3和C4输入编码器网络，还需要将C0和C1(过去帧的语音块)输入编码器网络，为了简化说明，此处省略了将过去帧输入编码器网络的说明。

继续参见图7，图7是根据本公开的语音识别方法中非流式模型的分块递增解码的一个应用场景的示意图。在图7的应用场景中，假设非流式模型需要两个语音块的将来帧，而流式模型在语音识别的过程中最多能等待将来帧的一个语音块，此时，可以将不够的语音块用空块(语音内容为空的语音块)填补，将填补后的语音块输入到非流式模型中。如图7中的左图所示，C0表示当前帧的语音块，C1表示将来帧的一个语音块，P表示空块，E0表示编码器网络对C0、C1和P进行编码后的状态(也称语音识别中间结果)，D0表示将E0输入解码器网络进行解码后的状态(也称语音识别结果)。如图7中的中间图所示，当下一个语音块C2到来时，将C1、C2和填补的空块P输入编码器网络进行编码得到状态E1，D1表示将E1输入解码器网络进行解码后的状态。如图7中的右图所示，当下一个语音块C3到来时，将C2、C3和填补的空块P输入编码器网络进行编码得到状态E2，D2表示将E2输入解码器网络进行解码后的状态。如此递推，从而实现流式模型的分块递增解码。需要说明的是，图7省略了编码器网络和解码器网络的过去帧的输入。

在这里，图6中的流式模型的帧同步解码与图7中根据本实施例的语音识别方法中非流式模型的分块递增解码的区别主要包含以下两个方面：1、流式模型在解码时每次输入的语音块中均包含了完整的将来帧，而非流式模型在解码时可以通过空块填补缺失的将来帧。2、编码器在对当前语音块进行编码时需要参考前一个语音块的编码结果，流式模型在编码当前语音块时用到的前一个语音块的编码结果是完整的，而非流式模型在编码时缺失了部分将来帧，导致编码当前语音块时用到的前一个语音块的编码结果是不完整的，可以将其为部分记忆。在这里，采用空块填补和部分记忆传递可以实现非流式模型对流式语音的解码，从而统一了流式模型和非流式模型。

进一步参见图8，图8是根据本公开的语音识别方法中对语音识别模型进行异步修正解码的一个应用场景的示意图。在图8的应用场景中，异步修正解码有两个关键点：1、每接收到一个语音块会立即解码，将来帧全部用空块补齐。2、在解码过程中，会分别对之前的解码状态和编码状态进行修正。图8中的虚线为一次语音输入所需修改的编码状态或解码状态的修改范围。假设语音识别模型需要两个语音块的将来帧。在图8的第一个图中，C0表示当前帧的语音块，P表示两个空块，E0表示编码器网络对C0和P进行编码后的状态(也称语音识别中间结果)，D0表示将E0输入解码器网络进行解码后的状态(也称语音识别结果)。在图8的第二个图中，当下一个语音块C1到来时，将C1和填补的空块P输入编码器网络进行编码得到状态E1，D1表示将E1输入解码器网络进行解码后的状态。此外，会对前一个语音块的编码状态E0和解码状态D0进行修正。假设每次修正2个(上述第三目标数目)编码器的状态和1个解码器(上述第二目标数目)的状态，此时修正后的D0就是稳定状态。在图8的第三个图中，当下一个语音块C2到来时，将C2和填补的空块P输入编码器网络进行编码得到状态E2，D2表示将E2输入解码器网络进行解码后的状态。此外，会对编码状态E0和E1以及解码状态D1进行修正，此次修正之后E0和D1是稳定状态。在图8的第四个图中，当下一个语音块C3到来时，将C3和填补的空块P输入编码器网络进行编码得到状态E3，D3表示将E3输入解码器网络进行解码后的状态。此外，会对编码状态E1和E2以及解码状态D2进行修正，此次修正之后E1和D2是稳定状态。如此递推，直到语音输入结束为止。需要说明的是，当新的语音块到来时，已经稳定的状态不会再改变。还需要说明的是，图8省略了编码器网络和解码器网络的过去帧的输入。

在这里，因为对编码器的状态的修正个数和对解码器的状态的修正个数可能不一样，因此可以将这种修正方式称为异步修正。采用异步修正编码的语音识别模型的延迟通常为解码器的状态变为稳定状态所需的时间。因此，可以通过修改解码器状态的修正步数，即修改上述第二目标数目，以对语音识别处理过程中的延迟时间进行控制。通过这种方式可以对一个模型适配不同的延迟，无需重复训练大量不同延迟的模型。

进一步参见图9A-9C，图9A是根据本公开的语音识别方法中语音识别模型在编码阶段的一个应用场景的示意图。在图9A的应用场景中，输入到编码器网络的语音块均不包含将来帧，因此，会出现编码器网络的部分记忆。图9B是现有的语音识别模型的训练阶段的一个示意图。在图9B的示意图中，每个语音块的将来帧都是完整的，并不会出现编码器网络的部分记忆的问题。为了缓解这种训练和解码不匹配的问题，提出了分段裁剪策略。图9C是根据本公开的语音识别方法中对语音识别模型进行分段裁剪训练的一个应用场景的示意图。在图9C的应用场景中，在训练过程中将输入语音随机切分成若干个片段，使得每个片段的最右边缺失右上下文，从而在训练时模拟解码出现的部分记忆问题。分段裁剪策略可以大大提升异步纠正解码的效果，使得非流式模型在任意延迟下的性能能够优于同等延迟下的流式模型。

进一步参考图10，作为对上述各图所示方法的实现，本公开提供了一种语音识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图10所示，本实施例的语音识别装置1000包括：获取单元1001、调整单元1002、识别单元1003和更新单元1004。其中，获取单元1001用于获取待识别的语音块作为当前语音块，其中，当前语音块包括过去帧和当前帧，当前语音块中的将来帧的数目小于第一目标数目；调整单元1002用于增加当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为第一目标数目；识别单元1003用于对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，第一目标帧为位于当前帧之前的第二目标数目个语音帧；更新单元1004用于基于目标语音识别结果，对已识别出的语音识别结果进行更新。

在本实施例中，语音识别装置1000的获取单元1001、调整单元1002、识别单元1003和更新单元1004的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在一些可选的实现方式中，上述更新单元1004可以进一步用于通过如下方式基于上述目标语音识别结果，对已识别出的语音识别结果进行更新：上述更新单元1004可以利用上述第一目标帧的语音识别结果对已识别出的语音识别结果中与上述第一目标帧对应的语音识别结果进行替换；之后，可以将上述当前帧的语音识别结果添加到替换后的语音识别结果之后。

在一些可选的实现方式中，上述识别单元1003可以进一步用于通过如下方式对上述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果：上述识别单元1003可以将上述调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果。

在一些可选的实现方式中，上述语音识别模型可以为非流式语音识别模型。

在一些可选的实现方式中，上述语音识别模型可以包括编码器网络和解码器网络。上述识别单元1003可以进一步用于通过如下方式将上述调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果：上述输入单元1003可以将上述调整后的语音块输入上述编码器网络，得到语音识别中间结果作为目标语音识别中间结果，其中，上述目标语音识别中间结果包括当前帧的语音识别中间结果和第二目标帧的语音识别中间结果，上述第二目标帧为位于上述当前帧之前的第三目标数目个语音帧；之后，可以基于上述目标语音识别中间结果和上述解码器网络，确定目标语音识别结果。

在一些可选的实现方式中，上述识别单元1003可以进一步用于通过如下方式基于上述目标语音识别中间结果和上述解码器网络，确定目标语音识别结果：上述识别单元1003可以利用上述第二目标帧的语音识别中间结果对已识别出的语音识别中间结果中与上述第二目标帧对应的语音识别中间结果进行替换；之后，可以将上述当前帧的语音识别中间结果添加到替换后的语音识别中间结果之后；而后，可以将更新后的语音识别中间结果输入上述解码器网络，得到目标语音识别结果。

在一些可选的实现方式中，上述语音识别模型可以是通过如下方式训练得到的：可以获取训练样本集合，其中，训练样本包括样本语音块和对应的样本语音识别结果，上述样本语音块是对样本语音进行分段裁剪所得到的；之后，可以将上述训练样本集合中的训练样本中的样本语音块和对应的样本语音识别结果分别作为初始神经网络的输入和期望输出，训练得到上述语音识别模型。

在一些可选的实现方式中，上述语音识别装置1000还可以包括第一更改单元(图中未示出)。上述第一更改单元可以用于响应于接收到对上述第三目标数目的更改指令，对上述第三目标数目进行更改。

在一些可选的实现方式中，上述语音识别装置1000还可以包括第二更改单元(图中未示出)。上述第二更改单元可以用于响应于接收到对上述第二目标数目的更改指令，对上述第二目标数目进行更改。

下面参考图11，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)1100的结构示意图。本公开的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11示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

通常，以下装置可以连接至I/O接口1105：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1106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图11中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，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1109从网络上被下载和安装，或者从存储装置1108被安装，或者从ROM 1102被安装。在该计算机程序被处理装置1101执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

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：获取待识别的语音块作为当前语音块，其中，当前语音块包括过去帧和当前帧，当前语音块中的将来帧的数目小于第一目标数目；增加当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为第一目标数目；对调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，第一目标帧为位于当前帧之前的第二目标数目个语音帧；基于目标语音识别结果，对已识别出的语音识别结果进行更新。

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实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、调整单元、识别单元和更新单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别的语音块作为当前语音块的单元”。

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，本公开的实施例中所涉及的范围，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本公开构思的情况下，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的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种语音识别方法，其特征在于，包括：

获取待识别的语音块作为当前语音块，其中，所述当前语音块包括过去帧和当前帧，所述当前语音块中的将来帧的数目小于第一目标数目；

增加所述当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为所述第一目标数目；

对所述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，所述目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，所述第一目标帧为位于所述当前帧之前的第二目标数目个语音帧；

基于所述目标语音识别结果，对已识别出的语音识别结果进行更新。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标语音识别结果，对已识别出的语音识别结果进行更新，包括：

利用所述第一目标帧的语音识别结果对已识别出的语音识别结果中与所述第一目标帧对应的语音识别结果进行替换；

将所述当前帧的语音识别结果添加到替换后的语音识别结果之后。

3.根据权利要求1所述的方法，其特征在于，所述对所述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，包括：

将所述调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果。

4.根据权利要求3所述的方法，其特征在于，所述语音识别模型为非流式语音识别模型。

5.根据权利要求3所述的方法，其特征在于，所述语音识别模型包括编码器网络和解码器网络；以及

所述将所述调整后的语音块输入预先训练的语音识别模型，得到语音识别结果作为目标语音识别结果，包括：

将所述调整后的语音块输入所述编码器网络，得到语音识别中间结果作为目标语音识别中间结果，其中，所述目标语音识别中间结果包括当前帧的语音识别中间结果和第二目标帧的语音识别中间结果，所述第二目标帧为位于所述当前帧之前的第三目标数目个语音帧；

基于所述目标语音识别中间结果和所述解码器网络，确定目标语音识别结果。

6.根据权利要求5所述的方法，其特征在于，所述基于所述目标语音识别中间结果和所述解码器网络，确定目标语音识别结果，包括：

利用所述第二目标帧的语音识别中间结果对已识别出的语音识别中间结果中与所述第二目标帧对应的语音识别中间结果进行替换；

将所述当前帧的语音识别中间结果添加到替换后的语音识别中间结果之后；

将更新后的语音识别中间结果输入所述解码器网络，得到目标语音识别结果。

7.根据权利要求3所述的方法，其特征在于，所述语音识别模型是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括样本语音块和对应的样本语音识别结果，所述样本语音块是对样本语音进行分段裁剪所得到的；

将所述训练样本集合中的训练样本中的样本语音块和对应的样本语音识别结果分别作为初始神经网络的输入和期望输出，训练得到所述语音识别模型。

8.根据权利要求5所述的方法，其特征在于，所述方法包括：

响应于接收到对所述第三目标数目的更改指令，对所述第三目标数目进行更改。

9.根据权利要求1-8之一所述的方法，其特征在于，所述方法包括：

响应于接收到对所述第二目标数目的更改指令，对所述第二目标数目进行更改。

10.一种语音识别装置，其特征在于，包括：

获取单元，用于获取待识别的语音块作为当前语音块，其中，所述当前语音块包括过去帧和当前帧，所述当前语音块中的将来帧的数目小于第一目标数目；

调整单元，用于增加所述当前语音块的将来帧，得到调整后的语音块，其中，增加的将来帧中的语音内容为空，调整后的语音块中将来帧的数目为所述第一目标数目；

识别单元，用于对所述调整后的语音块进行语音识别，得到语音识别结果作为目标语音识别结果，其中，所述目标语音识别结果包括当前帧的语音识别结果和第一目标帧的语音识别结果，所述第一目标帧为位于所述当前帧之前的第二目标数目个语音帧；

更新单元，用于基于所述目标语音识别结果，对已识别出的语音识别结果进行更新。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。

Images