CN114758649B - 一种语音识别方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种语音识别方法、装置、设备、介质和程序产品，涉及互联网技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术。具体实现方案为：利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分；根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系；根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分；根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果。本公开可以提高语音识别的精度。

Description

一种语音识别方法、装置、设备和介质

技术领域

本公开涉及互联网技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术，具体涉及一种语音识别方法、装置、设备、介质和程序产品。

背景技术

语音识别服务可以将语音信号转换为文本信息，并广泛应用于各种领域。语音识别服务通常由声学模型和语言模型构成，声学模型用于将输入语音的声学特征分类对应到音素或字词这样的单元，给出由这些音素或字词组成的序列出现的概率，即声学得分；语言模型则用于把字词解码成一个完整的句子，确定这些句子出现的概率，即语言得分。然后，根据声学得分和语言得分得到输入语音的最终识别结果。

发明内容

本公开提供了一种语音识别方法、装置、设备、介质和程序产品。

根据本公开的一方面，提供了一种语音识别方法，包括：

利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分；

根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系；

根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分；

根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果。

根据本公开的另一方面，提供了一种语音识别装置，包括：

文本声学得分确定模块，用于利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分；

拼音声学得分映射模块，用于根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系；

语言得分确定模块，用于根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分；

识别结果确定模块，用于根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果。

根据本公开的另一方面，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本公开任意实施例所述的语音识别方法。

根据本公开的另一方面，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计算机执行本公开任意实施例所述的语音识别方法。

根据本公开的另一方面，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本公开任意实施例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是根据本公开实施例的语音识别方法的示意图；

图2是根据本公开实施例的语音识别方法的示意图；

图3是根据本公开实施例的语音识别方法的示意图；

图4是根据本公开实施例的语音识别装置的结构示意图；

图5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。

现有的语音识别技术中，有些声学模型输出的声学得分是中文汉字的得分，每个汉字的得分基本都不相同，因此，在该声学模型的训练数据对应的场景，具有较好的识别精度。但当用户说话的内容是一些特有的、训练数据没见过的垂类场景时，其识别精度仍然较低。本公开可以提高垂类场景下语音识别的准确度，具体通过如下实施例进行描述。

图1是根据本公开实施例的语音识别方法的流程示意图，本实施例可适用于对输入语音进行识别，将输入语音转化为对应文本的情况，涉及互联网技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术。该方法可由一种语音识别装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：

S101、利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分。

其中，声学模型可以是基于现有的深度学习技术预先训练得到，其具体的模型网络结构，本公开实施例不做任何限定。使用声学模型的作用在于，根据输入的当前帧音频数据的声学特征输出与当前帧音频数据对应的至少一个第一候选文本单元及其声学得分。第一候选文本单元的数量可以为多个，也即声学模型预测的当前帧音频数据对应的所有可能的第一候选文本单元，该第一候选文本单元例如可以是单独的汉字，或由多个汉字组成的词语或短语。

需要说明的是，本公开实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

S102、根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系。

其中，文本发音词典例如可以是汉字发音词典，记载汉字与其拼音的对应关系，此处的拼音包括音节和声调。本公开实施例利用文本发音词典，将声学模型输出的文本的声学得分映射为该文本对应的拼音的声学得分。

具体而言，由于文本发音词典中记载了文本与拼音的对应关系，因此，当前帧音频数据对应的至少一个第一候选文本单元，就可以通过文本发音词典映射为与每一个第一候选文本单元对应的候选拼音，然后，根据第一候选文本单元的声学得分即可得到与之对应的候选拼音的声学得分。

S103、根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分。

本公开实施例通过S102获取到至少一个候选拼音的声学得分，接下来通过S103获取到候选拼音的语言得分，就可以基于候选拼音的声学得分和语言得分确定最终的语音识别结果。

本公开实施例中的语言模型可以是基于现有的深度学习技术预先训练得到，关于语言模型的具体网络结构，本公开实施例不做任何限定。拼音与文本的图可以基于现有的图技术预先建立即可，此处不再赘述。拼音与文本的图中记载了拼音与文本之间的关系，因此，基于拼音与文本的图，就可以获取候选拼音对应的文本，将该文本输入语言模型，就可以输出对该文本预测的语言得分，也即对应的候选拼音的语言得分。

S104、根据所述至少一个候选拼音的声学得分和语言得分，确定当前帧音频数据的语音识别结果。

通常，一段待识别的语音信息会被划分为多个帧的音频数据，对每一帧音频数据均按照本公开实施例的语音识别方法进行识别，得到每一帧的语音识别结果，即可得到该段待识别的完整语音信息的语音识别结果。

这里需要说明的是，现有技术中的语音识别服务中采用声学模型，通常输出的是对应中文汉字的声学得分，虽然在通用领域的识别精度较高，但是在训练数据没有见过的垂类场景下，就容易造成近音或同音识别的问题，例如将医疗场景里的“肠鸣音”错识别成“长鸣音”，从而导致识别准确性的下降。而本公开实施例的技术方案中，在声学模型输出第一候选文本单元的声学得分后，基于文本发音词典中文本与拼音的对应关系，将声学模型输出的文本的得分作用到拼音，得到至少一个候选拼音的声学得分，而不是像现有技术那样作用到汉字，然后再基于拼音与文本的图，利用语言模型得到至少一个候选拼音的语言得分，最终结合至少一个候选拼音的声学得分和语言得分确定语音识别结果。

在这个过程中，本公开实施例保留现有的声学模型不变，通过输出为文本声学得分的声学模型来保证良好的语音区分度，然后通过文本发音词典和文本的声学得分来确定经映射得到的拼音的声学得分，即：拼音由声学模型决定，然后，具体是哪个文本，则由语言模型决定，从而在整体上增加语言模型的作用，使之能够更好地应用在垂类场景，在满足基本的通用领域对语音识别精度要求的前提下，解决现有技术中存在的垂类领域特有的关键词识别错误问题，提高垂类场景下语音识别的准确度。

图2是根据本公开实施例的语音识别方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：

S201、利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分。

其中，第一候选文本单元的声学得分，是根据当前帧音频数据的前一帧音频数据的语音识别中间结果确定的；所述前一帧音频数据的语音识别中间结果是：根据所述文本发音词典，对前一帧音频数据的语音识别结果对应的目标候选拼音进行反映射，得到的声学得分最高的目标文本。

具体的，为了提高声学模型预测的准确性，对当前帧音频数据的预测需要结合其前一帧音频数据的语音识别中间结果。但需要说明的是，由于声学模型输出的是文本的声学得分，且本公开实施例中将该文本的声学得分映射为对应拼音的声学得分，再利用图和语言模型得到语言得分。因此，需要先确定前一帧音频数据的语音识别结果对应的目标候选拼音，然后再根据文本发音词典，将目标候选拼音反映射得到的文本中，选择声学得分最高的文本作为目标文本，这样，该目标文本才能作为前一帧音频数据的语音识别中间结果。例如，当前帧为第三帧，第一帧和第二帧的语音识别结果选取排名靠前的前三个为：“我们”、“他们”和“小明”，那么第二帧识别结果对应的目标候选拼音就包括“mén”和“míng”，然后通过文本发音词典反映射，找到这两个拼音对应的文本，再从这些文本的声学得分中选择分值最高的目标文本，即为第二帧音频数据的语音识别中间结果。

S202、从文本发音词典中获取至少一个第一候选文本单元对应的至少一个候选拼音。

具体的，将每一个第一候选文本单元在文本发音词典中进行映射，获取与之对应的候选拼音。由于可能存在不同的文本对应拼音相同的情况，因此，至少一个候选拼音的数量应小于或等于第一候选文本单元的数量。

S203、将每个候选拼音对应的第一候选文本单元的声学得分中满足预设条件的声学得分，作为每个候选拼音的声学得分。

S204、计算每个候选拼音对应的第一候选文本单元的声学得分之和，将得到的和值作为每个候选拼音的声学得分。

在上述S203和S204中，分别提供了不同的获取候选拼音的声学得分的方法。具体而言，在S203中，预设条件例如可以包括声学得分最高，也就是说，在每个候选拼音对应的第一候选文本单元的声学得分中，选择分值最高的声学得分作为每个候选拼音的声学得分。而在S204中，则是计算每个候选拼音对应的第一候选文本单元的声学得分之和，将得到的和值作为每个候选拼音的声学得分。上述两种确定候选拼音的声学得分的方法均可，在具体实现时，根据实际场景的需要进行配置即可。

S205、根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分。

其中，语言模型是利用垂类场景的训练语料训练得到的，以进一步提升垂类场景的识别精度。

S206、根据至少一个候选拼音的声学得分和语言得分，确定当前帧音频数据的语音识别结果。

本公开实施例的技术方案，将文本的声学得分映射为拼音的声学得分，然后在基于拼音与文本的图和语言模型确定语言得分，最终结合候选拼音的声学得分和语言得分得到最终的语音识别结果，这在整体上增加了语言模型的作用，以提高垂类场景中语音识别的精度。而且，一方面，利用垂类场景的训练样本来训练语言模型后，基于该语言模型构成的语音识别服务，就可以更好的适用于垂类场景，进一步提高该垂类场景的识别精度；另一方面，相比于声学模型来说，由于语言模型的训练十分方便快捷，因此，即使在不同的垂类场景下需要重新对语言模型进行训练，也并不会增加很多训练成本。因此，本公开实施例方案的适用场景更广，且更易实施，对于将通用声学模型推广应用到各种垂类识别场景有很大帮助作用。

图3是根据本公开实施例的语音识别方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图3所示，该方法具体包括如下：

S301、利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分。

S302、根据预先建立的文本发音词典和至少一个第一候选文本单元的声学得分，获取当前帧音频数据对应的至少一个候选拼音的声学得分，其中，文本发音词典用于记载文本与拼音的对应关系。

S303、根据拼音与文本的图，获取每个候选拼音对应的第二候选文本单元。

其中，拼音与文本的图是根据文本发音词典建立的。由于图中记载了字、词与拼音的对应关系，因此，根据图获取的第二候选文本单元可能是当前候选拼音对应的字，也可能是当前候选拼音与上一帧音频数据对应的候选拼音所组成的词语。

S304、将第二候选文本单元输入语言模型，得到每个候选拼音的语言得分。

具体的，每一个候选拼音都有对应的第二候选文本单元，该第二候选文本单元的数量可以是一个，也可以是多个。语言模型对这些第二候选文本单元进行打分，根据这些第二候选文本单元的语言得分即可确定与之对应的候选拼音的语言得分。

S305、将至少一个候选拼音的声学得分和语言得分分别进行加权求和，并根据加权求和的结果，确定当前帧音频数据的语音识别结果。

具体的，对加权求和的结果进行排序，选择值最大的候选拼音在语言模型中对应的文本，当前帧音频数据的语音识别结果。

在一种实施方式中，声学得分的权重可以小于语言得分的权重。这样做的好处在于，可以抵消一部分因将文本的声学得分映射到拼音而带来的通用领域的识别效果可能会有一点点下降的风险。

本公开实施例的技术方案，不仅能保证在通用领域具有一定的识别精度，而且还通过提升语言模型的作用，进一步提升垂类场景下的识别精度，明显解决垂类领域特有的关键词识别错误问题。

图4是根据本公开实施例的语音识别装置的结构示意图，本实施例可适用于对输入语音进行识别，将输入语音转化为对应文本的情况，涉及互联网技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术。该装置可实现本公开任意实施例所述的语音识别方法。如图4所示，该装置400具体包括：

文本声学得分确定模块410，用于利用声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分；

拼音声学得分映射模块420，用于根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系；

语言得分确定模块430，用于根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分；

识别结果确定模块440，用于根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果。

可选的，拼音声学得分映射模块420包括：

候选拼音获取单元，用于从所述文本发音词典中获取所述至少一个第一候选文本单元对应的至少一个候选拼音；

第一候选拼音声学得分确定单元，用于将每个所述候选拼音对应的第一候选文本单元的声学得分中满足预设条件的声学得分，作为每个所述候选拼音的声学得分。

可选的，所述拼音声学得分映射模块420还包括：

第二候选拼音声学得分确定单元，用于计算每个所述候选拼音对应的第一候选文本单元的声学得分之和，将得到的和值作为每个所述候选拼音的声学得分。

可选的，所述语言得分确定模块430包括：

第二候选文本单元获取单元，用于根据所述拼音与文本的图，获取每个所述候选拼音对应的第二候选文本单元；

候选拼音语言得分确定单元，用于将所述第二候选文本单元输入所述语言模型，得到每个所述候选拼音的语言得分。

可选的，所述识别结果确定模块440具体用于：

将所述至少一个候选拼音的声学得分和语言得分分别进行加权求和，并根据所述加权求和的结果，确定所述当前帧音频数据的语音识别结果。

可选的，所述声学得分的权重小于所述语言得分的权重。

可选的，所述第一候选文本单元的声学得分，是根据所述当前帧音频数据的前一帧音频数据的语音识别中间结果确定的；

其中，所述前一帧音频数据的语音识别中间结果是：根据所述文本发音词典，对所述前一帧音频数据的语音识别结果对应的目标候选拼音进行反映射，得到的声学得分最高的目标文本。

可选的，所述语言模型是利用垂类场景的训练语料训练得到的。

可选的，所述拼音与文本的图是根据所述文本发音词典建立的。

上述产品可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元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。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501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501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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，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。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。

云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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提供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 (12)

1.一种语音识别方法，包括：

利用输出为文本的声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分；其中，所述第一候选文本单元为汉字，词语或短语；

根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系并将声学模型输出的文本的声学得分映射为该文本对应的拼音的声学得分；其中，所述第一候选文本单元的声学得分是根据所述当前帧音频数据的前一帧音频数据的语音识别中间结果确定的；其中，所述前一帧音频数据的语音识别中间结果是：根据所述文本发音词典，对所述前一帧音频数据的语音识别结果对应的目标候选拼音进行反映射，得到的声学得分最高的目标文本；其中，所述声学模型用于根据输入的当前帧音频数据的声学特征输出与当前帧音频数据对应的至少一个第一候选文本单元及其声学得分；

根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分；其中，所述拼音与文本的图用于获取候选拼音对应的文本，所述语言模型用户基于上述文本输出对该文本预测的语言得分；

根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果。

2.根据权利要求1所述的方法，其中，所述根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，包括：

从所述文本发音词典中获取所述至少一个第一候选文本单元对应的至少一个候选拼音；

将每个所述候选拼音对应的第一候选文本单元的声学得分中满足预设条件的声学得分，作为每个所述候选拼音的声学得分。

3.根据权利要求1所述的方法，其中，所述根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，包括：

从所述文本发音词典中获取所述至少一个第一候选文本单元对应的至少一个候选拼音；

计算每个所述候选拼音对应的第一候选文本单元的声学得分之和，将得到的和值作为每个所述候选拼音的声学得分。

4.根据权利要求1所述的方法，其中，所述根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分，包括：

根据所述拼音与文本的图，获取每个所述候选拼音对应的第二候选文本单元；

将所述第二候选文本单元输入所述语言模型，得到每个所述候选拼音的语言得分。

5.根据权利要求1所述的方法，其中，所述根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果，包括：

将所述至少一个候选拼音的声学得分和语言得分分别进行加权求和，并根据所述加权求和的结果，确定所述当前帧音频数据的语音识别结果。

6.根据权利要求5所述的方法，其中，所述声学得分的权重小于所述语言得分的权重。

7.根据权利要求1所述的方法，其中，所述语言模型是利用垂类场景的训练语料训练得到的。

8.根据权利要求1所述的方法，其中，所述拼音与文本的图是根据所述文本发音词典建立的。

9.一种语音识别装置，包括：

文本声学得分确定模块，用于利用输出为文本的声学模型确定当前帧音频数据对应的至少一个第一候选文本单元的声学得分；其中，所述第一候选文本单元为汉字，词语或短语；

拼音声学得分映射模块，用于根据预先建立的文本发音词典和所述至少一个第一候选文本单元的声学得分，获取所述当前帧音频数据对应的至少一个候选拼音的声学得分，其中，所述文本发音词典用于记载文本与拼音的对应关系并将声学模型输出的文本的声学得分映射为该文本对应的拼音的声学得分；其中，所述第一候选文本单元的声学得分是根据所述当前帧音频数据的前一帧音频数据的语音识别中间结果确定的；其中，所述前一帧音频数据的语音识别中间结果是：根据所述文本发音词典，对所述前一帧音频数据的语音识别结果对应的目标候选拼音进行反映射，得到的声学得分最高的目标文本；其中，所述声学模型用于根据输入的当前帧音频数据的声学特征输出与当前帧音频数据对应的至少一个第一候选文本单元及其声学得分；

语言得分确定模块，用于根据预先建立的拼音与文本的图，并利用语言模型，确定所述至少一个候选拼音的语言得分；其中，所述拼音与文本的图用于获取候选拼音对应的文本，所述语言模型用户基于上述文本输出对该文本预测的语言得分；

识别结果确定模块，用于根据所述至少一个候选拼音的声学得分和语言得分，确定所述当前帧音频数据的语音识别结果。

10. 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1-8中任一项所述的语音识别方法。

11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的语音识别方法。

12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的语音识别方法。