CN117316160B - 无声语音识别方法、装置、电子设备和计算机可读介质 - Google Patents
无声语音识别方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117316160B CN117316160B CN202311617974.XA CN202311617974A CN117316160B CN 117316160 B CN117316160 B CN 117316160B CN 202311617974 A CN202311617974 A CN 202311617974A CN 117316160 B CN117316160 B CN 117316160B
- Authority
- CN
- China
- Prior art keywords
- signal
- silent
- silent vibration
- vibration
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 210000003928 nasal cavity Anatomy 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 42
- 239000013598 vector Substances 0.000 description 16
- 238000010606 normalization Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/24—Speech recognition using non-acoustical features
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本公开的实施例公开了无声语音识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取无声振动信号;对无声振动信号进行特征提取处理,得到无声振动特征系数;将无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;将无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;基于语音指令识别结果,控制多媒体系统。该实施方式提高了对多媒体系统控制的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及无声语音识别方法、装置、电子设备和计算机可读介质。
背景技术
语音识别功能,可以对用户发出语音信息进行识别,得到语音控制指令以控制多媒体系统(例如,手机、电视、电脑),但在公开场合使用语音识别功能,会导致用户个人隐私的泄露,因此,开发了无声语音识别功能。目前,在进行无声语音识别时,通常采用的方式为:采集用户的肌电信号,通过信号增强算法增强后,然后通过对肌电信号进行识别以得到语音控制指令。
然而,发明人发现,当采用上述方式进行无声语音识别时,经常会存在如下技术问题:
第一,肌电信号的获取难度大,且易受肌肉状态的影响,导致无声语音识别的准确度降低,从而导致对多媒体系统控制的准确度降低;
第二,现有的信号增强算法仅使用单个生成器和单个识别器,难以同时对信号的时域和频域进行同步增强,导致信号增强的效果降低,从而,导致无声语音识别的准确度降低,进而,导致对多媒体系统控制的准确度降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于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。本公开的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。
本公开的一些实施例提出了无声语音识别方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种无声语音识别方法,该方法包括:获取无声振动信号,其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号;对上述无声振动信号进行特征提取处理,得到无声振动特征系数;将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;基于上述语音指令识别结果,控制多媒体系统。
第二方面,本公开的一些实施例提供了一种无声语音识别装置,装置包括:获取单元,被配置成获取无声振动信号,其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号;特征提取单元,被配置成对上述无声振动信号进行特征提取处理,得到无声振动特征系数;第一输入单元,被配置成将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;第二输入单元,被配置成将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;控制单元,被配置成基于上述语音指令识别结果,控制多媒体系统。
第三方面,本公开的一些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,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
第四方面,本公开的一些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,其中,程序被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的无声语音识别方法,可以提高对多媒体系统控制的准确度。具体来说,造成对多媒体系统控制的准确度降低的原因在于:肌电信号的获取难度大,且易受肌肉状态的影响,导致无声语音识别的准确度降低。基于此,本公开的一些实施例的无声语音识别方法,首先,获取无声振动信号。其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号。由此,可以通过振动传感器获取振动信号,以便后续使用振动信号代替语音信号,进行无声语音识别。其次,对上述无声振动信号进行特征提取处理,得到无声振动特征系数。由此,可以提取振动信号的特征信息,以便后续进行语音识别处理。然后,将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号。由此,可以得到增强后的振动信号,以便进一步提高语音识别的准确度。接着,将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果。由此,可以得到语音控制指令。最后,基于上述语音指令识别结果,控制多媒体系统。由此,可以依据识别得到的控制指令,控制多媒体系统。因此,本公开的一些无声语音识别方法,可以通过振动传感器采集无声振动信号,对振动信号进行增强后,作为语音识别模型的输入,得到语音识别结果,以控制多媒体系统。由于振动信号难以受肌肉状态的影响,从而可以提高无声语音识别的准确度,进而,可以提高对多媒体系统控制的准确度。
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,元件和元素不一定按照比例绘制。
图1是根据本公开的无声语音识别方法的一些实施例的流程图;
图2是根据本公开的无声语音识别装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些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。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
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。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的无声语音识别方法的一些实施例的流程100。该无声语音识别方法,包括以下步骤:
步骤101,获取无声振动信号。
在一些实施例中,无声语音识别方法的执行主体可以通过有线连接或无线连接的方式从振动传感器组件上获取上述无声振动信号。其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号。上述无声振动信号可以表征一个控制指令。上述振动传感器组件可以包括但不限于以下至少一项:鼻腔振动传感器和喉部振动传感器。具体的,上述鼻腔振动传感器可以是用于采集上述鼻腔振动信号的振动传感器。上述喉部振动传感器可以是用于采集上述喉部振动信号的振动传感器。
由此,可以使得用户在未出发出声音时,识别到用户的语音信号,保护用户的个人隐私。当用户为语言障碍者时,无声振动信号可以作为用户的语音信号的辅助信号,辅助用户进行语音控制。
作为示例,上述控制指令可以是但不限于以下至少一项:启动、播放、暂停、搜索目标歌曲。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,对无声振动信号进行特征提取处理,得到无声振动特征系数。
在一些实施例中,上述执行主体可以对上述无声振动信号进行特征提取处理,得到无声振动特征系数。
在一些实施例的一些可选的实现方式中,上述执行主体对上述无声振动信号进行特征提取处理,得到无声振动特征系数,可以包括以下步骤:
第一步,对上述无声振动信号进行预处理,得到无声振动预处理信号。其中,首先,可以通过预设的预处理滤波器,对上述无声振动信号进行滤波处理。然后,可以对滤波后的信号进行分帧处理。最后,可以通过预设的窗函数,对分帧后的信号进行加窗处理,得到上述无声振动预处理信号。
作为示例,上述预设的预处理滤波器可以是高通滤波器。上述预设的窗函数可以是但不限于以下至少一项:矩形窗函数或汉明窗函数。
第二步,对上述无声振动预处理信号进行变换处理,得到无声振动频谱图。其中,可通过预设的变换算法,对上述无声振动预处理信号进行变换处理,得到无声振动频谱图。
作为示例,上述预设的变换算法可以是FFT(Fast Fourier Transform,快速傅里叶变换)算法。
第三步,确定上述无声振动频谱图对应的无声振动能量谱图。其中,可以将上述无声振动频谱图的平方,确定为上述无声振动能量谱图。
第四步,将上述无声振动能量谱图输入至预设的滤波器,得到第一无声振动能量谱图。
作为示例,上述预设的滤波器可以是mel(梅尔)滤波器。
第五步,确定上述第一无声振动能量谱图对应的第二无声振动能量谱图。其中,可以通过预设的能量函数,确定上述第一无声振动能量谱图对应的第二无声振动能量谱图。
作为示例,上述预设的能量函数可以是对数函数。
第五步,对上述第二无声振动能量谱图进行提取处理,得到上述无声振动特征系数。
在一些实施例的一些可选的实现方式中,上述执行主体对上述第二无声振动能量谱图进行提取处理,得到上述无声振动特征系数,可以包括以下步骤:
第一步,对上述第二无声振动能量谱图进行转换处理,得到初始无声振动倒谱参数。其中,可以通过预设的转换算法,对上述第二无声振动能量谱图进行转换处理,得到初始无声振动倒谱参数。
作为示例,上述预设的转换算法可以是DCT(Discrete Cosine Transform,离散余弦变换)算法。
第二步,对上述初始无声振动倒谱参数进行第一差分处理,得到第一无声振动差分参数。其中,可以将上述初始无声振动倒谱参数的一阶差分系数,确定为上述第一无声振动差分参数。
第三步,对上述初始无声振动倒谱参数进行第二差分处理,得到第二无声振动差分参数。其中,可以将上述初始无声振动倒谱参数的二阶差分系数,确定为上述第二无声振动差分参数。
第四步,对上述初始无声振动倒谱参数、上述第一无声振动差分参数和上述第二无声振动差分参数进行融合处理,得到上述无声振动特征系数。其中,可以对上述初始无声振动倒谱参数、上述第一无声振动差分参数和上述第二无声振动差分参数进行求和处理,得到上述无声振动特征系数。
步骤103,将无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号。
在一些实施例中,上述执行主体可以将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号。其中,上述预先训练的信号增强模型可以是以无声振动特征系数为输入,以无声振动增强信号为输出的神经网络模型。
可选地,上述预先训练的信号增强模型可以是通过以下步骤训练得到的:
第一步,获取样本无声振动信号集。其中,可以从上述振动传感器组件上获取上述样本无声振动信号集。上述样本无声振动信号集中的样本无声振动信号可以表征一个控制指令。
第二步,从上述样本无声振动信号集中选取样本无声振动信号,以执行以下第一训练步骤:
第一子步骤,生成第一随机噪声信号和第二随机噪声信号。其中,可以从上述样本无声振动信号集中随机选取样本无声振动信号。然后,可以通过预设的生成函数,生成第一随机噪声信号和第二随机噪声信号。
作为示例,上述预设的生成函数可以是高斯白噪声函数。
第二子步骤,对第一随机噪声信号、第二随机噪声信号和样本无声振动信号分别进行特征提取处理,得到第一随机噪声特征系数、第二随机噪声特征系数和样本无声振动特征系数。其中,生成上述第一随机噪声特征系数、第二随机噪声特征系数和样本无声振动特征系数的具体实现方式及其所带来的技术效果,可以参考上述实施例中的步骤102,在此不再赘述。
第三子步骤,将第一随机噪声特征系数和样本无声振动特征系数输入至初始信号增强模型包括的第一生成子模型,得到第一初始无声振动增强信号。其中,初始信号增强模型还可以包括:第二生成子模型、第一识别子模型和第二识别子模型。上述初始信号增强模型可以是未经训练的以样本无声振动特征系数为输入、以第二初始无声振动增强信号为输出的神经网络模型。具体的,上述第一生成子模型可以是一个生成器模型。上述第一生成子模型和上述第二生成子模型的结构可以是相同的。上述第一识别子模型可以是一个鉴别器模型。上述第一识别子模型和上述第二识别子模型的结构可以是相同的。
具体的,上述第一生成子模型可以包括但不限于以下至少一项:生成卷积层序列、生成反卷积层序列和生成归一层。上述将第一随机噪声特征系数和样本无声振动特征系数输入至初始信号增强模型包括的第一生成子模型,得到第一初始无声振动增强信号,可以是:将上述样本无声振动特征系数输入至上述生成卷积层序列,得到第一中间向量。然后,可以将上述第一中间向量与上述第一随机噪声特征系数的和,输入至上述反卷积层序列,得到第一反卷积向量。最后,可以将上述第一反卷积向量输入至上述生成归一层,得到第一初始无声振动增强信号。
上述第一识别子模型可以包括但不限于以下至少一项:第一识别子网络、第二识别子网络和第三识别子网络。上述第一识别子网络、上述第二识别子网络和上述第三识别子网络的结构可以是相同的。上述第一识别子网络可以包括但不限于以下至少一项:识别卷积层序列和识别归一层。
作为示例,上述生成卷积层序列中的生成卷积层可以是一个Convolution(卷积)层。上述生成反卷积层序列中的生成反卷积层可以是一个Transposed Convolution(反卷积)层。上述生成归一层可以是tanh(双曲正切)函数。上述识别卷积层序列中的识别卷积层可以是一个Convolution(卷积)层。上述识别归一层可以是softmax(归一化)层。
第四子步骤,将第二随机噪声特征系数和第一初始无声振动增强信号输入至初始信号增强模型包括的第二生成子模型,得到第二初始无声振动增强信号。其中,可以将上述第一初始无声振动增强信号输入至上述第二生成子模型包括的生成卷积层序列,得到第二中间向量。然后,可以将第二中间向量与上述第二随机噪声特征系数的和,输入至上述第二生成子模型包括的反卷积层序列,得到第二反卷积向量。最后,可以将上述第二反卷积向量输入至上述第二生成子模型包括的生成归一层,得到第二初始无声振动增强信号。
这里,还可以将上述第二生成子模型包括的反卷积层序列中第一目标序号的反卷积层的输出、输入至上述第二生成子模型包括的生成归一层,得到第一目标增强信号。以及,可以将上述第二生成子模型包括的反卷积层序列中第二目标序号的反卷积层的输出、输入至上述第二生成子模型包括的生成归一层,得到第二目标增强信号。
第五子步骤,将第二初始无声振动增强信号分别输入至初始信号增强模型包括的第一识别子模型和第二识别子模型,得到第一识别结果值和第二识别结果值。其中,在将上述第二初始无声振动增强信号输入至上述第二识别子模型之前,还可以通过上述变换算法,对上述第二初始无声振动增强信号进行变换处理。然后,可以将变换后的信号输入至上述第二识别子模型,得到上述第二识别结果值。
具体的,首先,可以将上述第二初始无声振动增强信号输入至上述第一识别子模型包括的第一识别子网络,得到第一增强识别值。其次,可以将上述第一目标增强信号输入至上述第一识别子模型包括的第二识别子网络,得到第二增强识别值。接着,可以将上述第二目标增强信号输入至上述第一识别子模型包括的第三识别子网络,得到第三增强识别值。最后,可以对上述第一增强识别值、第二增强识别值和第三增强识别值进行加权求和处理,得到上述第一识别结果值。生成上述第二识别结果值的具体实现方式及其所带来的技术效果,可以参考生成上述第一识别结果值的步骤,在此不再赘述。
第六子步骤,基于至少一个预设的第一损失函数、第一初始无声振动增强信号、第二初始无声振动增强信号、第一识别结果值和第二识别结果值,确定信号增强损失值。其中,上述至少一个预设的第一损失函数可以包括但不限于以下至少一项:生成损失函数和识别损失函数。
作为示例,上述生成损失函数可以是但不限于以下至少一项:交叉熵损失函数、最小平方函数或L1范数。上述识别损失函数可以是但不限于以下至少一项:交叉熵损失函数或分类交叉熵损失函数。
第七子步骤,响应于确定信号增强损失值小于第一目标值,将初始信号增强模型确定为信号增强模型。
作为示例,上述第一目标值可以是0.01。
可选地,上述执行主体还可以响应于确定信号增强损失值大于等于第一目标值,执行以下调整步骤:
第一调整步骤,基于至少一个预设的第一损失函数、第一初始无声振动增强信号、第二初始无声振动增强信号、第一识别结果值和第二识别结果值,调整初始信号增强模型,得到调整后的初始信号增强模型。
第二调整步骤,将调整后的初始信号增强模型确定为初始信号增强模型。
第三调整步骤,从上述样本无声振动信号集中未被选取的各个样本无声振动信号中再次选取样本无声振动信号,以供再次执行上述第一训练步骤。其中,可以从上述样本无声振动信号集中未被选取的各个样本无声振动信号中再次随机选取样本无声振动信号,以供再次执行上述第一训练步骤。
在一些实施例的一些可选的实现方式中,上述执行主体基于至少一个预设的第一损失函数、第一初始无声振动增强信号、第二初始无声振动增强信号、第一识别结果值和第二识别结果值,调整初始信号增强模型,得到调整后的初始信号增强模型,可以包括以下步骤:
第一步,基于上述生成损失函数、上述第一初始无声振动增强信号和上述第二初始无声振动增强信号,确定生成损失值。其中,可以将上述第一初始无声振动增强信号和上述第二初始无声振动增强信号输入至上述生成损失函数,得到上述生成损失值。
第二步,基于上述识别损失函数,确定上述第一识别结果值和上述第二识别结果值对应的识别损失值。其中,可以将上述第一识别结果值和上述第二识别结果值输入至上述识别损失函数,得到上述识别损失值。
第三步,基于上述识别损失值和上述生成损失值,调整上述初始信号增强模型包括的第一生成子模型和第二生成子模型,得到上述调整后的初始信号增强模型。其中,可以通过预设的第一调整算法,调整上述初始信号增强模型包括的第一生成子模型和第二生成子模型,得到上述调整后的初始信号增强模型。
作为示例,上述预设的第一调整算法可以是但不限于以下至少一项:对抗训练算法、反向传播算法或随机梯度算法。
步骤103的相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“对多媒体系统控制的准确度降低”。其中,导致了对多媒体系统控制的准确度降低的因素往往如下:现有的信号增强算法仅使用单个生成器和单个识别器,难以同时对信号的时域和频域进行同步增强,导致信号增强的效果降低,从而,导致无声语音识别的准确度降低。如果解决了上述因素,就能达到提高对多媒体系统控制的准确度的效果。为了达到这一效果,本公开可以训练一种语音增强模型,可以通过两个独立的生成器模型,依次对初始无声语音振动信号进行增强,从而可以提高增强语音的清晰度和准确度。然后,可以通过训练后的两个鉴别器模型,对信号的时域和频域分别进行识别,从而可以从多个维度进行语音信号的增强。以及,可以在每个识别器模型的子识别器中加入权重信息,以进一步提高增强后的语音信号的真实性,从而可以进一步提高语音增强模型的性能。因此,可以提高无声语音振动信号增强的效果,从而,可以提高无声语音识别的准确度,进而,可以提高对多媒体系统控制的准确度。
步骤104,将无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果。
在一些实施例中,上述执行主体可以将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果。其中,上述语音指令识别结果可以表征上述无声振动信号对应的语音控制指令。
作为示例,上述语音控制指令可以是但不限于以下至少一项:启动、播放、暂停、搜索目标歌曲。
可选地,上述预先训练的信号增强模型可以是通过以下步骤训练得到的:
第一步,获取样本无声语音信息集。其中,上述样本无声语音信息集中的每个样本无声语音信息包括:样本振动增强信号和样本语音指令信息。其中,上述样本振动增强信号可以是通过上述预先训练的信号增强模型生成的。上述样本语音指令信息可以表征一个语音控制指令。
第二步,从上述样本无声语音信息集中选取样本无声语音信息,执行以下第二训练步骤:
第一子步骤,将样本无声语音信息包括的样本振动增强信号输入至初始无声语音识别模型包括的编码子模型,得到初始振动编码信号。其中,初始无声语音识别模型还包括:合并子模型、解码子模型和特征转换子模型。可以从上述样本无声语音信息集中随机选取样本无声语音信息。
作为示例,上述编码子模型可以是encoder(编码器)网络模型。上述合并子模型可以是一个多头自注意力网络模型。上述解码子模型可以是decoder(解码器)网络模型。上述特征转换子模型可以是但不限于以下至少一项:Bi-Transformers(双向编码器)模型或LSTM(Bi-long short term memory,长短期记忆)神经网络模型。
第二子步骤,对初始振动编码信号进行归一化处理,得到初始振动编码向量。其中,可以通过预设的归一化算法,对初始振动编码信号进行归一化处理,得到初始振动编码向量。
作为示例,上述预设的归一化算法可以是softmax(归一化)函数。
第三子步骤,将初始振动编码向量输入至初始无声语音识别模型包括的合并子模型,得到初始振动编码标签。
第四子步骤,将初始振动编码向量和初始振动编码标签输入至初始无声语音识别模型包括的解码子模型,得到初始振动解码向量。
第五子步骤,将初始振动解码向量输入至初始无声语音识别模型包括的特征转换子模型,得到初始语音指令识别结果。
第六子步骤,基于预设的第二损失函数,确定初始语音指令识别结果与样本无声语音信息包括的样本语音指令信息的识别差异值。
作为示例,上述预设的第二损失函数可以包括但不限于以下至少一项:CTC(Connectionist Temporal Classification,连接时序分类)损失函数和交叉熵损失函数。
第七子步骤,响应于确定识别差异值小于第二目标值,将初始无声语音识别模型确定为无声语音识别模型。
作为示例,上述第二目标值可以是0.01。
可选地,上述执行主体还可以响应于确定识别差异值大于等于第二目标值,调整初始无声语音识别模型中的相关参数,将调整后的初始无声语音识别模型确定为初始无声语音识别模型,以及从上述样本无声语音信息集中、未被选取的各个样本无声语音信息中、选取样本无声语音信息,以供再次执行上述第二训练步骤。其中,可以通过预设的第二调整算法,调整初始无声语音识别模型中的相关参数。
作为示例,上述预设的第二调整算法可以是但不限于以下至少一项:CTC算法、反向传播算法或随机梯度算法。
由此,可以通过编码网络将信号转换为特征向量。然后,通过多头自注意力机制,可以增加从特征向量中提取到的特征信息的数量,以提高提取出的特征信息的准确度。最后,通过特征转换子模块,可以提高保留的特征信息的数量,从而,可以提高识别出的语音识别结果的准确度。
步骤105,基于语音指令识别结果,控制多媒体系统。
在一些实施例中,上述执行主体可以基于上述语音指令识别结果,控制多媒体系统。
作为示例,当上述语音指令识别结果表征的语音控制指令为“启动”时,启动多媒体系统。当上述语音指令识别结果表征的语音控制指令为“播放”时,控制多媒体系统播放音乐或视频。当上述语音指令识别结果表征的语音控制指令为“暂停”时,控制多媒体系统暂停播放音乐或视频。当上述语音指令识别结果表征的语音控制指令为“搜索目标歌曲”时,控制多媒体系统搜索并播放目标歌曲。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的无声语音识别方法,可以提高对多媒体系统控制的准确度。具体来说,造成对多媒体系统控制的准确度降低的原因在于:肌电信号的获取难度大,且易受肌肉状态的影响,导致无声语音识别的准确度降低。基于此,本公开的一些实施例的无声语音识别方法,首先,获取无声振动信号。其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号。由此,可以通过振动传感器获取振动信号,以便后续使用振动信号代替语音信号,进行无声语音识别。其次,对上述无声振动信号进行特征提取处理,得到无声振动特征系数。由此,可以提取振动信号的特征信息,以便后续进行语音识别处理。然后,将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号。由此,可以得到增强后的振动信号,以便进一步提高语音识别的准确度。接着,将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果。由此,可以得到语音控制指令。最后,基于上述语音指令识别结果,控制多媒体系统。由此,可以依据识别得到的控制指令,控制多媒体系统。因此,本公开的一些无声语音识别方法,可以通过振动传感器采集无声振动信号,对振动信号进行增强后,作为语音识别模型的输入,得到语音识别结果,以控制多媒体系统。由于振动信号难以受肌肉状态的影响,从而可以提高无声语音识别的准确度,进而,可以提高对多媒体系统控制的准确度。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种无声语音识别装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该无声语音识别装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的无声语音识别装置200包括:获取单元201、特征提取单元202、第一输入单元203、第二输入单元204和控制单元205。其中,获取单元201,被配置成获取无声振动信号,其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号;特征提取单元202,被配置成对上述无声振动信号进行特征提取处理,得到无声振动特征系数;第一输入单元203,被配置成将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;第二输入单元204,被配置成将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;控制单元205,被配置成基于上述语音指令识别结果,控制多媒体系统。
可以理解的是,该无声语音识别装置200中记载的诸单元与参考图1描述的无声语音识别方法中的各个步骤相对应。由此,上文针对无声语音识别方法描述的操作、特征以及产生的有益效果同样适用于无声语音识别装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子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3示出的终端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3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,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3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,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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。
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:获取无声振动信号,其中,上述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号;对上述无声振动信号进行特征提取处理,得到无声振动特征系数;将上述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;将上述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;基于上述语音指令识别结果,控制多媒体系统。
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一些实施例的操作的计算机程序代码,上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。
描述于本公开的一些实施例中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、特征提取单元、第一输入单元、第二输入单元和控制单元。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“获取无声振动信号的单元”。
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。
以上描述仅为本公开的一些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发明范围,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发明构思的情况下,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 (7)
1.一种无声语音识别方法,包括:
获取无声振动信号,其中,所述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号;
对所述无声振动信号进行特征提取处理,得到无声振动特征系数;
将所述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;
将所述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;
基于所述语音指令识别结果,控制多媒体系统;
其中,所述对所述无声振动信号进行特征提取处理,得到无声振动特征系数,包括:
对所述无声振动信号进行预处理,得到无声振动预处理信号;
对所述无声振动预处理信号进行变换处理,得到无声振动频谱图;
确定所述无声振动频谱图对应的无声振动能量谱图;
将所述无声振动能量谱图输入至预设的滤波器,得到第一无声振动能量谱图;
确定所述第一无声振动能量谱图对应的第二无声振动能量谱图;
对所述第二无声振动能量谱图进行提取处理,得到所述无声振动特征系数;
其中,所述对所述第二无声振动能量谱图进行提取处理,得到所述无声振动特征系数,包括:
对所述第二无声振动能量谱图进行转换处理,得到初始无声振动倒谱参数;
对所述初始无声振动倒谱参数进行第一差分处理,得到第一无声振动差分参数;
对所述初始无声振动倒谱参数进行第二差分处理,得到第二无声振动差分参数;
对所述初始无声振动倒谱参数、所述第一无声振动差分参数和所述第二无声振动差分参数进行融合处理,得到所述无声振动特征系数。
2.根据权利要求1所述的方法,其中,所述预先训练的信号增强模型是通过以下步骤训练得到的:
获取样本无声振动信号集;
从所述样本无声振动信号集中选取样本无声振动信号,以执行以下第一训练步骤:
生成第一随机噪声信号和第二随机噪声信号;
对第一随机噪声信号、第二随机噪声信号和样本无声振动信号分别进行特征提取处理,得到第一随机噪声特征系数、第二随机噪声特征系数和样本无声振动特征系数;
将第一随机噪声特征系数和样本无声振动特征系数输入至初始信号增强模型包括的第一生成子模型,得到第一初始无声振动增强信号,其中,初始信号增强模型还包括:第二生成子模型、第一识别子模型和第二识别子模型;
将第二随机噪声特征系数和第一初始无声振动增强信号输入至初始信号增强模型包括的第二生成子模型,得到第二初始无声振动增强信号;
将第二初始无声振动增强信号分别输入至初始信号增强模型包括的第一识别子模型和第二识别子模型,得到第一识别结果值和第二识别结果值;
基于至少一个预设的第一损失函数、第一初始无声振动增强信号、第二初始无声振动增强信号、第一识别结果值和第二识别结果值,确定信号增强损失值;
响应于确定信号增强损失值小于第一目标值,将初始信号增强模型确定为信号增强模型。
3.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定信号增强损失值大于等于第一目标值,执行以下调整步骤:
基于至少一个预设的第一损失函数、第一初始无声振动增强信号、第二初始无声振动增强信号、第一识别结果值和第二识别结果值,调整初始信号增强模型,得到调整后的初始信号增强模型;
将调整后的初始信号增强模型确定为初始信号增强模型;
从所述样本无声振动信号集中未被选取的各个样本无声振动信号中再次选取样本无声振动信号,以供再次执行所述第一训练步骤。
4.根据权利要求3所述的方法,其中,所述至少一个预设的第一损失函数包括:生成损失函数和识别损失函数;以及
所述基于至少一个预设的第一损失函数、第一初始无声振动增强信号、第二初始无声振动增强信号、第一识别结果值和第二识别结果值,调整初始信号增强模型,得到调整后的初始信号增强模型,包括:
基于所述生成损失函数、所述第一初始无声振动增强信号和所述第二初始无声振动增强信号,确定生成损失值;
基于所述识别损失函数,确定所述第一识别结果值和所述第二识别结果值对应的识别损失值;
基于所述识别损失值和所述生成损失值,调整所述初始信号增强模型包括的第一生成子模型和第二生成子模型,得到所述调整后的初始信号增强模型。
5.一种无声语音识别装置,包括:
获取单元,被配置成获取无声振动信号,其中,所述无声振动信号为鼻腔振动信号和喉部振动信号的叠加信号;
特征提取单元,被配置成对所述无声振动信号进行特征提取处理,得到无声振动特征系数;
第一输入单元,被配置成将所述无声振动特征系数输入至预先训练的信号增强模型,得到无声振动增强信号;
第二输入单元,被配置成将所述无声振动增强信号输入至预先训练的无声语音识别模型,得到语音指令识别结果;
控制单元,被配置成基于所述语音指令识别结果,控制多媒体系统;
其中,所述对所述无声振动信号进行特征提取处理,得到无声振动特征系数,包括:
对所述无声振动信号进行预处理,得到无声振动预处理信号;
对所述无声振动预处理信号进行变换处理,得到无声振动频谱图;
确定所述无声振动频谱图对应的无声振动能量谱图;
将所述无声振动能量谱图输入至预设的滤波器,得到第一无声振动能量谱图;
确定所述第一无声振动能量谱图对应的第二无声振动能量谱图;
对所述第二无声振动能量谱图进行提取处理,得到所述无声振动特征系数;
其中,所述对所述第二无声振动能量谱图进行提取处理,得到所述无声振动特征系数,包括:
对所述第二无声振动能量谱图进行转换处理,得到初始无声振动倒谱参数;
对所述初始无声振动倒谱参数进行第一差分处理,得到第一无声振动差分参数;
对所述初始无声振动倒谱参数进行第二差分处理,得到第二无声振动差分参数;
对所述初始无声振动倒谱参数、所述第一无声振动差分参数和所述第二无声振动差分参数进行融合处理,得到所述无声振动特征系数。
6.一种电子设备,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1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617974.XA CN117316160B (zh) | 2023-11-30 | 2023-11-30 | 无声语音识别方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617974.XA CN117316160B (zh) | 2023-11-30 | 2023-11-30 | 无声语音识别方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117316160A CN117316160A (zh) | 2023-12-29 |
CN117316160B true CN117316160B (zh) | 2024-02-20 |
Family
ID=89250336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617974.XA Active CN117316160B (zh) | 2023-11-30 | 2023-11-30 | 无声语音识别方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117316160B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123930A (zh) * | 2013-04-27 | 2014-10-29 | 华为技术有限公司 | 喉音识别方法及装置 |
CN108735219A (zh) * | 2018-05-09 | 2018-11-02 | 深圳市宇恒互动科技开发有限公司 | 一种声音识别控制方法及装置 |
CN111723717A (zh) * | 2020-06-11 | 2020-09-29 | 天津大学 | 一种无声语音识别方法及系统 |
CN112216304A (zh) * | 2020-09-22 | 2021-01-12 | 浙江大学 | 一种基于双麦克风系统检测和定位无声语音指令的方法 |
CN114626424A (zh) * | 2022-05-16 | 2022-06-14 | 天津大学 | 一种基于数据增强的无声语音识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10856070B2 (en) * | 2018-10-19 | 2020-12-01 | VocoLabs, Inc. | Throat microphone system and method |
US11908478B2 (en) * | 2021-08-04 | 2024-02-20 | Q (Cue) Ltd. | Determining speech from facial skin movements using a housing supported by ear or associated with an earphone |
-
2023
- 2023-11-30 CN CN202311617974.XA patent/CN117316160B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123930A (zh) * | 2013-04-27 | 2014-10-29 | 华为技术有限公司 | 喉音识别方法及装置 |
CN108735219A (zh) * | 2018-05-09 | 2018-11-02 | 深圳市宇恒互动科技开发有限公司 | 一种声音识别控制方法及装置 |
CN111723717A (zh) * | 2020-06-11 | 2020-09-29 | 天津大学 | 一种无声语音识别方法及系统 |
CN112216304A (zh) * | 2020-09-22 | 2021-01-12 | 浙江大学 | 一种基于双麦克风系统检测和定位无声语音指令的方法 |
CN114626424A (zh) * | 2022-05-16 | 2022-06-14 | 天津大学 | 一种基于数据增强的无声语音识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117316160A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402855B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
CN110600017B (zh) | 语音处理模型的训练方法、语音识别方法、系统及装置 | |
CN111933110B (zh) | 视频生成方法、生成模型训练方法、装置、介质及设备 | |
CN112183120B (zh) | 语音翻译方法、装置、设备和存储介质 | |
CN111326157B (zh) | 文本生成方法、装置、电子设备和计算机可读介质 | |
CN112153460B (zh) | 一种视频的配乐方法、装置、电子设备和存储介质 | |
CN111370019A (zh) | 声源分离方法及装置、神经网络的模型训练方法及装置 | |
CN113555032B (zh) | 多说话人场景识别及网络训练方法、装置 | |
CN111369968B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN113257283B (zh) | 音频信号的处理方法、装置、电子设备和存储介质 | |
CN112786069B (zh) | 语音提取方法、装置和电子设备 | |
CN112259116A (zh) | 一种音频数据的降噪方法、装置、电子设备及存储介质 | |
CN114678032B (zh) | 一种训练方法、语音转换方法及装置和电子设备 | |
CN113205793A (zh) | 音频生成方法、装置、存储介质及电子设备 | |
CN116913258B (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
CN111128131B (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
CN117316160B (zh) | 无声语音识别方法、装置、电子设备和计算机可读介质 | |
CN111312223A (zh) | 语音分割模型的训练方法、装置和电子设备 | |
CN111276134A (zh) | 语音识别方法、装置和计算机可读存储介质 | |
CN113488083B (zh) | 数据匹配方法、装置、介质及电子设备 | |
CN113763976B (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
CN114495901A (zh) | 语音合成方法、装置、存储介质及电子设备 | |
CN110634475B (zh) | 语音识别方法、装置、电子设备和计算机可读存储介质 | |
CN117649846B (zh) | 语音识别模型生成方法、语音识别方法、设备和介质 | |
CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 |
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 |