CN117475995A - 一种语音识别方法及装置、电子设备和存储介质 - Google Patents
一种语音识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117475995A CN117475995A CN202311524523.1A CN202311524523A CN117475995A CN 117475995 A CN117475995 A CN 117475995A CN 202311524523 A CN202311524523 A CN 202311524523A CN 117475995 A CN117475995 A CN 117475995A
- Authority
- CN
- China
- Prior art keywords
- recognized
- voice
- fragment
- loss
- voice fragment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 239000012634 fragment Substances 0.000 claims abstract description 192
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G10L15/02—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
- G10L15/08—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
- G10L15/26—Speech to text systems
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)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种语音识别方法及装置、电子设备和存储介质，所述方法包括：对待识别语音的第t个待识别语音片段进行特征提取，得到所述第t个待识别语音片段对应的初始声学特征；对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征；对所述待识别语音的第t‑1个待识别语音片段对应的语音识别文本进行上下文预测，得到所述第t个待识别语音片段对应的预测文本特征；对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本。本公开实施例可以有效提高语音识别准确率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种语音识别方法及装置、电子设备和存储介质。
背景技术
随着深度学习的发展，各种基于深度神经网络的端到端语音识别方法逐渐兴起。其中，基于循环神经网络转化器(Recurrent Neural Network Transducer，RNN-T)的模型，由于其天然支持流式处理，并具有较高的识别准确度而备受关注。相关技术中，一般使用RNN-T损失函数实现输入语音和识别文本的长度对齐，并对RNN-T模型进行约束训练。然而，RNN-T损失函数会导致对训练资源的高需求，并导致RNN-T模型中的预测网络没有很好的发挥语言模型的作用，影响了模型的训练效率以及识别精度。
发明内容
本公开提出了一种语音识别方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种语音识别方法，包括：对待识别语音的第t个待识别语音片段进行特征提取，得到所述第t个待识别语音片段对应的初始声学特征，其中，t是大于等于1的正整数；对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征；对所述待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到所述第t个待识别语音片段对应的预测文本特征；对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本。
在一种可能的实现方式中，所述对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征，包括：基于CIF机制，对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的初始整合声学特征；基于漏斗注意力机制，对所述第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到所述第t个待识别语音片段对应的目标整合声学特征。
在一种可能的实现方式中，所述基于漏斗注意力机制，对所述第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到所述第t个待识别语音片段对应的目标整合声学特征，包括：将所述第t个待识别语音片段对应的初始整合声学特征确定为查询向量；将所述第t个待识别语音片段对应的初始声学特征确定为键值向量；根据所述查询向量和所述键值向量，基于漏斗注意力机制，确定所述t个待识别语音片段对应的补充声学特征；将所述第t个待识别语音片段对应的初始整合声学特征和所述t个待识别语音片段对应的补充声学特征进行合并，得到所述第t个待识别语音片段对应的目标整合声学特征。
在一种可能的实现方式中，所述方法还包括：对所述第t个待识别语音片段对应的目标整合声学特征进行增强上下文处理，得到所述第t个待识别语音片段对应的更新后的目标整合声学特征。
在一种可能的实现方式中，所述对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本，包括：基于门控机制，对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到第一融合特征；对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第一融合特征进行双线性池化处理，得到第二融合特征；根据所述第二融合特征、所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征，得到目标融合特征；根据所述目标融合特征，确定所述第t个待识别语音片段对应的语音识别文本。
在一种可能的实现方式中，所述语音识别方法基于语音识别模型执行；所述语音识别模型的训练样本包括：所述第t个待识别语音片段对应的真实文本；所述方法还包括：根据所述第t个待识别语音片段对应的语音识别文本、所述第t个待识别语音片段对应的初始声学特征、所述第t个待识别语音片段对应的预测文本特征、对所述第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及所述第t个待识别语音片段对应的真实文本，确定所述语音识别模型对应的整体损失；根据所述整体损失，调整所述语音识别模型的网络参数。
在一种可能的实现方式中，所述根据所述第t个待识别语音片段对应的语音识别文本、所述第t个待识别语音片段对应的初始声学特征、所述第t个待识别语音片段对应的预测文本特征、对所述第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及所述第t个待识别语音片段对应的真实文本，确定所述语音识别模型对应的整体损失，包括：根据所述第t个待识别语音片段对应的语音识别文本，以及所述第t个待识别语音片段对应的真实文本，利用交叉熵损失函数，确定第一预测损失；根据所述第t个待识别语音片段对应的预测文本特征，以及所述第t个待识别语音片段对应的真实文本，利用所述交叉熵损失函数，确定第二预测损失；根据对所述第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及所述第t个待识别语音片段对应的真实文本的字符数量，利用数量损失函数，确定第三预测损失；根据所述第t个待识别语音片段对应的初始声学特征，以及所述第t个待识别语音片段对应的真实文本，利用CTC损失函数，确定第四预测损失；根据所述第一预测损失、所述第二预测损失、所述第三预测损失、所述第四预测损失，确定所述整体损失。
在一种可能的实现方式中，所述根据所述第一预测损失、所述第二预测损失、所述第三预测损失、所述第四预测损失，确定所述语音识别模型对应的整体损失，包括：根据所述第一预测损失对应的权重、所述第二预测损失对应的权重、所述第三预测损失对应的权重、所述第四预测损失对应的权重，对所述第一预测损失、所述第二预测损失、所述第三预测损失、所述第四预测损失进行加权求和，确定所述整体损失。
根据本公开的一方面，提供了一种语音识别装置，包括：编码器、预测网络、对齐模块、联合网络；所述编码器，用于对待识别语音的第t个待识别语音片段进行特征提取，得到所述第t个待识别语音片段对应的初始声学特征，其中，t是大于等于1的正整数；所述对齐模块，用于对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征；所述预测网络，用于对所述待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到所述第t个待识别语音片段对应的预测文本特征；所述联合网络，用于对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，对待识别语音的第t个待识别语音片段进行特征提取，得到第t个待识别语音片段对应的初始声学特征；对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征，从而在特征融合之前提前实现了第t个待识别语音片段和其对应的文本之间的长度对齐；对待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到第t个待识别语音片段对应的预测文本特征，进而，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征这两种模态特征进行特征融合，有效得到第t个待识别语音片段对应的识别准确率较高的语音识别文本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种语音识别方法的流程图。
图2示出根据本公开实施例的一种语音识别模型的结构图。
图3示出根据本公开实施例的图2所示语音识别模型中对齐模块的结构图。
图4示出根据本公开实施例的一种语音识别装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
随着深度学习的发展，各种基于深度神经网络的端到端语音识别方法逐渐兴起，其中，基于RNN-T的模型，由于其天然支持流式处理，并具有较高的识别准确度而备受关注。然而，相关技术中一般使用RNN-T损失函数实现输入语音和识别文本的长度对齐，并对RNN-T模型进行约束训练。RNN-T损失函数会导致对训练资源的高需求，并导致RNN-T模型中的预测网络没有很好的发挥语言模型的作用，影响了模型的训练效率以及识别精度。CIF(Continuous Integrate-and-Fire，连续整合发放)是一种单调对齐机制，在相关技术中应用于端到端的语音识别模型中。然而，CIF存在原始声学信息丢失以及输出特征上下文关系薄弱的问题，这影响了基于CIF的语音识别模型的识别精度。
为了解决上述问题，本公开提供了一种语音识别方法，下文对本公开实施例提供的语音识别方法进行详细描述。
图1示出根据本公开实施例的一种语音识别方法的流程图。该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。如图1所示，该方法包括：
在步骤S11中，对待识别语音的第t个待识别语音片段进行特征提取，得到第t个待识别语音片段对应的初始声学特征，其中，t是大于等于1的正整数。
将待识别语音拆分为多个待识别语音片段，分别对每个待识别语音片段进行语音识别。其中，待识别语音拆分为的待识别语音片段的个数，可以根据实际场景灵活设置，本公开对此不作具体限定。
针对任意一个待识别语音片段，在对该待识别语音片段进行语音识别的过程中，首先对该待识别语音片段进行特征提取，得到该待识别语音片段对应的初始声学特征。
在一示例中，可以基于编码器对每个待识别语音片段进行特征提取，还可以基于其它特征提取模块进行特征提取，本公开对此不做具体限定。
图2示出根据本公开实施例的一种语音识别模型的结构图。如图2所示，语音识别模型包括：编码器。如图2所示，在语音识别模型中，编码器用于对待识别语音片段进行声学特征提取。针对任意一个待识别语音片段，基于编码器对该待识别语音片段进行编码处理，得到该待识别语音片段对应的初始声学特征。
在一示例中，编码器可以由下采样模块和多层的Conformer层组成。编码器的具体结构组成还可以根据实际场景灵活设置，本公开对此不作具体限定。
例如，编码器中的下采样模块可以由步长为2的卷积神经网络(ConvolutionalNeural Network，CNN)组成，将输入的待识别语音片段的长度缩减为原来长度的四分之一。
例如，基于编码器对待识别语音的第t个待识别语音片段进行编码处理，得到第t个待识别语音片段对应的初始声学特征。如图2所示，将第t个待识别语音片段xt输入编码器，编码器对第t个待识别语音片段xt进行编码处理后，输出第t个待识别语音片段xt对应的初始声学特征hT，其中，T可以表示第t个待识别语音片段xt的长度。
在步骤S12中，对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征。
对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征，相比于相关技术中基于RNN-T损失函数实现输入语音和识别文本的长度对齐的方式，本公开实施例可以在特征融合之前提前实现长度对齐。
后文会结合本公开可能的实现方式，对如何对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征的具体过程进行详细描述，此处不做赘述。
如图2所示，语音识别模型还包括：对齐模块。如图2所示，将编码器输出的第t个待识别语音片段xt对应的初始声学特征hT输入对齐模块，对齐模块对第t个待识别语音片段xt对应的初始声学特征hT进行对齐处理后，输出第t个待识别语音片段xt对应的目标整合声学特征CU，其中，U可以表示第t个待识别语音片段xt对应的语音识别文本的长度。
后文会结合本公开可能的实现方式，对对齐模块的具体结构，以及基于对齐模块对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征的具体过程进行详细描述，此处不作赘述。
在步骤S13中，对待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到第t个待识别语音片段对应的预测文本特征。
基于上下文关系，利用之前时刻识别成功的前一个待识别语音片段的语音识别文本，预测当前待识别语音片段对应的预测文本特征。
在一示例中，可以基于预测网络对待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到第t个待识别语音片段对应的预测文本特征。
预测网络可以由两层减少的嵌入层组成。预测网络的具体网络结构还可以根据实际场景灵活设置，本公开对此不作具体限定。
在一示例中，在t＝1时，第t-1个待识别语音片段对应的语音识别文本可以为空。
如图2所示，语音识别模块还包括：预测网络。将待识别语音的第t-1个待识别语音片段xt-1对应的语音识别文本yU-1输入预测网络，预测网络对第t-1个待识别语音片段xt-1对应的语音识别文本yU-1进行上下文预测后，输出第t个待识别语音片段xt对应的预测文本特征ZU。
在步骤S14中，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征进行特征融合，得到第t个待识别语音片段对应的语音识别文本。
由于第t个待识别语音片段对应的目标整合声学特征已经完成了对齐处理，因此，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段这两种模态特征直接进行特征融合，得到第t个待识别语音片段对应的语音识别文本。
如图2所示，语音识别模块还包括：联合网络。将第t个待识别语音片段xt对应的目标整合声学特征CU，以及第t个待识别语音片段xt对应的预测文本特征ZU输入联合网络，联合网络对这两种模态特征直接进行特征融合，得到第t个待识别语音片段xt对应的语音识别文本yU。
在本公开实施例中，对待识别语音的第t个待识别语音片段进行特征提取，得到第t个待识别语音片段对应的初始声学特征；对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征，从而在特征融合之前提前实现了第t个待识别语音片段和其对应的文本之间的长度对齐；对待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到第t个待识别语音片段对应的预测文本特征，进而，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征这两种模态特征进行特征融合，有效得到第t个待识别语音片段对应的识别准确率较高的语音识别文本。
在一种可能的实现方式中，对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征，包括：基于CIF子机制，对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的初始整合声学特征；基于漏斗注意力机制，对第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到第t个待识别语音片段对应的目标整合声学特征。
基于CIF子机制可以有效对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的初始整合声学特征，由于基于CIF机制的对齐过程是动态下采样的过程，存在原始声学信息丢失的问题，因此，基于漏斗注意力机制进行特征补充，可以有效实现信息补充，得到第t个待识别语音片段对应的目标整合声学特征。
图3示出根据本公开实施例的图2所示语音识别模型中对齐模块的结构图。如图3所示，对齐模块包括：CIF子模块和漏斗注意力子模块。CIF子模块可以包括：卷积层(Conv)、全连接层(FC)、激活层(Sigmoid)、CIF层。漏斗注意力子模块可以包括：归一化层(softmax)、残差连接层(Residual)。CIF子模块和漏斗注意力子模块的具体结构还可以根据实际场景灵活设置，本公开对此不作具体限定。
如图3所示，将第t个待识别语音片段xt对应的初始声学特征hT输入CIF子模块，经过卷积层、全连接层、激活层后得到聚合权重αu。CIF子模块向前累积聚合权重αu，直到权重和达到阈值β＝1.0，表明已经找到了声学特征边界。在边界权重αu处，CIF子模块将其分为两部分，αu1和αu2，其中，αu等于αu1和αu2。αu1被包括在当前声学范围中，而αu2被认为是下一个声学范围的起始权重。在确定的声学范围内，通过与相应的聚合权重αu的加权求和对声学特征hT进行整合，并在边界处输出第t个待识别语音片段xt对应的初始整合声学特征CU。
在一种可能的实现方式中，基于漏斗注意力机制，对第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到第t个待识别语音片段对应的目标整合声学特征，包括：将第t个待识别语音片段对应的初始整合声学特征确定为查询向量；将第t个待识别语音片段对应的初始声学特征确定为键值向量；根据查询向量和键值向量，基于漏斗注意力机制，确定t个待识别语音片段对应的补充声学特征；将第t个待识别语音片段对应的初始整合声学特征和t个待识别语音片段对应的补充声学特征进行合并，得到第t个待识别语音片段对应的目标整合声学特征。
如图3所示，漏斗注意力子模块将CIF子模块输出的第t个待识别语音片段xt对应的初始整合声学特征CU作为查询向量q，将编码器输出的第t个待识别语音片段xt对应的初始声学特征hT作为键值向量k、v，以使得基于漏斗注意力机制确定第t个待识别语音片段xt对应的补充声学特征，进而，通过残差连接将第t个待识别语音片段xt对应的补充声学特征添加到第t个待识别语音片段xt对应的初始整合声学特征CU中，得到第t个待识别语音片段xt对应的目标整合声学特征，为变化表述，这里可以仍然用CU来表示第t个待识别语音片段xt对应的目标整合声学特征，具体过程如下述公式(1)所示。
CU＝CU+Attention(q＝CU，kv＝hT) (1)。
在一种可能的实现方式中，该语音识别方法还包括：对第t个待识别语音片段对应的目标整合声学特征进行增强上下文处理，得到第t个待识别语音片段对应的更新后的目标整合声学特征。
为了进一步增强上下文联系，对第t个待识别语音片段对应的目标整合声学特征进行增强上下文处理，得到第t个待识别语音片段对应的更新后的目标整合声学特征。
如图2所示，语音识别模型还包括：上下文模块。将对齐模块输出的第t个待识别语音片段xt对应的目标整合声学特征CU，输入上下文模块，经上下文模块对第t个待识别语音片段xt对应的目标整合声学特征CU进行增强上下文处理后，输出第t个待识别语音片段xt对应的更新后的目标整合声学特征，为简化表述，这里可以仍然用CU来表示第t个待识别语音片段xt对应的更新后的目标整合声学特征。
在得到第t个待识别语音片段xt对应的目标整合声学特征CU，以及第t个待识别语音片段xt对应的预测文本特征ZU这两种模态特征之后，可以通过对两种模态特征进行特征融合，以进行语音识别。
如图2所示，语音识别模型还包括：联合网络。如图2所示，将第t个待识别语音片段xt对应的目标整合声学特征CU，以及第t个待识别语音片段xt对应的预测文本特征ZU输入联合网络，以利用联合网络对这两种模态特征进行特征融合，以对第t个待识别语音片段xt，得到第t个待识别语音片段xt对应的语音识别文本。
在一种可能的实现方式中，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征进行特征融合，得到第t个待识别语音片段对应的语音识别文本，包括：基于门控机制，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征进行特征融合，得到第一融合特征；对第t个待识别语音片段对应的目标整合声学特征，以及第一融合特征进行双线性池化处理，得到第二融合特征；根据第二融合特征、第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征，得到目标融合特征；根据目标融合特征，确定第t个待识别语音片段对应的语音识别文本。
在一示例中，为了解决单个线性层进行融合不够有效的问题，由于门控机制可以更好地捕捉特征数据中的长期依赖关系，因此，可以基于门控机制，对两种模态特征进行更有效的特征融合，得到第一融合特征。
以图2为例，针对第t个待识别语音片段xt对应的目标整合声学特征CU，以及第t个待识别语音片段xt对应的预测文本特征ZU，通过门控模块对通道维度上的两种模态特征进行动态选择性融合，得到第一融合特征具体过程如下述公式(2)所示。
进而，利用双线性池化模块，对第t个待识别语音片段xt对应的目标整合声学特征CU、以及第一融合特征进行基于低秩近似的双线性池化处理，以使得通过降低特征融合过程中网络参数复杂度的方式实现进一步的特征融合，得到第二融合特征/>具体过程如下述公式(3)所示。
进一步的，根据第二融合特征第t个待识别语音片段xt对应的目标整合声学特征CU，以及第t个待识别语音片段xt对应的预测文本特征ZU，通过残差连接和Tanh激活函数，得到第t个待识别语音片段xt对应的目标融合特征/>具体过程如下述公式(4)所示。
如图2所示，第t个待识别语音片段xt对应的目标融合特征经过全连接层和归一化层后，输出得到第t个待识别语音片段xt对应的语音识别文本yU。
进一步的，第t个待识别语音片段xt对应的语音识别文本yU，可以在后续输入预测网络，得到第t+1个待识别语音片段xt+1对应的预测文本特征ZU+1。第t+1个待识别语音片段xt+1的语音识别过程与第t个待识别语音片段xt的识别过程类似，此处不作赘述。以此类推，得到待识别语音拆分得到的每个待识别语音片段对应的语音识别文本，最终得到待识别语音对应的语音识别文本。
在一种可能的实现方式中，语音识别方法基于语音识别模型执行；语音识别模型的训练样本包括：第t个待识别语音片段对应的真实文本；该语音识别方法还包括：根据第t个待识别语音片段对应的语音识别文本、第t个待识别语音片段对应的初始声学特征、第t个待识别语音片段对应的预测文本特征、对第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及第t个待识别语音片段对应的真实文本，确定语音识别模型对应的整体损失；根据整体损失，调整语音识别模型的网络参数。
在语音识别模型的训练过程中，训练样本还包括：第t个待识别语音片段xt对应的真实文本y′U，其中，第t个待识别语音片段xt对应的真实文本y′U的长度为S，即字符数为S。
根据第t个待识别语音片段xt对应的语音识别文本yU、第t个待识别语音片段xt对应的初始声学特征CU、第t个待识别语音片段xt对应的预测文本特征ZU、对第t个待识别语音片段xt对应的初始声学特征进行对齐处理过程中的聚合权重αu的数量，以及第t个待识别语音片段xt对应的真实文本y′U，确定语音识别模型对应的整体损失，进而根据整体损失，调整语音识别模型的网络参数，以实现对语音识别模型的网络训练。
在一种可能的实现方式中，根据第t个待识别语音片段对应的语音识别文本、第t个待识别语音片段对应的初始声学特征、第t个待识别语音片段对应的预测文本特征、对第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及第t个待识别语音片段对应的真实文本，确定语音识别模型对应的整体损失，包括：根据第t个待识别语音片段对应的语音识别文本，以及第t个待识别语音片段对应的真实文本，利用交叉熵损失函数，确定第一预测损失；根据第t个待识别语音片段对应的预测文本特征，以及第t个待识别语音片段对应的真实文本，利用交叉熵损失函数，确定第二预测损失；根据对第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及第t个待识别语音片段对应的真实文本的字符数量，利用数量损失函数，确定第三预测损失；根据第t个待识别语音片段对应的初始声学特征，以及第t个待识别语音片段对应的真实文本，利用连接主义时间分类(Connectionist Temporal Classification，CTC)损失函数，确定第四预测损失；根据第一预测损失、第二预测损失、第三预测损失、第四预测损失，确定整体损失。
如图2所示，基于全连接层和归一化层，根据第t个待识别语音片段xt对应的语音识别文本yU，以及第t个待识别语音片段对应的真实文本y′U，利用交叉熵损失函数，确定第一预测损失LJoint。
如图2所示，基于全连接层和归一化层，根据第t个待识别语音片段xt对应的预测文本特征ZU，以及第t个待识别语音片段xt对应的真实文本y′U，利用交叉熵损失函数，确定第二预测损失LLM，以提升预测网络对文本特征的提取能力。
如图2所示，基于数量求和层，根据对齐模块对第t个待识别语音片段xt对应的初始声学特征CU进行对齐处理过程中的聚合权重αu的数量，以及第t个待识别语音片段xt对应的真实文本y′U的字符数量S，利用数量损失函数，确定第三预测损失LQua，以提高对齐模块的对齐能力，具体过程如下述公式(5)所示。
如图2所示，基于全连接层和归一化层，根据第t个待识别语音片段xt对应的初始声学特征CU，以及第t个待识别语音片段xt对应的真实文本y′U，利用CTC损失函数，确定第四预测损失LCTC，以提升编码器的特征提取能力。
进而，根据第一预测损失LJoint、第二预测损失LLM、第三预测损失LQua、第四预测损失LCTC，确定语音识别模型对应的整体损失L。
在一种可能的实现方式中，根据第一预测损失、第二预测损失、第三预测损失、第四预测损失，确定语音识别模型对应的整体损失，包括：根据第一预测损失对应的权重、第二预测损失对应的权重、第三预测损失对应的权重、第四预测损失对应的权重，对第一预测损失、第二预测损失、第三预测损失、第四预测损失进行加权求和，确定整体损失。
通过设置第一预测损失对应的权重、第二预测损失对应的权重、第三预测损失对应的权重、第四预测损失对应的权重，以平衡不同损失的影响程度。其中，第一预测损失对应的权重、第二预测损失对应的权重、第三预测损失对应的权重、第四预测损失对应的权重的具体权重取值可以根据实际场景灵活设置，本公开对此不作具体限定。
在一示例中，第一预测损失对应的权重为1、第二预测损失对应的权重为λ1、第三预测损失对应的权重λ2、第四预测损失对应的权重为λ3，对第一预测损失LJoint、第二预测损失LLM、第三预测损失LQua、第四预测损失LCTC进行加权求和，确定语音识别模型对应的整体损失L，具体过程如下述公式(6)所示。
L＝LJoint+λ1LLM+λ2LQua+λ3LCTC (6)。
基于语音识别模型对应的整体损失L，对语音识别模型进行网络参数调整，完成一轮训练过程。以此类推，迭代多次训练直至满足迭代训练条件，完成对语音识别模型的训练，得到训练好的语音识别模型。其中，迭代训练条件可以根据实际场景灵活设置，本公开对此不作具体限定。
在一示例中，如图2、图3所示，训练好的语音识别模型中，不包括虚线框中网络训练过程涉及的网络层。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了语音识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种语音识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的一种语音识别装置的框图。如图4所示，装置40包括：编码器41、对齐模块42，预测网络43、联合网络44；
编码器41，用于对待识别语音的第t个待识别语音片段进行特征提取，得到第t个待识别语音片段对应的初始声学特征，其中，t是大于等于1的正整数；
对齐模块42，用于对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的目标整合声学特征；
预测网络43，用于对待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到第t个待识别语音片段对应的预测文本特征；
联合网络44，用于对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征进行特征融合，得到第t个待识别语音片段对应的语音识别文本。
在一种可能的实现方式中，对齐模块42，具体用于：
基于CIF机制，对第t个待识别语音片段对应的初始声学特征进行对齐处理，得到第t个待识别语音片段对应的初始整合声学特征；
基于漏斗注意力机制，对第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到第t个待识别语音片段对应的目标整合声学特征。
在一种可能的实现方式中，对齐模块42，还用于：
将第t个待识别语音片段对应的初始整合声学特征确定为查询向量；
将第t个待识别语音片段对应的初始声学特征确定为键值向量；
根据查询向量和键值向量，基于漏斗注意力机制，确定t个待识别语音片段对应的补充声学特征；
将第t个待识别语音片段对应的初始整合声学特征和t个待识别语音片段对应的补充声学特征进行合并，得到第t个待识别语音片段对应的目标整合声学特征。
在一种可能的实现方式中，装置40还包括：
增强模块，用于对第t个待识别语音片段对应的目标整合声学特征进行增强上下文处理，得到第t个待识别语音片段对应的更新后的目标整合声学特征。
在一种可能的实现方式中，联合网络44，具体用于：
基于门控机制，对第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征进行特征融合，得到第一融合特征；
对第t个待识别语音片段对应的目标整合声学特征，以及第一融合特征进行双线性池化处理，得到第二融合特征；
根据第二融合特征、第t个待识别语音片段对应的目标整合声学特征，以及第t个待识别语音片段对应的预测文本特征，得到目标融合特征；
根据目标融合特征，确定第t个待识别语音片段对应的语音识别文本。
在一种可能的实现方式中，语音识别装置基于语音识别模型执行；语音识别模型的训练样本包括：第t个待识别语音片段对应的真实文本；
装置40还包括：训练模块，具体用于：
根据第t个待识别语音片段对应的语音识别文本、第t个待识别语音片段对应的初始声学特征、第t个待识别语音片段对应的预测文本特征、对第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及第t个待识别语音片段对应的真实文本，确定语音识别模型对应的整体损失；
根据整体损失，调整语音识别模型的网络参数。
在一种可能的实现方式中，训练模块，还用于：
根据第t个待识别语音片段对应的语音识别文本，以及第t个待识别语音片段对应的真实文本，利用交叉熵损失函数，确定第一预测损失；
根据第t个待识别语音片段对应的预测文本特征，以及第t个待识别语音片段对应的真实文本，利用交叉熵损失函数，确定第二预测损失；
根据对第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及第t个待识别语音片段对应的真实文本的字符数量，利用数量损失函数，确定第三预测损失；
根据第t个待识别语音片段对应的初始声学特征，以及第t个待识别语音片段对应的真实文本，利用CTC损失函数，确定第四预测损失；
根据第一预测损失、第二预测损失、第三预测损失、第四预测损失，确定整体损失。
在一种可能的实现方式中，训练模块，还用于：
根据第一预测损失对应的权重、第二预测损失对应的权重、第三预测损失对应的权重、第四预测损失对应的权重，对第一预测损失、第二预测损失、第三预测损失、第四预测损失进行加权求和，确定整体损失。
该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等)，从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备的框图。参照图5，电子设备1900可以被提供为一服务器或终端设备。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OS XTM)，多用户多进程的计算机操作系统(UnixTM)，自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种语音识别方法，其特征在于，包括：
对待识别语音的第t个待识别语音片段进行特征提取，得到所述第t个待识别语音片段对应的初始声学特征，其中，t是大于等于1的正整数；
对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征；
对所述待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到所述第t个待识别语音片段对应的预测文本特征；
对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本。
2.根据权利要求1所述的方法，其特征在于，所述对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征，包括：
基于连续整合发放CIF机制，对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的初始整合声学特征；
基于漏斗注意力机制，对所述第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到所述第t个待识别语音片段对应的目标整合声学特征。
3.根据权利要求2所述的方法，其特征在于，所述基于漏斗注意力机制，对所述第t个待识别语音片段对应的初始整合声学特征进行特征补充处理，得到所述第t个待识别语音片段对应的目标整合声学特征，包括：
将所述第t个待识别语音片段对应的初始整合声学特征确定为查询向量；
将所述第t个待识别语音片段对应的初始声学特征确定为键值向量；
根据所述查询向量和所述键值向量，基于漏斗注意力机制，确定所述t个待识别语音片段对应的补充声学特征；
将所述第t个待识别语音片段对应的初始整合声学特征和所述t个待识别语音片段对应的补充声学特征进行合并，得到所述第t个待识别语音片段对应的目标整合声学特征。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述第t个待识别语音片段对应的目标整合声学特征进行增强上下文处理，得到所述第t个待识别语音片段对应的更新后的目标整合声学特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本，包括：
基于门控机制，对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到第一融合特征；
对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第一融合特征进行双线性池化处理，得到第二融合特征；
根据所述第二融合特征、所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征，得到目标融合特征；
根据所述目标融合特征，确定所述第t个待识别语音片段对应的语音识别文本。
6.根据权利要求1所述的方法，其特征在于，所述语音识别方法基于语音识别模型执行；所述语音识别模型的训练样本包括：所述第t个待识别语音片段对应的真实文本；
所述方法还包括：
根据所述第t个待识别语音片段对应的语音识别文本、所述第t个待识别语音片段对应的初始声学特征、所述第t个待识别语音片段对应的预测文本特征、对所述第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及所述第t个待识别语音片段对应的真实文本，确定所述语音识别模型对应的整体损失；
根据所述整体损失，调整所述语音识别模型的网络参数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第t个待识别语音片段对应的语音识别文本、所述第t个待识别语音片段对应的初始声学特征、所述第t个待识别语音片段对应的预测文本特征、对所述第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及所述第t个待识别语音片段对应的真实文本，确定所述语音识别模型对应的整体损失，包括：
根据所述第t个待识别语音片段对应的语音识别文本，以及所述第t个待识别语音片段对应的真实文本，利用交叉熵损失函数，确定第一预测损失；
根据所述第t个待识别语音片段对应的预测文本特征，以及所述第t个待识别语音片段对应的真实文本，利用所述交叉熵损失函数，确定第二预测损失；
根据对所述第t个待识别语音片段对应的初始声学特征进行对齐处理过程中的聚合权重的数量，以及所述第t个待识别语音片段对应的真实文本的字符数量，利用数量损失函数，确定第三预测损失；
根据所述第t个待识别语音片段对应的初始声学特征，以及所述第t个待识别语音片段对应的真实文本，利用连接主义时间分类CTC损失函数，确定第四预测损失；
根据所述第一预测损失、所述第二预测损失、所述第三预测损失、所述第四预测损失，确定所述整体损失。
8.根据权利要求5所述的方法，其特征在于，所述根据所述第一预测损失、所述第二预测损失、所述第三预测损失、所述第四预测损失，确定所述语音识别模型对应的整体损失，包括：
根据所述第一预测损失对应的权重、所述第二预测损失对应的权重、所述第三预测损失对应的权重、所述第四预测损失对应的权重，对所述第一预测损失、所述第二预测损失、所述第三预测损失、所述第四预测损失进行加权求和，确定所述整体损失。
9.一种语音识别装置，其特征在于，包括：编码器、预测网络、对齐模块、联合网络；
所述编码器，用于对待识别语音的第t个待识别语音片段进行特征提取，得到所述第t个待识别语音片段对应的初始声学特征，其中，t是大于等于1的正整数；
所述对齐模块，用于对所述第t个待识别语音片段对应的初始声学特征进行对齐处理，得到所述第t个待识别语音片段对应的目标整合声学特征；
所述预测网络，用于对所述待识别语音的第t-1个待识别语音片段对应的语音识别文本进行上下文预测，得到所述第t个待识别语音片段对应的预测文本特征；
所述联合网络，用于对所述第t个待识别语音片段对应的目标整合声学特征，以及所述第t个待识别语音片段对应的预测文本特征进行特征融合，得到所述第t个待识别语音片段对应的语音识别文本。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524523.1A CN117475995A (zh) | 2023-11-15 | 2023-11-15 | 一种语音识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524523.1A CN117475995A (zh) | 2023-11-15 | 2023-11-15 | 一种语音识别方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117475995A true CN117475995A (zh) | 2024-01-30 |
Family
ID=89625430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311524523.1A Pending CN117475995A (zh) | 2023-11-15 | 2023-11-15 | 一种语音识别方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117475995A (zh) |
-
2023
- 2023-11-15 CN CN202311524523.1A patent/CN117475995A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10713818B1 (en) | Image compression with recurrent neural networks | |
| CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
| CN110443266B (zh) | 对象预测方法及装置、电子设备和存储介质 | |
| KR20210054563A (ko) | 텍스트 시퀀스 인식 방법 및 장치, 전자 기기 및 저장 매체 | |
| KR20220116015A (ko) | 네트워크 트레이닝 방법 및 장치, 이미지 생성 방법 및 장치 | |
| CN113362811B (zh) | 语音识别模型的训练方法、语音识别方法和装置 | |
| CN114494981B (zh) | 一种基于多层次运动建模的动作视频分类方法及系统 | |
| CN117499658A (zh) | 使用神经网络生成视频帧 | |
| CN114926338A (zh) | 模型训练方法及装置、电子设备和存储介质 | |
| CN114207625A (zh) | 用于性能优化的分布式深度学习的系统感知选择性量化 | |
| CN110889416A (zh) | 一种基于级联改良网络的显著性物体检测方法 | |
| CN117350360A (zh) | 大模型的微调方法、装置、电子设备和存储介质 | |
| WO2022246986A1 (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
| CN117171573A (zh) | 多模态模型的训练方法、装置、设备和存储介质 | |
| WO2023185209A1 (zh) | 模型剪枝 | |
| CN117475995A (zh) | 一种语音识别方法及装置、电子设备和存储介质 | |
| CN115018059B (zh) | 数据处理方法及装置、神经网络模型、设备、介质 | |
| CN111259603A (zh) | 电子设备、模型设计装置和计算机可读介质 | |
| CN117014693A (zh) | 视频处理方法、装置、设备以及存储介质 | |
| CN114048349A (zh) | 一种推荐视频封面的方法、装置及电子设备 | |
| CN111460214B (zh) | 分类模型训练方法、音频分类方法、装置、介质及设备 | |
| CN112884144A (zh) | 网络量化方法及装置、电子设备和存储介质 | |
| KR20220114209A (ko) | 연사 영상 기반의 영상 복원 방법 및 장치 | |
| CN117350354B (zh) | 大模型的训练方法、装置、电子设备和存储介质 | |
| CN112926334A (zh) | 确定词表示向量的方法、装置及电子设备 |
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 |