JP2019527852A - 音声認識処理方法及び装置 - Google Patents
音声認識処理方法及び装置 Download PDFInfo
- Publication number
- JP2019527852A JP2019527852A JP2019502659A JP2019502659A JP2019527852A JP 2019527852 A JP2019527852 A JP 2019527852A JP 2019502659 A JP2019502659 A JP 2019502659A JP 2019502659 A JP2019502659 A JP 2019502659A JP 2019527852 A JP2019527852 A JP 2019527852A
- Authority
- JP
- Japan
- Prior art keywords
- acoustic model
- mandarin acoustic
- dialect
- model
- speech
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 241001672694 Citrus reticulata Species 0.000 claims abstract description 227
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research 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
- G10L15/06—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 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
- G10L15/065—Adaptation
-
- 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
- G10L15/065—Adaptation
- G10L15/07—Adaptation to the speaker
-
- 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
- G10L15/01—Assessment or evaluation of speech recognition 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0631—Creating reference templates; Clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
- Telephonic Communication Services (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
Description
そのため、本発明は、異なる地域のユーザのアクセントの差異に基づいて方言アクセント付きのマンダリン音響モデルを構築して、音声認識の性能を向上させる音声認識処理方法を提供することを第1の目的とする。
本発明は、音声認識処理装置を提供することを第2の目的とする。
本発明は、デバイスを提供することを第3の目的とする。
本発明は、不揮発性コンピュータ記憶媒体を提供することを第4の目的とする。
に示すことができ、E(w)は目的関数を示し、wはモデルパラメータを示し、KL分散正則での目的関数は、
ここで、
ただし、Mは全ての訓練コーパスの平均スーパーベクトルであり、mは現在のパケットデータに累積された目標音声の平均スーパーベクトルであり、Tは負荷マトリックスであり、wは取得する必要のあるivectorである。
ステップS420において、ネットワークアドレス情報に基づいてユーザが位置する省の情報を決定する。
具体的には、ユーザによって送信されたネットワークアドレス情報付きの音声情報を受信することができ、ネットワークアドレス情報に基づいてその位置する省を検索して決定することができる。例えば、ネットワークアドレス情報におけるIPアドレスに基づいてその属する省の情報を決定することができる。
ステップS440において、配置されている場合に、音声データを省の情報に対応する方言アクセント付きのマンダリン音響モデルに入力して音声認識する。
ステップS450において、配置されていない場合に、音声データを共通のマンダリン音響モデルに入力して音声認識する。
配置されていない場合に、マンダリン音響モデルより音声認識性能が高い、省の情報に対応する方言アクセント付きのマンダリン音響モデルが存在しないことを表しているので、音声データを共通のマンダリン音響モデルに入力して音声認識する。
決定モジュール60は、ネットワークアドレス情報に基づいてユーザが位置する省の情報を決定するためのものである。
具体的には、受信モジュール50は、ユーザによって送信されたネットワークアドレス情報付きの音声情報を受信することができ、決定モジュール60は、ネットワークアドレス情報に基づいてその位置する省を検索して決定することができる。例えば、ネットワークアドレス情報におけるIPアドレスに基づいてその属する省の情報を決定することができる。
処理モジュール80は、省の情報に対応する方言アクセント付きのマンダリン音響モデルが配置されている場合に、音声データを省の情報に対応する方言アクセント付きのマンダリン音響モデルに入力して音声認識するためのものである。
処理モジュール80は、さらに、省の情報に対応する方言アクセント付きのマンダリン音響モデルが配置されていない場合に、音声データを共通のマンダリン音響モデルに入力して音声認識する。
配置されていない場合に、マンダリン音響モデルより音声認識性能が高い、省の情報に対応する方言アクセント付きのマンダリン音響モデルが存在しないことを表しているので、処理モジュール80は、音声データを共通のマンダリン音響モデルに入力して音声認識する。
Claims (12)
- 全国の全ての地域の音声サンプルデータに基づいて、予め設定された処理モデルで訓練して、共通のマンダリン音響モデルを生成するステップと、
各省の音声サンプルデータに基づいて、前記共通のマンダリン音響モデルで自己適応訓練をそれぞれ行って、各前記省に対応する方言アクセント付きのマンダリン音響モデルを生成するステップとを含む音声認識処理方法。 - 全国の全ての地域の前記音声サンプルデータに基づいて、予め設定された前記処理モデルで訓練して、前記共通のマンダリン音響モデルを生成するステップは、
全国の全ての地域の前記音声サンプルデータに基づいて、予め設定されたディープニューラルネットワークモデルで訓練して、深層のロング・ショート・ターム・メモリ(LSTM)ユニットに基づくモデル構造を有し、且つ時系列分類フレームワークに結ばれる音響モデルを生成するステップを含む請求項1に記載の音声認識処理方法。 - 前記共通のマンダリン音響モデルで前記自己適応訓練をそれぞれ行うステップは、
比較的小さい学習率で基本モデルを最適に調整する自己適応訓練方式、または、
モデルパラメータの一部のみを最適に調整する自己適応訓練方式、または、
新しい特徴を導入する自己適応訓練方式を含む請求項1または請求項2に記載の音声認識処理方法。 - 各前記省に対応する前記方言アクセント付きのマンダリン音響モデルを生成するステップの後に、
各前記省の音声テストデータに基づいて、前記共通のマンダリン音響モデル及び前記方言アクセント付きのマンダリン音響モデルをそれぞれテストして評価するステップと、
前記共通のマンダリン音響モデルより前記方言アクセント付きのマンダリン音響モデルの認識性能が高い場合に、前記方言アクセント付きのマンダリン音響モデルをオンラインに配置するステップとをさらに含む請求項1から請求項3のいずれかに記載の音声認識処理方法。 - 前記方言アクセント付きのマンダリン音響モデルをオンラインに配置するステップの後に、
ユーザによって送信されたネットワークアドレス情報付きの音声情報を受信するステップと、
前記ネットワークアドレス情報に基づいて前記ユーザが位置する省の情報を決定するステップと、
前記省の情報に対応する前記方言アクセント付きのマンダリン音響モデルが配置されているか否かを判断するステップと、
配置されている場合に、前記音声情報を前記省の情報に対応する前記方言アクセント付きのマンダリン音響モデルに入力して音声認識するステップと、
配置されていない場合に、前記音声情報を前記共通のマンダリン音響モデルに入力して音声認識するステップとをさらに含む請求項1から請求項4のいずれかに記載の音声認識処理方法。 - 全国の全ての地域の音声サンプルデータに基づいて、予め設定された処理モデルで訓練して、共通のマンダリン音響モデルを生成する第1生成モジュールと、
各省の音声サンプルデータに基づいて、前記共通のマンダリン音響モデルで自己適応訓練をそれぞれ行って、各前記省に対応する方言アクセント付きのマンダリン音響モデルを生成する第2生成モジュールとを備える音声認識処理装置。 - 前記第1生成モジュールは、
全国の全ての地域の前記音声サンプルデータに基づいて、予め設定されたディープニューラルネットワークモデルで訓練して、深層のロング・ショート・ターム・メモリ(LSTM)ユニットに基づくモデル構造を有し、且つ時系列分類フレームワークに結ばれる音響モデルを生成する請求項6に記載の音声認識処理装置。 - 前記第2生成モジュールが前記共通のマンダリン音響モデルで前記自己適応訓練をそれぞれ行うことは、
比較的小さい学習率で基本モデルを最適に調整する自己適応訓練方式、または、
モデルパラメータの一部のみを最適に調整する自己適応訓練方式、または、
新しい特徴を導入する自己適応訓練方式を含む請求項6または請求項7に記載の音声認識処理装置。 - 各前記省の前記音声テストデータに基づいて、前記共通のマンダリン音響モデル及び前記方言アクセント付きのマンダリン音響モデルをそれぞれテストして評価するための評価モジュールと、
前記共通のマンダリン音響モデルより前記方言アクセント付きのマンダリン音響モデルの認識性能が高い場合に、前記方言アクセント付きのマンダリン音響モデルをオンラインに配置するための配置モジュールとをさらに備える請求項6から請求項8のいずれかに記載の音声認識処理装置。 - ユーザによって送信されたネットワークアドレス情報付きの音声情報を受信するための受信モジュールと、
前記ネットワークアドレス情報に基づいて前記ユーザが位置する省の情報を決定するための決定モジュールと、
前記省の情報に対応する前記方言アクセント付きのマンダリン音響モデルが配置されているか否かを判断するための判断モジュールと、
前記省の情報に対応する前記方言アクセント付きのマンダリン音響モデルが配置されている場合に、前記音声情報を前記省の情報に対応する前記方言アクセント付きのマンダリン音響モデルに入力して音声認識するための処理モジュールとを備え、
該処理モジュールが、さらに、前記省の情報に対応する前記方言アクセント付きのマンダリン音響モデルが配置されていない場合に、前記音声情報を前記共通のマンダリン音響モデルに入力して音声認識する請求項6から請求項9のいずれかに記載の音声認識処理装置。 - 少なくとも1つのプロセッサと、メモリと、少なくとも1つのプログラムとを備えるデバイスであって、
少なくとも1つの前記プログラムが前記メモリに記憶されており、少なくとも1つの前記プロセッサにより実行される場合に、
全国の全ての地域の音声サンプルデータに基づいて、予め設定された処理モデルで訓練して、共通のマンダリン音響モデルを生成するステップと、
各省の音声サンプルデータに基づいて、前記共通のマンダリン音響モデルで自己適応訓練をそれぞれ行って、各前記省に対応する方言アクセント付きのマンダリン音響モデルを生成するステップとが実行されるデバイス。 - 少なくとも1つのプログラムが記憶されている非揮発性コンピュータ記憶媒体であって、
少なくとも1つの前記プログラムが1つのデバイスにより実行される場合に、該デバイスに、
全国の全ての地域の音声サンプルデータに基づいて、予め設定された処理モデルで訓練して、共通のマンダリン音響モデルを生成するステップと、
各省の音声サンプルデータに基づいて、前記共通のマンダリン音響モデルで自己適応訓練をそれぞれ行って、各前記省に対応する方言アクセント付きのマンダリン音響モデルを生成するステップとを実行させる非揮発性コンピュータ記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610585160.6 | 2016-07-22 | ||
CN201610585160.6A CN106251859B (zh) | 2016-07-22 | 2016-07-22 | 语音识别处理方法和装置 |
PCT/CN2016/105080 WO2018014469A1 (zh) | 2016-07-22 | 2016-11-08 | 语音识别处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019527852A true JP2019527852A (ja) | 2019-10-03 |
JP6774551B2 JP6774551B2 (ja) | 2020-10-28 |
Family
ID=57604542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019502659A Active JP6774551B2 (ja) | 2016-07-22 | 2016-11-08 | 音声認識処理方法及び装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11138967B2 (ja) |
JP (1) | JP6774551B2 (ja) |
CN (1) | CN106251859B (ja) |
WO (1) | WO2018014469A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020067658A (ja) * | 2018-10-19 | 2020-04-30 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 音声を認識する装置及び方法、音声認識モデルをトレーニングする装置及び方法 |
JP2021524615A (ja) * | 2018-07-13 | 2021-09-13 | グーグル エルエルシーGoogle LLC | エンドツーエンドストリーミングキーワードスポッティング |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269568B (zh) * | 2017-01-03 | 2021-07-30 | 中国科学院声学研究所 | 一种基于ctc的声学模型训练方法 |
CN108281137A (zh) * | 2017-01-03 | 2018-07-13 | 中国科学院声学研究所 | 一种全音素框架下的通用语音唤醒识别方法及系统 |
CN106887226A (zh) * | 2017-04-07 | 2017-06-23 | 天津中科先进技术研究院有限公司 | 一种基于人工智能识别的语音识别算法 |
US10446136B2 (en) * | 2017-05-11 | 2019-10-15 | Ants Technology (Hk) Limited | Accent invariant speech recognition |
CN107481717B (zh) * | 2017-08-01 | 2021-03-19 | 百度在线网络技术(北京)有限公司 | 一种声学模型训练方法及系统 |
CN107909715A (zh) * | 2017-09-29 | 2018-04-13 | 嘉兴川森智能科技有限公司 | 自动售货机中的语音识别系统及方法 |
CN108039168B (zh) * | 2017-12-12 | 2020-09-11 | 科大讯飞股份有限公司 | 声学模型优化方法及装置 |
CN108417203A (zh) * | 2018-01-31 | 2018-08-17 | 广东聚晨知识产权代理有限公司 | 一种人体语音识别传输方法及系统 |
CN108735199B (zh) * | 2018-04-17 | 2021-05-28 | 北京声智科技有限公司 | 一种声学模型的自适应训练方法及系统 |
CN108670128A (zh) * | 2018-05-21 | 2018-10-19 | 深圳市沃特沃德股份有限公司 | 语音控制扫地机器人的方法和扫地机器人 |
CN110600032A (zh) * | 2018-05-23 | 2019-12-20 | 北京语智科技有限公司 | 一种语音识别方法及装置 |
CN108877784B (zh) * | 2018-09-05 | 2022-12-06 | 河海大学 | 一种基于口音识别的鲁棒语音识别方法 |
CN109243461B (zh) * | 2018-09-21 | 2020-04-14 | 百度在线网络技术(北京)有限公司 | 语音识别方法、装置、设备及存储介质 |
CN110941188A (zh) * | 2018-09-25 | 2020-03-31 | 珠海格力电器股份有限公司 | 智能家居控制方法及装置 |
CN111063338B (zh) * | 2018-09-29 | 2023-09-19 | 阿里巴巴集团控股有限公司 | 音频信号识别方法、装置、设备、系统和存储介质 |
CN109291049B (zh) * | 2018-09-30 | 2021-03-05 | 北京木业邦科技有限公司 | 数据处理方法、装置及控制设备 |
CN111107380B (zh) * | 2018-10-10 | 2023-08-15 | 北京默契破冰科技有限公司 | 一种用于管理音频数据的方法、设备和计算机存储介质 |
CN111031329B (zh) * | 2018-10-10 | 2023-08-15 | 北京默契破冰科技有限公司 | 一种用于管理音频数据的方法、设备和计算机存储介质 |
CN109346059B (zh) * | 2018-12-20 | 2022-05-03 | 广东小天才科技有限公司 | 一种方言语音的识别方法及电子设备 |
CN109979439B (zh) * | 2019-03-22 | 2021-01-29 | 泰康保险集团股份有限公司 | 基于区块链的语音识别方法、装置、介质及电子设备 |
CN109887497B (zh) * | 2019-04-12 | 2021-01-29 | 北京百度网讯科技有限公司 | 语音识别的建模方法、装置及设备 |
CN110033760B (zh) | 2019-04-15 | 2021-01-29 | 北京百度网讯科技有限公司 | 语音识别的建模方法、装置及设备 |
CN111354349A (zh) * | 2019-04-16 | 2020-06-30 | 深圳市鸿合创新信息技术有限责任公司 | 一种语音识别方法及装置、电子设备 |
CN110223674B (zh) * | 2019-04-19 | 2023-05-26 | 平安科技(深圳)有限公司 | 语音语料训练方法、装置、计算机设备和存储介质 |
CN110047467B (zh) * | 2019-05-08 | 2021-09-03 | 广州小鹏汽车科技有限公司 | 语音识别方法、装置、存储介质及控制终端 |
CN112116909A (zh) * | 2019-06-20 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 语音识别方法、装置及系统 |
CN112133290A (zh) * | 2019-06-25 | 2020-12-25 | 南京航空航天大学 | 一种针对民航陆空通话领域的基于迁移学习的语音识别方法 |
CN110349571B (zh) * | 2019-08-23 | 2021-09-07 | 北京声智科技有限公司 | 一种基于连接时序分类的训练方法及相关装置 |
CN110570837B (zh) * | 2019-08-28 | 2022-03-11 | 卓尔智联(武汉)研究院有限公司 | 一种语音交互方法、装置及存储介质 |
CN110534116B (zh) * | 2019-08-29 | 2022-06-03 | 北京安云世纪科技有限公司 | 应用于智能设备的语音识别模型设置方法及装置 |
CN110930995B (zh) * | 2019-11-26 | 2022-02-11 | 中国南方电网有限责任公司 | 一种应用于电力行业的语音识别模型 |
CN110956954B (zh) * | 2019-11-29 | 2020-12-11 | 百度在线网络技术(北京)有限公司 | 一种语音识别模型训练方法、装置以及电子设备 |
CN111477234A (zh) * | 2020-03-05 | 2020-07-31 | 厦门快商通科技股份有限公司 | 一种声纹数据注册方法和装置以及设备 |
CN111599349B (zh) * | 2020-04-01 | 2023-04-18 | 云知声智能科技股份有限公司 | 一种训练语言模型的方法及系统 |
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 |
WO2021189980A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 语音数据生成方法、装置、计算机设备及存储介质 |
CN112614485A (zh) * | 2020-12-30 | 2021-04-06 | 竹间智能科技(上海)有限公司 | 识别模型构建方法、语音识别方法、电子设备及存储介质 |
CN112802455B (zh) * | 2020-12-31 | 2023-04-11 | 北京捷通华声科技股份有限公司 | 语音识别方法及装置 |
CN113593525A (zh) * | 2021-01-26 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 口音分类模型训练和口音分类方法、装置和存储介质 |
CN113345451B (zh) * | 2021-04-26 | 2023-08-22 | 北京搜狗科技发展有限公司 | 一种变声方法、装置及电子设备 |
CN113223542B (zh) * | 2021-04-26 | 2024-04-12 | 北京搜狗科技发展有限公司 | 音频的转换方法、装置、存储介质及电子设备 |
CN113192491B (zh) * | 2021-04-28 | 2024-05-03 | 平安科技(深圳)有限公司 | 声学模型生成方法、装置、计算机设备及存储介质 |
CN113593534B (zh) * | 2021-05-28 | 2023-07-14 | 思必驰科技股份有限公司 | 针对多口音语音识别的方法和装置 |
CN114596845A (zh) * | 2022-04-13 | 2022-06-07 | 马上消费金融股份有限公司 | 语音识别模型的训练方法、语音识别方法及装置 |
CN115496916B (zh) * | 2022-09-30 | 2023-08-22 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、图像识别方法以及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06266384A (ja) * | 1993-03-16 | 1994-09-22 | A T R Jido Honyaku Denwa Kenkyusho:Kk | 音響モデル適応方式 |
CN104036774A (zh) * | 2014-06-20 | 2014-09-10 | 国家计算机网络与信息安全管理中心 | 藏语方言识别方法及系统 |
US20150073793A1 (en) * | 2009-12-15 | 2015-03-12 | At&T Intellectual Property I, L.P. | System and method for combining geographic metadata in automatic speech recognition language and acoustic models |
JP2015102806A (ja) * | 2013-11-27 | 2015-06-04 | 国立研究開発法人情報通信研究機構 | 統計的音響モデルの適応方法、統計的音響モデルの適応に適した音響モデルの学習方法、ディープ・ニューラル・ネットワークを構築するためのパラメータを記憶した記憶媒体、及び統計的音響モデルの適応を行なうためのコンピュータプログラム |
JP2016520879A (ja) * | 2013-12-19 | 2016-07-14 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 地方なまりを区別する音声データ認識方法、装置及びサーバ |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147404A1 (en) * | 2000-05-15 | 2008-06-19 | Nusuara Technologies Sdn Bhd | System and methods for accent classification and adaptation |
US8468012B2 (en) * | 2010-05-26 | 2013-06-18 | Google Inc. | Acoustic model adaptation using geographic information |
US9966064B2 (en) * | 2012-07-18 | 2018-05-08 | International Business Machines Corporation | Dialect-specific acoustic language modeling and speech recognition |
US9842585B2 (en) * | 2013-03-11 | 2017-12-12 | Microsoft Technology Licensing, Llc | Multilingual deep neural network |
US9153231B1 (en) * | 2013-03-15 | 2015-10-06 | Amazon Technologies, Inc. | Adaptive neural network speech recognition models |
US9190053B2 (en) * | 2013-03-25 | 2015-11-17 | The Governing Council Of The Univeristy Of Toronto | System and method for applying a convolutional neural network to speech recognition |
CN103310788B (zh) * | 2013-05-23 | 2016-03-16 | 北京云知声信息技术有限公司 | 一种语音信息识别方法及系统 |
CN105336323B (zh) * | 2015-10-14 | 2018-12-28 | 清华大学 | 维语语音识别方法和装置 |
US10319374B2 (en) * | 2015-11-25 | 2019-06-11 | Baidu USA, LLC | Deployed end-to-end speech recognition |
CN105632501B (zh) * | 2015-12-30 | 2019-09-03 | 中国科学院自动化研究所 | 一种基于深度学习技术的自动口音分类方法及装置 |
US10229672B1 (en) * | 2015-12-31 | 2019-03-12 | Google Llc | Training acoustic models using connectionist temporal classification |
US20180018973A1 (en) * | 2016-07-15 | 2018-01-18 | Google Inc. | Speaker verification |
US10431206B2 (en) * | 2016-08-22 | 2019-10-01 | Google Llc | Multi-accent speech recognition |
US10629192B1 (en) * | 2018-01-09 | 2020-04-21 | Electronic Arts Inc. | Intelligent personalized speech recognition |
US10388272B1 (en) * | 2018-12-04 | 2019-08-20 | Sorenson Ip Holdings, Llc | Training speech recognition systems using word sequences |
US11170761B2 (en) * | 2018-12-04 | 2021-11-09 | Sorenson Ip Holdings, Llc | Training of speech recognition systems |
US10839788B2 (en) * | 2018-12-13 | 2020-11-17 | i2x GmbH | Systems and methods for selecting accent and dialect based on context |
-
2016
- 2016-07-22 CN CN201610585160.6A patent/CN106251859B/zh active Active
- 2016-11-08 US US16/318,809 patent/US11138967B2/en active Active
- 2016-11-08 WO PCT/CN2016/105080 patent/WO2018014469A1/zh active Application Filing
- 2016-11-08 JP JP2019502659A patent/JP6774551B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06266384A (ja) * | 1993-03-16 | 1994-09-22 | A T R Jido Honyaku Denwa Kenkyusho:Kk | 音響モデル適応方式 |
US20150073793A1 (en) * | 2009-12-15 | 2015-03-12 | At&T Intellectual Property I, L.P. | System and method for combining geographic metadata in automatic speech recognition language and acoustic models |
JP2015102806A (ja) * | 2013-11-27 | 2015-06-04 | 国立研究開発法人情報通信研究機構 | 統計的音響モデルの適応方法、統計的音響モデルの適応に適した音響モデルの学習方法、ディープ・ニューラル・ネットワークを構築するためのパラメータを記憶した記憶媒体、及び統計的音響モデルの適応を行なうためのコンピュータプログラム |
JP2016520879A (ja) * | 2013-12-19 | 2016-07-14 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 地方なまりを区別する音声データ認識方法、装置及びサーバ |
CN104036774A (zh) * | 2014-06-20 | 2014-09-10 | 国家计算机网络与信息安全管理中心 | 藏语方言识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
""官話"", [ONLINE], JPN6020011578, 3 January 2016 (2016-01-03), ISSN: 0004245071 * |
久保 陽太郎: ""ニューラルネットワーク研究のフロンティア"", 人工知能, vol. 第31巻 第2号, JPN6020011581, 1 March 2016 (2016-03-01), JP, ISSN: 0004245072 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021524615A (ja) * | 2018-07-13 | 2021-09-13 | グーグル エルエルシーGoogle LLC | エンドツーエンドストリーミングキーワードスポッティング |
JP2020067658A (ja) * | 2018-10-19 | 2020-04-30 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 音声を認識する装置及び方法、音声認識モデルをトレーニングする装置及び方法 |
JP7171532B2 (ja) | 2018-10-19 | 2022-11-15 | 三星電子株式会社 | 音声を認識する装置及び方法、音声認識モデルをトレーニングする装置及び方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6774551B2 (ja) | 2020-10-28 |
US20190189112A1 (en) | 2019-06-20 |
WO2018014469A1 (zh) | 2018-01-25 |
CN106251859B (zh) | 2019-05-31 |
US11138967B2 (en) | 2021-10-05 |
CN106251859A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019527852A (ja) | 音声認識処理方法及び装置 | |
Zhou et al. | Deep Speaker Embedding Extraction with Channel-Wise Feature Responses and Additive Supervision Softmax Loss Function. | |
JP6902010B2 (ja) | 音声評価方法、装置、機器及び読み取り可能な記憶媒体 | |
CN111048064B (zh) | 基于单说话人语音合成数据集的声音克隆方法及装置 | |
CN108711421A (zh) | 一种语音识别声学模型建立方法及装置和电子设备 | |
CN108711422A (zh) | 语音识别方法、装置、计算机可读存储介质和计算机设备 | |
CN110349597B (zh) | 一种语音检测方法及装置 | |
CN106971709A (zh) | 统计参数模型建立方法和装置、语音合成方法和装置 | |
CN108364662B (zh) | 基于成对鉴别任务的语音情感识别方法与系统 | |
US20160365096A1 (en) | Training classifiers using selected cohort sample subsets | |
JP2019159654A (ja) | 時系列情報の学習システム、方法およびニューラルネットワークモデル | |
CN110895935B (zh) | 语音识别方法、系统、设备和介质 | |
Blanchard et al. | Getting the subtext without the text: Scalable multimodal sentiment classification from visual and acoustic modalities | |
CN111833848B (zh) | 用于识别语音的方法、装置、电子设备和存储介质 | |
CN112331207A (zh) | 服务内容监控方法、装置、电子设备和存储介质 | |
CN110751941B (zh) | 语音合成模型的生成方法、装置、设备及存储介质 | |
CN114360552A (zh) | 用于说话人识别的网络模型训练方法、装置及存储介质 | |
US11961510B2 (en) | Information processing apparatus, keyword detecting apparatus, and information processing method | |
CN111833842A (zh) | 合成音模板发现方法、装置以及设备 | |
Wang et al. | I-vector based speaker gender recognition | |
Sarker et al. | Emotion recognition from speech based on relevant feature and majority voting | |
Shi et al. | Speech classification based on cuckoo algorithm and support vector machines | |
Li et al. | Non-Parallel Many-to-Many Voice Conversion with PSR-StarGAN. | |
Si et al. | Boosting StarGANs for voice conversion with contrastive discriminator | |
Gao et al. | Duration refinement by jointly optimizing state and longer unit likelihood. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200331 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200625 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200923 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201002 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6774551 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |