JP6665305B2 - 数字音声認識における音声デコーディングネットワークを構築するための方法、装置及び記憶媒体 - Google Patents
数字音声認識における音声デコーディングネットワークを構築するための方法、装置及び記憶媒体 Download PDFInfo
- Publication number
- JP6665305B2 JP6665305B2 JP2018533636A JP2018533636A JP6665305B2 JP 6665305 B2 JP6665305 B2 JP 6665305B2 JP 2018533636 A JP2018533636 A JP 2018533636A JP 2018533636 A JP2018533636 A JP 2018533636A JP 6665305 B2 JP6665305 B2 JP 6665305B2
- Authority
- JP
- Japan
- Prior art keywords
- training data
- training
- acoustic
- acoustic 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 50
- 238000003860 storage Methods 0.000 title claims description 17
- 238000012549 training Methods 0.000 claims description 205
- 238000000605 extraction Methods 0.000 claims description 25
- 230000000750 progressive effect Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- MQJKPEGWNLWLTK-UHFFFAOYSA-N Dapsone Chemical compound C1=CC(N)=CC=C1S(=O)(=O)C1=CC=C(N)C=C1 MQJKPEGWNLWLTK-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
- G10L15/02—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
- G10L15/04—Segmentation; Word boundary detection
-
- 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
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
-
- 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
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
-
- 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
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
- G10L15/144—Training of HMMs
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/90—Pitch determination of speech signals
-
- 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
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
- G10L15/187—Phonemic context, e.g. pronunciation rules, phonotactical constraints or phoneme n-grams
-
- 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
- G10L2015/025—Phonemes, fenemes or fenones being the recognition units
-
- 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)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Machine Translation (AREA)
- Electrically Operated Instructional Devices (AREA)
- Character Discrimination (AREA)
- Telephonic Communication Services (AREA)
Description
この出願は、2016年3月29日に出願された「method and apparatus for constructing speech decoding network in digit speech recognition」という名称の中国特許出願第201610188168.9号の優先権を主張し、その全内容を参照により援用する。
本開示は、音声認識の技術分野に関し、特に、数字音声認識における音声デコーディングネットワークを構築するための方法、装置及び記憶媒体に関する。
数字音声記録により取得されたトレーニングデータを獲得する動作であり、トレーニングデータは、複数の音声セグメントを含み、各音声セグメントは、複数の数字の音声を含む動作と、
各音声セグメントに対応する特徴系列を取得するために、トレーニングデータに対して音響特徴抽出を実行する動作と、
特徴系列と、トレーニングデータ内の数字に対応する音素とに従って、音響モデルを取得するために、単音素音響モデルから始めてプログレッシブトレーニングを実行する動作と、
言語モデルを獲得し、言語モデルと、トレーニングにより取得された音響モデルとを使用することにより、音声デコーディングネットワークを構築する動作と
を実行するようにプロセッサにより実行可能であることを特徴とする。
を認識するために、モデルトレーニングを介して式(1)内の未知のパラメータの決定値、すなわち、GMM-HMMのパラメータの決定値を獲得する必要があり、GMM-HMMのパラメータは、混合ガウスの重みλm、共分散εm及び遷移確率aijを含む。
数字音声記録により取得されたトレーニングデータを獲得するように構成されたトレーニングデータ獲得モジュールであり、トレーニングデータは、複数の音声セグメントを含むトレーニングデータ獲得モジュール410と、
各音声セグメントに対応する特徴系列を取得するために、トレーニングデータにおいて音響特徴抽出を実行するように構成された音響特徴抽出モジュール430と、
特徴系列と、トレーニングデータ内の数字とに従って、音響モデルを取得するために、単音素音響モデルから始めてプログレッシブトレーニングを実行するように構成された音響モデル獲得モジュール450と、
言語モデルを獲得し、言語モデルと、トレーニングにより取得された音響モデルとを使用することにより、音声デコーディングネットワークを構築するように構成された言語モデル獲得モジュール470と
を含む。
トレーニングデータを取得するために、予め設定された条件に従って、複数の数字を含む音声セグメントを記録するように構成されたトレーニングデータ記録モジュール
を更に含む。
各音声セグメントに含まれるいくつかの音声フレームを取得するために、予め設定された長さに従って各音声セグメントをセグメント化するように構成された音声セグメントセグメント化ユニット431と、
音声セグメントに含まれる複数の音声フレームのそれぞれについてMFCC特徴及びPITCH特徴を抽出し、MFCC特徴及びPITCH特徴を介して各音声フレームの特徴ベクトルを取得するために計算し、各音声セグメントに対応する特徴系列を更に構成するように構成された特徴系列生成ユニット433と
を含む。
トレーニングデータの音声セグメントから数字に対応する単音素を獲得するように構成された単音素獲得ユニット451と、
単音素に対応する単音素音響モデルを取得するために、単音素の分割状態に従って音声セグメントに対応する特徴系列に対して音響モデル化及びトレーニングを実行するように構成された第1のモデル獲得ユニット453と、
2次トレーニングデータを取得するために、単音素音響モデルを使用することによりトレーニングデータを認識するように構成された認識ユニット455と、
2次トレーニングデータ内の音声セグメントに含まれる数字に従って、対応する三音素を取得するように構成された三音素獲得ユニット457と、
三音素に対応する音響モデルを取得するために、三音素の分割状態に従って、音声セグメントに対応する特徴系列に対して音響モデル化及びトレーニングを実行するように構成された第2のモデル獲得ユニット459と
を含む。
単音素の分割状態を取得するために、HMMを使用することにより単音素に対して状態記述を実行するように構成された第1の状態記述ユニット4531と、
GMM-HMMを取得するために、単音素の分割状態に基づいて、GMMを使用することにより特徴系列をモデル化するように構成された第1のモデル化ユニット4533と、
GMM-HMMのパラメータをランダムに初期化し、期待値最大化アルゴリズムを使用することにより、ランダムな初期化により取得されたパラメータに対して繰り返し最適化を実行するように構成された第1のトレーニングユニット4535と、
を含む。
三音素の分割状態を取得するために、HMMを使用することにより三音素に対して状態記述を実行するように構成された第2の状態記述ユニット4591と、
三音素の分割状態に基づいてGMM-HMMを取得するために、GMMを使用することにより特徴系列をモデル化するように構成された第2のモデル化ユニット4593と、
2次トレーニングデータに従ってGMM-HMMのパラメータに対してパラメータ推定を実行し、期待値最大化アルゴリズムを使用することにより、パラメータ推定により取得されたパラメータに対して繰り返し最適化を実行するように構成された第2のトレーニングユニット4595と
を含む。
Claims (15)
- 数字の音声認識における音声デコーディングネットワークを構築するための方法であって、
数字の音声記録により取得されたトレーニングデータを獲得する動作であり、前記トレーニングデータは、複数の音声セグメントを含み、各音声セグメントは、複数の数字の音声を含む動作と、
各音声セグメントに対応する特徴系列を取得するために、前記トレーニングデータに対して音響特徴抽出を実行する動作と、
前記特徴系列と、前記トレーニングデータ内の数字に対応する音素とに従って、音響モデルを取得するために、単音素音響モデルから始めてプログレッシブトレーニングを実行する動作であって、前記プログレッシブトレーニングとは、単音素に基づいて1次音響モデル化及びトレーニングを行うことで単音素音響モデルを獲得して、前記単音素音響モデルにより獲得された三音素に基づいて2次音響モデル化及びトレーニングを行うことであり、前記三音素が前記単音素音響モデルにより獲得されることは、単音素音響モデルにより前記トレーニングデータを認識して2次トレーニングデータを獲得して、前記2次トレーニングデータ内の音声セグメントに含まれる数字により前記三音素を獲得することを含む動作と、
言語モデルを獲得し、前記言語モデルと、トレーニングにより取得された前記音響モデルとを使用することにより、音声デコーディングネットワークを構築する動作と
を含む方法。 - 数字の音声記録により取得されたトレーニングデータを獲得する前記動作の前に、前記方法はまた、
予め設定された条件に従って、トレーニングデータを取得するために、複数の数字を含む音声セグメントを記録する動作であり、前記トレーニングデータ内の前記複数の音声セグメントは、同じ人に対応する動作を含む、請求項1に記載の方法。 - 各音声セグメントに対応する特徴系列を取得するために、前記トレーニングデータに対して音響特徴抽出を実行する前記動作は、
各音声セグメントに含まれる複数の音声フレームを取得するために、予め設定された長さに従って各音声セグメントをセグメント化する動作と、
前記音声セグメントに含まれる複数の音声フレームのそれぞれからメル周波数ケプストラム係数(MFCC)特徴及びピッチ(PITCH)特徴を抽出し、前記MFCC特徴及びPITCH特徴を介して各音声フレームの特徴ベクトルを取得ために計算し、各音声セグメントに対応する特徴系列を更に構成する動作と
を含む、請求項1に記載の方法。 - モデルトレーニングのための入力として前記特徴系列を使用し、モデル化単位として前記トレーニングデータ内の数字に対応する音素を使用することにより、音響モデルを取得するために、単音素音響モデルから始めてプログレッシブトレーニングを実行する前記動作は、
前記トレーニングデータの前記音声セグメントから数字に対応する単音素を獲得する動作と、
前記単音素に対応する単音素音響モデルを取得するために、前記単音素の分割状態に従って前記音声セグメントに対応する前記特徴系列に対して音響モデル化及びトレーニングを実行する動作と、
2次トレーニングデータを取得するために、前記単音素音響モデルを使用することにより前記トレーニングデータを認識する動作と、
前記2次トレーニングデータ内の前記音声セグメントに含まれる前記数字に従って、対応する三音素を取得する動作と、
前記三音素に対応する音響モデルを取得するために、前記三音素の分割状態に従って、前記音声セグメントに対応する前記特徴系列に対して音響モデル化及びトレーニングを実行する動作と
を含む、請求項1に記載の方法。 - 前記単音素に対応する単音素音響モデルを取得するために、前記単音素の分割状態に従って前記音声セグメントに対応する前記特徴系列に対して音響モデル化及びトレーニングを実行する前記動作は、
前記単音素の前記分割状態を取得するために、隠れマルコフモデル(HMM)を使用することにより前記単音素に対して状態記述を実行する動作と、
GMM-HMMを取得するために、前記単音素の前記分割状態に基づいて、混合ガウスモデル(GMM)を使用することにより前記特徴系列をモデル化する動作と、
前記GMM-HMMのパラメータをランダムに初期化し、期待値最大化アルゴリズムを使用することにより、ランダムな初期化により取得された前記パラメータに対して繰り返し最適化を実行する動作と、
前記最適化されたパラメータが前記GMM-HMMが収束するのを可能にするときに、前記GMM-HMMが前記単音素音響モデルであると決定する動作と
を含む、請求項4に記載の方法。 - 前記三音素に対応する音響モデルを取得するために、前記三音素の分割状態に従って、前記音声セグメントに対応する前記特徴系列に対して音響モデル化及びトレーニングを実行する前記動作は、
前記三音素の前記分割状態を取得するために、HMMを使用することにより前記三音素に対して状態記述を実行する動作と、
前記三音素の前記分割状態に基づいてGMM-HMMを取得するために、GMMを使用することにより前記特徴系列をモデル化する動作と、
前記2次トレーニングデータに従って前記GMM-HMMのパラメータに対してパラメータ推定を実行し、期待値最大化アルゴリズムを使用することにより、パラメータ推定により取得された前記パラメータに対して繰り返し最適化を実行する動作と、
前記最適化されたパラメータが前記GMM-HMMが収束するのを可能にするときに、前記GMM-HMMが前記音響モデルであると決定する動作と
を含む、請求項4に記載の方法。 - 前記言語モデルは、前記トレーニングデータ内の前記数字のマッチング関係をモデル化することにより取得され、前記マッチング関係は、前記トレーニングデータ内の前記数字と電話番号配置ルールとの間のマッチング関係、又は前記トレーニングデータ内の前記数字とランダムコードの予め規定されたリストとの間のマッチング関係を含む、請求項1に記載の方法。
- 数字の音声認識における音声デコーディングネットワークを構築するための装置であって、
数字の音声記録により取得されたトレーニングデータを獲得するように構成されたトレーニングデータ獲得モジュールであり、前記トレーニングデータは、複数の音声セグメントを含み、各音声セグメントは、複数の数字の音声を含むトレーニングデータ獲得モジュールと、
各音声セグメントに対応する特徴系列を取得するために、前記トレーニングデータに対して音響特徴抽出を実行するように構成された音響特徴抽出モジュールと、
前記特徴系列と、前記トレーニングデータ内の数字に対応する音素とに従って、音響モデルを取得するために、単音素音響モデルから始めてプログレッシブトレーニングを実行するように構成された音響モデル獲得モジュールであって、前記プログレッシブトレーニングとは、単音素に基づいて1次音響モデル化及びトレーニングを行うことで単音素音響モデルを獲得して、前記単音素音響モデルにより獲得された三音素に基づいて2次音響モデル化及びトレーニングを行うことであり、前記三音素が前記単音素音響モデルにより獲得されることは、単音素音響モデルにより前記トレーニングデータを認識して2次トレーニングデータを獲得して、前記2次トレーニングデータ内の音声セグメントに含まれる数字により前記三音素を獲得することを含む音響モデル獲得モジュールと、
言語モデルを獲得し、前記言語モデルと、トレーニングにより取得された前記音響モデルとを使用することにより、音声デコーディングネットワークを構築するように構成された言語モデル獲得モジュールと
を含む装置。 - トレーニングデータを取得するために、予め設定された条件に従って、複数の数字を含む音声セグメントを記録するように構成されたトレーニングデータ記録モジュールであり、前記トレーニングデータ内の前記複数の音声セグメントは、同じ人に対応するトレーニングデータ記録モジュールを更に含む、請求項8に記載の装置。
- 前記音響特徴抽出モジュールは、
各音声セグメントに含まれる複数の音声フレームを取得するために、予め設定された長さに従って各音声セグメントをセグメント化するように構成された音声セグメントセグメント化ユニットと、
前記音声セグメントに含まれる複数の音声フレームのそれぞれについてMFCC特徴及びPITCH特徴を抽出し、前記MFCC特徴及びPITCH特徴を介して各音声フレームの特徴ベクトルを取得するために計算し、各音声セグメントに対応する特徴系列を更に構成するように構成された特徴系列生成ユニットと
を含む、請求項8に記載の装置。 - 前記音響モデル獲得モジュールは、
前記トレーニングデータの前記音声セグメントから数字に対応する単音素を獲得するように構成された単音素獲得ユニットと、
前記単音素に対応する単音素音響モデルを取得するために、前記単音素の分割状態に従って前記音声セグメントに対応する前記特徴系列に対して音響モデル化及びトレーニングを実行するように構成された第1のモデル獲得ユニットと、
2次トレーニングデータを取得するために、前記単音素音響モデルを使用することにより前記トレーニングデータを認識するように構成された認識ユニットと、
前記2次トレーニングデータ内の前記音声セグメントに含まれる前記数字に従って、対応する三音素を取得するように構成された三音素獲得ユニットと、
前記三音素に対応する音響モデルを取得するために、前記三音素の分割状態に従って、前記音声セグメントに対応する前記特徴系列に対して音響モデル化及びトレーニングを実行するように構成された第2のモデル獲得ユニットと
を含む、請求項8に記載の装置。 - 前記第1のモデル獲得ユニットは、
前記単音素の前記分割状態を取得するために、HMMを使用することにより前記単音素に対して状態記述を実行するように構成された第1の状態記述ユニットと、
GMM-HMMを取得するために、前記単音素の前記分割状態に基づいて、GMMを使用することにより前記特徴系列をモデル化するように構成された第1のモデル化ユニットと、
前記GMM-HMMのパラメータをランダムに初期化し、期待値最大化アルゴリズムを使用することにより、ランダムな初期化により取得された前記パラメータに対して繰り返し最適化を実行するように構成された第1のトレーニングユニットと
を含み、
前記最適化されたパラメータが前記GMM-HMMが収束するのを可能にするときに、前記GMM-HMMが前記単音素音響モデルであると決定される、請求項11に記載の装置。 - 前記第2のモデル獲得ユニットは、
前記三音素の前記分割状態を取得するために、HMMを使用することにより前記三音素に対して状態記述を実行するように構成された第2の状態記述ユニットと、
前記三音素の前記分割状態に基づいてGMM-HMMを取得するために、GMMを使用することにより前記特徴系列をモデル化するように構成された第2のモデル化ユニットと、
前記2次トレーニングデータに従って前記GMM-HMMのパラメータに対してパラメータ推定を実行し、期待値最大化アルゴリズムを使用することにより、パラメータ推定により取得された前記パラメータに対して繰り返し最適化を実行するように構成された第2のトレーニングユニットと
を含み、
前記最適化されたパラメータが前記GMM-HMMが収束するのを可能にするときに、前記GMM-HMMが前記音響モデルであると決定される、請求項11に記載の装置。 - 前記言語モデルは、前記トレーニングデータ内の前記数字のマッチング関係をモデル化することにより取得され、前記マッチング関係は、前記トレーニングデータ内の前記数字と電話番号配置ルールとの間のマッチング関係、又は前記トレーニングデータ内の前記数字とランダムコードの予め規定されたリストとの間のマッチング関係を含む、請求項8に記載の装置。
- 機械読み取り可能命令を記憶する不揮発性コンピュータ読み取り可能記憶媒体であって、
前記機械読み取り可能命令が以下の動作、すなわち、
数字の音声記録により取得されたトレーニングデータを獲得する動作であり、前記トレーニングデータは、複数の音声セグメントを含み、各音声セグメントは、複数の数字の音声を含む動作と、
各音声セグメントに対応する特徴系列を取得するために、前記トレーニングデータに対して音響特徴抽出を実行する動作と、
前記特徴系列と、前記トレーニングデータ内の数字に対応する音素とに従って、音響モデルを取得するために、単音素音響モデルから始めてプログレッシブトレーニングを実行する動作であって、前記プログレッシブトレーニングとは、単音素に基づいて1次音響モデル化及びトレーニングを行うことで単音素音響モデルを獲得して、前記単音素音響モデルにより獲得された三音素に基づいて2次音響モデル化及びトレーニングを行うことであり、前記三音素が前記単音素音響モデルにより獲得されることは、単音素音響モデルにより前記トレーニングデータを認識して2次トレーニングデータを獲得して、前記2次トレーニングデータ内の音声セグメントに含まれる数字により前記三音素を獲得することを含む動作と、
言語モデルを獲得し、前記言語モデルと、トレーニングにより取得された前記音響モデルとを使用することにより、音声デコーディングネットワークを構築する動作と
を実行するようにプロセッサにより実行可能である不揮発性コンピュータ読み取り可能記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188168.9A CN105869624B (zh) | 2016-03-29 | 2016-03-29 | 数字语音识别中语音解码网络的构建方法及装置 |
CN201610188168.9 | 2016-03-29 | ||
PCT/CN2017/074926 WO2017166966A1 (zh) | 2016-03-29 | 2017-02-27 | 数字语音识别中语音解码网络的构建方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019504355A JP2019504355A (ja) | 2019-02-14 |
JP6665305B2 true JP6665305B2 (ja) | 2020-03-13 |
Family
ID=56626403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018533636A Active JP6665305B2 (ja) | 2016-03-29 | 2017-02-27 | 数字音声認識における音声デコーディングネットワークを構築するための方法、装置及び記憶媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10699699B2 (ja) |
EP (1) | EP3438973B1 (ja) |
JP (1) | JP6665305B2 (ja) |
KR (1) | KR102134201B1 (ja) |
CN (1) | CN105869624B (ja) |
WO (1) | WO2017166966A1 (ja) |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869624B (zh) * | 2016-03-29 | 2019-05-10 | 腾讯科技(深圳)有限公司 | 数字语音识别中语音解码网络的构建方法及装置 |
CN106570461A (zh) * | 2016-10-21 | 2017-04-19 | 哈尔滨工业大学深圳研究生院 | 基于唇动认证的视频帧图片提取方法及系统 |
CN106504756B (zh) * | 2016-12-02 | 2019-05-24 | 珠海市杰理科技股份有限公司 | 嵌入式语音识别系统及方法 |
CN106653003A (zh) * | 2016-12-26 | 2017-05-10 | 北京云知声信息技术有限公司 | 语音识别方法及装置 |
CN108364635B (zh) * | 2017-01-25 | 2021-02-12 | 北京搜狗科技发展有限公司 | 一种语音识别的方法和装置 |
CN107633842B (zh) * | 2017-06-12 | 2018-08-31 | 平安科技(深圳)有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
CN107170444A (zh) * | 2017-06-15 | 2017-09-15 | 上海航空电器有限公司 | 航空座舱环境自适应语音特征模型训练方法 |
CN107680582B (zh) * | 2017-07-28 | 2021-03-26 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
CN108932941B (zh) * | 2017-10-13 | 2020-07-03 | 北京猎户星空科技有限公司 | 语音识别方法、装置及计算机设备、存储介质及程序产品 |
CN107680597B (zh) * | 2017-10-23 | 2019-07-09 | 平安科技(深圳)有限公司 | 语音识别方法、装置、设备以及计算机可读存储介质 |
CN108417202B (zh) * | 2018-01-19 | 2020-09-01 | 苏州思必驰信息科技有限公司 | 语音识别方法及系统 |
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 |
CN110610695B (zh) * | 2018-05-28 | 2022-05-17 | 宁波方太厨具有限公司 | 一种基于孤立词的语音识别方法及应用有该方法的吸油烟机 |
CN110634472B (zh) * | 2018-06-21 | 2024-06-04 | 中兴通讯股份有限公司 | 一种语音识别方法、服务器及计算机可读存储介质 |
CN110942763B (zh) * | 2018-09-20 | 2023-09-12 | 阿里巴巴集团控股有限公司 | 语音识别方法及装置 |
CN109040466B (zh) * | 2018-09-20 | 2021-03-26 | 李庆湧 | 基于语音的移动终端解锁方法、装置、电子设备以及存储介质 |
CN109119072A (zh) * | 2018-09-28 | 2019-01-01 | 中国民航大学 | 基于dnn-hmm的民航陆空通话声学模型构建方法 |
CN109360554A (zh) * | 2018-12-10 | 2019-02-19 | 广东潮庭集团有限公司 | 一种基于语深度神经网络的语言识别方法 |
CN111462732B (zh) * | 2019-01-21 | 2024-04-09 | 阿里巴巴集团控股有限公司 | 语音识别方法和装置 |
CN111583910B (zh) * | 2019-01-30 | 2023-09-26 | 北京猎户星空科技有限公司 | 模型更新方法、装置、电子设备及存储介质 |
CN111583906B (zh) * | 2019-02-18 | 2023-08-15 | 中国移动通信有限公司研究院 | 一种语音会话的角色识别方法、装置及终端 |
CN110110580B (zh) * | 2019-03-12 | 2023-04-07 | 西北大学 | 一种面向Wi-Fi信号的手语孤立词识别网络构建及分类方法 |
CN110428819B (zh) * | 2019-05-21 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 解码网络生成方法、语音识别方法、装置、设备及介质 |
CN112152741B (zh) * | 2019-06-28 | 2021-11-19 | 华为技术有限公司 | 信道模型的训练方法及装置 |
CN110322884B (zh) * | 2019-07-09 | 2021-12-07 | 科大讯飞股份有限公司 | 一种解码网络的插词方法、装置、设备及存储介质 |
JP7326983B2 (ja) * | 2019-08-13 | 2023-08-16 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及び情報処理プログラム |
CN110415685A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 一种语音识别方法 |
CN110534095B (zh) | 2019-08-22 | 2020-10-23 | 百度在线网络技术(北京)有限公司 | 语音识别方法、装置、设备以及计算机可读存储介质 |
CN112447168A (zh) * | 2019-09-05 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 语音识别系统、方法、音箱、显示设备和交互平台 |
CN110751945A (zh) * | 2019-10-17 | 2020-02-04 | 成都三零凯天通信实业有限公司 | 一种端到端的语音识别方法 |
CN110853629A (zh) * | 2019-11-21 | 2020-02-28 | 中科智云科技有限公司 | 一种基于深度学习的语音识别数字的方法 |
CN111179917B (zh) * | 2020-01-17 | 2023-01-03 | 厦门快商通科技股份有限公司 | 语音识别模型训练方法、系统、移动终端及存储介质 |
CN112750425B (zh) * | 2020-01-22 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 语音识别方法、装置、计算机设备及计算机可读存储介质 |
KR102605159B1 (ko) * | 2020-02-11 | 2023-11-23 | 주식회사 케이티 | 음성 인식 서비스를 제공하는 서버, 방법 및 컴퓨터 프로그램 |
CN111785256A (zh) * | 2020-06-28 | 2020-10-16 | 北京三快在线科技有限公司 | 声学模型训练方法、装置、电子设备及存储介质 |
CN112562691B (zh) * | 2020-11-27 | 2024-07-02 | 平安科技(深圳)有限公司 | 一种声纹识别的方法、装置、计算机设备及存储介质 |
CN112815957A (zh) * | 2020-12-31 | 2021-05-18 | 出门问问(武汉)信息科技有限公司 | 一种语音识别路径规划方法、系统及平台 |
CN112394982B (zh) * | 2021-01-21 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 生成语音识别系统的方法、装置、介质及电子设备 |
CN113129868B (zh) * | 2021-03-12 | 2022-02-25 | 北京百度网讯科技有限公司 | 获取语音识别模型的方法、语音识别的方法及对应装置 |
CN113192487B (zh) * | 2021-04-30 | 2024-05-03 | 平安科技(深圳)有限公司 | 支持多语言混合的语音识别方法、装置、设备及存储介质 |
CN113724698B (zh) * | 2021-09-01 | 2024-01-30 | 马上消费金融股份有限公司 | 语音识别模型的训练方法、装置、设备及存储介质 |
CN113838456B (zh) * | 2021-09-28 | 2024-05-31 | 中国科学技术大学 | 音素提取方法、语音识别方法、装置、设备及存储介质 |
CN113870848B (zh) * | 2021-12-02 | 2022-04-26 | 深圳市友杰智新科技有限公司 | 语音建模单元的构建方法、装置和计算机设备 |
EP4394762A1 (en) * | 2022-11-02 | 2024-07-03 | Samsung Electronics Co., Ltd. | Electronic device, and voice recognition method of electronic device |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0827638B2 (ja) | 1988-07-20 | 1996-03-21 | 日本電気株式会社 | 音素を単位とした音声認識装置 |
JPH11143490A (ja) * | 1997-11-10 | 1999-05-28 | Sony Corp | 音声操作機能付き電子機器、電子機器における音声操作方法、及び音声操作機能付き電子機器を備える自動車 |
US7725307B2 (en) * | 1999-11-12 | 2010-05-25 | Phoenix Solutions, Inc. | Query engine for processing voice based queries including semantic decoding |
JP3426176B2 (ja) * | 1999-12-27 | 2003-07-14 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 音声認識装置、方法、コンピュータ・システム及び記憶媒体 |
US7587321B2 (en) * | 2001-05-08 | 2009-09-08 | Intel Corporation | Method, apparatus, and system for building context dependent models for a large vocabulary continuous speech recognition (LVCSR) system |
US7269563B2 (en) * | 2003-05-12 | 2007-09-11 | Motorola, Inc. | String matching of locally stored information for voice dialing on a cellular telephone |
CN1674092B (zh) * | 2004-03-26 | 2010-06-09 | 松下电器产业株式会社 | 连续数字识别的声韵母跨词建模、解码方法及系统 |
JP4541781B2 (ja) * | 2004-06-29 | 2010-09-08 | キヤノン株式会社 | 音声認識装置および方法 |
US8335688B2 (en) * | 2004-08-20 | 2012-12-18 | Multimodal Technologies, Llc | Document transcription system training |
KR100717401B1 (ko) * | 2006-03-02 | 2007-05-11 | 삼성전자주식회사 | 역방향 누적 히스토그램을 이용한 음성 특징 벡터의 정규화방법 및 그 장치 |
CN101030369B (zh) * | 2007-03-30 | 2011-06-29 | 清华大学 | 基于子词隐含马尔可夫模型的嵌入式语音识别方法 |
WO2009025356A1 (ja) | 2007-08-22 | 2009-02-26 | Nec Corporation | 音声認識装置および音声認識方法 |
CN101826325B (zh) * | 2010-03-10 | 2012-04-18 | 华为终端有限公司 | 对中英文语音信号进行识别的方法和装置 |
CN102339605B (zh) * | 2010-07-22 | 2015-07-15 | 上海果壳电子有限公司 | 基于先验清浊知识的基频提取方法及系统 |
US20130158999A1 (en) | 2010-11-30 | 2013-06-20 | Mitsubishi Electric Corporation | Voice recognition apparatus and navigation system |
CN103165129B (zh) * | 2011-12-13 | 2015-07-01 | 北京百度网讯科技有限公司 | 一种优化语音识别声学模型的方法及系统 |
US9966064B2 (en) * | 2012-07-18 | 2018-05-08 | International Business Machines Corporation | Dialect-specific acoustic language modeling and speech recognition |
WO2014025682A2 (en) * | 2012-08-07 | 2014-02-13 | Interactive Intelligence, Inc. | Method and system for acoustic data selection for training the parameters of an acoustic model |
CN103971678B (zh) * | 2013-01-29 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 关键词检测方法和装置 |
CN103971685B (zh) * | 2013-01-30 | 2015-06-10 | 腾讯科技(深圳)有限公司 | 语音命令识别方法和系统 |
CN103971686B (zh) * | 2013-01-30 | 2015-06-10 | 腾讯科技(深圳)有限公司 | 自动语音识别方法和系统 |
CN104217717B (zh) * | 2013-05-29 | 2016-11-23 | 腾讯科技(深圳)有限公司 | 构建语言模型的方法及装置 |
CN104143327B (zh) * | 2013-07-10 | 2015-12-09 | 腾讯科技(深圳)有限公司 | 一种声学模型训练方法和装置 |
CN103578464B (zh) * | 2013-10-18 | 2017-01-11 | 威盛电子股份有限公司 | 语言模型的建立方法、语音辨识方法及电子装置 |
CN104575497B (zh) * | 2013-10-28 | 2017-10-03 | 中国科学院声学研究所 | 一种声学模型建立方法及基于该模型的语音解码方法 |
US9881609B2 (en) * | 2014-04-18 | 2018-01-30 | General Motors Llc | Gesture-based cues for an automatic speech recognition system |
US10146853B2 (en) * | 2015-05-15 | 2018-12-04 | International Business Machines Corporation | Determining entity relationship when entities contain other entities |
US9916296B2 (en) * | 2015-09-24 | 2018-03-13 | International Business Machines Corporation | Expanding entity and relationship patterns to a collection of document annotators using run traces |
CN105869624B (zh) * | 2016-03-29 | 2019-05-10 | 腾讯科技(深圳)有限公司 | 数字语音识别中语音解码网络的构建方法及装置 |
-
2016
- 2016-03-29 CN CN201610188168.9A patent/CN105869624B/zh active Active
-
2017
- 2017-02-27 KR KR1020187019678A patent/KR102134201B1/ko active IP Right Grant
- 2017-02-27 WO PCT/CN2017/074926 patent/WO2017166966A1/zh active Application Filing
- 2017-02-27 EP EP17772997.7A patent/EP3438973B1/en active Active
- 2017-02-27 JP JP2018533636A patent/JP6665305B2/ja active Active
-
2018
- 2018-05-30 US US15/993,332 patent/US10699699B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN105869624B (zh) | 2019-05-10 |
KR20180091903A (ko) | 2018-08-16 |
EP3438973A4 (en) | 2019-03-27 |
EP3438973B1 (en) | 2020-07-15 |
CN105869624A (zh) | 2016-08-17 |
EP3438973A1 (en) | 2019-02-06 |
WO2017166966A1 (zh) | 2017-10-05 |
JP2019504355A (ja) | 2019-02-14 |
WO2017166966A9 (zh) | 2018-06-14 |
US20180277103A1 (en) | 2018-09-27 |
KR102134201B1 (ko) | 2020-07-15 |
US10699699B2 (en) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6665305B2 (ja) | 数字音声認識における音声デコーディングネットワークを構築するための方法、装置及び記憶媒体 | |
Arora et al. | Automatic speech recognition: a review | |
Gaikwad et al. | A review on speech recognition technique | |
KR100755677B1 (ko) | 주제 영역 검출을 이용한 대화체 음성 인식 장치 및 방법 | |
US9165555B2 (en) | Low latency real-time vocal tract length normalization | |
JP6284462B2 (ja) | 音声認識方法、及び音声認識装置 | |
Gulzar et al. | A systematic analysis of automatic speech recognition: an overview | |
US20110218802A1 (en) | Continuous Speech Recognition | |
Sahu et al. | A study on automatic speech recognition toolkits | |
Singhal et al. | Automatic speech recognition for connected words using DTW/HMM for English/Hindi languages | |
Sharma et al. | Soft-Computational Techniques and Spectro-Temporal Features for Telephonic Speech Recognition: an overview and review of current state of the art | |
US20240212673A1 (en) | Keyword spotting method based on neural network | |
Ajayi et al. | Systematic review on speech recognition tools and techniques needed for speech application development | |
Tun et al. | A speech recognition system for Myanmar digits | |
Tan et al. | Integration of articulatory knowledge and voicing features based on DNN/HMM for Mandarin speech recognition | |
Gunasekara et al. | Real-time translation of discrete sinhala speech to unicode text | |
Ananthakrishna et al. | Effect of time-domain windowing on isolated speech recognition system performance | |
Khalifa et al. | Statistical modeling for speech recognition | |
Pai et al. | Application of HMM-based chinese speech recognition on internet of things for smart home systems [J] | |
KR100776730B1 (ko) | 가우시안 믹스쳐 모델을 사용하는 비핵심어 모델링부를포함하는 화자독립 가변어휘 핵심어 검출 시스템 및 그방법 | |
Ramachandrula et al. | Implementation of Discrete HMMs for Isolated Spoken Word Recognition | |
Raj et al. | Design and implementation of speech recognition systems | |
Frikha et al. | Hidden Markov models (HMMs) isolated word recognizer with the optimization of acoustical analysis and modeling techniques | |
Ibrahim et al. | A comparative survey of DTW and HMM using Hausa isolated digits recognition in human computer interaction sytem | |
Jahan et al. | An Efficient Method for Improving Automatic Speech Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180625 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190521 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190813 |
|
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: 20200121 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200219 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6665305 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |