[發(fā)明專利]一種語音識別方法、裝置、設備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010418728.1
• 申請日: 2020-05-18
• 公開（公告）號: CN111583909A
• 公開（公告）日: 2020-08-25
• 發(fā)明（設計）人: 熊世富;劉聰;魏思;劉慶峰;高建清;潘嘉
• 申請（專利權(quán)）人: 科大訊飛股份有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/06;G10L15/22;G10L15/26;G10L25/03
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 楊華

本申請?zhí)峁┝艘环N語音識別方法、裝置、設備及存儲介質(zhì)，本申請配置有熱詞庫，在對待識別語音進行識別過程，基于待識別語音及熱詞庫，確定當前解碼時刻所需的音頻相關特征，由于音頻相關特征確定過程利用了熱詞信息，如果當前解碼時刻的語音片段中包含某個熱詞，則確定的音頻相關特征中能夠包含該熱詞對應的完整音頻信息，進一步基于該音頻相關特征從熱詞庫中確定當前解碼時刻所需的熱詞相關特征，熱詞相關特征能夠準確表示當前解碼時刻的語音片段是否包含熱詞以及具體包含哪個熱詞，最終基于音頻相關特征和熱詞相關特征，確定待識別語音在當前解碼時刻的識別結(jié)果，該識別結(jié)果對熱詞的識別更加準確。

技術領域

本申請涉及語音識別技術領域，尤其涉及一種語音識別方法、裝置、設備及存儲介質(zhì)。

背景技術

語音識別即對輸入的語音數(shù)據(jù)進行識別，已得到語音對應的識別文本內(nèi)容。隨著深度學習序列建模的發(fā)展，端到端建模方法成為語音識別領域的研究熱點。

如圖1示例的現(xiàn)有基于注意力機制的端到端語音識別框架，能夠?qū)斎胝Z音進行編碼，并基于注意力機制對編碼音頻進行處理，經(jīng)過解碼、分類得到輸入語音對應的識別文本。這種語音識別方法對訓練數(shù)據(jù)的需求量很大，導致訓練后的模型出現(xiàn)過度自信(over-confidence)的問題，表現(xiàn)在模型上就是計算出的后驗概率得分很尖銳，也即對于高頻詞的識別效果很好，得分很高；但是對于低頻詞的識別效果很差，得分很低。對于一些熱詞如，專業(yè)名詞、專業(yè)術語、日常社會活動中產(chǎn)生的實時熱點詞匯，相對于模型來說就屬于低頻詞，對于此類熱詞模型的識別效果很差。

發(fā)明內(nèi)容

有鑒于此，本申請?zhí)峁┝艘环N語音識別方法、裝置、設備及存儲介質(zhì)，用以解決現(xiàn)有語音識別方案對熱詞識別效果差的問題，其技術方案如下：

一種語音識別方法，包括：

獲取待識別語音以及配置的熱詞庫；

基于所述待識別語音及所述熱詞庫，確定當前解碼時刻所需的音頻相關特征；

基于所述音頻相關特征，從所述熱詞庫中確定當前解碼時刻所需的熱詞相關特征；

基于所述音頻相關特征和所述熱詞相關特征，確定所述待識別語音在當前解碼時刻的識別結(jié)果。

優(yōu)選地，所述基于所述待識別語音及所述熱詞庫，確定當前解碼時刻所需的音頻相關特征，包括：

獲取當前解碼時刻之前的已解碼結(jié)果信息；

基于所述已解碼結(jié)果信息及所熱詞庫，從所述待識別語音中確定當前解碼時刻所需的音頻相關特征。

優(yōu)選地，所述基于所述待識別語音及所述熱詞庫，確定當前解碼時刻所需的音頻相關特征；基于所述音頻相關特征，從所述熱詞庫中確定當前解碼時刻所需的熱詞相關特征；基于所述音頻相關特征和所述熱詞相關特征，確定所述待識別語音在當前解碼時刻的識別結(jié)果的過程，包括：

利用預先訓練的語音識別模型處理所述待識別語音及所述熱詞庫，得到語音識別模型輸出的待識別語音的識別結(jié)果，其中：

所述語音識別模型具備接收并處理待識別語音及熱詞庫，以輸出待識別語音的識別結(jié)果的能力。

優(yōu)選地，所述語音識別模型包括音頻編碼器模塊、熱詞編碼器模塊、聯(lián)合注意力模塊、解碼器模塊及分類器模塊；

所述音頻編碼器模塊對所述待識別語音進行編碼，得到音頻編碼結(jié)果；所述熱詞編碼器模塊對所述熱詞庫中各熱詞進行編碼，得到熱詞編碼結(jié)果；

所述聯(lián)合注意力模塊接收并處理所述音頻編碼結(jié)果和所述熱詞編碼結(jié)果，得到當前解碼時刻所需的拼接特征，所述拼接特征包括音頻相關特征和熱詞相關特征；

所述解碼器模塊接收并處理所述當前解碼時刻所需的拼接特征，得到解碼器模塊當前解碼時刻的輸出特征；