CN112712797A - 语音识别方法、装置、电子设备及可读存储介质 - Google Patents
语音识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112712797A CN112712797A CN202011600083.XA CN202011600083A CN112712797A CN 112712797 A CN112712797 A CN 112712797A CN 202011600083 A CN202011600083 A CN 202011600083A CN 112712797 A CN112712797 A CN 112712797A
- Authority
- CN
- China
- Prior art keywords
- voice
- speech
- model
- feature
- feature extraction
- 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 37
- 238000000605 extraction Methods 0.000 claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G10L15/08—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
- G10L15/02—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
- G10L15/26—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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及语音处理技术，揭露一种语音识别方法，包括：利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。本发明还涉及一种区块链技术，所述目标语音特征集可以存储在区块链中。本发明还提出一种语音识别装置、电子设备以及可读存储介质。本发明可以提高语音识别的准确性。
Description
技术领域
本发明涉及语音处理领域，尤其涉及一种语音识别方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能技术的发展，语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本的技术，通过语音识别技术使机器更容易理解语音命令，加快了人类生活智能化的进程，因此，语音识别技术越来越受到人们的重视。
但是目前的语音识别技术需要提取语音的梅尔频率倒谱系数特征，但是梅尔频率倒谱系数特征的对噪声非常敏感，噪声会使得梅尔频率倒谱系数特征下降比较显著，导致语音识别的准确性较低。
发明内容
本发明提供一种语音识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高语音识别的准确性。
为实现上述目的，本发明提供的一种语音识别方法，包括：
获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；
利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；
利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
可选地，所述利用所述语音特征提取模型对所述第二语音集进行声音特征提取得到语音特征集，包括：
对所述第二语音集中的每条语音进行重采样，得到对应的数字语音；
对所述数字语音进行预加重，得到对应的标准数字语音；
利用所述语音特征提取模型对所述标准数字语音进行特征提取，得到语音特征子集；
汇总所有的所述语音特征子集，得到所述语音特征集。
可选地，所述利用所述语音特征提取模型对所述标准数字语音进行特征提取，得到语音特征子集，包括：
按照预设的时间尺度将所述标准数字语音划分为多个语音段落，得到语音段落集；
利用所述语音特征提取模型对所述语音段落集中的每个所述语音段落进行特征提取，得到所述语音特征子集。
可选地，所述利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型，包括：
对所述语音特征集中包含的每个语音特征进行文字标记，得到训练集；
利用所述训练集对所述深度学习模型进行迭代训练，得到所述语音识别模型。
可选地，所述利用所述训练集对所述深度学习模型进行迭代训练，得到所述语音识别模型，包括：
特征提取步骤：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到特征集；
损失计算步骤：利用预设的激活函数对所述特征集进行计算得到预测值，将所述训练集中每个语音特征标记的文字进行向量化处理，得到标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
训练判断步骤：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述特征提取步骤；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述语音识别模型。
可选地，所述利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集，包括：
按照所述时间尺度将所述待识别语音划分为多个目标语音段落；
对每个所述每个目标语音段落进行序号标记，得到目标语音段落集；
利用所述语音特征提取模型对所述目标语音段落集中的每个所述目标语音段落进行语音特征提取，得到所述目标语音特征集。
可选地，所述利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本，包括：
利用所述语音识别模型对所述目标语音特征集中包含的每个目标语音特征进行识别得到对应的识别字符；
将所述识别字符按照所述目标语音段落集中对应的目标语音段落的序号进行顺序组合，得到所述识别文本。
为了解决上述问题，本发明还提供一种语音识别装置，所述装置包括：
特征提取模型构建模块，用于获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
语音识别模型构建模块，用于获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
语音识别模块，用于当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的语音识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的语音识别方法。
本发明实施例利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型，所述对比预测编码模型为无监督模型，训练样本获取简单成本低，因此，语音特征提取模型的特征提取能力更强，鲁棒性更高；获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集，通过依托语音特征提取模型节省了提高了深度学习模型训练数据的质量；利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型，通过依托语音特征提取模型节省了提高了深度学习模型训练数据的质量，提升了语音识别模型的语音识别能力；当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。因此，本发明实施例提出的语音识别方法、装置、电子设备及计算机可读存储介质提高了语音识别的准确性。
附图说明
图1为本发明一实施例提供的语音识别方法的流程示意图；
图2为本发明一实施例提供的语音识别方法中得到语音特征集的流程示意图；
图3为本发明一实施例提供的语音识别装置的模块示意图；
图4为本发明一实施例提供的实现语音识别方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种语音识别方法。所述语音识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述语音识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的语音识别方法的流程示意图，在本发明实施例中，所述语音识别方法包括：
S1、获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
本发明实施例中，所述第一语音集包含多语言、多方言、多背景噪音的语音集合。
进一步地，本发明实施例中，为了让所述对比预测编码模型具有语音特征提取能力，利用所述第一语音集对预设的对比预测编码模型进行迭代训练，直至所述对比预测编码模型收敛，得到所述语音特征提取模型。其中，所述对比预测编码模型为CPC(contrastive predictive coding，对比预测编码)模型，由于所述对比预测编码为无监督模型，不许要对训练数据进行标记，可以低成本的获取大量的训练数据，从而让模型具有更强的特征提取能力。
S2、获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；
本发明实施例中所述第二语音集，为具有对应文本标记的语音的集合。
进一步地，本发明实施例中，为了确定不同文字对应的语音特征，使后续语音识别更加的准确，对所述第二语音集进行特征提取，提取所述第二语音集中每条语音的语音特征，得到所述语音向量集。
详细地，本发明实施例中，参阅图2所示，利用所述语音特征提取模型对所述第二语音集进行声音特征提取，得到所述语音向量集，包括：
S11、对所述第二语音集中的每条语音进行重采样，得到对应的数字语音；
本发明实施例中，为了便于对所述第二语音集中的每条语音进行数据处理，对所述样本音频进行重采样，得到所述数字语音，较佳地，本发明实施例利用数模转换器对所述样本音频进行重采样。
S12、对所述数字语音进行预加重，得到标准数字语音；
详细地，本发明实施例利用如下公式进行所述预加重操作：
y(t)＝x(t)-μx(t-1)
其中，x(t)为所述数字语音，t为时间，y(t)为所述标准数字语音，μ为所述预加重操作的预设调节值，较佳地，μ的取值范围为[0.9,1.0]。
S13、利用所述语音特征提取模型对所述标准数字语音进行特征提取，得到语音特征子集；
详细地，由于不同的所述标准数字语音的时长可能不同，为了让语音的特征统一，便于后续的模型识别，按照预设的时间尺度将所述标准数字语音划分为多个语音段落，得到语音段落集，利用所述语音特征提取模型对所述语音段落集中的每个所述语音段落进行特征提取，得到所述语音特征子集。
S14、汇总所有的所述语音特征子集，得到所述语音特征集。
本发明实施例中将所有的所述语音特征进行汇总，得到所述语音特征集。
S3、利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
本发明实施例中，所述深度学习模型为卷积神经网络模型。
较佳地，本发明实施例对所述语音特征集中包含的每个语音特征进行文字标记，得到训练集，利用所述训练集对所述深度学习模型进行迭代训练，得到所述语音识别模型。
详细地，所述利用所述训练集对所述深度学习模型进行迭代训练，包括：
步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，将所述训练集中每个语音特征标记的文字进行向量化处理，得到标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
较佳地，本发明实施例中利用onehot编码将所述训练集中每个语音特征标记的文字转化为向量，得到所述标签值。
步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述语音识别模型。
详细地，本发明实施例中所述对所述训练集进行卷积池化操作得到第一特征集，包括：对所述训练集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。
进一步地，所述卷积操作为：
其中，ω’表示所述第一卷积数据集的通道数，ω表示所述训练集的通道数，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。
进一步地，本发明较佳实施例所述第一激活函数包括：
其中，μt表示所述预测值，s表示所述特征集中的数据。
S4、当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；
本发明实施例中，按照所述时间尺度将所述待识别语音划分为多个目标语音段落，并对每个所述每个目标语音段落进行序号标记，得到目标语音段落集，如：所述时间尺度为2秒，所述待识别语音共有6s，按照所述时间尺度将所述待识别语音划分为目标语音段落A、B、C，所述目标语音段落A为0-2s的语音，所述目标语音段落B为2-4s的语音，所述目标语音段落C为4-6s的语音，将所述目标语音段落A标记序号2，将所述目标语音段落B标记序号1，将所述目标语音段落C标记序号3，进一步地，本发明实施例利用所述语音特征提取模型对所述目标语音段落集中的每个所述目标语音段落进行语音特征提取，得到所述目标语音特征集。
本发明的另一实施例中，为了保证数据的隐私性，所述目标语音特征集可以存储在区块链节点中。
S6、利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
详细地，本发明实施例中利用所述语音识别模型对所述目标语音特征集中包含的每个目标语音特征进行识别得到对应的识别字符，将所述识别字符按照所述目标语音段落集中对应的目标语音段落的序号进行顺序组合，得到所述识别文本。如：所述目标语音段落中包含目标语音段落A、B、C，所述目标语音段落A对应的序号为2，所述目标语音段落B对应的序号为1，所述目标语音段落C对应的序号为3，所述目标语音段落A、B、C对应的目标语音特征分别为a、b、c，利用所述语音识别模型对所述目标语音特征a进行识别得到识别字符“是”，利用所述语音识别模型对所述目标语音特征b进行识别得到识别字符“我”，利用所述语音识别模型对所述目标语音特征c进行识别得到识别字符“谁”，将所述识别字符按照所述目标语音段落集中对应的目标语音段落的序号进行顺序组合，得到所述识别文本为“我是谁”。
如图3所示，是本发明语音识别装置的功能模块图。
本发明所述语音识别装置100可以安装于电子设备中。根据实现的功能，所述语音识别装置可以包括特征提取模型构建模块101、语音识别模型构建模块102、语音识别模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征提取模型构建模块101用于获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型。
本发明实施例中，所述第一语音集包含多语言、多方言、多背景噪音的语音集合。
进一步地，本发明实施例中，为了让所述对比预测编码模型具有语音特征提取能力，所述特征提取模型构建模块101利用所述第一语音集对预设的对比预测编码模型进行迭代训练，直至所述对比预测编码模型收敛，得到所述语音特征提取模型。其中，所述对比预测编码模型为CPC(contrastive predictive coding，对比预测编码)模型，由于所述对比预测编码为无监督模型，不许要对训练数据进行标记，可以低成本的获取大量的训练数据，从而让模型具有更强的特征提取能力。
所述语音识别模型构建模块102用于获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型。
本发明实施例中所述第二语音集，为具有对应文本标记的语音的集合。
进一步地，本发明实施例中，为了确定不同文字对应的语音特征，使后续语音识别更加的准确，所述语音识别模型构建模块102对所述第二语音集进行特征提取，提取所述第二语音集中每条语音的语音特征，得到所述语音向量集。
详细地，本发明实施例中，所述语音识别模型构建模块102利用下述手段对所述第二语音集进行声音特征提取，得到所述语音向量集，包括：
对所述第二语音集中的每条语音进行重采样，得到对应的数字语音；
本发明实施例中，为了便于对所述第二语音集中的每条语音进行数据处理，对所述样本音频进行重采样，得到所述数字语音，较佳地，本发明实施例利用数模转换器对所述样本音频进行重采样。
对所述数字语音进行预加重，得到标准数字语音；
详细地，本发明实施例利用如下公式进行所述预加重操作：
y(t)＝x(t)-μx(t-1)
其中，x(t)为所述数字语音，t为时间，y(t)为所述标准数字语音，μ为所述预加重操作的预设调节值，较佳地，μ的取值范围为[0.9,1.0]。
利用所述语音特征提取模型对所述标准数字语音进行特征提取，得到语音特征子集；
详细地，由于不同的所述标准数字语音的时长可能不同，为了让语音的特征统一，便于后续的模型识别，按照预设的时间尺度将所述标准数字语音划分为多个语音段落，得到语音段落集，利用所述语音特征提取模型对所述语音段落集中的每个所述语音段落进行特征提取，得到所述语音特征子集。
汇总所有的所述语音特征子集，得到所述语音特征集。
本发明实施例中将所有的所述语音特征进行汇总，得到所述语音特征集。
本发明实施例中，所述深度学习模型为卷积神经网络模型。
较佳地，本发明实施例对所述语音特征集中包含的每个语音特征进行文字标记，得到训练集，利用所述训练集对所述深度学习模型进行迭代训练，得到所述语音识别模型。
详细地，所述所述语音识别模型构建模块102利用下述手段对所述深度学习模型进行迭代训练，包括：
步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，将所述训练集中每个语音特征标记的文字进行向量化处理，得到标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
较佳地，本发明实施例中利用onehot编码将所述训练集中每个语音特征标记的文字转化为向量，得到所述标签值。
步骤C：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述语音识别模型。
详细地，本发明实施例中所述对所述训练集进行卷积池化操作得到第一特征集，包括：对所述训练集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。
进一步地，所述卷积操作为：
其中，ω’表示所述第一卷积数据集的通道数，ω表示所述训练集的通道数，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。
进一步地，本发明较佳实施例所述第一激活函数包括：
其中，μt表示所述预测值，s表示所述特征集中的数据。
所述语音识别模块103用于当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
本发明实施例中，所述语音识别模块103按照所述时间尺度将所述待识别语音划分为多个目标语音段落，并对每个所述每个目标语音段落进行序号标记，得到目标语音段落集，如：所述时间尺度为2秒，所述待识别语音共有6s，按照所述时间尺度将所述待识别语音划分为目标语音段落A、B、C，所述目标语音段落A为0-2s的语音，所述目标语音段落B为2-4s的语音，所述目标语音段落C为4-6s的语音，将所述目标语音段落A标记序号2，将所述目标语音段落B标记序号1，将所述目标语音段落C标记序号3，进一步地，本发明实施例利用所述语音特征提取模型对所述目标语音段落集中的每个所述目标语音段落进行语音特征提取，得到所述目标语音特征集。
本发明的另一实施例中，为了保证数据的隐私性，所述目标语音特征集可以存储在区块链节点中。
详细地，本发明实施例中所述语音识别模块103利用所述语音识别模型对所述目标语音特征集中包含的每个目标语音特征进行识别得到对应的识别字符，将所述识别字符按照所述目标语音段落集中对应的目标语音段落的序号进行顺序组合，得到所述识别文本。如：所述目标语音段落中包含目标语音段落A、B、C，所述目标语音段落A对应的序号为2，所述目标语音段落B对应的序号为1，所述目标语音段落C对应的序号为3，所述目标语音段落A、B、C对应的目标语音特征分别为a、b、c，利用所述语音识别模型对所述目标语音特征a进行识别得到识别字符“是”，利用所述语音识别模型对所述目标语音特征b进行识别得到识别字符“我”，利用所述语音识别模型对所述目标语音特征c进行识别得到识别字符“谁”，将所述识别字符按照所述目标语音段落集中对应的目标语音段落的序号进行顺序组合，得到所述识别文本为“我是谁”。
如图4所示，是本发明实现语音识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如语音识别程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如语音识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如语音识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(perIPheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的语音识别程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；
利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；
利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；
利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；
利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种语音识别方法，其特征在于，所述方法包括：
获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；
利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；
利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
2.如权利要求1所述的语音识别方法，其特征在于，所述利用所述语音特征提取模型对所述第二语音集进行声音特征提取得到语音特征集，包括：
对所述第二语音集中的每条语音进行重采样，得到对应的数字语音；
对所述数字语音进行预加重，得到对应的标准数字语音；
利用所述语音特征提取模型对所述标准数字语音进行特征提取，得到语音特征子集；
汇总所有的所述语音特征子集，得到所述语音特征集。
3.如权利要求2所述的语音识别方法，其特征在于，所述利用所述语音特征提取模型对所述标准数字语音进行特征提取，得到语音特征子集，包括：
按照预设的时间尺度将所述标准数字语音划分为多个语音段落，得到语音段落集；
利用所述语音特征提取模型对所述语音段落集中的每个所述语音段落进行特征提取，得到所述语音特征子集。
4.如权利要求1所述的语音识别方法，其特征在于，所述利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型，包括：
对所述语音特征集中包含的每个语音特征进行文字标记，得到训练集；
利用所述训练集对所述深度学习模型进行迭代训练，得到所述语音识别模型。
5.如权利要求4所述的语音识别方法，其特征在于，所述利用所述训练集对所述深度学习模型进行迭代训练，得到所述语音识别模型，包括：
特征提取步骤：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到特征集；
损失计算步骤：利用预设的激活函数对所述特征集进行计算得到预测值，将所述训练集中每个语音特征标记的文字进行向量化处理，得到标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
训练判断步骤：对比所述第一损失值与预设的第一损失阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述特征提取步骤；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述语音识别模型。
6.如权利要求1所述的语音识别方法，其特征在于，所述利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集，包括：
按照所述时间尺度将所述待识别语音划分为多个目标语音段落；
对每个所述每个目标语音段落进行序号标记，得到目标语音段落集；
利用所述语音特征提取模型对所述目标语音段落集中的每个所述目标语音段落进行语音特征提取，得到所述目标语音特征集。
7.如权利要求6所述的语音识别方法，其特征在于，所述利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本，包括：
利用所述语音识别模型对所述目标语音特征集中包含的每个目标语音特征进行识别得到对应的识别字符；
将所述识别字符按照所述目标语音段落集中对应的目标语音段落的序号进行顺序组合，得到所述识别文本。
8.一种语音识别装置，其特征在于，包括：
特征提取模型构建模块，用于获取第一语音集，利用所述第一语音集对预设的对比预测编码模型进行训练，得到语音特征提取模型；
语音识别模型构建模块，用于获取第二语音集，利用所述语音特征提取模型对所述第二语音集进行特征提取，得到语音特征集；利用所述语音特征集对预设的深度学习模型进行训练，得到所述语音识别模型；
语音识别模块，用于当接收待识别语音时，利用所述语音特征提取模型对所述待识别语音进行特征提取，得到目标语音特征集；利用所述语音识别模型对所述目标语音特征集进行识别，得到识别文本。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的语音识别方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的语音识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011600083.XA CN112712797A (zh) | 2020-12-29 | 2020-12-29 | 语音识别方法、装置、电子设备及可读存储介质 |
| PCT/CN2021/084048 WO2022141867A1 (zh) | 2020-12-29 | 2021-03-30 | 语音识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011600083.XA CN112712797A (zh) | 2020-12-29 | 2020-12-29 | 语音识别方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112712797A true CN112712797A (zh) | 2021-04-27 |
Family
ID=75546761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011600083.XA Pending CN112712797A (zh) | 2020-12-29 | 2020-12-29 | 语音识别方法、装置、电子设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112712797A (zh) |
| WO (1) | WO2022141867A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223502A (zh) * | 2021-04-28 | 2021-08-06 | 平安科技（深圳）有限公司 | 语音识别系统优化方法、装置、设备及可读存储介质 |
| CN113887305A (zh) * | 2021-09-01 | 2022-01-04 | 合肥讯飞数码科技有限公司 | 通信辐射源识别方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246506A (zh) * | 2019-05-29 | 2019-09-17 | 平安科技（深圳）有限公司 | 人声智能检测方法、装置及计算机可读存储介质 |
| CN110277088A (zh) * | 2019-05-29 | 2019-09-24 | 平安科技（深圳）有限公司 | 智能语音识别方法、装置及计算机可读存储介质 |
| CN110797016A (zh) * | 2019-02-26 | 2020-02-14 | 北京嘀嘀无限科技发展有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102434604B1 (ko) * | 2016-01-05 | 2022-08-23 | 한국전자통신연구원 | 개인화된 음성 인식을 수행하기 위한 음성 인식 단말, 음성 인식 서버 및 음성 인식 방법 |
| CN111862945A (zh) * | 2019-05-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
| CN111613212B (zh) * | 2020-05-13 | 2023-10-31 | 携程旅游信息技术（上海）有限公司 | 语音识别方法、系统、电子设备和存储介质 |
-
2020
- 2020-12-29 CN CN202011600083.XA patent/CN112712797A/zh active Pending
-
2021
- 2021-03-30 WO PCT/CN2021/084048 patent/WO2022141867A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110797016A (zh) * | 2019-02-26 | 2020-02-14 | 北京嘀嘀无限科技发展有限公司 | 一种语音识别方法、装置、电子设备及存储介质 |
| CN110246506A (zh) * | 2019-05-29 | 2019-09-17 | 平安科技（深圳）有限公司 | 人声智能检测方法、装置及计算机可读存储介质 |
| CN110277088A (zh) * | 2019-05-29 | 2019-09-24 | 平安科技（深圳）有限公司 | 智能语音识别方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| AARON VAN DEN OORD等: "Representation Learning with Contrastive Predictive Coding", ARXIV.ORG, 22 January 2019 (2019-01-22), pages 1 - 13 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223502A (zh) * | 2021-04-28 | 2021-08-06 | 平安科技（深圳）有限公司 | 语音识别系统优化方法、装置、设备及可读存储介质 |
| CN113223502B (zh) * | 2021-04-28 | 2024-01-30 | 平安科技（深圳）有限公司 | 语音识别系统优化方法、装置、设备及可读存储介质 |
| CN113887305A (zh) * | 2021-09-01 | 2022-01-04 | 合肥讯飞数码科技有限公司 | 通信辐射源识别方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022141867A1 (zh) | 2022-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112597312A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
| CN112560453A (zh) | 语音信息校验方法、装置、电子设备及介质 | |
| CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
| CN114461777B (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
| CN112527994A (zh) | 情绪分析方法、装置、设备及可读存储介质 | |
| CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
| CN112233700A (zh) | 基于音频的用户状态识别方法、装置及存储介质 | |
| CN112951233A (zh) | 语音问答方法、装置、电子设备及可读存储介质 | |
| CN113807973A (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
| CN112712797A (zh) | 语音识别方法、装置、电子设备及可读存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113902404A (zh) | 基于人工智能的员工晋升分析方法、装置、设备及介质 | |
| CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN113344125A (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
| CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
| CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
| CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 |
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 |