语音识别方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种语音识别方法、装置、电子设备及存储介质，属于计算机技术领域。本申请通过获取待识别语音的至少一个语音帧，将该至少一个语音帧输入语音识别模型，通过该语音识别模型对该至少一个语音帧进行基于残差结构的加权变换，输出至少一个预测概率，由于残差结构能够直接、快速地在对每个语音帧的加权变换过程中引入对应的上下文信息，从而有利于提取出更深层次的语音特征，使得语音识别模型输出的预测概率具有更高的准确率，进而基于该至少一个预测概率，确定该待识别语音中所包含的语音关键词，使得基于预测概率来进行语音关键词识别的过程具有更高的准确率。

Speech recognition method, device, electronic equipment and storage medium

【技术实现步骤摘要】
语音识别方法、装置、电子设备及存储介质
本申请涉及计算机
，特别涉及一种语音识别方法、装置、电子设备及存储介质。
技术介绍
随着计算机技术的发展，用户可以通过终端方便地进行语音点餐、语音购物等操作，在上述语音交互技术中语音关键词识别是一个核心问题。在目前的语音关键词识别系统中，基于LSTM(LongShort-TermMemory，长短期记忆网络)模型的识别方法具有较好的表现，通过输入门、输出门、遗忘门的复杂交互，解决了传统的RNN(RecurrentNeuralNetwork，循环神经网络)所固有的梯度消失问题。然而，LSTM模型的语音关键词识别的性能和准确率仍然有待提升。
技术实现思路
本申请实施例提供了一种语音识别方法、装置、电子设备及存储介质，能够提升语音关键词识别过程的性能和准确率。该技术方案如下：一方面，提供了一种语音识别方法，该方法包括：获取待识别语音的至少一个语音帧；将所述至少一个语音帧输入语音识别模型，通过所述语音识别模型对所述至少一个语音帧进行基于残差结构的加权变换，输出至少本文档来自技高网...

【技术保护点】
1.一种语音识别方法，其特征在于，所述方法包括：/n获取待识别语音的至少一个语音帧；/n将所述至少一个语音帧输入语音识别模型，通过所述语音识别模型对所述至少一个语音帧进行基于残差结构的加权变换，输出至少一个预测概率，一个预测概率用于表示所述待识别语音中包含一个语音关键词的概率；/n基于所述至少一个预测概率，确定所述待识别语音中所包含的语音关键词。/n

【技术特征摘要】
1.一种语音识别方法，其特征在于，所述方法包括：
获取待识别语音的至少一个语音帧；
将所述至少一个语音帧输入语音识别模型，通过所述语音识别模型对所述至少一个语音帧进行基于残差结构的加权变换，输出至少一个预测概率，一个预测概率用于表示所述待识别语音中包含一个语音关键词的概率；
基于所述至少一个预测概率，确定所述待识别语音中所包含的语音关键词。


2.根据权利要求1所述的方法，其特征在于，所述语音识别模型为基于残差结构的长短期记忆网络LSTM模型；
所述将所述至少一个语音帧输入语音识别模型，通过所述语音识别模型对所述至少一个语音帧进行基于残差结构的加权变换，输出至少一个预测概率包括：
将所述至少一个语音帧输入所述LSTM模型中的输入层，通过所述输入层提取所述至少一个语音帧的频率特征；
将所述至少一个语音帧的频率特征分别输入所述LSTM模型中隐藏层的至少一个记忆单元，通过所述至少一个记忆单元对所述至少一个语音帧的频率特征进行基于残差结构的加权变换，输出所述至少一个语音帧的特征向量；
将所述至少一个语音帧的特征向量输入所述LSTM模型中的输出层，通过所述输出层将所述至少一个语音帧的特征向量映射为所述至少一个预测概率。


3.根据权利要求2所述的方法，其特征在于，所述通过所述至少一个记忆单元对所述至少一个语音帧的频率特征进行基于残差结构的加权变换，输出所述至少一个语音帧的特征向量包括：
对任一个记忆单元，响应于所述记忆单元所对应语音帧的频率特征以及上一个记忆单元的处理结果，对所述语音帧的频率特征进行加权变换，得到所述语音帧的中间向量，将所述语音帧的中间向量与所述上一个记忆单元的处理结果进行融合，得到所述语音帧的特征向量。


4.根据权利要求2所述的方法，其特征在于，所述将所述至少一个语音帧的特征向量输入所述LSTM模型中的输出层之前，所述方法还包括：
将所述至少一个语音帧的特征向量输入投影层，通过所述投影层确定是否对所述至少一个语音帧进行迭代投影；
响应于确定进行迭代投影，将所述至少一个语音帧的特征向量重新输入所述至少一个记忆单元进行迭代加权变换；
响应于确定不进行迭代投影，将所述至少一个语音帧的特征向量输入所述输出层。


5.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个预测概率，确定所述待识别语音中所包含的语音关键词之后，所述方法还包括：
响应于所述语音关键词中包括目标关键词，获取用于进行声纹识别的目标语音；
对所述目标语音进行声纹识别，得到所述目标语音的声纹识别结果，所述声纹识别结果用于表示所述目标语音所属的用户是否为目标用户。


6.根据权利要求5所述的方法，其特征在于，所述对所述目标语音进行声纹识别，得到所述目标语音的声纹识别结果包括：
将所述目标语音输入声纹识别模型，通过所述声纹识别模型对所述目标语音进行特征提取，得到所述目标语音的含噪声纹特征；
对所述目标语音的含噪声纹特征进行降噪处理，得到所述目标语音的纯净声纹特征；
基于所述纯净声纹特征与声纹库中存储的目标用户的声纹特征之间的相似度，确定所述声纹识别结果。


7.根据权利要求6所述的方法，其特征在于，所述对所述目标语音的含噪声纹特征进行降噪处理，得到所述目标语音的纯净声纹特征包括：
将所述含噪声纹特征输入深度神经网络，通过所述深度神经网络对所述含噪声纹特征进行非线性映射，输出所述纯净声纹特征。


8....

【专利技术属性】
技术研发人员：张菁芸，王少鸣，郭润增，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44