多任务语音识别模型训练方法、多任务语音识别方法技术

本发明专利技术公开一种多任务语音识别模型训练方法，其中多任务语音识别模型包括卷积层、最大池化层、线性变换层、映射层和多个子任务线性分类层，该方法包括：根据样本音频获取样本音频频谱特征；将样本音频频谱特征输入至卷积层进行卷积处理；通过最大池化层对卷积处理后的所述样本音频频谱特征进行最大池化操作以获得对应于样本音频的句子级别表征信息；通过线性池化层对句子级别表征信息进行线性变化；通过映射层根据线性变化结果对多个子任务线性分类层的参数进行更新。本发明专利技术在保证各个子任务性能的前提下，一个模型解决了语音中所包含的多种副信息识别问题，减少了服务端占用的内存和计算量，更加方便的服务用户，满足用户不同的需求。不同的需求。不同的需求。

【技术实现步骤摘要】
多任务语音识别模型训练方法、多任务语音识别方法


[0001]本专利技术涉及人工智能
，尤其涉及一种多任务语音识别模型训练方法、多任务语音识别方法及电子设备。

技术介绍

[0002]语音副信息识别指的是语音的性别识别、年龄识别、情感识别等。给定一段音频，通过这项技术来预测这段音频所包含的说话人的性别、年龄、以及情感内容。准确的语音副信息识别器在实际的生产生活中有很大的应用范围，包括电影电视的内容推荐，客服场景下客服服务质量的评测，智能音箱带情感的问答系统。
[0003]但是现有技术中的语音副信息识别器均是单任务单模型的形式，即音频同时输入多个不同模型（例如，性别识别模型、年龄识别模型和情感识别模型）然后输出多个不同模型的预测结果，导致计算量增加，延时增加。

技术实现思路

[0004]本专利技术实施例提供一种多任务语音识别模型训练方法、多任务语音识别方法及电子设备，用于至少解决上述技术问题之一。
[0005]第一方面，本专利技术实施例提供一种多任务语音识别模型训练方法，所述多任务语音识别模型包括卷积层、最大池化层、线性变换层、映射层和多个子任务线性分类层，所述方法包括：根据样本音频获取样本音频频谱特征；将所述样本音频频谱特征输入至卷积层进行卷积处理；通过所述最大池化层对卷积处理后的所述样本音频频谱特征进行最大池化操作以获得对应于所述样本音频的句子级别表征信息；通过所述线性池化层对所述句子级别表征信息进行线性变化；通过所述映射层根据线性变化结果对所述多个子任务线性分类层的参数进行更新。
[0006]第二方面，本专利技术实施例提供一种多任务语音识别方法，包括：接收将待识别音频；利用本专利技术任一实施例所述的多任务语音识别模型对所述待识别音频进行识别处理，以得到多种语音识别任务结果。
[0007]第三方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备（包括但不限于计算机，服务器，或者网络设备等）读取并执行，以用于执行本专利技术上述任一项多任务语音识别方法。
[0008]第四方面，提供一种电子设备，其包括：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指令，所述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本专利技术上述任一项多任务语音识别方法。
[0009]第五方面，本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括
存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项多任务语音识别方法。
[0010]本专利技术实施例的有益效果在于：在保证各个子任务性能的前提下，一个模型解决了语音中所包含的多种副信息识别问题，减少了服务端占用的内存和计算量，更加方便的服务用户，满足用户不同的需求。
附图说明
[0011]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1为本专利技术的多任务语音识别模型训练方法的一实施例的流程图；图2为本专利技术的多任务语音识别模型训练方法的另一实施例的流程图；图3为本专利技术的多任务语音识别模型一实施例的结构示意图；图4为本专利技术的多任务语音识别方法的一实施例的流程图；图5为本专利技术的电子设备的一实施例的结构示意图。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0015]本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0016]在本专利技术中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/ 或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/ 或线程中，并且元件可以在一台计算机上本地化和/ 或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/ 或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/ 或远程过程来进行通信。
[0017]最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0018]如图1所示，本专利技术的实施例提供一种多任务语音识别模型训练方法，其特征在于，所述多任务语音识别模型包括卷积层、最大池化层、线性变换层、映射层和多个子任务线性分类层，所述方法包括：S10、根据样本音频获取样本音频频谱特征；示例性地，特征提取的过程中，用到了训练语音识别产生的Alignment（对齐）工具或者VAD（Voice Activity Detection，语音活动检测）工具，目的是提取音频中包含人声的有用信息。使用kaldi特征提取工具将音频提取特征并保存在本地，使用时直接按顺序读取即可。
[0019]S20、将所述样本音频频谱特征输入至卷积层进行卷积处理；S30、通过所述最大池化层对卷积处理后的所述样本音频频谱特征进行最大池化操作以获得对应于所述样本音频的句子级别表征信息；S40、通过所述线性池化层对所述句子级别表征信息进行线性变化；S50、通过所述映射层根据线性变化结果对所述多个子任务线性分类层的参数进行更新。
[0020]示例性地，在多任务语音识别模型的训练过程中采用交大的batch本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务语音识别模型训练方法，其特征在于，所述多任务语音识别模型包括卷积层、最大池化层、线性变换层、映射层和多个子任务线性分类层，所述方法包括：根据样本音频获取样本音频频谱特征；将所述样本音频频谱特征输入至卷积层进行卷积处理；通过所述最大池化层对卷积处理后的所述样本音频频谱特征进行最大池化操作以获得对应于所述样本音频的句子级别表征信息；通过所述线性池化层对所述句子级别表征信息进行线性变化；通过所述映射层根据线性变化结果对所述多个子任务线性分类层的参数进行更新。2.根据权利要求1所述的方法，其特征在于，所述通过所述映射层根据线性变化结果对所述多个子任务线性分类层的参数进行更新包括：通过所述映射层采用for循环来根据线性对变化结果对所述多个子任务线性分类层的参数进行更新。3.根据权利要求1所述的方法，其特征在于，在根据样本音频获取样本音频频谱特征之前还包括：对所述样本音频进行语音活动检测以获取样本语音音频；对所述样本语音音频进行降噪处理；所述根据样本音频获取样本音频频谱特征包括：根据对应于所述样本音频的降噪处...

【专利技术属性】
技术研发人员：赵飞，黄厚军，钱彦旻，
申请(专利权)人：苏州思必驰信息科技有限公司，
类型：发明
国别省市：