语音识别方法及计算机存储介质技术

本申请实施例提供了一种语音识别方法及计算机存储介质。其中，一种语音识别方法，包括：对待识别语音的音频特征数据分别进行语义特征提取和属性特征提取，其中，所述属性特征提取至少包括口音特征提取；根据所述语义特征提取的结果，获得所述待识别语音的字符信息；至少根据所述属性特征提取获得的所述待识别语音的口音特征向量和根据所述字符信息确定的与每个语音字符相匹配的初始向量，生成每个语音字符对应的自适应向量；从存储有语音属性特征的属性特征库中，获取与所述自适应向量对应的属性特征；根据所述属性特征和所述初始向量，获得每个语音字符的识别结果。该方法可以适应不同口音的语音的识别，提升识别准确率。提升识别准确率。提升识别准确率。

【技术实现步骤摘要】
语音识别方法及计算机存储介质


[0001]本申请实施例涉及计算机
，尤其涉及一种语音识别方法及计算机存储介质。

技术介绍

[0002]随着深度学习技术的发展，基于神经网络模型的语音识别被广泛应用于诸如人机交互、会议及法庭记录等多种场景中。
[0003]现有的语音识别技术中，在对神经网络模型进行训练时，多使用标准的训练样本如标准普通话语音样本以使训练出的神经网络模型能对中文语音进行有效识别。但在实际应用中，虽然中文以普通话为标准，但因各个地方有各个地方的方言，因此使得不同地方的人们的普通话很有可能并非标准普通话，而是带着地方口音的普通话。此种情况下，会导致语音识别出现偏差，识别结果不准确。类似地，其它语言也存在同样问题。
[0004]因此，如何提供一种语音识别方案，以在前述场景下进行准确的语音识别，成为亟待解决的问题。

技术实现思路

[0005]有鉴于此，本申请实施例提供一种语音识别方案，以至少部分解决上述问题。
[0006]根据本申请实施例的第一方面，提供了一种语音识别方法包括：对待识别语音的音频特征数据分别进行语义特征提取和属性特征提取，其中，所述属性特征提取至少包括口音特征提取；根据所述语义特征提取的结果，获得所述待识别语音的字符信息；至少根据所述属性特征提取获得的所述待识别语音的口音特征向量和根据所述字符信息确定的与每个语音字符相匹配的初始向量，生成每个语音字符对应的自适应向量；从存储有语音属性特征的属性特征库中，获取与所述自适应向量对应的属性特征；根据所述属性特征和所述初始向量，获得每个语音字符的识别结果。
[0007]根据本申请实施例的第二方面，提供了一种语音识别方法，包括：接收待识别语音，并通过调用接口将所述待识别语音发送至云端，以使云端按照如前述的方法对所述待识别语音进行语音识别；接收所述云端返回的语音识别结果。
[0008]根据本申请实施例的第三方面，提供了一种语音识别方法，包括：实时采集会议语音，并通过调用接口将所述会议语音发送至云端，以使云端按照如前述的语音识别方法对所述会议语音进行语音识别；接收所述云端返回的语音识别结果，并进行基于所述语音识别结果的会议记录显示。
[0009]根据本申请实施例的第四方面，提供了一种语音识别方法，包括：通过自回归语音识别模型的语义提取部分对待识别语音的音频特征数据进行语义特征提取；通过所述自回归语音识别模型的自适应部分基于所述待识别语音生成携带有所述待识别语音的口音特征的自适应向量并获取与所述自适应向量对应的属性特征；通过所述自回归语音识别模型的识别输出部分根据所述属性特征进行所述待识别语音的识别输出。
[0010]根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面至第四方面任一所述的语音识别方法对应的操作。
[0011]根据本申请实施例的第六方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面至第四方面任一所述的语音识别方法。
[0012]根据本申请实施例提供的语音识别方案，通过针对每个语音字符提取独立的自适应向量，并依据语音字符对应的自适应向量确定相应的属性特征的方式来提升语音识别过程中的自适应能力，在能够适应不同口音的待识别语音的情况下，不需要额外训练分类器进行口音分类，节省了训练成本，而且也避免了分类器分类不准导致的自适应性降低、识别不准的问题。
附图说明
[0013]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0014]图1A为本申请的实施例一的自回归语音识别模块的结构示意图；
[0015]图1B为根据本申请实施例一的一种语音识别方法的步骤流程图；
[0016]图2为根据本申请实施例二的一种语音识别方法的步骤流程图；
[0017]图3A为根据本申请实施例三的一种语音识别方法的步骤流程图；
[0018]图3B为图3A所示实施例三中的一种语音识别的场景示意图；
[0019]图4A为根据本申请实施例四的一种语音识别方法的步骤流程图；
[0020]图4B为语音识别结果展示的一种显示界面的示意图；
[0021]图4C为语音识别结果展示的另一种显示界面的示意图；
[0022]图5为本申请实施例五的语音识别装置的结构框图；
[0023]图6为本申请实施例六的语音识别装置的结构框图；
[0024]图7为本申请实施例七的语音识别装置的结构框图；
[0025]图8为根据本申请实施例八的一种电子设备的结构示意图。
具体实施方式
[0026]为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
[0027]下面结合本申请实施例附图进一步说明本申请实施例具体实现。
[0028]实施例一
[0029]在本实施例中，通过自回归语音识模型对待识别语音的音频特征数据进行处理，从而获得较为准确地、能够适应不同口音或者语言习惯的待识别语音，以此提升识别准确
程度。
[0030]为了便于说明和理解，在对语音识别方法的实现过程进行说明之前，先对自回归语音识别模型的结构进行简略说明如下：
[0031]如图1A所示，所述自回归语音识别模型包括：语义提取部分、自适应部分和识别输出部分。以该模型为示例，则基于该模型的一种语音识别方法可以实现为：通过自回归语音识别模型的语义提取部分对待识别语音的音频特征数据进行语义特征提取；通过自回归语音识别模型的自适应部分基于待识别语音生成携带有待识别语音的口音特征的自适应向量并获取与该自适应向量对应的属性特征；通过自回归语音识别模型的识别输出部分根据该属性特征进行待识别语音的识别输出。
[0032]以下，进一步对该自回归语音识别模型的各个部分进行说明。
[0033]其中，语义提取部分用于对所述待识别语音的音频特征数据进行语义特征提取，以获取语义特征提取的结果。针对不同的需要，语义特征提取部分可以包含不同的组成，例如，语义特征提取部分包括特征编码器，其可以是SAN
‑
M encoder或者其他能够进行音频特征数据的语义特征提取的编码器，对此不作限制。该语义提取部分提取出的语义特征将在后续被识别输出部分使用，以获取待识别语音的语音字符对应的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种语音识别方法，包括：对待识别语音的音频特征数据分别进行语义特征提取和属性特征提取，其中，所述属性特征提取至少包括口音特征提取；根据所述语义特征提取的结果，获得所述待识别语音的字符信息；根据所述属性特征提取获得的所述待识别语音的口音特征向量和根据所述字符信息确定的与每个语音字符相匹配的初始向量，生成每个语音字符对应的自适应向量；从存储有语音属性特征的属性特征库中，获取与所述自适应向量对应的属性特征；根据所述属性特征和所述初始向量，获得每个语音字符的识别结果。2.根据权利要求1所述的方法，其中，所述从存储有语音属性特征的属性特征库中，获取与所述自适应向量对应的属性特征，包括：将所述自适应向量输入存储有语音属性特征的属性特征库中进行匹配，获得相匹配的属性特征，并输出相匹配的属性特征对应的标签同步向量。3.根据权利要求2所述的方法，其中，所述将所述自适应向量输入存储有语音属性特征的属性特征库中进行匹配，获得相匹配的属性特征，包括：基于所述自适应向量，通过多头注意力计算从存储有语音属性特征的属性特征库中匹配出与所述自适应向量对应的属性特征。4.根据权利要求3所述的方法，其中，所述根据所述属性特征提取获得的所述待识别语音的口音特征向量和根据所述字符信息确定的与每个语音字符相匹配的初始向量，生成每个语音字符对应的自适应向量，包括：针对每个语音字符，基于对所述音频特征数据进行语义特征提取获取的语义特征编码、所述口音特征向量、待识别的语音字符的前一语音字符的字符向量的自注意力计算结果，进行第一自注意力计算；基于所述第一自注意力计算的计算结果进行第二自注意力计算；基于所述第二自注意力计算的结果和所述口音特征向量对应的口音特征编码，进行第三自注意力计算；根据所述第三自注意力计算的结果，预测生成所述待识别的语音字符的自适应向量。5.根据权利要求1
‑
4任一项所述的方法，其中，所述语音识别方法通过自回归语音识别模型执行；其中，所述自回归语音识别模型包括：用于对所述待识别语音的音频特征数据进行语义特征提取的语义提取部分、用于基于所述待识别语音生成携带有所述待识别语音的口音特征的自适应向量并获取与所述自适应向量对应的属性特征的自适应部分、用于根据所述属性特征进行所述待识别语音的识别输出的识别输出部分。6.根据权利要求5所述的方法，其中，所述语义提取部分包括：用于对所述待识别语音的音频特征数据进行语义特征提取的特征编码器；所述自适应部分包括：自适应编码器、自适应解码器、自注意力层和标签同步层，其中，所述自适应编码器用于对所述待识别语音的音频特征数据进行属性特征提取，并输出对应的编码向量；所述自适应解码器用于对所述自适应编码器输出的编码向量进行解码并接收所述识别输出部分中的特征解码器输出的初始向量，根据解码结果和所述初始向量生成每
个语音字符对应的自适应向量；所述自注意力层用于对所述自适应解码器输出的自适应向量通过自注意力计算从存储有语音属性特征的属性特征库中匹配出与所述自适应向量对应的属性特征；所述标签同步层，用于根据匹配出的属性特征，生成标签同步向量并输入至所述识别输出部分的特征解码器；所述识别输出部分包括：特征解码器，所述特征解码器用于根据初始向量及每个语音字符对应的标签同步向量，...

【专利技术属性】
技术研发人员：李松，罗浩能，刘媛，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：