语音识别方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种语音识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别语音的当前帧和当前帧之前的历史帧，并将当前帧和当前帧之前的历史帧作为第一分块，进而根据第一分块和目标合成预测器，模拟出第一分块对应的未来帧，从而根据第一分块、未来帧和目标声学模型，确定待识别语音的语音识别结果。采用本方法能够降低识别的延迟时间。采用本方法能够降低识别的延迟时间。采用本方法能够降低识别的延迟时间。

【技术实现步骤摘要】
语音识别方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，特别是涉及一种语音识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]自动语音识别(automatic speech recognition,ASR)指的是将语音转录为文本的技术。在实际生产生活环境中，一个功能良好的语音识别系统不仅需要有较高的识别准确率，还需要有较低的识别延迟，即需要语音识别系统在用户讲话的过程中同步进行识别，而不是等到用户讲完后再开始识别。
[0003]为了实现同步识别，目前的语音识别系统都采用分块模型，也就是说，一句话会被划分为多个分块后进行识别。为了提高分块识别的准确率，目前的语音识别方法中会为每个分块附加一定的历史帧和未来帧，以提供该分块的上下文信息。
[0004]然而，现有的基于分块模型中的语音识别方法中，必须等到一定数量的未来帧到达后再能开始识别，从而增加了识别的延迟时间。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够降低识别的延迟时间的语音识别方法、装置、计算机设备和存储介质。
[0006]第一方面，本申请提供了一种语音识别方法。所述方法包括：
[0007]获取待识别语音的当前帧和该当前帧之前的历史帧，并将该当前帧和该当前帧之前的历史帧作为第一分块；
[0008]根据该第一分块和目标合成预测器，模拟出该第一分块对应的未来帧；
[0009]根据该第一分块、该未来帧和目标声学模型，确定该待识别语音的语音识别结果。
[0010]在其中一个实施例中，该根据该第一分块和目标合成预测器，模拟该第一分块对应的未来帧，包括：
[0011]将该第一分块输入目标合成编码器得到第二分块，其中，该第二分块为对该第一分块进行编码处理后得到的分块；
[0012]将该第二分块输入该目标合成预测器，以模拟出该第一分块对应的未来帧。
[0013]在其中一个实施例中，该根据该第一分块、该未来帧和目标声学模型，确定该待识别语音的语音识别结果，包括：
[0014]对该第一分块和该未来帧进行拼接处理得到拼接结果；
[0015]根据该拼接结果和该目标声学模型，确定该语音识别结果。
[0016]在其中一个实施例中，该第一分块是对该待识别语音进行分块处理后得到的至少一个分块，各该第一分块的长度根据预设均匀分布区间确定。
[0017]在其中一个实施例中，所述方法还包括：
[0018]获取训练样本集；
[0019]根据该训练样本集，对初始语音识别模型进行训练得到目标语音识别模型，该目标语音识别模型包括该目标合成预测器、该目标声学模型和该合成编码器。
[0020]在其中一个实施例中，该初始语音识别模型包括初始合成预测器、初始声学模型和初始合成编码器，该根据该训练样本集，对初始语音识别模型进行训练得到目标语音识别模型，包括：
[0021]根据该训练样本集和该初始声学模型，确定非流式损失和流式损失；
[0022]根据该训练样本集、该初始合成编码器和该初始合成预测器，确定模拟损失；
[0023]根据该非流式损失、该流式损失和该模拟损失，对该初始语音识别模型进行训练得到该目标语音识别模型。
[0024]在其中一个实施例中，该获取训练样本集，包括：
[0025]确定各音频信号样本的特征向量；
[0026]对各该音频信号样本的特征向量进行均值化处理和方差归一化处理，得到目标特征向量；
[0027]对各该音频信号样本的目标特征向量进行倍速处理得到该训练样本集。
[0028]第二方面，本申请还提供了一种语音识别装置。该装置包括：
[0029]第一获取模块，用于获取待识别语音的当前帧和该当前帧之前的历史帧，并将该当前帧和该当前帧之前的历史帧作为第一分块；
[0030]模拟模块，用于根据该第一分块和目标合成预测器，模拟出该第一分块对应的未来帧；
[0031]确定模块，用于根据该第一分块、该未来帧和目标声学模型，确定该待识别语音的语音识别结果。
[0032]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法的步骤。
[0033]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
[0034]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法的步骤。
[0035]上述语音识别方法、装置、计算机设备和存储介质，通过获取待识别语音的当前帧和该当前帧之前的历史帧，并将该当前帧和该当前帧之前的历史帧作为第一分块，进而根据该第一分块和目标合成预测器，模拟出该第一分块对应的未来帧，从而根据该第一分块、该未来帧和目标声学模型，确定该待识别语音的语音识别结果。由于本申请中根据待识别语音的历史帧、当前帧以及模拟的未来帧确定待识别语音的语音识别结果，也就是说，本申请中的语音识别方法无需等待一定真实的未来帧而是直接使用模拟的未来帧，因此避免了传统技术中必须等到一定数量的未来帧到达后再能开始识别的情况，解决了传统技术中等待真实的未来帧导致增加识别的延迟时间的问题，降低了识别的延迟时间。
附图说明
[0036]图1为本申请实施例中语音识别方法的应用环境图；
[0037]图2为本申请实施例中语音识别方法的流程示意图；
[0038]图3为本申请实施例中一种模拟未来帧的流程示意图；
[0039]图4为本申请实施例中一种确定语音识别结果的流程示意图；
[0040]图5为本申请实施例中语音识别方法的原理示意图；
[0041]图6为本申请实施例中一种得到目标语音识别模型的流程示意图；
[0042]图7为本申请实施例中另一种得到目标语音识别模型的流程示意图；
[0043]图8为CTC和CTC
‑
CTR的原理对比图；
[0044]图9为本申请实施例中一种得到训练样本集的流程示意图；
[0045]图10为本申请实施例中语音识别装置的结构框图；
[0046]图11为本申请实施例中计算机设备的内部结构图。
具体实施方式
[0047]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请中的编号序号等，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。
[0048]图1为本申请实施例中语音识别方法的应用环境图，如图1所示，本申请实施例提供的语音识别方法可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器10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，其特征在于，所述方法包括：获取待识别语音的当前帧和所述当前帧之前的历史帧，并将所述当前帧和所述当前帧之前的历史帧作为第一分块；根据所述第一分块和目标合成预测器，模拟出所述第一分块对应的未来帧；根据所述第一分块、所述未来帧和目标声学模型，确定所述待识别语音的语音识别结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分块和目标合成预测器，模拟所述第一分块对应的未来帧，包括：将所述第一分块输入目标合成编码器得到第二分块，其中，所述第二分块为对所述第一分块进行编码处理后得到的分块；将所述第二分块输入所述目标合成预测器，以模拟出所述第一分块对应的未来帧。3.根据权利要求1所述的方法，其特征在于，所述根据所述第一分块、所述未来帧和目标声学模型，确定所述待识别语音的语音识别结果，包括：对所述第一分块和所述未来帧进行拼接处理得到拼接结果；根据所述拼接结果和所述目标声学模型，确定所述语音识别结果。4.根据权利要求1所述的方法，其特征在于，所述第一分块是对所述待识别语音进行分块处理后得到的至少一个分块，各所述第一分块的长度根据预设均匀分布区间确定。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取训练样本集；根据所述训练样本集，对初始语音识别模型进行训练得到目标语音识别模型，所述目标语音识别模型包括所述目标合成预测器、所述目标声学模型和所述合成编码器。6.根据权利要求5所述的方法，其特征在于，所述初始语音识别模型包括初始合成预测器、初始声学模型和初始合成编码器，所述根据所述训练样...

【专利技术属性】
技术研发人员：欧智坚，安柯宇，
申请(专利权)人：清华大学，
类型：发明
国别省市：