语音识别模型的训练方法、装置、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模型的训练方法、装置、设备及存储介质，属于人工智能领域。所述方法包括：获取样本音频集，所述样本音频集中包括多个样本音频；基于初始语音识别模型，在所述样本音频集中筛选候选样本音频；在所述候选样本音频中提取音频片段；其中，所述音频片段包括所述候选样本音频中与连续相同文本单元对齐的音频；且，所述初始语音识别模型在对所述候选样本音频进行语音识别时，未正确识别所述连续相同文本单元；根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别模型。本申请能够提升语音识别质量，特别是提升了对连续相同文本单元的识别准确度。确度。确度。

【技术实现步骤摘要】
语音识别模型的训练方法、装置、设备及存储介质


[0001]本申请涉及人工智能领域，特别涉及一种语音识别模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]语音识别是人工智能发展过程中的一个重要突破。广义上讲，语音识别以语音为研究对象，目标是实现人与机器之间基于自然语言进行交互。狭义上讲，语音识别是一项让机器通过识别和理解过程将语音转换为文本或命令的技术。
[0003]目前语音识别技术已经广泛应用在诸如工业、家电、通信、汽车、电子、医疗、家庭服务等领域。其中，在语音识别过程中，语音识别的准确度至关重要，因为语音识别的准确度越高，用户的满意程度便越高。为此，如何准确地进行语音识别，以提升语音识别效果，便成为了本领域的一个研究热点。

技术实现思路

[0004]本申请实施例提供了一种语音识别模型的训练方法、装置、设备及存储介质，能够提升语音识别质量，特别是提升了对连续相同文本单元的识别准确度。所述技术方案如下：
[0005]一方面，提供了一种语音识别模型的训练方法，所述方法包括：
[0006]获取样本音频集，所述样本音频集中包括多个样本音频；
[0007]基于初始语音识别模型，在所述样本音频集中筛选候选样本音频；
[0008]在所述候选样本音频中提取音频片段；其中，所述音频片段包括所述候选样本音频中与连续相同文本单元对齐的音频；且，所述初始语音识别模型在对所述候选样本音频进行语音识别时，未正确识别所述连续相同文本单元；
[0009]根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别模型。
[0010]在一些可能的实现方式中，所述样本音频集中还包括与所述样本音频对齐的标注文本；所述标注文本中包括至少一组连续相同文本单元；
[0011]所述基于初始语音识别模型，在所述样本音频集中筛选候选样本音频，包括：基于所述初始语音识别模型，对所述样本音频进行语音识别，得到所述样本音频的预测文本；
[0012]根据所述样本音频的标注文本和预测文本，在所述样本音频集中筛选所述候选样本音频。
[0013]在一些可能的实现方式中，所述音频片段包括相邻的第一音频、第二音频和第三音频；
[0014]其中，所述第一音频在时序上位于所述第二音频之前；所述第三音频在时序上位于所述第二音频之后；所述第二音频是所述候选样本音频中与所述连续相同文本单元对齐的音频；
[0015]所述根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别
模型，包括：
[0016]获取所述音频片段的标注文本；其中，所述音频片段的标注文本中包括所述连续相同文本单元和预设标签；
[0017]将所述音频片段的标注文本与所述音频片段进行对齐；
[0018]其中，所述预设标签与所述第一音频和所述第三音频对齐，所述连续相同文本单元与所述第二音频对齐；
[0019]根据所述音频片段和与所述音频片段对齐的标注文本，对所述初始语音识别模型进行再训练，得到所述目标语音识别模型。
[0020]在一些可能的实现方式中，所述在所述候选样本音频中提取音频片段，包括：
[0021]获取所述候选样本音频的预测文本；其中，所述预测文本中包括多个文本单元和所述多个文本单元在所述候选样本音频中的起止时间；
[0022]根据所述预测文本中各个文本单元的起止时间，确定第二音频的起止时间；
[0023]其中，所述第二音频是所述候选样本音频中与所述连续相同文本单元对齐的音频；
[0024]根据所述第二音频的起止时间，在所述候选样本音频中提取所述音频片段；
[0025]其中，所述音频片段包括相邻的第一音频、所述第二音频和第三音频；
[0026]所述第一音频在时序上位于所述第二音频之前；所述第三音频在时序上位于所述第二音频之后。
[0027]在一些可能的实现方式中，所述方法还包括：
[0028]获取待识别的输入音频；
[0029]对所述输入音频进行特征提取，得到所述输入音频的滤波器组特征和与说话人对应的身份认证向量；
[0030]对所述滤波器组特征进行离散余弦变换，得到所述输入音频的梅尔倒频谱系数；
[0031]将所述身份认证向量和所述梅尔倒频谱系数进行融合，得到所述输入音频的音频融合特征；
[0032]将所述音频融合特征输入所述目标语音识别模型，输出所述输入音频对应的语音识别结果。
[0033]在一些可能的实现方式中，所述方法还包括：
[0034]响应于所述语音识别结果包括第一数目位的连续数字，确定所述输入音频对应终端号码，显示第一选择菜单；其中，所述第一选择菜单包括多个选项，一个所述选项用于指示一个已安装应用；
[0035]响应于基于所述多个选项对目标应用的选中操作，基于所述目标应用与所述终端号码指示的终端进行通信。
[0036]在一些可能的实现方式中，所述响应于基于所述多个选项对目标应用的选中操作，基于所述目标应用与所述终端号码指示的终端进行通信，包括：
[0037]响应于所述目标应用为短信应用或通话应用，显示第二选择菜单；其中，所述第二选择菜单包括多个选项，一个所述选项用于指示一个用户识别卡；响应于基于所述多个选项对目标用户识别卡的选中操作，基于所述目标用户识别卡，采用所述目标应用对应的通信方式，与所述终端号码指示的终端进行通信；
[0038]或，响应于所述目标应用为社交应用，显示第三选择菜单；其中，所述第三选择菜单包括多个选项，一个所述选项用于指示所述社交应用的一种通信方式；响应于基于所述多个选项对目标通信方式的选中操作，基于所述目标通信方式与所述终端号码指示的终端进行通信；
[0039]其中，所述社交应用的通信方式包括发送应用消息、语音通话或视频通话。
[0040]在一些可能的实现方式中，所述方法还包括：
[0041]响应于所述语音识别结果包括社交应用的应用名称和通讯录上目标联系人的用户名称，以置于顶层的显示方式，通过所述社交应用显示信息交互页面；
[0042]其中，所述通讯录与所述社交应用对应；所述信息交互页面为与所述目标联系人进行信息交互的页面。
[0043]在一些可能的实现方式中，所述方法还包括：
[0044]响应于所述语音识别结果包括第二数目位的连续字符，且所述第二数目位的连续字符与多个物流订单号模板中的目标物流订单号模板匹配，确定所述输入音频对应物流订单号，获取所述物流订单号指示的物流订单的物流信息。
[0045]另一方面，提供了一种语音识别模型的训练装置，所述装置包括：
[0046]获取模块，被配置为获取样本音频集，所述样本音频集中包括多个样本音频；
[0047]筛选模块，被配置为基于初始语音识别模型，在所述样本音频集中筛选候选样本音频；
[0048]处理模块，被配置为在所述候选样本音频中提取音频片段；
[0049]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种语音识别模型的训练方法，其特征在于，所述方法包括：获取样本音频集，所述样本音频集中包括多个样本音频；基于初始语音识别模型，在所述样本音频集中筛选候选样本音频；在所述候选样本音频中提取音频片段；其中，所述音频片段包括所述候选样本音频中与连续相同文本单元对齐的音频；且，所述初始语音识别模型在对所述候选样本音频进行语音识别时，未正确识别所述连续相同文本单元；根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别模型。2.根据权利要求1所述的方法，其特征在于，所述样本音频集中还包括与所述样本音频对齐的标注文本；所述标注文本中包括至少一组连续相同文本单元；所述基于初始语音识别模型，在所述样本音频集中筛选候选样本音频，包括：基于所述初始语音识别模型，对所述样本音频进行语音识别，得到所述样本音频的预测文本；根据所述样本音频的标注文本和预测文本，在所述样本音频集中筛选所述候选样本音频。3.根据权利要求1所述的方法，其特征在于，所述音频片段包括相邻的第一音频、第二音频和第三音频；其中，所述第一音频在时序上位于所述第二音频之前；所述第三音频在时序上位于所述第二音频之后；所述第二音频是所述候选样本音频中与所述连续相同文本单元对齐的音频；所述根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别模型，包括：获取所述音频片段的标注文本；其中，所述音频片段的标注文本中包括所述连续相同文本单元和预设标签；将所述音频片段的标注文本与所述音频片段进行对齐；其中，所述预设标签与所述第一音频和所述第三音频对齐，所述连续相同文本单元与所述第二音频对齐；根据所述音频片段和与所述音频片段对齐的标注文本，对所述初始语音识别模型进行再训练，得到所述目标语音识别模型。4.根据权利要求1所述的方法，其特征在于，所述在所述候选样本音频中提取音频片段，包括：获取所述候选样本音频的预测文本；其中，所述预测文本中包括多个文本单元和所述多个文本单元在所述候选样本音频中的起止时间；根据所述预测文本中各个文本单元的起止时间，确定第二音频的起止时间；其中，所述第二音频是所述候选样本音频中与所述连续相同文本单元对齐的音频；根据所述第二音频的起止时间，在所述候选样本音频中提取所述音频片段；其中，所述音频片段包括相邻的第一音频、所述第二音频和第三音频；所述第一音频在时序上位于所述第二音频之前；所述第三音频在时序上位于所述第二音频之后。5.根据权利要求1至4中任一项权利要求所述的方法，其特征在于，所述方法还包括：
获取待识别的输入音频；对所述输入音频进行特征提取，得到所述输入音频的滤波器组特征和与说话人对应的身份认证向量；对所述滤波器组特征进行离散余弦变换，得到所述输入音频的梅尔倒频谱系数；将所述身份认证向量和所述梅尔倒频谱系数进行融合，得到所述输入音频的音频融合特征；将所述音频融合特征输入所述目标语音识别模型，输出所述输入音频对应的语音识别结果。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：王宁，李良斌，
申请(专利权)人：北京声智科技有限公司，
类型：发明
国别省市：