[发明专利]依赖于文本信息语境的语音识别

说明书

技术领域

本发明总地涉及语音信号处理。

背景技术

通常，语音信号处理包括处理电气和/或电子信号，用于识别或合成语音。语音合成是通过人工方式从文本到语音的产物，文本到语音（TTS）系统给传统的计算机到人的视觉输出装置（例如计算机监视器或显示器）提供了替代方案。相反，自动语音识别（ASR）技术使配备了麦克风的计算装置能够转译语音，从而为传统的人到计算机的触觉输入装置（例如键盘或键区）提供了替代方案。

在某些环境下，TTS和ASR技术被组合以为用户提供与系统交互的免提音频。例如，车辆中的远程信息处理系统可接收文本信息、使用TTS技术将信息以音频形式展现给驾驶员、接收驾驶员的回复话语、并将回复转至服务器，该服务器识别所述回复并产生和发送相应的文本信息响应。语音识别通常是困难的任务，特别是在处理现代文本信息的陌生缩略语和其它口语特色时。

发明内容

根据本发明的一个实施例，提供了一种自动语音识别方法，包括下列步骤：

a) 通过麦克风从用户接收对文本信息的回复话语，所述麦克风将所述回复话语转换为语音信号；

b) 使用至少一个处理器预处理所述语音信号，以从所述语音信号提取声音数据；

c) 使用与所述文本信息相关的会话语境识别多个声音模型中的一个声音模型，以解码所述声音数据；以及

d) 使用识别的声音模型解码所述声音数据，以产生用于所述回复话语的多个假设。

根据本发明的另一实施例，提供了一种自动语音识别方法，包括下列步骤：

a) 在语音识别客户端装置接收文本信息； 

b) 使用所述客户端装置的至少一个处理器通过存储在所述客户端装置上的特定会话语境语言模型处理所述文本信息，以识别对应于所述文本信息的会话语境；

c) 从所述文本信息合成语音；

d) 通过所述客户端装置的扬声器发送所述合成的语音至所述客户端装置的用户；

e) 通过所述客户端装置的麦克风从用户接收回复话语，所述麦克风将所述回复话语转换为语音信号；

f) 使用至少一个处理器预处理所述语音信号，以从接收的所述语音信号提取声音数据；

g) 将提取的声音数据和识别的会话语境发送至语音识别服务器；

h) 使用识别的会话语境识别存储在所述服务器上的多个声音模型中的一个声音模型，以解码所述声音数据；

i) 使用识别的声音模型解码所述声音数据，以产生用于所述回复话语的多个假设；以及

j) 后处理所述多个假设，以将所述假设之一识别为所述回复话语。

根据本发明的另一实施例，提供了一种自动语音识别方法，包括下列步骤：

a) 在语音识别客户端装置接收文本信息； 

b) 使用所述客户端装置的至少一个处理器通过存储在所述客户端装置上的特定会话语境语言模型处理所述文本信息，以识别对应于所述文本信息的会话语境；

c) 从所述文本信息合成语音；

d) 通过所述客户端装置的扬声器发送所述合成的语音至所述客户端装置的用户；

e) 通过所述客户端装置的麦克风从用户接收回复话语，所述麦克风将所述回复话语转换为语音信号；

f) 使用至少一个处理器预处理所述语音信号，以从接收的所述语音信号提取声音数据；

g) 使用与所述文本信息相关的识别的会话语境，识别所述多个声音模型中的一个声音模型，以解码所述声音数据；

h) 使用识别的声音模型解码所述声音数据，以产生用于所述回复话语的多个假设；以及

i) 确定与所述回复话语的多个假设的至少一个相关的信任值是否大于或小于信任阈值；

j) 如果所述信任值被确定为小于所述信任阈值，那么将提取的声音数据和会话语境发送至语音识别服务器，否则后处理所述多个假设，以将所述假设之一识别为所述回复话语，并从所述客户端装置输出所述识别的假设作为回复的文本信息的至少一部分；

h) 使用识别的会话语境在所述服务器识别存储在所述服务器的多个声音模型中的一个声音模型，以解码所述声音数据；

i) 使用在所述服务器识别的所述声音模型解码所述声音数据，以产生用于所述回复话语的多个假设；

j) 后处理所述多个假设，以将所述假设之一识别为所述回复话语；以及

k) 从所述服务器输出所述识别的假设作为回复的文本信息的至少一部分。

本发明提供下列技术方案。