[发明专利]语音识别方法和语音识别系统

说明书

技术领域

本发明涉及语音识别方法和语音识别系统，尤其涉及使用双语音识别引擎进行语音识别的语音识别方法和语音识别系统。

背景技术

语音识别是通过用机器识别用户声音命令来实现人机交互的关键技术，其可以显著改进人机交互的方式以使得用户可以在说出命令的同时完成更多任务。语音识别是通过在线或离线训练得到的语音识别引擎来实现的。语音识别过程通常可以分为训练阶段和识别阶段。在训练阶段中，根据语音识别引擎所基于的数学模型，从训练数据中统计地得到声学模型（acoustic model，AM）和词汇表（lexicon）。在识别阶段中，语音识别引擎使用声学模型和词汇表对输入的语音进行处理，得到语音识别结果。例如，从输入声音的声波图进行特征提取以获得特征向量，然后根据声学模型得到音素（如[i]，[o]等）序列，最后从词汇表中定位与音素序列匹配度较高的单词，甚至是句子。

在语音识别系统中，可能加载了多于1个语音识别引擎来同时识别同一语音。例如，第一语音识别引擎可以是说话人相关语音识别（speaker-dependent automatic speech recognition,SD-ASR）引擎，其被训练以识别来自特定说话人的语音并输出包括对应的分数的识别结果。第二语音识别引擎可以是说话人无关语音识别（speaker-independent automatic speech recognition,SI-ASR）引擎，其能够识别来自任何用户的语音并输出包括对应的分数的识别结果。已知由于SD-ASR是由特定说话人的语音训练而成，其声学模型对语音的表示更准确，所以通常SD-ASR提供比SI-ASR更好的识别准确度。另一方面，已知由于SI-ASR是由非特定说话人的语音训练而成，其可以识别多个说话人的语音，所以SI-ASR可以提供比SD-ASR更具有兼容性的识别。因此，把SD-ASR和SI-ASR的识别结果进行结合可以获得既提高语音识别的准确度又具有较好兼容性的优点。

已知一种结合方法是对来自这两个引擎的所有输出候选或识别结果（每一个包括识别出的单词和对应的识别分数）根据它们的识别分数进行重新排序。然而，由于这两个引擎通常具有不同的词汇表和/或声学模型，所以这两个引擎的识别分数的分布也不相同（比如SI-ASR的分数主要分布在“0-0.5”，SD-ASR的分数主要分布在范围“0.5-1”）并且难以对来自这两个引擎的识别分数直接进行比较。

美国专利申请US6836758B2公开了一种用多个语音识别引擎进行语音识别的系统和方法。该方法主要包括：预先设定每个语音识别引擎的识别分数的不同权重，以使得正确识别结果的加权之和最大化并且错误识别结果的加权之和最小化，接下来对各个语音识别引擎的经加权的识别分数进行比较，并且然后输出具有最优加权分数的识别结果。但在该方法中，如果权重被设置得不适当，则识别结果可能比单独使用任何语音识别引擎的情况还要更差。显然，难以针对每个语音识别引擎来设置准确的权重，并且因此难以保证该方法的识别性能优于分别使用各个语音识别引擎的情况。

美国专利申请US7149689公开了一种双引擎语音识别方法，其使用混淆矩阵（confusion matrix）来比较两个语音识别引擎的识别分数。在该方法中，针对每个语音识别引擎而被统计生成的混淆矩阵被转换为交替矩阵（alternative matrix）并且建立把各语音识别引擎的识别结果与交替矩阵交叉比较的程序循环，在交替矩阵中每一列按照最高到最低概率排序。然而，在该方法中，两个语音识别引擎的词汇表必须是相同的。否则，混淆矩阵就将具有不同的词条，交替向量也不能被比较，并且程序循环将不能发现正确的识别结果。

发明内容

本发明的目的在于提供能够简单地且具有较少限制地把来自多个语音识别引擎的识别结果进行合并的语音识别方法和语音识别系统。