[发明专利]一种语音识别应用系统的解决敏感词未知性的方法

权利要求书

1.一种语音识别应用系统的解决敏感词未知性的方法,其特征在于应用程序给操作系统设置敏感词表，语音识别模块将敏感词表引入识别算法，降低了每帧语音识别所需要的时间资源和空间资源，敏感词表是以音素方式表达的敏感词全体集合的一个子集，有了这个子集，就可以降低语音识别算法所需的时间资源和空间资源。

2.如权利要求1所述的一种语音识别应用系统的解决敏感词未知性的方法，其特征在于具体算法处理如下，将敏感词表引入隐马尔科夫声学模型Viterbi算法，大幅降低算法的时间资源和空间资源：

Viterbi算法的原形：

a)初始化

δ₁(i)＝π_ib_i(o₁),　　1≤i≤N

b)递归

δt(j)=max1≤i≤N[δt-1(i)aij]bj(ot),2≤t≤T,1≤j≤N]]>

c)终结

P*=max1≤i≤N[δT(i)])]]>

qT*=argmax1≤i≤N[δT(i)]]]>

d)求S序列

隐马尔科夫声学模型中一个音素就是一个三至五状态，其中S为隐藏状态集合，S＝{q}，N是状态数目，M为敏感词表Q的状态数，O为观察状态集合，O＝{o}，A为隐藏状态间的转移概率矩阵，A＝{a}，B为输出矩阵，即隐藏状态到输出状态的概率，B＝{b}，PI为初始概率分布，隐藏状态的初始概率分布，PI＝{π}，A，B，PI称为隐马尔科夫的参数，用λ表示，P^*是在时刻T输出状态o_T的最大概率，是在时刻T最大概率输出状态o_T的隐藏状态，δ_t(i)是t时刻到达状态i的所有序列概率中最大的概率，是在t-1时刻系统必须处于的状态，该状态导致了系统在t时刻到达状态i在所有属于敏感词表序列中是最大概率的；

在使用敏感词表Q之后，五元组{S,O,A,B,PI}没有改变，但敏感词表Q含有的状态集合是S的子集，原始隐含状态集S的状态数为N，敏感词表Q的状态数为M，相应的，改变下列两个函数定义：δ_t(i)是t时刻到达状态i的所有属于敏感词表子集序列概率中最大的概率，是在t-1时刻系统必须处于的状态，δ_t(i)是t时刻到达状态i的所有属于敏感词表序列概率中最大的概率，

δt(i)=maxq1,q2...qt-1P[q1q2...qt-1,qt=i,o1o2...ot|λ(q1q2...qt-1,qt∈Q)]]]>

在t-1时刻系统必须处于的状态，该状态导致了系统在t时刻到达状态i在所有属于敏感词表序列中是最大概率的；

经证明，引入敏感词表之后Viterbi算法下列公式仍然成立，而参数相应的演变为：

a)初始化

δ₁(i)＝π_ib_i(o₁),　　1≤i≤M

b)递归

δt(j)=max1≤i≤N[δt-1(i)aij]bj(ot),2≤t≤T,1≤j≤N]]>

c)终结

P*=max1≤i≤N[δT(i)])]]>

qT*=argmax1≤i≤N[δT(i)]]]>

d)求S序列

值得注意的是，P^*的阈值必须仍然以原始模型为准，

可以看出，引入敏感词表之后算法的参数由N变为M，由于M远远小于N，可见新的算法所需时间和空间会大幅缩小。