[发明专利]一种基于深度神经网络的语音关键词识别方法及装置

权利要求书

1.一种基于深度神经网络的语音关键词识别方法，其特征在于， 包括：

对待识别的输入语音进行分帧得到多个语音帧；

对每个所述语音帧进行特征提取，得到每个所述语音帧的梅尔 倒谱特征系数MFCC序列；

并行将每个所述语音帧的MFCC序列输入到预设的深度神经 网络模型，分别计算每个所述语音帧的MFCC序列在所述预设的深 度神经网络模型的输出层的每个神经单元下的后验概率，将所述输 出层的每个神经单元下的后验概率组成所述多个语音帧对应的后验 概率序列，其中，输出层的每个神经单元对应一个关键词；

监测输出层每个神经单元下的所述后验概率序列；

根据所述后验概率序列与预设阈值的概率序列的比较结果确定 所述待识别的输入语音的关键词。

2.根据权利要求1所述的基于深度神经网络的语音关键词识别 方法，其特征在于，所述预设的深度神经网络模型通过以下方式建 立：

利用深度学习方法对选取的语音样本数据进行深度神经网络训 练，得到预设的深度神经网络模型，其中，所述深度神经网络模型 包括：由MFCC序列对应的神经单元组成的输入层、由非线性映射 单元组成的隐藏层和由每个关键词的后验概率对应的神经单元组成 的输出层。

3.根据权利要求2所述的基于深度神经网络的语音关键词识别 方法，其特征在于，所述利用深度学习方法对选取的语音样本数据 进行深度神经网络训练，得到预设的深度神经网络模型包括：

根据选取的语音样本数据训练隐马尔科夫模型和混合高斯模 型，其中，所述隐马尔科夫模型与所述选取的语音样本数据是一一 对应的，所述混合高斯模型用来描述所述隐马尔科夫模型状态的输 出概率分布；

采用维特比译码算法利用训练好的所述隐马尔科夫模型和所述 混合高斯模型对选取的语音样本数据进行起始帧和结束帧对齐处 理，确定所述语音样本数据的边界信息；

根据所述语音样本数据的语音信息、文本内容和所述语音样本 数据的边界信息训练得到预设的深度神经网络模型。

4.根据权利要求3所述的基于深度神经网络的语音关键词识别 方法，其特征在于，所述利用深度学习方法对选取的语音样本数据 进行深度神经网络训练，得到预设的深度神经网络模型之后，还包 括：

监测每个语音样本数据在训练好的所述预设的深度神经网络模 型的输出层的每个神经单元下的后验概率；

判断每个语音样本数据是否在对应的神经单元下的后验概率最 大；

若否，则利用反向传播算法对所述预设的深度神经网络模型的 参数进行调整，直到每个语音样本数据均在对应的神经单元下的后 验概率最大。

5.根据权利要求1-4任一项所述的基于深度神经网络的语音关 键词识别方法，其特征在于，还包括：

利用对应的隐马尔科夫模型对识别出的所述关键词进行打分处 理，计算所述关键词在所述隐马尔科夫模型下的似然概率；

若所述似然概率大于预设阈值，则确定识别结果为真。

6.根据权利要求5所述的基于深度神经网络的语音关键词识别 方法，其特征在于，根据所述后验概率序列与预设阈值的概率序列 的比较结果确定所述待识别的输入语音的关键词包括：

判断所述后验概率序列是否存在一个连续的数值子段均大于预 设阈值的概率序列；

若是，判断所述连续的数值子段所对应起始帧与结束帧之间的 持续时间是否大于预设时间；

当判断出所述连续的数值子段所对应起始帧与结束帧之间的持 续时间大于预设时间时，将所述连续的数值子段所属的神经单元对 应的关键词作为待识别的输入语音所表示的关键词。