[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

说明书

技术领域

本发明涉及语音关键词识别技术领域，具体而言，涉及一种基 于深度神经网络的语音关键词识别方法及装置。

背景技术

目前，随着智能化产品的广泛应用，存储设备性能和容量的提 高，以及网络、通信的蓬勃发展，语音已经成为信息的有力载体， 从而语音的处理和应用技术越来越受到人们的关注。其中，语音关 键词识别技术是指在给定语音中识别出给定关键词并指明其所在的 位置，语音关键词识别技术是语音识别技术的一个重要分支，是处 理自然语音、实现人机语音交互的有效解决方案。在很多应用场景 中语音关键词识别被广泛的应用，例如语音查询系统、语音检索系 统、语音命令实时控制系统，并不需要逐字识别出语音包含的所有 内容，而只需识别出给定语音中的预设关键词即可。因此，语音关 键词识别技术应用前景广阔，成为语音识别领域的研究热点。

当前，相关技术中提供了一种基于模型的语音关键词识别技术， 例如，基于大词汇量的连续语音识别，需要先用语音识别器将语音 信号转换成文本，再对给定关键词进行文本搜索，该语音关键词识 别技术需在一整段连续语音完整输入后再进行语音信号转换；又如， 基于关键词模型和填充(filler)模型的关键词识别，需要将所有非 关键词识别成填充模型，该语音关键词识别技术也需在一整段连续 语音完整输入时将所有的非关键词识别成填充模型，将关键词识别 成关键词模型，进而确定一整段连续语音的关键词。

在实现本发明的过程中，发明人发现相关技术中至少存在以下 问题：目前语音关键词识别技术中存在识别延迟的问题，因此无法 实现及时、快速地进行人机互动。

发明内容

有鉴于此，本发明实施例的目的在于提供一种基于深度神 经网络的语音关键词识别方法及装置，以解决语音关键词识别 技术中存在识别延迟的问题，提高语音关键词的识别速度，实 现及时、快速地进行人机互动。

第一方面，本发明实施例提供了一种基于深度神经网络的 语音关键词识别方法，该识别方法包括：

对待识别的输入语音进行分帧得到多个语音帧；

对每个上述语音帧进行特征提取，得到每个上述语音帧的 梅尔倒谱特征系数MFCC序列；

并行将每个上述语音帧的MFCC序列输入到预设的深度神 经网络模型，分别计算每个上述语音帧的MFCC序列在上述预 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，将上述输出层的每个神经单元下的后验概率组成上述多个 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上述后验概率序列；

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

结合第一方面，本发明实施例提供了第一方面的第一种可 能的实施方式，其中，上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，上述深度神经 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。

结合第一方面的第一种可能的实施方式，本发明实施例提 供了第一方面的第二种可能的实施方式，其中，上述利用深度 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，上述隐马尔科夫模型与上述选取的语音样本数据 是一一对应的，上述混合高斯模型用来描述上述隐马尔科夫模 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上述隐马尔科夫模型和 上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，确定上述语音样本数据的边界信息；

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

结合第一方面的第二种可能的实施方式，本发明实施例提 供了第一方面的第三种可能的实施方式，其中，上述利用深度 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上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；