[发明专利]基于端到端深度学习模型的语音识别方法及系统

说明书

一种基于端到端深度学习模型的语音识别方法，包括以下步骤：把发音相近的韵母映射到同一个编码，把发音相近的声母映射到同一个编码，形成规则映射表；用规则映射表对语料进行数据编码，把语料的汉字利用规则映射表中编码进行表示；对编码后的语料使用混合式端到端模型训练，混合式端到端模型包括“拼音”端到端模型和“音素”端到端模型，得到“拼音”和“音素”声学模型；用规则映射表对将要应用的多个词汇进行编码，形成词汇库；使用声学模型识别语音；使用编辑距离对比声学模型输出的编码和词汇库内词汇的编码，找到最小编辑距离，对应的词汇就是识别结果。本方法提升了系统的识别效率。

技术领域

本发明涉及语音识别领域，具体说，涉及一种基于端到端深度学习模型的语音识别方法及系统，特别适合小词汇量(如有限命令)的语音识别。

背景技术

语音作为一种重要的人机交互方式，越来越被广泛关注。而基于当前语音技术的发展现状，有限命令的语音识别场景最为成熟和重要，特别是在一些与信息系统的交互领域，命令式的交互清晰不容易出错。尤其是在医疗领域，医生的时间相当宝贵，每节省一分钟就可能多拯救一个人的生命。而语音识别就可以极大提升医生使用信息系统的效率，最大限度节省医生在系统交互上的时间。另外，在某些场景下，语音命令的交互比传统交互更加安全和有效，比如手术室里，医生通过语音与系统交互就可以避免接触感染，提高安全性。因此，命令式的语音识别方法研究具有重要的现实意义。

目前语音识别有以下几种算法。1)基于动态时间规整的算法。这种方法主要用于连续语音的识别场景下，但是该方法运算量大。对于小词汇识别，也有很多基于这个方法进行改进的，比如利用频率尺度的DTW算法。2)基于参数模型的隐马尔可夫模型。但是这种方法需要大量的词汇和训练时间。一般连续隐马尔可夫模型比离散隐马尔可夫模型计算量大，同时识别率也更高。3)基于非参数模型的矢量量化的方法。该方法所需的模型训练数据，已经识别的时间和存储的空间都比较小，但是这种方法对于大量词汇语音的识别不如隐马尔可夫模型好，但在小词汇量的语音识别系统中，有比较好的效果。4)端到端的语音识别系统。这种方法主要使用深度学习模型，并应用在连续的语音识别当中，很少用于少量词汇的语音识别。

发明内容

为解决以上问题，本发明提供一种基于端到端深度学习模型的语音识别方法，包括以下步骤：步骤S10，对韵母、声母进行分类编码，并且把发音相近的韵母映射到同一个编码，把发音相近的声母映射到同一个编码，形成规则映射表；步骤S20，利用所述规则映射表，对语料进行数据编码，把语料的汉字利用规则映射表中编码进行表示；步骤S30，对编码后的语料使用混合式端到端模型进行训练，所述混合式端到端模型包括“拼音”端到端模型和“音素”端到端模型，从而得到“拼音”和“音素”声学模型；步骤S40，利用规则映射表对将要应用的多个词汇进行编码，形成词汇库；步骤S50，使用所述声学模型识别语音；步骤S60，使用编辑距离对比声学模型输出的编码和词汇库内词汇的编码，找到最小的编辑距离，对应的词汇就是识别结果。

优选地，步骤S50中，识别语音时，判断拼音序列的字数是否小于等于字数限值，当拼音序列的字数大于字数限值时，则步骤S501，仅用“拼音”声学模型来识别语音，当拼音序列字数小于等于字数限值时，则步骤S502，“拼音”声学模型与“音素”声学模型结合来识别语音。

优选地，字数限值大于等于2。

优选地，对韵母、声母进行的分类编码是字母或数字。

优选地，韵母ai、ei采用同一编码；韵母ao、ou采用同一编码；韵母en、eng采用同一编码；韵母un、ong采用同一编码；声母m、n、l采用同一编码；声母f、h采用同一编码；声母zh、z采用同一编码；声母ch、c采用同一编码。