[发明专利]基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质

说明书

本公开提供了一种基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质。方法包括获得用于截断输入的语音信号的特征序列的截断信息，然后基于截断信息来将特征序列截断成多个子序列。方法还包括针对每个子序列，通过注意力机制来获得实时识别结果。本公开的实施例通过在传统的注意力模型中引入根据语音信号而确定的截断信息，能够指导注意力模型针对每个截断分别进行注意力建模，不仅能够实现实时的语音识别，而且能够保证很高的识别准确率。此外，可选地，本公开的一些实施例所提出的双头结构能够保证实时语音识别过程的计算量较小，本公开的一些实施例所提出的多级注意力结构能够进一步提升语音识别的准确率。

技术领域

本公开的实施例总体上涉及语音识别技术领域，并且更具体地涉及基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质。

背景技术

语音识别是指通过计算机把语音信号转换为对应的文本的过程，是实现人与机器交互的主要途径之一。近年来，随着深度学习技术在语音识别领域的广泛引用，语音识别的准确率得到了极大的提升。此外，由于智能设备的不断普及，使用语音进行识别的场合已经变得非常丰富。例如，语音识别技术已经广泛应用于语音输入，语音拨号、车载导航等各种场合。语音识别技术结合自然语言处理以及语音合成等技术，可以产生更多复杂应用，例如智能音箱、会议同声传译、智能客服助理等。语音识别的准确率直接影响着语音相关产品用户的使用体验，因此，随着语音识别使用场景的不断丰富，对语音识别的准确率提出了更高的要求。

实时语音识别是指针对接收到的连续语音，对语音的各个片段进行识别，从而可以实时地获得识别结果，而不需要等待全部语音输入完毕之后才开始识别过程。在大规模词汇量的在线连续语音识别中，影响系统性能的关键因素是系统的识别精度和响应速度。例如，在用户期望在说话的同时能够看到识别结果实时展现的场景中，需要语音识别系统在保持高识别率的同时，及时快速地对语音信号进行解码并输出识别结果。如果等用户语音输入完毕后才开始识别，则会严重影响用户的使用体验，造成语音交互的不流畅性。

发明内容

根据本公开的示例实施例，提供了一种基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质。

在本公开的第一方面中，提供了一种基于截断注意力的实时语音识别的方法。该方法包括：基于输入的语音信号，获得用于截断语音信号的特征序列的截断信息；基于截断信息，将特征序列截断成多个子序列；以及针对多个子序列中的子序列，通过注意力机制来获得实时识别结果。

在本公开的第二方面中，提供了一种基于截断注意力的实时语音识别的装置。该装置包括：截断信息获得模块，被配置为基于输入的语音信号，获得用于截断语音信号的特征序列的截断信息；特征序列截断模块，被配置为基于截断信息，将特征序列截断成多个子序列；以及识别结果获得模块，被配置为针对多个子序列中的子序列，通过注意力机制来获得实时识别结果。

在本公开的第三方面中，提供了一种电子设备，其包括一个或多个处理器以及存储装置，其中存储装置用于存储一个或多个程序。一个或多个程序当被一个或多个处理器执行，使得电子设备实现根据本公开的实施例的方法或过程。

在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的实施例的方法或过程。

应当理解，本发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键特征或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的描述而变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了传统的语音识别过程的示意图；

图2示出了根据本公开的实施例的示例实时语音识别场景的示意图；