[发明专利]语音识别方法、装置及存储介质

说明书

本公开是关于一种语音识别方法、装置及存储介质，属于机器学习技术领域。方法包括：获取待识别的音频帧；分别提取音频帧的梅尔标度滤波器组特征和发声用户信息矢量；对梅尔标度滤波器组特征和发声用户信息矢量进行融合处理，得到融合特征；基于目标声学模型对融合特征进行处理，得到音频帧的语音识别结果，目标声学模型包括多个空洞卷积层。本公开会同时提取音频帧的梅尔标度滤波器组特征和发声用户信息矢量，之后，将二者进行特征融合并将融合后的特征输入声学模型，由于融合后的特征能够对说话人特征和信道特征进行有效表达，提高了语音识别的准确率；另外，声学模型中包括多个空洞卷积层，可以在相同感受野下减少计算量，加快了语音识别速度。

技术领域

本公开涉及机器学习技术领域，尤其涉及一种语音识别方法、装置及存储介质。

背景技术

语音识别也称为自动语音识别(Automatic Speech Recognition，ASR)，是一项让机器通过识别和理解过程将语音信号转变为相应的文本或命令的技术。目前语音识别技术已经被广泛应用在诸如工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等多个领域。

其中，在语音识别过程中，语音识别的准确度和速度至关重要。众所周知，语音识别的准确率越高且速度越快，用户的满意度便越高。为此，如何准确且快速地进行语音识别，以改善语音识别效果，成为了本领域技术人员亟待解决的一个问题。

发明内容

本公开提供一种语音识别方法、装置及存储介质，能够有效改善语音识别效果。

根据本公开实施例的第一方面，提供一种语音识别方法，包括：

获取待识别的音频帧；

分别提取所述音频帧的梅尔标度滤波器组特征和发声用户信息矢量；

对所述梅尔标度滤波器组特征和所述发声用户信息矢量进行融合处理，得到融合特征；

基于目标声学模型对所述融合特征进行处理，得到所述音频帧的语音识别结果，所述目标声学模型包括多个空洞卷积层。

在一种可能的实现方式中，所述对所述梅尔标度滤波器组特征和所述发声用户信息矢量进行融合处理，包括：

对所述梅尔标度滤波器组特征进行规范化处理，得到第一中间特征；

对所述发声用户信息矢量进行维度变换处理，得到第二中间特征，所述第二中间特征的维度大于所述发声用户信息矢量的维度；

对所述第二中间特征进行规范化处理，得到第三中间特征；

对所述第一中间特征和所述第三中间特征进行融合处理，得到所述融合特征。

在一种可能的实现方式中，所述对所述梅尔标度滤波器组特征进行规范化处理，得到第一中间特征，包括：

基于第一BatchNorm(批标准化)层，将所述梅尔标度滤波器组特征规范化至均值为0且方差为1，得到所述第一中间特征；

所述对所述第二中间特征进行规范化处理，得到第三中间特征，包括：

基于第二BatchNorm层，将所述第二中间特征规范化至均值为0且方差为1，得到所述第三中间特征。

在一种可能的实现方式中，所述目标声学模型包括空洞卷积神经网络和LSTM(Long Short-Term Memory，长短期记忆)网络，所述空洞卷积神经网络包括所述多个空洞卷积层，所述LSTM网络包括多个LSTM层；

所述基于目标声学模型对所述融合特征进行处理，得到所述音频帧的语音识别结果，包括：

将所述融合特征输入所述空洞卷积神经网络，依次经过所述多个空洞卷积层对所述融合特征进行处理，其中，上一个空洞卷积层的输出为下一个空洞卷积层的输入；