[发明专利]基于流式注意力模型的语音识别解码方法、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流式注意力模型的语音识别解码方法、装置、设备以及计算机可读存储介质。方法包括使用流式注意力模型生成用于解码语音的多个声学路径，然后将多个声学路径中最后一个发音相同的声学路径进行合并以获得多个合并的声学路径。方法还包括从多个合并的声学路径中选择预定数目个声学路径作为保留的候选声学路径。本公开的实施例提出了当前发音片段的声学得分计算只受其前一发音片段的影响而与更早的发音历史无关的思路，通过将多个候选声学路径中最后一个发音相同的若干个声学路径进行合并，能够提升基于流式注意力模型的语音识别系统的准确率和解码速度。

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流式注意力模型的语音识别解码方法、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。

流式语音识别是一种支持实时处理的语音识别技术，其是指针对流传输到的连续语音，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。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，语音识别系统在保持高识别率的同时，需要及时快速地对语音信号进行解码并实时输出识别结果。一般来说，流式语音识别可以通过流式声学模型来实现，流式声学模型在计算当前语音的得分时，除了需要当前语音的信号特征，还需要先前的历史信息，因此，流式声学模型是一种历史依赖的声学模型。

发明内容

根据本公开的示例实施例，提供了一种基于流式注意力模型的语音识别解码方法、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，提供了一种基于流式注意力模型的语音识别解码方法。该方法包括：使用流式注意力模型生成用于解码语音的多个声学路径；将多个声学路径中最后一个发音相同的声学路径进行合并以获得多个合并的声学路径；以及从多个合并的声学路径中选择预定数目个声学路径。

在本公开的第二方面中，提供了一种基于流式注意力模型的语音识别解码装置。该装置包括：声学路径生成模块，被配置为使用流式注意力模型生成用于解码语音的多个声学路径；声学路径合并模块，被配置为将多个声学路径中最后一个发音相同的声学路径进行合并以获得多个合并的声学路径；以及声学路径选择模块，被配置为从多个合并的声学路径中选择预定数目个声学路径。

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各种方法和/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各种方法和/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示出了根据本公开的实施例的语音识别的处理过程的示意图；