[发明专利]语音识别系统、方法、音箱、显示设备和交互平台

说明书

本发明公开了一种语音识别系统、方法、音箱、显示设备和交互平台。其中，该系统包括：声学模型和翻译器，其中，声学模型，用于依据获取到的声学特征与建模单元序列进行映射，得到声学特征的建模单元序列；翻译器，用于对建模单元序列进行翻译，得到翻译结果。本发明解决了由于现有的语音识别系统由于操作繁琐，导致的语音识别系统运行性能低的技术问题。

技术领域

本发明涉及互联网技术领域，具体而言，涉及一种语音识别系统、方法、音箱、显示设备和交互平台。

背景技术

目前主流的语音识别系统，采用混合深度神经网络和隐马尔可夫模型的框架：单独训练一个声学模型，语言模型，然后结合发音词典进行联合建模。这整个流程比较繁琐。

针对上述由于现有的语音识别系统由于操作繁琐，导致的语音识别系统运行性能低的问题。目前虽然有一些研究提出构建端到端的语音识别系统来简化系统,但是性能上相比于传统的混合系统并没有优势。

发明内容

本发明实施例提供了一种语音识别系统、方法和音箱，以至少解决由于现有的语音识别系统由于操作繁琐，导致的语音识别系统运行性能低的技术问题。

根据本发明实施例的一个方面，提供了一种语音识别系统，包括：声学模型和翻译器，其中，声学模型，用于依据获取到的声学特征与建模单元序列进行映射，得到声学特征的建模单元序列；翻译器，用于对建模单元序列进行翻译，得到翻译结果。

可选的，该系统还包括：文本词典，其中，通过文本词典结合建模单元序列的上下文信息进行校正，并通过翻译器结合文本词典对建模单元序列进行翻译，得到翻译结果。

可选的，在训练阶段分别对声学模型和翻译器进行训练。

可选的，声学模型包括：由深度学习模型和连接时间分类(ConnectionistTemporal Classification)模型构成。

可选的，建模单元序列包括：音节和字符。

可选的，翻译器为Transformer模型。

可选的，该系统应用于端到端架构的系统。

根据本发明实施例的另一个方面，提供了一种语音识别方法，包括：通过声学模型获取声学特征；通过声学模型依据声学特征与建模单元序列进行映射，得到声学特征的建模单元序列；通过翻译器对建模单元序列进行翻译，得到翻译结果。

可选的，该方法还包括：在获取声学特征之前，在训练阶段，分别对声学模型和翻译器进行训练。

可选的，通过翻译器对建模单元序列进行翻译，得到翻译结果包括：通过文本词典结合建模单元序列的上下文信息进行校正，并通过翻译器结合文本词典对建模单元序列进行翻译，得到翻译结果。

可选的，声学模型包括：由深度学习模型和连接时间分类(ConnectionistTemporal Classification)模型构成。

可选的，建模单元序列包括：音节和字符。

根据本发明实施例的又一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述语音识别方法。

根据本发明实施例的再一个方面，提供了一种音箱，包括语音识别系统，其中，该语音识别系统为上述系统。

根据本发明另一实施例的一个方面，提供了一种显示设备，包括：具备图像、视频交互功能的设备，其中，设备包括：语音识别系统，其中，语音识别系统包括权利要求1的系统。

根据本发明另一实施例的一个方面，提供了一种交互平台，包括：接收用户在线输入的语音数据；依据语音数据返回识别数据，其中，识别数据通过语音识别系统进行翻译得到；其中，语音识别系统包括权利要求1的系统。