[发明专利]一种年龄增强的语音识别增强方法和装置

说明书

本发明公开了一种语音识别方法和装置，特别公开了一种年龄增强的语音识别增强方法和装置。该一种年龄增强的语音识别增强方法和装置，本装置主要由语音分帧模块、类别标记模块、年龄段编码向量模块和语音识别系统训练模块构成；本装置需预设对训练数据分帧进行发音类别标记，标记对应的年龄段，然后将获取的年龄端编码为向量加入到语音识别系统训练模块中去，获取语音识别引擎；在语音识别系统训练模块获取了年龄向量后，即可进行语音识别引擎训练。其益效果是：通过多任务协同学习的方法，将年龄作为一个向量加入到语音识别模型训练中去，既能共享大数据中语音基础信息，又能对不同年龄段的人群进行针对性优化，从而提高语音识别引擎整体的识别率。

技术领域

本发明公开了一种语音识别方法和装置，特别公开了一种年龄增强的语音识别增强方法和装置。

背景技术

现有技术中，随着大规模连续语音识别技术的发展，语音识别被应用在越来越多的应用场景上。伴随着应用场景的增多，覆盖人群的年龄段越来越广，语音识别对不同年龄段的识别率要求越来越高，因此，语音识别对不同年龄段的覆盖显的尤为重要。

目前常用的识别方法有两种，一是收集覆盖所有年龄段的语音数据，进行大规模语音识别模型训练，但是这种方法收集的年龄段语音数据一般是不均匀的，在训练的时候往往会把一些年龄段的数据淹没掉；二是把人群分为老人、成人和儿童，分别训练不同人群的模型，但是这种模型无法共享大规模数据的通用信息，导致一些人群的数据量有限，识别率无法提高。

发明内容

本发明的目的在于提供一种年龄增强的语音识别增强方法和装置，本发明采用的技术方案是：

本发明一种年龄增强的语音识别增强方法和装置，其特征在于：本装置主要由语音分帧模块、类别标记模块、年龄段编码向量模块和语音识别系统训练模块构成；本装置需预设对训练数据分帧进行发音类别标记，标记对应的年龄段，然后将获取的年龄端编码为向量加入到语音识别系统训练模块中去，获取语音识别引擎；在语音识别系统训练模块获取了年龄向量后，即可进行语音识别引擎训练，具体流程如下：

输入向量：输入向量分为语音特征向量和年龄向量；语音特征向量为40维的Fbank特征，考虑到上下文相关，使用11帧的对称窗口，并做LDA降维至200维，年龄向量即为年龄段编码向量模块中获取的向量；

网络结构：4层隐含层，每层1200个结点，输出层对应GMM的个数，为7552个结点；

模型训练：交叉熵作为训练的评判标准，训练中采用随机梯度下降法。

具体的，所述语音分帧模块主要将整段的语音进行切分一帧帧语音，现成一个序列，用s表示s＝{s1,s2,….,sN}，其中s表示一段语音，s1表示一帧语音，N为总帧数。

具体的，所述类别标记模块主要将上一模块的切分的语音帧进行标记，现成待标记的语音片段，用l表示，l_s表示对语音端s进行标记，l_s＝{l_s_1,l_s_2,…,l_s_N},其中l_s_1表示对语音帧s1进行标记。L_s_n的值为年龄段，举例，如年龄段为3-7岁，8-12岁，14-18岁，19-30岁等，则l_s_n的值为其中一个。

具体的，所述年龄段编码向量模块主要是将年龄段进行编码，从而形成年龄向量方便神经网络输入，具体编码流程如下：

年龄段编码映射，将年龄段分为M端，则形成一个M维的向量来表示年龄向量，即：E1＝{1,0,0,0….},E2＝{0,1,0,0,..},E_M＝{0,0,…,0,1},采取0-1编码的方式；

获取语音帧年龄向量，将年龄段编码向量模块中的语音年龄段标注与年龄向量映射，即可获取每个语音帧对应的向量。