[发明专利]语音识别的方法和装置

说明书

本申请实施例提供了一种语音识别的方法和装置。该方法包括：获取待识别语音；根据神经网络模型获取所述待识别语音的音素的分类结果，所述音素的分类结果包括所述音素为混合音素集合中的哪个音素，所述混合音素集合包括第一语言和第二语言的所有音素，所述第一语言为目标语言，所述第二语言为所述待识别语音的发音者的母语；根据所述音素的分类结果确定所述待识别语音的评价结果。本申请实施例的语音识别的方法和装置，能够提升用户的体验。

技术领域

本申请涉及语音信号处理技术领域，并且更为具体地，涉及一种语音识别的方法和装置。

背景技术

目前越来越多的人开始学习外语，其中，许多人借助于学习软件进行学习。例如，不少人使用软件练习英语口语发音。好的学习软件能够帮助用户提高口语水平。

然而，目前的口语发音评估系统等语音识别方案，发音反馈粗糙，评价过于简单，用户得到打分后仍不清楚如何改进，用户体验较差。

因此，需要提供一种有效的语音识别的方案，以提升用户的体验。

发明内容

本申请提供一种语音识别的方法和装置，能够提升用户的体验。

第一方面，本申请提供一种语音识别的方法，该方法包括：获取待识别语音；根据神经网络模型获取所述待识别语音的音素的分类结果，所述音素的分类结果包括所述音素为混合音素集合中的哪个音素，所述混合音素集合包括第一语言和第二语言的所有音素，所述第一语言为目标语言，所述第二语言为所述待识别语音的发音者的母语；根据所述音素的分类结果确定所述待识别语音的评价结果。

在本申请实施例中，通过神经网络模型识别待识别语音中的音素为目标语言音素和母语音素中的哪个音素，可以提供给用户更丰富的反馈，有利于用户准确地纠正发音，提升用户的体验。

在一些可能的实现方式中，所述根据神经网络模型获取所述待识别语音的音素的分类结果，包括：获取所述待识别语音的音素的特征；根据所述音素的特征和所述神经网络模型，获取所述音素的分类结果。

在一些可能的实现方式中，所述第一语言为英文，所述第二语言为中文，所述混合音素集合包括英文的所有音素和中文的所有音素。

在一些可能的实现方式中，所述待识别语音的评价结果包括：所述音素的发音是否正确，所述音素的发音偏向于中文音素还是英文音素。

在一些可能的实现方式中，所述根据所述音素的分类结果确定所述待识别语音的评价结果，包括：若所述音素为正确的英文音素，则确定所述音素的发音正确且所述音素的发音偏向于英文音素；若所述音素为中文音素，则确定所述音素的发音错误且所述音素的发音偏向于中文音素。

在一些可能的实现方式中，所述待识别语音的评价结果还包括所述待识别语音的评分；所述根据所述音素的分类结果确定所述待识别语音的评价结果，包括：根据所述音素的发音，确定所述待识别语音的评分。

在一些可能的实现方式中，所述方法还包括：根据带有标签的音素样本训练所述神经网络模型，其中，所述标签为关于所述混合音素集合中音素的相似度。

在一些可能的实现方式中，所述方法还包括：获取音频样本的每一帧的特征；根据所述音频样本的所有帧的特征和所述音频样本中每个音素的位置，确定音素样本；对所述音素样本打标签，得到带有标签的音素样本。

在一些可能的实现方式中，所述对所述音素样本打标签，包括：对于有明显区别的音素，相似度设置为0；对于发音方式不相关的音素，相似度设置为0；对于在发音方式上有相似性的音素，将发音方式特征集合的交并比作为相似度。

在一些可能的实现方式中，所述神经网络模型为三生神经网络模型，包括三个输入层，所述三个输入层中的两个输入层用于输入正确发音的音素样本，另一个输入层用于输入错误发音的音素样本，所述错误发音的音素样本包括发音偏向于所述第二语言的音素的音素样本。