[发明专利]语音识别方法及装置

说明书

本发明实施例提供一种语音识别方法及装置，所述方法包括：获取待识别语音数据的频谱图；将所述待识别语音数据的频谱图输入至语音识别模型，输出所述待识别语音数据对应的文字识别结果；其中，所述语音识别模型是基于语音样本以及预先确定的语音样本对应的文字，采用二次训练的方式进行训练后得到。本发明实施例提供的语音识别方法及装置，采用二次训练的方式对语音识别模型进行训练，使用二次训练能够较好的兼容语音识别模型的时间开销和准确度，从而提高了对长句的识别效果。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种语音识别方法及装置。

背景技术

语音识别是一种广义的自然语言处理技术，是用于人与机器进行更顺畅交流的技术，语音识别目前已使用在生活的各个方面。

随着深度学习的发展，目前语音识别任务是由端到端的深度学习的模式完成的，传统的方式是通过快速傅里叶变换从原始的音频文件得到频谱图，经过深层神经网络(DNN)网络获取其中的语义信息，最后通过隐马尔科夫模型(HMM)获得文字信息，解码方式是通过Viterbi算法。

但是，在提取的语音特征中语音音素是带有一定的关联性，采用现有技术中的DNN-HMM的语音识别方案，在训练中存在梯度消失问题，容易陷入局部最优，会给整个模型的训练加大难度，导致模型无法收敛，最终导致Viterbi解码方式消耗时间过长，词典数据量过大时会加剧消耗时间，在较长的句子识别中效果差。

发明内容

本发明实施例提供一种语音识别方法及装置，用于解决现有技术中的上述技术问题。

为了解决上述技术问题，一方面，本发明实施例提供一种语音识别方法，包括：

获取待识别语音数据的频谱图；

将所述待识别语音数据的频谱图输入至语音识别模型，输出所述待识别语音数据对应的文字识别结果；

其中，所述语音识别模型是基于语音样本以及预先确定的语音样本对应的文字，采用二次训练的方式进行训练后得到。

进一步地，将所述待识别语音数据的频谱图输入至语音识别模型，输出所述待识别语音数据对应的文字识别结果，具体包括：

将所述待识别语音数据的频谱图输入至所述语音识别模型中的卷积神经网络，输出语音特征；

将所述语音特征输入至所述语音识别模型中的双向残差长短时记忆网络，输出语义信息；

将所述语义信息输入至所述语音识别模型中的解码器，输出所述文字识别结果。

进一步地，对所述语音识别模型进行训练的具体步骤如下：

将所述语音样本的频谱图输入至所述语音识别模型中的卷积神经网络，输出样本语音特征；

将所述样本语音特征输入至所述语音识别模型中的双向残差长短时记忆网络，输出样本语义信息；

将所述样本语义信息输入至全连接神经网络，输出样本预测文字；

将所述样本预测文字输入至Softmax回归模型，输出归一化后的样本预测文字；

将归一化后的样本预测文字输入至集束搜索算法模型，输出负样本；

根据所述负样本对所述语音识别模型进行二次训练，确定所述语音识别模型的参数。

进一步地，将所述样本语音特征输入至所述语音识别模型中的双向残差长短时记忆网络，输出样本语义信息，具体包括：

将所述样本语音特征输入至双向长短时记忆网络，输出前后向的隐藏语义信息，同时，对所述样本语音特征进行正则化，得到归一化样本语音特征；