[发明专利]音频识别方法、系统、移动终端及存储介质

说明书

本发明提供了一种音频识别方法、系统、移动终端及存储介质，该方法包括：获取音频数据将音频文件转换为音频特征；对音频特征进行标签标注得到标签数组；构建LSTM神经网络模型，在LSTM神经网络模型上封装Attention网络，在LSTM神经网络模型中构建全连接层；对音频特征进行数值标准化处理，将标准化处理后的音频特征输入LSTM神经网络模型，以得到音频概率结果；根据标签数组对音频概率结果进行损失计算，以得到损失值，根据损失值对LSTM神经网络模型的模型参数进行迭代训练；将待检测音频输入LSTM神经网络模型进行音频识别，以得到音频识别结果。本发明采用基于深度学习的方式进行音频数据的识别,减少了错误识别的概率,提高了音频识别的准确率。

技术领域

本发明属于音频识别技术领域，尤其涉及一种音频识别方法、系统、移动终端及存储介质。

背景技术

随着音频识别技术的不断发展,该技术被应用于越来越多的场景中,例如家庭智能音箱,手机导航,无人购物超市等场景,通过音频识别技术,智能设备可以完成与人的交互,并且根据人们的命令来做出相应的操作以及相应的回应。

现有的音频识别技术使用的方法是持续监听用户的命令,并且当用户不再发出语音命令时,音频识别系统不再监听,并将监听到的音频进行上传到服务器,经过处理后做出相应的回应,通常音频识别过程中会通过音频的能量的进行有效音的判断,先计算整段音频的平均能量,然后将音频中高于平均能量的音频部分进行保留,而低于平均能量的音频部分舍弃,这样可以减少音频的无效片段,减少传输数据量,减低识别错误率,但是该判断方式由于判断标准单一,仅通过平均值作为阈值判断,有可能导致噪声被保留,或者用户较低音量的命令被删除,进而降低了音频识别的准确率。

发明内容

本发明实施例的目的在于提供一种音频识别方法、系统、移动终端及存储介质，旨在解决现有的音频识别方法过程中识别准确率低下的问题。

本发明实施例是这样实现的，一种音频识别方法，所述方法包括：

获取音频数据，并将所述音频数据中的音频文件转换为音频特征；

对所述音频特征进行标签标注，并将标注结果进行存储，以得到标签数组；

构建LSTM神经网络模型，在所述LSTM神经网络模型上封装Attention网络，并在所述LSTM神经网络模型中构建全连接层；

对所述音频特征进行数值标准化处理，并将标准化处理后的所述音频特征输入所述LSTM神经网络模型，以得到音频概率结果；

根据所述标签数组对所述音频概率结果进行损失计算，以得到损失值，并根据所述损失值对所述LSTM神经网络模型的模型参数进行迭代训练；

将待检测音频输入所述LSTM神经网络模型进行音频识别，以得到音频识别结果。

更进一步的，所述将所述音频数据中的音频文件转换为音频特征的步骤包括：

将所述音频文件转换为40维度的MFCC特征，以使将所述音频文件从时域转换为频域，且每帧所述MFCC特征的长度为0.025秒。

更进一步的，所述对所述音频特征进行标签标注的步骤包括：

分别对每帧所述音频特征进行分类，以得到有效帧和无效帧；

对所述有效帧进行第一标识标记，对所述无效帧进行第二标识标记，以得到所述标签数组，且每个音频对应一个所述标签数组。

更进一步的，所述对所述音频特征进行数值标准化处理的步骤包括：

计算所述音频特征的平均值和标准差，并根据所述平均值和所述标准差依序对每个所述音频特征进行标准化处理。

更进一步的，所述标准化处理所述采用的计算公式为：