[发明专利]语音识别方法、装置、电子设备及存储介质

权利要求书

1.一种语音识别方法，其特征在于，所述方法包括：

获取待识别语音的至少一个语音帧；

将所述至少一个语音帧输入语音识别模型，通过所述语音识别模型对所述至少一个语音帧进行基于残差结构的加权变换，输出至少一个预测概率，一个预测概率用于表示所述待识别语音中包含一个语音关键词的概率；

基于所述至少一个预测概率，确定所述待识别语音中所包含的语音关键词。

2.根据权利要求1所述的方法，其特征在于，所述语音识别模型为基于残差结构的长短期记忆网络LSTM模型；

所述将所述至少一个语音帧输入语音识别模型，通过所述语音识别模型对所述至少一个语音帧进行基于残差结构的加权变换，输出至少一个预测概率包括：

将所述至少一个语音帧输入所述LSTM模型中的输入层，通过所述输入层提取所述至少一个语音帧的频率特征；

将所述至少一个语音帧的频率特征分别输入所述LSTM模型中隐藏层的至少一个记忆单元，通过所述至少一个记忆单元对所述至少一个语音帧的频率特征进行基于残差结构的加权变换，输出所述至少一个语音帧的特征向量；

将所述至少一个语音帧的特征向量输入所述LSTM模型中的输出层，通过所述输出层将所述至少一个语音帧的特征向量映射为所述至少一个预测概率。

3.根据权利要求2所述的方法，其特征在于，所述通过所述至少一个记忆单元对所述至少一个语音帧的频率特征进行基于残差结构的加权变换，输出所述至少一个语音帧的特征向量包括：

对任一个记忆单元，响应于所述记忆单元所对应语音帧的频率特征以及上一个记忆单元的处理结果，对所述语音帧的频率特征进行加权变换，得到所述语音帧的中间向量，将所述语音帧的中间向量与所述上一个记忆单元的处理结果进行融合，得到所述语音帧的特征向量。

4.根据权利要求2所述的方法，其特征在于，所述将所述至少一个语音帧的特征向量输入所述LSTM模型中的输出层之前，所述方法还包括：

将所述至少一个语音帧的特征向量输入投影层，通过所述投影层确定是否对所述至少一个语音帧进行迭代投影；

响应于确定进行迭代投影，将所述至少一个语音帧的特征向量重新输入所述至少一个记忆单元进行迭代加权变换；

响应于确定不进行迭代投影，将所述至少一个语音帧的特征向量输入所述输出层。

5.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个预测概率，确定所述待识别语音中所包含的语音关键词之后，所述方法还包括：

响应于所述语音关键词中包括目标关键词，获取用于进行声纹识别的目标语音；

对所述目标语音进行声纹识别，得到所述目标语音的声纹识别结果，所述声纹识别结果用于表示所述目标语音所属的用户是否为目标用户。

6.根据权利要求5所述的方法，其特征在于，所述对所述目标语音进行声纹识别，得到所述目标语音的声纹识别结果包括：

将所述目标语音输入声纹识别模型，通过所述声纹识别模型对所述目标语音进行特征提取，得到所述目标语音的含噪声纹特征；

对所述目标语音的含噪声纹特征进行降噪处理，得到所述目标语音的纯净声纹特征；

基于所述纯净声纹特征与声纹库中存储的目标用户的声纹特征之间的相似度，确定所述声纹识别结果。

7.根据权利要求6所述的方法，其特征在于，所述对所述目标语音的含噪声纹特征进行降噪处理，得到所述目标语音的纯净声纹特征包括：

将所述含噪声纹特征输入深度神经网络，通过所述深度神经网络对所述含噪声纹特征进行非线性映射，输出所述纯净声纹特征。