[发明专利]语音识别方法、装置及电子设备

说明书

本公开实施例中提供了一种语音识别方法、装置及电子设备，属于数据处理技术领域，该方法包括：利用预先设置的训练样本，随机初始化并训练LSTM网络模型；基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数，利用所述LSTM网络的训练结果，形成用于训练BLSTM网络的损失函数；在训练所述BLSTM网络的过程中，在逐渐增大所述第一训练参数的值的同时，逐渐减小所述第二训练参数的值；当所述BLSTM网络输出的性能指标满足预设要求后，停止对所述BLSTM网络的训练，以便于利用所述BLSTM网络对输入的声音文件进行实时的文字预测。通过本公开的处理方案，能够提高声学网络模型预测的时间戳准确度。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种声学网络模型训练方法、装置及电子设备。

背景技术

语音处理(Speech processing)，又称语音信号处理、人声处理，其目的是希望做出想要的信号，进一步做语音识别，应用到手机界面甚至一般生活中，使人与电脑能进行沟通。

语音处理的过程中，可以用麦克风或其他装置收到的类音声音信号，经由模拟数字变换装置，将资料数据化进行处理，最后再经过数字模拟变换装置输出。因此，在处理时是针对数字信号，语音信号是一种离散时间信号。其信号处理流程如下：收取并采样信号：利用麦克风或各种收音装置，收取模拟语音信号，再用ADC装置(如模拟数字变换卡)把模拟信号变成数字信号，接着根据奈奎斯特理论作采样，若不符合理论则会造成信号失真。量化及编码：由于电脑中的记忆都是0和1，因此要将所收到的数据用一段适合的0跟1去储存，这个动作就称为量化，所使用的0与1越多，所需的内存越多。接着利用编码器将数值以波形呈现。将语音信号标准化，使其数值都落在同一个范围。由于语音信号是一段很长的信号，因此会针对想要处理的部分取音框。由于噪声多集中在高频的部分，因此利用简单的高频滤波器，就可以去掉部分噪声。

BLSTM(Bidirectional Long Short-Term Memory,双向长短时记忆网络)在进行语音识别的过程中，存在预测结果的时间戳不稳定的情况，具体而言，相对于LSTM，存在偏前或者偏后的情况，为此，需要通过改进网络训练，使得BLSTM网络的预测结果的时间戳趋于稳定。

发明内容

有鉴于此，本公开实施例提供一种声学网络模型训练方法、装置及电子设备，以至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种声学网络模型训练方法，包括：

利用预先设置的训练样本，随机初始化并训练长短时记忆LSTM网络模型；

基于设置的与CTC损失函数相关的第一训练参数以及与KL散度相关的第二训练参数，利用所述LSTM网络的训练结果，形成用于训练双向长短时记忆BLSTM网络的损失函数；

在训练所述BLSTM网络的过程中，在逐渐增大所述第一训练参数的值的同时，逐渐减小所述第二训练参数的值；

当所述BLSTM网络输出的性能指标满足预设要求后，停止对所述BLSTM网络的训练，以便于利用所述BLSTM网络对输入的语音文件进行文字预测。

根据本公开实施例的一种具体实现方式，所述利用预先设置的训练样本，随机初始化并训练LSTM网络模型之前，所述方法还包括：

获取多个语音文件；

对所述多个语音文件进行语义标注；

基于标注后的语义文件，形成所述训练样本。

根据本公开实施例的一种具体实现方式，所述利用预先设置的训练样本，随机初始化并训练LSTM网络模型，包括：

将所述训练样本作为所述LSTM网络模型的输入；