[发明专利]语音识别方法及装置

说明书

本申请公开了一种语音识别方法及装置。该方法包括：获取待识别的语音数据；从语音数据中提取声纹特征，得到目标声纹特征；确定目标声纹特征对应的目标对象，并确定用于识别目标对象的语音数据的语音识别模型；基于语音识别模型将待识别的语音数据识别为文字。通过本申请，解决了相关技术中对多人语言交流场景下的语音信息进行识别时，识别效果不准确的问题。

技术领域

本申请涉及语音识别技术领域，具体而言，涉及一种语音识别方法及装置。

背景技术

语音识别技术是当前应用广泛的一项技术，为了追求更高的识别率，在相关技术中通常会根据说话人的语音特征信息构建不同的语音识别模型，比如针对语种类型(普通话、方言、外语种等)、身份属性(成年人、儿童等)、行业领域(教育、会议、金融等)等不同特征分别采集音频和语料数据进行训练专属的语音识别模型。

但是，当前的语音识别模型一般都是针对某一特定群体(比如普通话、英语、四川话、童音模型、金融模型等)，无法满足特定的单独个体的语音识别需求，具体地，例如，用户A和用户B都说四川话，但用户A和用户B的语调、停顿、重音、口音等不一致，同一四川话模型无法很好地适应每一个说四川话的用户。

此外，在实际使用过程中，当后台存在多个识别模型时，为了达到较好的识别率，通常需要确定适用于当前说话人的语音识别模型，相关技术中的模型切换方式不够便捷和准确，大多数模型切换还是需要用户主动发起切换动作，例如，人工手动切换模型，而那些自动切换模型的方案，往往无法精准识别用户的群体或身份，而需要各种复杂逻辑判断实现，例如和用户语音交互判断，通过用户画像标签判断，通过语言类型相似度判断等等，或者多个模型并行识别最后根据规则加权计算，容易出现判断失误，切换不精准的情况。

针对相关技术中对多人语言交流场景下的语音信息进行识别时，识别效果不准确的问题，目前尚未提出有效的解决方案。

发明内容

本申请提供一种语音识别方法及装置，以解决相关技术中对多人语言交流场景下的语音信息进行识别时，识别效果不准确的问题。

根据本申请的一个方面，提供了一种语音识别方法。该方法包括：获取待识别的语音数据；从语音数据中提取声纹特征，得到目标声纹特征；确定目标声纹特征对应的目标对象，并确定用于识别目标对象的语音数据的语音识别模型；基于语音识别模型将待识别的语音数据识别为文字。

可选地，确定目标声纹特征对应的目标对象包括：将目标声纹特征与数据库中的多组预设声纹特征进行匹配，其中，每组预设声纹特征分别关联有预设身份信息，预设身份信息为预设声纹特征对应的语音信息的发出对象的身份信息；获取与目标声纹特征的匹配度最高的一组预设声纹特征，得到第一预设声纹特征；获取第一预设声纹特征关联的预设身份信息；基于第一预设声纹特征关联的预设身份信息确定目标对象。

可选地，语音识别模型包括声学模型和语言模型，其中，声学模型用于判断预设语音数据属于预设声学字符的概率，语言模型用于判断预设声学字符序列属于预设文字序列的概率，基于语音识别模型将待识别的语音数据识别为文字包括：将待识别的语音数据输入声学模型，得到目标声学字符串；将目标声学字符串输入语言模型，得到目标文字序列；根据目标文字序列确定语音数据对应的文字结果。

可选地，在确定目标声纹特征对应的目标对象之前，该方法还包括：采集目标对象对应的基础语料数据；基于基础语料数据提取目标对象的声纹特征；获取目标对象的身份信息；建立目标对象的身份信息和目标对象的声纹特征之间的关联关系。

可选地，在确定用于识别目标对象的语音数据的语音识别模型之前，该方法还包括：采集目标对象对应的基础语料数据；从基础语料中获取基础语音信息，并标注基础语音信息对应的声学字符信息；将基础语音信息以及基础语音信息对应的声学字符信息作为训练集数据，训练得到声学模型。