[发明专利]语音处理方法、装置、计算机可读存储介质及电子设备

权利要求书

1.一种语音处理方法，其特征在于，包括：

获取与语音信号对应的多个语音特征信息；

将所述语音特征信息输入至包括DFSMN子模型的声学模型，通过所述DFSMN子模型中的多级声学特征提取结构对各所述语音特征信息进行特征提取，以获取与各所述语音特征信息对应的状态信息，其中各级所述声学特征提取结构包括隐藏层、低维投影网络层和基于卷积神经网络的记忆单元；

根据与各所述语音特征信息对应的状态信息确定与所述语音信号对应的文本信息；

其中，通过所述DFSMN子模型中的多级声学特征提取结构对各所述语音特征信息进行特征提取，以获取与各所述语音特征信息对应的状态信息，包括：

根据与第N级声学特征提取结构对应的记忆转换矩阵和与第N+1级声学特征提取结构对应的偏置矩阵对第N级记忆单元输出的第N级记忆信息进行处理，以获取第一特征信息；

对所述第一特征信息进行非线性变换处理，以获取第二特征信息；

根据预设系数对第N级隐藏层输出的第N层隐层信息进行处理，以获取第三特征信息；

将所述第二特征信息与所述第三特征信息相加，以获取第N+1级隐层信息；

重复上述流程，直至获取目标隐层信息，并对所述目标隐层信息进行转换以获取与所述语音特征信息对应的状态信息，其中，N为正整数，当N=1时，第1级隐层信息是根据第一权重对所述语音特征信息进行转换得到的。

2.根据权利要求1所述的语音处理方法，其特征在于，所述获取与语音信号对应的多个语音特征信息，包括：

对所述语音信号进行语音端点检测，并根据检测结果对所述语音信号进行切分，以获取多个语音帧；

对各所述语音帧进行特征提取，以获取与各所述语音帧对应的语音特征信息。

3.根据权利要求1所述的语音处理方法，其特征在于，在获取第一特征信息之前，所述方法还包括：

通过所述第N级声学特征提取结构对当前时刻的第N级隐层信息进行投影以获取第N级低维投影信息，并根据所述第N级低维投影信息确定所述第N级记忆信息。

4.根据权利要求3所述的语音处理方法，其特征在于，所述通过所述第N级声学特征提取结构对当前时刻的第N级隐层信息进行投影以获取第N级低维投影信息，并根据所述第N级低维投影信息确定所述第N级记忆信息，包括：

通过所述低维投影网络层根据与第N级声学特征提取结构对应的投影转换矩阵和偏置矩阵对所述当前时刻的第N级隐层信息进行投影，以获取所述第N级低维投影信息；

通过所述记忆单元对所述第N级低维投影信息、与所述当前时刻对应的历史时刻的低维投影信息和与所述当前时刻对应的未来时刻的低维投影信息进行处理，以获取所述第N级记忆信息。

5.根据权利要求4所述的语音处理方法，其特征在于，所述通过所述记忆单元对所述第N级低维投影信息、与所述当前时刻对应的历史时刻的低维投影信息和与所述当前时刻对应的未来时刻的低维投影信息进行处理，以获取所述第N级记忆信息，包括：

通过所述记忆单元中的卷积神经网络对所述第N级低维投影信息、所述历史时刻的低维投影信息和所述未来时刻的低维投影信息进行特征提取，以获取目标特征信息；

将所述第N级低维投影信息与所述目标特征信息相加，以获取所述第N级记忆信息。

6.根据权利要求1所述的语音处理方法，其特征在于，所述对所述目标隐层信息进行转换以获取与所述语音特征信息对应的状态信息，包括：

根据第二权重对所述目标隐层信息进行转换，以获取与所述语音特征信息对应的状态信息。

7.根据权利要求1所述的语音处理方法，其特征在于，所述声学模型还包括信息增强层和卷积神经网络层；

所述方法还包括：

在对各所述语音特征信息进行特征提取之前，通过所述信息增强层对所述语音特征信息进行增强处理，并通过所述卷积神经网络层对增强处理后的语音特征信息进行特征提取。