[发明专利]音频的识别方法和装置、存储介质及电子设备

权利要求书

1.一种音频的识别方法，其特征在于，包括：

获取待识别音频的第一特征向量，其中，所述第一特征向量包括：第一音素特征向量、第一词语特征向量和第一句子特征向量；

将所述第一特征向量输入至目标网络模型，使用所述目标网络模型对所述第一特征向量进行处理，得到所述待识别音频在第一标准条件下的第一识别结果，其中，所述目标网络模型用于在不同标准条件下对音频进行识别，所述第一标准条件是所述不同标准条件中的一个标准条件，所述目标网络模型包括音素层、单词层和句子层，所述第一识别结果是根据所述音素层输出的音素识别结果、所述单词层输出的词语识别结果和所述句子层输出的句子识别结果得到的，所述第一识别结果用于表示所述待识别音频是否满足所述第一标准条件。

2.根据权利要求1所述的方法，其特征在于，所述使用所述目标网络模型对所述第一特征向量进行处理，包括：

将所述第一音素特征向量输入至所述目标网络模型的所述音素层，得到所述音素层输出的所述待识别音频在所述第一标准条件下的第一音素识别结果；

将所述第一音素识别结果和所述第一词语特征向量输入至所述目标网络模型的所述单词层，得到所述单词层输出的在所述第一标准条件下的第一词语识别结果；

将所述第一词语识别结果和所述第一句子特征向量输入至所述目标网络模型的所述句子层，得到所述句子层输出的所述待识别音频在所述第一标准条件下的所述第一句子识别结果，其中，所述第一识别结果为所述第一句子识别结果。

3.根据权利要求1所述的方法，其特征在于，所述使用所述目标网络模型对所述第一特征向量进行处理，包括：

确定在所述第一标准条件下的第一缩放参数和第一偏移参数，其中，所述第一缩放参数和所述第一偏移参数是在训练得到所述目标网络模型时得到的参数；

使用所述第一缩放参数和所述第一偏移参数对所述目标网络模型的所述音素层输出的所述音素识别结果、所述单词层输出的所述词语识别结果、以及所述句子层输出的句子识别结果进行调整，得到所述目标网络模型输出的所述待识别音频在所述第一标准条件下的所述第一识别结果。

4.根据权利要求3所述的方法，其特征在于，所述使用所述第一缩放参数和所述第一偏移参数对所述目标网络模型的所述音素层输出的所述音素识别结果、所述单词层输出的所述词语识别结果、以及所述句子层输出的句子识别结果进行调整，得到所述目标网络模型输出的所述待识别音频在所述第一标准条件下的所述第一识别结果，包括：

将所述第一音素特征向量输入至所述目标网络模型的所述音素层，得到所述音素层输出的所述待识别音频在所述第一标准条件下的第二音素识别结果；

使用第一音素缩放参数和第一音素偏移参数对所述第二音素识别结果进行调整，得到所述待识别音频在所述第一标准条件下的第三音素识别结果；

其中，所述第一缩放参数包括第一音素缩放参数，所述第一偏移参数包括第一音素偏移参数。

5.根据权利要求4所述的方法，其特征在于，在所述得到所述待识别音频在所述第一标准条件下的第三音素识别结果之后，所述方法还包括：

将所述第三音素识别结果和所述第一词语特征向量输入至所述单词层，得到所述单词层输出的所述待识别音频的第二词语识别结果；

使用第一词语缩放参数和第一词语偏移参数对所述第二词语识别结果进行调整，得到所述待识别音频在所述第一标准条件下的第三词语识别结果；

其中，所述第一缩放参数包括所述第一词语缩放参数，所述第一偏移参数包括所述第一词语偏移参数。

6.根据权利要求5所述的方法，其特征在于，在所述得到所述待识别音频在所述第一标准条件下的第三词语识别结果之后，所述方法还包括：

将所述第三词语识别结果和所述第一句子特征向量输入至所述目标网络模型的句子层，得到所述句子层输出的所述待识别音频的第二句子识别结果；

使用第一句子缩放参数和第一句子偏移参数对所述第二句子识别结果进行调整，得到所述待识别音频在所述第一标准条件下的第三句子识别结果，其中，所述第一识别结果为所述第三句子识别结果；

其中，所述第一缩放参数包括所述第一句子缩放参数，所述第一偏移参数包括第一句子偏移参数。