[发明专利]语音识别方法、装置、介质及电子设备

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：

对接收到的语音数据进行编码，获得所述语音数据对应的声学向量序列，其中，所述声学向量序列包含所述语音数据的每一音频帧的声学向量；

根据所述声学向量序列和第一预测模型，获得所述语音数据对应的信息量序列和第一概率序列，其中，所述信息量序列包含每一所述音频帧的信息量，所述第一概率序列包含所述语音数据对应的每一预测字符的第一文本概率分布，基于每一所述音频帧的信息量以所述信息量序列从左到右进行累加以确定与每一预测字符对应的音频帧；

根据所述声学向量序列和第二预测模型，获得第二概率序列，其中，所述第二概率序列中包含每一所述音频帧的文本概率分布；

根据所述第一概率序列和所述第二概率序列，确定目标概率序列，其中，所述目标概率序列包含每一所述预测字符的目标文本概率分布；

根据所述目标概率序列，确定所述语音数据对应的目标文本。

2.根据权利要求1所述的方法，其特征在于，所述根据所述声学向量序列和第一预测模型，获得所述语音数据对应的信息量序列和第一概率序列，包括：

将所述声学向量序列输入所述第一预测模型，获得所述信息量序列；

根据所述信息量序列对所述声学向量序列中所述音频帧的声学向量进行合并，获得字符声学向量序列，其中，所述字符声学向量序列包含每一所述预测字符对应的声学向量；

对所述字符声学向量序列进行解码，获得所述第一概率序列。

3.根据权利要求1所述的方法，其特征在于，所述根据所述声学向量序列和第二预测模型，获得第二概率序列，包括：

将所述声学向量序列输入所述第二预测模型，获得每一所述音频帧的预测概率分布；

针对每一所述音频帧，将该音频帧的预测概率分布中对应于预设字符的概率删除，并对删除后所得的预测概率分布进行归一化，获得该音频帧的文本概率分布。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率序列和所述第二概率序列，确定目标概率序列，包括：

根据所述信息量序列对所述第二概率序列中的所述音频帧的文本概率分布进行合并，获得第三概率序列，其中，第三概率序列包含每一所述预测字符的第二文本概率分布；

根据所述第一概率序列和所述第三概率序列，确定所述目标概率序列。

5.根据权利要求4所述的方法，其特征在于，所述根据所述信息量序列对所述第二概率序列中的所述音频帧的文本概率分布进行合并，获得第三概率序列，包括：

按照序列顺序遍历所述信息量序列中的信息量，根据所述信息量的累加和对所述音频帧进行分组，获得多个音频帧组合，其中，除最后一个音频帧组合之外的其他音频帧组合所对应的信息量的累加和相同，每一音频帧组合对应于一个预测字符；

针对每一音频帧组合，将该音频帧组合中的每一音频帧的文本概率分布的加权和，确定为该组音频帧组合对应的预测字符的第二文本概率分布，其中，每一所述音频帧对应的权重是基于所述音频帧属于所述音频帧组合的信息量确定的。

6.根据权利要求4所述的方法，其特征在于，所述根据所述第一概率序列和所述第三概率序列，确定所述目标概率序列，包括：

针对每一所述预测字符，将该预测字符在所述第一概率序列中的第一文本概率分布、和该预测字符在所述第三概率序列中的第二文本概率分布的加权和，确定为该预测字符的目标概率分布。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述第一预测模型为CIF模型，所述第二预测模型为CTC模型。