[发明专利]一种基于多任务的语种识别方法

说明书

本发明涉及一种基于多任务的语种识别方法，包括以下步骤：构建并训练基于多任务学习的多语种识别模型；所述任务包括语种识别任务和是否为有效话音识别任务；获取待识别语音数据，进行预处理得到待识别的第一语音队列；将第一语音队列中语音数据进行分批处理，得到多个批次且每批中数据长短相近的第二语音队列；将多批次的所述第二语音队列依次导入到所述多语种识别模型，在所述语种识别模型中同时进行语种识别和是否为有效话音识别后，逐批次输出识别结果。本发明实现了对语种识别和有效话音识别两种任务的同时识别，提高了语种识别的准确率和识别效率。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种基于多任务的语种识别方法。

背景技术

近些年，语音识别技术取得显著进步，语种识别作为语音识别的重要技术之一，在军事、医疗、教育等多个领域发挥着重要作用；在多语言语音识别系统中，语种识别作为语音识别系统中的上游任务，对提高多语种语言识别的准确率和系统的用户体验上发挥重要作用；

传统的语种识别方法通常包括语音信号特征提取、语种模型构建和判决规则这三个过程，在这个过程中常用的语音特征有MFCC、Fbank、语谱图、i-vector等，语种模型通常为一个或多个分类器，常用的分类器有SVM、决策树、随机森林等，判决规则与所选的分类器有关，通常是根据先验信息计算出待分类的样本的概率或置信度，以此来预测出语种的类别；

基于深度学习的语种识别方法通常不需要人为手动提取特征，通过深度学习模型，例如CNN、LSTM、transformer等这些非线性特征提取器将语音变换到一个可区分的向量空间，从而定义优化目标函数，使用梯度下降算法更新模型的参数，直到模型预测的类别与真实类别一致。在这类方法中，模型的好坏往往依赖标注数据的质量和数量，此外，这些模型很难提取出语音的深层特征，例如说话人的性别、年龄以及不同语种间发音差异等等。

发明内容

鉴于上述的分析，本发明旨在提供一种基于多任务的语种识别方法，使用训练好的多任务学习的多语种识别模型，同时实现对语音数据的语种识别和是否为有效话音识别任务。

本发明提供的技术方案是：

本发明公开了一种基于多任务的语种识别方法，包括以下步骤：

构建并训练基于多任务学习的多语种识别模型；所述任务包括语种识别任务和是否为有效话音识别任务；

获取待识别语音数据，进行预处理得到待识别的第一语音队列；

将第一语音队列中语音数据进行分批处理，得到多个批次且每批中数据长短相近的第二语音队列；

将多批次的所述第二语音队列依次导入到所述多语种识别模型，在所述语种识别模型中同时进行语种识别和是否为有效话音识别后，逐批次输出识别结果。

进一步地，所述待识别语音数据的预处理方法，包括：

1）将获取的待识别语音数据进行重采样后，统一话音数据的采样率、编码、精度和头文件格式；

2）将声道数大于1的待识别话音数据拆分成单声道话音数据；

3）对于单声道话音数据进行语音检测，将语音数据分为固定时长的多个语音片段，根据每个语音片段在人声的频带范围内各子带的能量，判断语音片段内是否是静音片段，是则去掉该片段，否则保留；得到去除静音的话音数据；

4）根据语音切割的阈值范围，将去除静音的话音数据切割成为固定长度的话音数据片段；

5）将切割后的话音数据片段再次重采样后依次输出得到第一语音队列。

进一步地，将第一语音队列中语音数据进行分批处理，得到多个批次且每批中数据长短相近的第二语音队列；包括：