[发明专利]发音词典构建方法、语音识别方法及相关装置

权利要求书

1.一种发音词典构建方法，其特征在于，包括：

对目标音频数据进行音素提取，得到对应的音素集合；所述目标音频数据为覆盖全部音素的音频数据；

根据提取得到的音素集合中的每个音素的识别概率，以及所述目标音频数据对应的音素标签，从所述音素集合中确定出所述音素标签中的音素的相似音素；其中，音素标签中的音素的相似音素，是指从所述音素集合中选出的与音素标签中的音素对应的、识别概率最高的设定数量的音素；

按照单词与该单词对应的标准发音和相似发音对应存储的规则，构建得到多发音词典；其中，所述相似发音由所述音素标签中的音素的相似音素构成。

2.根据权利要求1所述的方法，其特征在于，按照单词与该单词对应的标准发音和相似发音对应存储的规则，构建得到多发音词典，包括：

确定与发音词典中的单词对应的标准发音，以及，根据所述音素标签中的音素的相似音素，确定与发音词典中的单词对应的相似发音；

通过将单词与该单词对应的标准发音和相似发音对应存储，得到多发音词典。

3.根据权利要求2所述的方法，其特征在于，确定与发音词典中的单词对应的标准发音，以及，根据所述音素标签中的音素的相似音素，确定与发音词典中的单词对应的相似发音，包括：

分别确定与发音词典中的高频易错词对应的标准发音，以及，根据所述音素标签中的音素的相似音素，分别确定与发音词典中的高频易错词对应的相似发音；

通过将单词与该单词对应的标准发音和相似发音对应存储，得到多发音词典，包括：

通过将发音词典中的高频易错词与该高频易错词对应的标准发音和相似发音对应存储，得到多发音词典。

4.根据权利要求3所述的方法，其特征在于，通过将发音词典中的高频易错词与该高频易错词对应的标准发音和相似发音对应存储，得到多发音词典，包括：

根据发音词典中的高频易错词对应的相似发音，以及所述音素集合中的每个音素的识别概率，计算得到高频易错词对应的相似发音的得分；

根据高频易错词对应的相似发音的得分，从各个高频易错词对应的相似发音中选出得分高于设定的得分阈值的相似发音，作为目标相似发音；

将发音词典中的高频易错词与该高频易错词对应的标准发音和目标相似发音对应存储，得到多发音词典。

5.根据权利要求1所述的方法，其特征在于，所述对目标音频数据进行音素提取，得到对应的音素集合，包括：

将目标音频数据输入预先训练的声学模型进行音素提取，得到与目标音频数据对应的音素集合。

6.一种语音识别方法，其特征在于，包括：

获取待识别语音的音素序列；

根据所述待识别语音的音素序列，以及预先构建的多发音词典，确定对所述待识别语音的语音识别结果；

其中，所述多发音词典中的单词与该单词对应的标准发音和相似发音对应存储；单词对应的相似发音由目标音频数据对应的音素标签中的音素的相似音素构建得到；所述目标音频数据包含该单词对应的音频数据。

7.根据权利要求6所述的方法，其特征在于，所述多发音词典按照权利要求1至5中任意一项所述的发音词典构建方法构建得到。

8.根据权利要求6所述的方法，其特征在于，所述获取待识别语音的音素序列，包括：

将待识别语音输入预先训练的声学模型进行音素提取，得到该待识别语音的音素序列。

9.根据权利要求5或8所述的方法，其特征在于，所述声学模型按照如下方式训练得到：

将训练语音的音频特征输入声学模型，得到所述训练语音的音素信息；

将所述训练语音的音素信息，以及根据所述训练语音的音频特征提取得到的非语义信息，输入音频合成模型，得到音频合成结果；

根据所述声学模型的语音识别损失，以及所述音频合成模型的音频合成损失，对所述声学模型进行参数校正。