[发明专利]语音识别方法及相关装置、电子设备和存储介质

权利要求书

1.一种语音识别方法，其特征在于，包括：

获取待识别语音；

基于语音识别模型对所述待识别语音进行识别，得到识别文本；

其中，所述语音识别模型包括编码网络和解码网络，所述编码网络基于样本第一干净语音经特征聚类并量化后的帧级第一量化特征、样本第一带噪语音的帧级带噪语音特征之间的对比损失训练得到，所述样本第一带噪语音由所述样本第一干净语音加噪得到，所述解码网络在所述编码网络训练收敛之后基于样本第二带噪语音进行有监督训练得到。

2.根据权利要求1所述的方法，其特征在于，所述对比损失的获取步骤包括：

提取所述样本第一带噪语音的帧级深度语音特征；

在掩蔽所述样本第一带噪语音中若干语音帧的情况下，基于所述帧级深度语音特征进行上下文编码，得到所述样本第一带噪语音各所述语音帧的帧级带噪语音特征；

比对位于相同时序的所述帧级带噪语音特征与所述帧级第一量化特征，得到所述对比损失。

3.根据权利要求2所述的方法，其特征在于，在所述比对位于相同时序的所述帧级带噪语音特征与所述帧级第一量化特征，得到所述对比损失之前，所述方法还包括：

基于与所述帧级带噪语音特征位于相同时序的帧级第一量化特征所属聚类集合对应的特征投影参数，对所述帧级带噪语音特征进行特征投影，得到所述帧级带噪语音特征的帧级带噪投影特征；

所述比对位于相同时序的所述帧级带噪语音特征与所述帧级第一量化特征，得到所述对比损失，包括：

基于与所述帧级带噪语音特征位于相同时序的帧级第一量化特征、所述帧级带噪语音特征的帧级带噪投影特征之间的特征相似度，得到所述对比损失。

4.根据权利要求3所述的方法，其特征在于，在所述编码网络的训练过程中，基于所述对比损失，调整所述编码网络的网络参数和所述特征投影参数。

5.根据权利要求2所述的方法，其特征在于，所述编码网络包括顺次连接的深度特征提取子网络和上下文编码子网络，所述深度特征提取子网络用于提取所述帧级深度语音特征，所述上下文编码子网络用于执行所述上下文编码。

6.根据权利要求2至5任一项所述的方法，其特征在于，所述对比损失由第一损失和第二损失加权得到；

其中，所述第一损失通过比对位于相同第一时序的所述帧级带噪语音特征与所述帧级第一量化特征得到，所述第二损失通过比对位于相同第二时序的所述帧级带噪语音特征与所述帧级第一量化特征，且所述第一时序为所述样本第一带噪语音中被掩蔽的语音帧所在时序，所述第二时序为所述样本第一带噪语音中未被掩蔽的语音帧所在时序。

7.根据权利要求1所述的方法，其特征在于，所述帧级第一量化特征由聚类模型对所述样本第一干净语音的帧级第一语音特征进行聚类并量化得到，且在所述编码网络每轮训练之前，所述聚类模型预先基于样本第二干净语音的帧级第二语音特征进行训练。

8.根据权利要求7所述的方法，其特征在于，在所述编码网络的首轮训练之前，所述帧级第二语音特征为所述样本第二干净语音的帧级声学特征，且在所述编码网络的首轮训练过程中，所述帧级第一语音特征为所述样本第一干净语音的帧级声学特征；

和/或，在所述编码网络的首轮训练之后，所述帧级第一语音特征由最新训练得到的编码网络对所述样本第一干净语音提取得到，所述帧级第二语音特征由最新训练得到的编码网络对所述样本第二干净语音提取得到。

9.根据权利要求7所述的方法，其特征在于，所述帧级第一量化特征的获取步骤包括：

基于所述聚类模型处理所述帧级第一语音特征，得到若干聚类集合；

将位于相同所述聚类集合内各所述帧级第一语音特征进行特征统计，得到所述聚类集合的统计语音特征；

将所述聚类集合的统计语音特征，作为所述聚类集合内各个所述帧级第一语音特征所属语音帧的帧级第一量化特征。