[发明专利]一种语音识别方法、装置、计算机设备及存储介质

权利要求书

1.一种语音识别方法，其特征在于，包括：

获取待识别的目标音频数据，并对所述目标音频数据进行音频特征提取，得到所述目标音频数据对应的音频提取特征；

将所述音频提取特征输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的与所述目标音频数据对应的音频概率信息；其中，所述目标神经网络包含自注意力模块，所述自注意力模块用于对所述目标神经网络中各时序卷积模块的输出数据进行融合；所述音频概率信息用于表征所述目标音频数据中的各帧音频数据包含目标关键词的概率；

基于所述音频概率信息，确定所述目标音频数据对应的语音识别结果。

2.根据权利要求1所述的方法，其特征在于，在将所述音频提取特征输入至预先训练好的目标神经网络中之后，所述目标神经网络用于依次确定所述目标音频数据在各个时间窗口下对应的音频概率信息。

3.根据权利要求1所述的方法，其特征在于，所述对所述目标音频数据进行音频特征提取，得到所述目标音频数据对应的音频提取特征，包括：

对所述目标音频数据进行梅尔频率倒谱系数特征提取，确定所述目标音频数据对应的音频提取特征。

4.根据权利要求1或2所述的方法，其特征在于，各时序卷积模块包含多个膨胀卷积模块，所述多个膨胀卷积模块分别使用不同的膨胀卷积参数对输入数据进行膨胀卷积处理。

5.根据权利要求1～4任一所述的方法，其特征在于，所述方法还包括根据以下步骤，对所述目标神经网络中各时序卷积模块的输出数据进行融合：

确定各时序卷积模块分别对应的初始权重系数；

基于各时序卷积模块分别对应的初始权重系数，对所述目标神经网络中各时序卷积模块的输出数据进行加权求和处理。

6.根据权利要求5所述的方法，其特征在于，所述基于各时序卷积模块分别对应的初始权重系数，对所述目标神经网络中各时序卷积模块的输出数据进行融合，包括：

对各时序卷积模块分别对应的初始权重系数进行归一化处理，确定各时序卷积模块分别对应的目标权重系数；

基于各时序卷积模块分别对应的目标权重系数，对所述目标神经网络中各时序卷积模块的输出数据进行加权求和处理。

7.根据权利要求2～6任一所述的方法，其特征在于，将所述音频提取特征输入至预先训练好的目标神经网络中之后，所述目标神经网络还用于确定各个时间窗口内的目标音频数据中所包含的关键字；

所述基于所述音频概率信息，确定所述目标音频数据对应的语音识别结果，包括：

基于各时间窗口内的目标音频数据对应的目标概率信息，以及各时间窗口内的目标音频数据中所包含的关键字，确定所述目标音频数据对应的语音识别结果。

8.根据权利要求1～7任一所述的方法，其特征在于，所述语音识别结果用于表征所述目标音频数据中结束阅读所述目标关键词的时刻信息；

所述语音识别结果用于进行语音唤醒。

9.根据权利要求1～8任一所述的方法，其特征在于，所述方法还包括根据以下步骤对所述目标神经网络进行训练：

获取样本音频数据和所述样本音频数据对应的目标标签；其中，所述样本数据对应的目标标签用于标注所述样本音频数据中包含目标关键词的目标关键字的最后一帧音频帧；所述目标关键字为所述目标关键词的最后一个字；

将所述样本音频数据输入至所述目标神经网络，确定与所述样本音频数据对应的音频概率信息；

基于所述音频概率信息确定所述样本音频数据对应的语音识别结果；

基于所述样本音频数据对应的语音识别结果和所述目标标签，确定本次训练的目标损失值，并基于所述目标损失值对待训练的神经网络进行网络参数调节，得到所述目标神经网络。