[发明专利]一种语音识别方法、装置、计算机设备及存储介质

说明书

本公开提供了一种语音识别方法、装置、计算机设备及存储介质，其中，该方法包括：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。

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种语音识别方法、装置、计算机设备及存储介质。

背景技术

语音唤醒在智能语音交互的应用中占据重要的一环，语音唤醒算法在智能车舱、智能家居以及智能机器人等应用场景中均具有较大的应用价值。

相关应用场景中，用于语音唤醒的待识别的音频数据通常需要输入至预先训练好的神经网络中进行语音识别，因此如何构建用于进行语音识别的神经网络成为了本领域内亟待解决的问题。

发明内容

本公开实施例至少提供一种语音识别方法、装置、计算机设备及存储介质。

第一方面，本公开实施例提供了一种语音识别方法，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。

这样，通过在目标神经网络中添加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的自注意力模块，可以使得所述目标神经网络输出的音频概率信息能够融合所述目标音频数据在不同感受野下的特征表示，从而提高所述目标神经网络对不同语速的音频数据的识别鲁棒性。

一种可能的实施方式中，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。

这样，通过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，可以确保基于所述音频概率信息得到的语音识别结果的时效性。

一种可能的实施方式中，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。

这样，通过对所述目标音频数据进行梅尔频率倒谱系数特征提取处理，可以将无法被所述目标神经网络直接处理的目标音频数据，转化为能够被所述目标神经网络直接处理的MFCC特征。

一种可能的实施方式中，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。

这样，通过使用不同的膨胀卷积参数对输入数据进行膨胀卷积处理，可以在不同感受野中对所述音频提取特征进行处理，从而可以得到所述音频提取特征在不同感受野下的特征表示，便于后续对所述输入数据继续进行处理，从而得到准确的语音识别结果。

一种可能的实施方式中，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：