[发明专利]语音识别模型的训练方法、装置、设备及存储介质

权利要求书

1.一种语音识别模型的训练方法，其特征在于，所述方法包括：

获取样本音频集，所述样本音频集中包括多个样本音频；

基于初始语音识别模型，在所述样本音频集中筛选候选样本音频；

在所述候选样本音频中提取音频片段；其中，所述音频片段包括所述候选样本音频中与连续相同文本单元对齐的音频；且，所述初始语音识别模型在对所述候选样本音频进行语音识别时，未正确识别所述连续相同文本单元；

根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别模型。

2.根据权利要求1所述的方法，其特征在于，所述样本音频集中还包括与所述样本音频对齐的标注文本；所述标注文本中包括至少一组连续相同文本单元；

所述基于初始语音识别模型，在所述样本音频集中筛选候选样本音频，包括：

基于所述初始语音识别模型，对所述样本音频进行语音识别，得到所述样本音频的预测文本；

根据所述样本音频的标注文本和预测文本，在所述样本音频集中筛选所述候选样本音频。

3.根据权利要求1所述的方法，其特征在于，所述音频片段包括相邻的第一音频、第二音频和第三音频；

其中，所述第一音频在时序上位于所述第二音频之前；所述第三音频在时序上位于所述第二音频之后；所述第二音频是所述候选样本音频中与所述连续相同文本单元对齐的音频；

所述根据所述音频片段对所述初始语音识别模型进行再训练，得到目标语音识别模型，包括：

获取所述音频片段的标注文本；其中，所述音频片段的标注文本中包括所述连续相同文本单元和预设标签；

将所述音频片段的标注文本与所述音频片段进行对齐；

其中，所述预设标签与所述第一音频和所述第三音频对齐，所述连续相同文本单元与所述第二音频对齐；

根据所述音频片段和与所述音频片段对齐的标注文本，对所述初始语音识别模型进行再训练，得到所述目标语音识别模型。

4.根据权利要求1所述的方法，其特征在于，所述在所述候选样本音频中提取音频片段，包括：

获取所述候选样本音频的预测文本；其中，所述预测文本中包括多个文本单元和所述多个文本单元在所述候选样本音频中的起止时间；

根据所述预测文本中各个文本单元的起止时间，确定第二音频的起止时间；

其中，所述第二音频是所述候选样本音频中与所述连续相同文本单元对齐的音频；

根据所述第二音频的起止时间，在所述候选样本音频中提取所述音频片段；

其中，所述音频片段包括相邻的第一音频、所述第二音频和第三音频；

所述第一音频在时序上位于所述第二音频之前；所述第三音频在时序上位于所述第二音频之后。

5.根据权利要求1至4中任一项权利要求所述的方法，其特征在于，所述方法还包括：

获取待识别的输入音频；

对所述输入音频进行特征提取，得到所述输入音频的滤波器组特征和与说话人对应的身份认证向量；

对所述滤波器组特征进行离散余弦变换，得到所述输入音频的梅尔倒频谱系数；

将所述身份认证向量和所述梅尔倒频谱系数进行融合，得到所述输入音频的音频融合特征；

将所述音频融合特征输入所述目标语音识别模型，输出所述输入音频对应的语音识别结果。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

响应于所述语音识别结果包括第一数目位的连续数字，确定所述输入音频对应终端号码，显示第一选择菜单；其中，所述第一选择菜单包括多个选项，一个所述选项用于指示一个已安装应用；

响应于基于所述多个选项对目标应用的选中操作，基于所述目标应用与所述终端号码指示的终端进行通信。