[发明专利]语音识别方法、装置、计算机设备及存储介质

说明书

本申请公开了一种语音识别方法。该方法包括：从声学模型中获取待识别语音对应的候选字的概率分数，以及从语言模型中获取各个候选字组成的句子的概率分数；通过基于端到端CTC框架构建的解码器根据候选字的概率分数、句子的概率分数解码出待识别语音对应的语音识别文本。本申请可以提高语音识别速度。

技术领域

本申请涉及语音识别技术领域，尤其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

随着人工智能技术的飞速发展，自动语音识别系统已经进入工业、通信、家庭服务、消费电子产品等多个领域。目前，自动语音识别系统主要用于AI字幕、音视频内容安全审核等场景中。在自动语音识别系统中，解码器都是其中非常重要的组成部分。解码器的性能直接决定了最终语音识别系统的速度及精度。

在现有的语音识别系统技术中，一般通过WFST解码器进行解码。然而，发明人发现，由于WFST解码器在解码的过程中需要把hmm，triphone(三音素)，字典，语言模型编译成一个统一的HCLG网络来进行解码，而在这过程中需要耗费大量的资源及时间，导致语音识别系统在语音识别时需要消耗大量的资源，以及识别速度较慢。

发明内容

有鉴于此，现提供一种语音识别方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中的语音识别系统在语音识别时需要消耗大量的资源，以及识别速度较慢的问题。

本申请提供了一种语音识别方法，包括：

从声学模型中获取待识别语音对应的候选字的概率分数，以及从语言模型中获取各个候选字组成的句子的概率分数；

通过基于端到端CTC框架构建的解码器根据所述候选字的概率分数、所述句子的概率分数解码出所述待识别语音对应的语音识别文本，其中，所述解码器在每一步的解码过程中，根据当前一步的解码过程对应的各个候选字的概率分数与所述当前一步的解码过程之前已解码出的句子组成的新的候选句子的概率分数解码出所述当前一步的解码过程的解码结果。

可选地，所述解码器在每一步的解码过程中，根据当前一步的解码过程对应的各个候选字的概率分数与所述当前一步的解码过程之前已解码出的句子组成的新的候选句子的概率分数解码出所述当前一步的解码过程的解码结果包括：

所述解码器在每一步的解码过程中，从当前一步的解码过程对应的各个候选字的概率分数中选取概率分数值处于K位以内的概率分数对应的候选字，并将选取出的各个候选字与所述当前一步的解码过程之前已解码出的句子组成新的候选句子；

从新的候选句子中选取概率分数值处于M位以内的概率分数对应的句子作为所述当前一步的解码过程的解码结果，其中，K及M为大于1的整数，每一个候选句子的概率分数为选取出的候选字的概率分数及所述已解码出的句子的概率分数的和值。

可选地，所述声学模型为基于端到端CTC框架构建的声学模型，所述方法还包括：

通过所述解码器在解码的过程中，判断所述声学模型输出的所述待识别语音对应的候选字是否为blank标签，若是，则跳过所述blank标签。

可选地，所述从声学模型中获取待识别语音对应的候选字的概率分数，以及从语言模型中获取各个候选字组成的句子的概率分数包括：

对待识别语音进行特征提取处理，得到所述待识别语音的声学特征；

将所述声学特征输入至基于端到端框架构建的声学模型中，通过所述声学模型根据所述声学特征输出所述待识别语音对应的候选字的概率分数；

通过语言模型输出各个候选字组成的句子的概率分数。

可选地，所述方法还包括：

获取业务定制模块存储的热点词语，并将所述热点词语输入至所述解码器；