语音识别方法、装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110047468A(43)申请公布日2019.07.23(21)申请号201910418620.X(22)申请日2019.05.20(71)申请人北京达佳互联信息技术有限公司地址100085北京市海淀区上地西路6号1幢1层101D1-7(72)发明人曲贺王晓瑞李岩(74)专利代理机构北京三高永信知识产权代理有限责任公司11138代理人祝亚男(51)Int.Cl.G10L15/02(2006.01)G10L15/16(2006.01)权利要求书2页说明书14页附图7页(54)发明名称语音识别方法、装置及存储介质(57)摘要本公开是关于一种语音识别方法、装置及存储介质，属于机器学习技术领域。方法包括：获取待识别的音频帧；分别提取音频帧的梅尔标度滤波器组特征和发声用户信息矢量；对梅尔标度滤波器组特征和发声用户信息矢量进行融合处理，得到融合特征；基于目标声学模型对融合特征进行处理，得到音频帧的语音识别结果，目标声学模型包括多个空洞卷积层。本公开会同时提取音频帧的梅尔标度滤波器组特征和发声用户信息矢量，之后，将二者进行特征融合并将融合后的特征输入声学模型，由于融合后的特征能够对说话人特征和信道特征进行有效表达，提高了语音识别的准确率；另外，声学模型中包括多个空洞卷积层，可以在相同感受野下减少计算量，加快了语音识别速度。CN110047468ACN110047468A权利要求书1/2页1.一种语音识别方法，其特征在于，包括：获取待识别的音频帧；分别提取所述音频帧的梅尔标度滤波器组特征和发声用户信息矢量；对所述梅尔标度滤波器组特征和所述发声用户信息矢量进行融合处理，得到融合特征；基于目标声学模型对所述融合特征进行处理，得到所述音频帧的语音识别结果，所述目标声学模型包括多个空洞卷积层。2.根据权利要求1所述的语音识别方法，其特征在于，所述对所述梅尔标度滤波器组特征和所述发声用户信息矢量进行融合处理，包括：对所述梅尔标度滤波器组特征进行规范化处理，得到第一中间特征；对所述发声用户信息矢量进行维度变换处理，得到第二中间特征，所述第二中间特征的维度大于所述发声用户信息矢量的维度；对所述第二中间特征进行规范化处理，得到第三中间特征；对所述第一中间特征和所述第三中间特征进行融合处理，得到所述融合特征。3.根据权利要求2所述的语音识别方法，其特征在于，所述对所述梅尔标度滤波器组特征进行规范化处理，得到第一中间特征，包括：基于第一批标准化BatchNorm层，将所述梅尔标度滤波器组特征规范化至均值为0且方差为1，得到所述第一中间特征；所述对所述第二中间特征进行规范化处理，得到第三中间特征，包括：基于第二BatchNorm层，将所述第二中间特征规范化至均值为0且方差为1，得到所述第三中间特征。4.根据权利要求1所述的语音识别方法，其特征在于，所述目标声学模型包括空洞卷积神经网络和长短期记忆LSTM网络，所述空洞卷积神经网络包括所述多个空洞卷积层，所述LSTM网络包括多个LSTM层；所述基于目标声学模型对所述融合特征进行处理，得到所述音频帧的语音识别结果，包括：将所述融合特征输入所述空洞卷积神经网络，依次经过所述多个空洞卷积层对所述融合特征进行处理，其中，上一个空洞卷积层的输出为下一个空洞卷积层的输入；将最后一个空洞卷积层的第一输出结果作为所述LSTM网络的输入，依次经过所述多个LSTM层对所述第一输出结果进行处理，其中，上一个LSTM层的输出为下一个LSTM层的输入；基于最后一个LSTM层的第二输出结果确定所述语音识别结果。5.根据权利要求2所述的语音识别方法，其特征在于，所述对所述第一中间特征和所述第三中间特征进行融合处理，得到所述融合特征，包括：对所述第一中间特征和所述第三中间特征进行列交换处理，得到所述融合特征；或，基于权重矩阵对所述第一中间特征和所述第三中间特征进行加权变换处理，得到所述融合特征。6.一种语音识别装置，其特征在于，包括：获取单元，被配置为获取待识别的音频帧；提取单元，被配置为分别提取所述音频帧的梅尔标度滤波器组特征和发声用户信息矢2CN110047468A权利要求书2/2页量；融合单元，被配置为对所述梅尔标度滤波器组特征和所述发声用户信息矢量进行融合处理，得到融合特征；处理单元，被配置为基于目标声学模型对所述融合特征进行处理，得到所述音频帧的语音识别结果，所述目标声学模型包括多个空洞卷积层。7.根据权利要求6所述的语音识别装置，其特征在于，所述融合单元，包括：第一处理子单元，被配置为对所述梅尔标度滤波器组特征进行规范化处理，得到第一中间特征；第二处理子单元，被配置为对所述发声用户信息矢量进行维度变换处理，得到第二中间特征，所述第二中间特征的维度大于所述发声