语音识别方法和装置.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CN105702250A(43)申请公布日2016.06.22(21)申请号201610008069.8G10L25/24(2013.01)(22)申请日2016.01.06(71)申请人福建天晴数码有限公司地址350015福建省福州市马尾区星发路8号(72)发明人范思楠齐昕关胤王维兰吴拥民陈宏展刘德建(74)专利代理机构福州市景弘专利代理事务所(普通合伙)35219代理人林祥翔吕元辉(51)Int.Cl.G10L15/02(2006.01)G10L15/14(2006.01)G10L15/16(2006.01)权利要求书3页说明书7页附图1页(54)发明名称语音识别方法和装置(57)摘要为提供更全面地提取特征和对音频刻画更为具体因而识别能力更强的语音识别技术，发明人提出了一种语音识别方法，包括下步骤：以预设采样参数以及预设格式存储儿童语音信息；从存储的儿童语音信息中提取每帧音频的39维梅尔频率倒谱系数，并用混合高斯模型描述所述各帧音频的39维梅尔频率倒谱系数；训练各状态的混合高斯模型并构建各状态的隐马尔科夫模型；以gmm-hmm模型为基础初始化一深度信念网络；以经训练的混合高斯模型-隐马尔科夫模型对所述深度信念网络进行调整，得到基于深度信念网络的dnn-hmm模型；利用所述基于深度信念网络的dnn-hmm模型进行语音识别。发明人同时提供了实现上述语音识别方法的语音识别装置。CN105702250ACN105702250A权利要求书1/3页1.一种语音识别方法，其特征在于，包括如下步骤：以预设采样参数以及预设格式存储儿童语音信息；从存储的儿童语音信息中提取每帧音频的39维梅尔频率倒谱系数，并用混合高斯模型描述所述各帧音频的39维梅尔频率倒谱系数；训练各状态的混合高斯模型并构建各状态的隐马尔科夫模型；以gmm-hmm模型为基础初始化一深度信念网络；以经训练的混合高斯模型-隐马尔科夫模型对所述深度信念网络进行调整，得到基于深度信念网络的dnn-hmm模型；利用所述基于深度信念网络的dnn-hmm模型进行语音识别。2.如权利要求1所述的语音识别方法，其特征在于，步骤“以gmm-hmm模型为基础初始化一深度信念网络”具体包括：提取每帧音频及其前后若干帧音频的梅尔频率倒谱系数作为输入信息以构造相应的高斯模型；训练所述输入信息的第一层受限玻尔兹曼机；以第一层受限玻尔兹曼机的训练输出作为第二层受限玻尔兹曼机的输入并训练第二层受限玻尔兹曼机，直至顶层受限玻尔兹曼机；对顶层受限玻尔兹曼机，结合带分类标签的训练数据进行训练，并得到初始化的深度信念网络。3.如权利要求2所述的语音识别方法，其特征在于，所述“每帧音频及其前后若干帧音频”具体包括：每帧音频及其前4帧和后4帧音频；每帧音频及其前5帧和后5帧音频；每帧音频及其前4帧和后5帧音频；或每帧音频及其前5帧和后4帧音频。4.如权利要求2所述的语音识别方法，其特征在于，步骤“训练第二层受限玻尔兹曼机，直至顶层受限玻尔兹曼机”具体包括：使用伯努利模型并给予对比散度的快速学习算法迭代多次训练直至第六层受限玻尔兹曼机。5.如权利要求1或2所述的语音识别方法，其特征在于，所述“预设采样参数以及预设格式”具体包括：采样率为8000、16000或22050Hz；采样位数为8位、16位或24位；单声道的wav格式或mp3格式。6.如权利要求5所述的语音识别方法，其特征在于，所述“预设采样参数以及预设格式”具体为：采样率为16000Hz、采样位数为16位、单声道的wav格式。7.如权利要求1或2所述的语音识别方法，其特征在于，步骤“训练各状态的混合高斯模型并构建各状态的隐马尔科夫模型”具体包括：训练各状态的高斯混合模型，每一状态由若干帧构成；以各状态为基础构建隐马尔科2CN105702250A权利要求书2/3页夫模型，确定每个状态之间的状态转移概率。8.如权利要求1或2所述的语音识别方法，其特征在于，所述步骤“以经训练的混合高斯模型-隐马尔科夫模型对所述深度信念网络进行调整，得到基于深度信念网络的dnn-hmm模型”具体包括：经训练的混合高斯模型-隐马尔科夫模型对所述深度信念网络进行调整对齐，改变原gmm-hmm模型的状态输出概率，得到基于深度信念网络的dnn-hmm模型。9.一种语音识别装置，其特征在于，包括存储单元、参数提取单元、第一建模单元、第二建模单元和识别单元；所述存储单元用于以预设采样参数以及预设格式存储儿童语音信息；所述参数提取单元用于从存储的儿童语音信息中提取每帧音频的39维梅尔频率倒谱系数，并用混合高斯模型描述所述各帧音频的39维梅尔频率倒谱系数；所述第一建模单元用于训练各状态的混合高斯模型并构建各状态的隐马尔科夫模型；所述