语音识别系统、相关方法、装置及设备.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CN114023309A(43)申请公布日2022.02.08(21)申请号202010701047.6(22)申请日2020.07.15(71)申请人阿里巴巴集团控股有限公司地址英属开曼群岛大开曼资本大厦一座四层847号邮箱(72)发明人高志付张仕良(74)专利代理机构北京润泽恒知识产权代理有限公司11319代理人钱秀茹(51)Int.Cl.G10L15/06(2013.01)G10L15/26(2006.01)G10L15/30(2013.01)G10L25/12(2013.01)G10L25/30(2013.01)权利要求书4页说明书31页附图4页(54)发明名称语音识别系统、相关方法、装置及设备(57)摘要本申请公开了语音识别系统、相关方法、装置及设备。其中，所述系统通过多个客户端采集不同应用的语音数据，将语音数据发送至服务端；服务端从训练样本集中学习得到模型参数动态可变的语音识别模型，并确定各个应用使用该模型的模型参数；针对客户端发送的语音数据，确定目标应用的模型参数；将目标应用的模型参数作为语音识别模型的模型参数，通过基于目标应用的模型参数的语音识别模型，将语音数据转换为文本序列。采用这种处理方式，使得通过一个通用模型即可满足不同应用对计算量与时延的不同需求；因此，可以有效节省系统资源，降低模型维护成本，提升模型在应用场景上的可扩展性，提升新应用场景下的模型部署效率。CN114023309ACN114023309A权利要求书1/4页1.一种语音识别系统，其特征在于，包括：客户端，用于采集目标应用的语音数据，将所述语音数据发送至服务端；服务端，用于从训练样本集中学习得到模型参数动态可变的语音识别模型；针对终端设备发送的所述语音数据，确定与所述目标应用对应的目标模型参数；通过基于所述目标模型参数的所述语音识别模型，将所述语音数据转换为文本序列。2.一种语音识别方法，其特征在于，包括：从训练样本集中学习得到模型参数动态可变的语音识别模型；确定与目标应用对应的目标模型参数；通过基于所述目标模型参数的所述语音识别模型，将目标应用的语音数据转换为文本序列。3.根据权利要求2所述的方法，其特征在于，所述模型参数包括：模型大小；所述模型大小包括：神经网络的层数和/或神经元数量；所述从训练样本集中学习得到模型参数动态可变的语音识别模型，包括：根据动态确定的模型大小，对所述模型执行迭代训练。4.根据权利要求3所述的方法，其特征在于，所述动态确定的模型大小，采用如下方式确定：从多个预设模型大小中，任意选取模型大小。5.根据权利要求3所述的方法，其特征在于，所述模型包括：流式端到端语音识别模型；所述模型包括：音频编码器，解码器；所述模型大小包括：音频编码器的大小。6.根据权利要求2或3所述的方法，其特征在于，所述模型参数包括：时延值；所述从训练样本集中学习得到模型参数动态可变的语音识别模型，包括：根据动态确定的时延值，对所述模型执行迭代训练。7.根据权利要求6所述的方法，其特征在于，所述动态确定的时延值，采用如下方式确定：从多个预设时延值中，任意选取时延值；所述目标应用的时延值包括：所述预设时延值以外的时延值。8.根据权利要求6所述的方法，其特征在于，所述模型包括：流式端到端语音识别模型；所述模型包括：音频编码器，特征数据确定模块，解码器；所述通过基于所述目标模型参数的所述语音识别模型，将所述语音数据转换为文本序列，包括：通过音频编码器，确定所述语音数据的音频特征数据，并根据目标应用的时延值，将所述音频特征数据存入分块内存；通过特征数据确定模块，根据分块内存中的音频特征数据，确定与所述语音数据中的字对应的特征数据；2CN114023309A权利要求书2/4页通过解码器，根据字的特征数据，确定所述语音数据中的字，形成所述文本序列。9.根据权利要求8所述的方法，其特征在于，所述通过特征数据确定模块，根据分块内存中的音频特征数据，确定与所述语音数据中的字对应的音频特征数据，包括：确定字与块内存间的对应关系；根据所述对应关系，确定与字对应的特征数据。10.根据权利要求9所述的方法，其特征在于，所述特征数据确定模块包括：预测器；所述通过特征数据确定模块，根据分块内存中的音频特征数据，确定与所述语音数据中的字对应的特征数据，还包括：通过所述预测器，确定各个块包括的文本长度；根据所述文本长度，确定字与块间的对应关系。11.根据权利要求2所述的方法，其特征在于，所述确定与所述目标应用对应的目标模型参数，包括：确定目标应用的语音识别性能需求信息；根据所述性能需求信息，确定所述目标模型参数。12.根据权利要求2所述的方法，其特征在于，若与目标应用相关的第一用户将与所述目标模型参数对应的