语音识别方法、装置、设备和存储介质与流程

本公开涉及计算机技术领域，具体涉及语音识别、深度学习等技术领域，尤其涉及一种语音识别方法、装置、设备和存储介质。

背景技术：

随着科技的发展，语音识别技术逐渐应用到各行各业。地图应用中对地址的识别是语音识别技术的一个重要应用场景。在地图应用中可能会存在同音但不同地址的问题，比如，北京的“灵境胡同”与沈阳的“玲靖胡同”，二者发音相同，但实际代表的地址不同。

相关技术中，语音识别时，仅依据语音信息进行语音识别，输出同音的多个文本内容作为候选结果，比如上述的“灵境胡同”和“玲靖胡同”作为候选结果，由用户在多个候选结果中进行人工选择。

技术实现要素：

本公开提供了一种语音识别方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种语音识别方法，包括：获取输入信息，所述输入信息包括：语音信息和当前地域信息；基于所述语音信息获得待识别的识别内容；采用所述当前地域信息对应的地域语言模型对所述识别内容进行处理，以获得所述语音信息对应的文本内容。

根据本公开的另一方面，提供了一种语音识别装置，包括：获取模块，用于获取输入信息，所述输入信息包括：语音信息和当前地域信息；识别模块，用于基于所述语音信息获得待识别的识别内容；第一处理模块，用于采用所述当前地域信息对应的地域语言模型对所述识别内容进行处理，以获得所述语音信息对应的文本内容。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。

根据本公开的技术方案，可以提高语音识别的精准度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是用来实现本公开实施例的语音识别方法中任一方法的电子设备的示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

相关技术中，针对同音不同地址的问题，可以生成多个候选结果供用户选择，但是，由于候选结果为多个，不够精准，这样无疑会增加用户的工作量，影响用户体验。

为了提高语音识别的精准度，本公开提供如下实施例。

图1是根据本公开第一实施例的示意图。该实施例提供一种语音识别方法，包括：

101、获取输入信息，所述输入信息包括：语音信息和当前地域信息。

102、基于所述语音信息获得待识别的识别内容。

103、采用所述当前地域信息对应的地域语言模型对所述识别内容进行处理，以获得所述语音信息对应的文本内容。

其中，语音信息可以是由用户采用语音形式输入的，比如，参见图2，以地图应用为例，用户可以向地图应用中输入语音信息，比如，“灵境胡同或玲靖胡同”对应的语音。

本实施例的语音识别方法以在服务端执行为例，图2中以服务端为云端为例。可以理解的是，若终端具有较强的处理能力，也可以在终端实现。

如图2所示，用户向地图应用中输入语音信息后，地图应用将语音信息发送给云端进行语音识别。另外，地图应用所在的终端，比如手机，可以采用自带的全球定位系统(globalpositioningsystem，gps)等定位设备获取用户当前所在的地域信息，即当前地域信息，并将该当前地域信息发送给云端，当前地域信息比如为“北京”。

云端接收到客户端发送的语音信息和当前地域信息后，可以基于语音信息和当前地域信息进行语音识别处理。

一些实施例中，所述基于所述语音信息获得待识别的识别内容，可以包括：采用声学模型对所述语音信息进行处理，以获得声学模型输出信息，将所述声学模型输出信息确定为所述待识别的识别内容。

语音识别技术一般包括声学模型和语言模型，声学模型用于将语音信息转换为声学模型输出信息，根据声学模型的建模单元的不同，声学模型输出信息可以是音节(syllable)、音素(phone)等，具体地，以中文为例，声学模型输出信息比如为汉字的拼音。语言模型用于将声学模型输出信息转换为文本内容，比如，将“lingjinghutong”转换为“灵境胡同”。

声学模型比如为隐马尔科夫模型(hiddenmarkovmodel，hmm)声学模型，语言模型比如为n-gram语言模型、循环神经网络(recurrentneuralnetwork，rnn)语言模型等。

通过先对语音信息采用声学模型进行处理，以获得声学模型输出信息，符合一般的语音识别处理流程，以保证语音识别准确度。

一般的语音识别技术中采用的语言模型可以称为通用语言模型。

本公开实施例中的语言模型包括地域语言模型，地域语言模型的个数可以为多个，具体地，可以针对主要城市构建地域语言模型，比如，地域语言模型可以包括北京对应的地域语言模型和沈阳对应的地域语言模型。地域语言模型可以采用地域相关的信息，比如，各城市的地址作为训练语料，采用训练语料进行训练后生成各城市对应的地域语言模型。

假设当前地域信息为北京，则可以基于北京对应的地域语言模型进行处理，比如对“lingjinghutong”进行处理，以获得对应的文本内容“灵境胡同”。

为了提高泛化能力，本公开实施例的语言模型还可以包括通用语言模型，即，本公开实施例中，语言模型可以包括通用语言模型和地域语言模型。

一些实施例中，采用所述地域语言模型获得的文本内容为第一文本内容，该方法还可以包括：采用通用语言模型对所述识别内容进行处理，以获得所述语音信息对应的第二文本内容。

通过依然采用通用语言模型进行处理，可以提高泛化能力。

进一步地，所述方法还包括：确定所述第一文本内容对应的第一得分，以及所述第二文本内容对应的第二得分；基于所述第一得分和所述第二得分，选择所述第一文本内容或者所述第二文本内容，确定为语音识别结果。语音识别结果也可以称为最终结果，即，之后可以依据语音识别结果执行相应操作，比如，语音信息是“lingjinghutong”对应的语音信息，假设当前地域信息为北京，则展示“灵境胡同”对应的信息。

如图3所示，语音信息经过声学模型处理后，可以得到声学模型输出信息，比如汉字的拼音，之后，声学模型输出信息可以分别输入到地域语言模型和通用语言模型中，地域语言模型和通用语言模型对声学模型输出信息进行处理后，可以分别得到地域语言模型输出的文本内容和通用语言模型输出的文本内容，地域语言模型对应的文本内容可以称为第一文本内容，通用语言模型对应的文本内容可以称为第二文本内容。

获得第一文本内容和第二文本内容后，可以采用选择模块在第一文本内容和第二文本内容中进行选择，以获得语音识别结果。

一些实施例中，可以确定所述第一文本内容对应的第一得分，以及所述第二文本内容对应的第二得分；基于所述第一得分和所述第二得分，选择所述第一文本内容或者所述第二文本内容，确定为语音识别结果。具体地，可以依据得分，将得分最高的文本内容确定为语音识别结果。

比如，声学模型输出信息为“lingjinghutong”，经过北京对应的地域语言模型处理后，获得的第一文本内容为“灵境胡同”，经过通用语言模型处理后，获得的第二文本内容包括：“灵境胡同”和“玲靖胡同”。之后，可以确定第一文本内容和第二文本内容中的各个文本内容的得分，假设，第一文本内容“灵境胡同”的得分为0.9，第二文本内容中的“灵境胡同”的得分为0.8，第二文本内容中的“玲靖胡同”的得分为0.1，则语音识别结果为“灵境胡同”。

通过基于文本内容的得分确定最终的语音识别结果，可以提高语音识别结果的准确度。

各个文本内容的得分可以依据对应的语言模型确定。语言模型在处理声学模型输出信息时，不仅可以获得声学模型输出信息对应的文本内容，还可以获得文本内容对应的概率值，该概率值表明获得的文本内容为真实值的概率。

针对第二文本内容，即通用语言模型输出的文本内容，可以直接采用通用语言模型确定的文本内容对应的概率值，作为得分，比如，通用语言模型确定的第二文本内容中的“灵境胡同”对应的概率值为0.8，第二文本内容中的“玲靖胡同”对应的概率值为0.1，则第二文本内容中的“灵境胡同”的得分0.8，第二文本内容中的“玲靖胡同”的得分为0.1。

针对第一文本内容，即地域语言模型输出的文本内容，除了地域语言模型确定的文本内容对应的概率值，还可以结合地域语言模型的权重确定文本内容的得分。即，所述确定所述第一文本内容对应的第一得分，可以包括：基于所述当前地域信息对应的地域语言模型的权重，以及，所述当前地域信息对应的地域语言模型确定的第一文本内容对应的概率值，确定所述第一文本内容对应的第一得分。

具体地，第一得分可以为权重与概率值的乘积。比如，北京对应的地域语言模型确定的第一文本内容“灵境胡同”对应的概率值为0.9，假设北京对应的地域语言模型的权重为1，则可以确定第一文本内容“灵境胡同”的得分为0.9；或者，假设北京对应的地域语言模型的权重为0.9，则可以确定第一文本内容“灵境胡同”的得分为0.81。

通过基于地域语言模型的权重确定第一文本内容对应的得分，可以选择更准确的文本内容。另外，由于得分最高的文本内容一般为一个，因此，可以向用户提供一个精准的结果，相对于提供多个候选结果的方式，可以降低用户负担，提升用户体验。

进一步地，地域语言模型可以为多个，可以基于当前地域信息为不同的地域语言模型分配权重。

一些实施例中，所述地域语言模型还包括所述当前地域信息之外的其他地域信息对应的地域语言模型，所述方法还包括：基于所述当前地域信息，为所述当前地域信息对应的地域语言模型分配第一权重，以及，为所述其他地域信息对应的地域语言模型分配第二权重，且所述第一权重大于所述第二权重。

通过基于当前地域信息为地域语言模型分配权重，可以为当前地域信息对应的地域语言模型分配较高的权重，以获得当前地域对应的文本内容。

比如，地域语言模型包括北京对应的地域语言模型和沈阳对应的地域语言模型，假设当前地域信息为北京，则可以分配北京对应的地域语言模型的权重为1，沈阳对应的地域语言模型的权重为0。

可以理解的是，权重不限于0和1，一般来讲，为不同的地域语言模型分配的权重为[0,1]之间的值，所有的地域语言模型的权重之和为1。比如，当前地域信息为北京，则可以分配北京对应的地域语言模型的权重为0.9，沈阳对应的地域语言模型的权重为0.1。

本实施例中，通过在输入信息中包括地域信息，以及采用当前地域信息对应的地域语言模型进行处理，可以提高语音识别结果的精准度。

图4是根据本公开第四实施例的示意图。该实施例提供一种语音识别方法，并结合图5所示的架构图，该方法包括：

401、获取输入信息，所述输入信息包括：语音信息和当前地域信息。

402、基于所述当前地域信息，为预先配置的多个地域语言模型中各个地域语言模型分配权重。

假设当前地域信息对应的地域语言模型的权重称为第一权重，其他地域信息对应的地域语言模型的权重称为第二权重，则第一权重大于第二权重。

参见图5，可以采用权重适配器为各个地域语言模型配置对应的权重，比如，预先配置的多个地域语言模型包括北京对应的地域语言模型和沈阳对应的地域语言模型，假设输入信息中的当前地域信息为北京，则可以配置北京对应的地域语言模型的权重为1，其他的地域语言模型，比如沈阳对应的地域语言模型的权重为0。

权重适配器可以根据先验经验进行指定，或者使用相关语料训练相关的权重回归模型，以使得权重适配器可以基于当前地域信息确定各个地域语言模型的权重。

403、采用声学模型对所述语音信息进行处理，以获得声学模型输出信息。

404、采用所述地域语言模型对所述声学模型输出信息进行处理，以获得第一文本内容，并确定第一文本内容的第一得分。

405、采用通用语言模型对所述声学模型输出信息进行处理，以获得第二文本内容，并确定第二文本内容的第二得分。

其中，如图5所示，可以采用解码器对语音信息进行语音识别，即，解码器可以分别采用声学模型、地域语言模型和通用语言模型进行相应的处理。

406、基于所述第一得分和所述第二得分，选择所述第一文本内容或者所述第二文本内容，确定为语音识别结果。

其中，第一得分可以依据地域语言模型的权重和对应的文本内容的概率值确定，第二得分可以依据对应的文本内容的概率值确定，之后，可以选择得分最高的文本内容作为语音识别结果。具体可以参见上一实施例，在此不再详述。

另外，在获得语音识别结果后，可以执行所述语音识别结果对应的操作。

比如，用户向地图应用中输入的是“我要去灵境胡同/玲靖胡同”对应的语音信息，假设当前地域信息为北京，则可以向用户展示导航到“灵境胡同”的导航路线。

又比如，对于一些通用语音，比如，“附近的图书馆”对应的语音，此时，通用语言模型得到的文本内容，即“附近的图书馆”的得分是较高的，则可以执行查询附近的图书馆的操作，并将查询到的图书馆的信息进行展示。

本实施例中，通过在输入信息中包括地域信息，采用当前地域信息对应的地域语言模型进行处理，以及为当前地域信息对应的地域语言模型分配较高的权重，可以在语音信息是关于地址的语音信息时，获得适合当前地域的地址，提高语音识别结果的精准度，提升用户体验。

需要说明的是，本公开实施例中，语音识别方法的执行主体可以通过各种公开、合法合规的方式获取用户的语音信息和地域信息，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。通过本公开实施例的语音识别过程是在经用户授权后执行的，其生成过程符合相关法律法规。本公开实施例中的语音识别并不是针对某一特定用户，并不能反映出某一特定用户的个人信息。

图6是根据本公开第六实施例的示意图，本实施例提供一种语音识别装置。如图6所示，语音识别装置600包括获取模块601、识别模块602、和第一处理模块603。

获取模块601用于获取输入信息，所述输入信息包括：语音信息和当前地域信息；识别模块602用于基于所述语音信息获得待识别的识别内容；第一处理模块603用于采用所述当前地域信息对应的地域语言模型对所述识别内容进行处理，以获得所述语音信息对应的文本内容。

一些实施例中，采用所述地域语言模型获得的文本内容为第一文本内容，该装置还可以包括：第二处理模块，用于采用通用语言模型对所述识别内容进行处理，以获得所述语音信息对应的第二文本内容。

一些实施例中，该装置还可以包括：确定模块，用于确定所述第一文本内容对应的第一得分，以及所述第二文本内容对应的第二得分；选择模块，用于基于所述第一得分和所述第二得分，选择所述第一文本内容或者所述第二文本内容，确定为语音识别结果。

一些实施例中，所述确定模块具体用于：基于所述当前地域信息对应的地域语言模型的权重，以及，所述当前地域信息对应的地域语言模型确定的所述第一文本内容对应的概率值，确定所述第一文本内容对应的第一得分。

一些实施例中，所述地域语言模型还包括所述当前地域信息之外的其他地域信息对应的地域语言模型，所述装置还包括：基于所述当前地域信息，为所述当前地域信息对应的地域语言模型分配第一权重，以及，为所述其他地域信息对应的地域语言模型分配第二权重，且所述第一权重大于所述第二权重。

一些实施例中，所述识别模块602具体用于：采用声学模型对所述语音信息进行处理，以获得声学模型输出信息，将所述声学模型输出信息确定为所述待识别的识别内容。

本实施例中，通过在输入信息中包括地域信息，以及采用当前地域信息对应的地域语言模型进行处理，可以提高语音识别结果的精准度。

可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。

可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如语音识别方法。例如，在一些实施例中，语音识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的语音识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtualprivateserver"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。