技术特征:
1.一种语音识别方法,其特征在于,所述方法包括:
获取音频数据,对所述音频数据进行频谱分析,生成所述音频数据的梅尔倒谱图;
利用预先训练好的音频识别模型对所述梅尔倒谱图进行特征提取,得到特征音频信号,并识别所述特征音频信号的音素序列;
对所述音素序列进行文字提取,将文字提取的结果作为所述音频数据的识别结果。
2.如权利要求1所述的语音识别方法,其特征在于,所述对所述音频数据进行频谱分析,生成所述音频数据的梅尔倒谱图,包括:
对所述音频数据进行预处理,并将预处理后的音频数据进行短时傅里叶变换,得到所述音频数据的声谱图;
对所述声谱图进行梅尔谱滤波,并将梅尔谱滤波后的声谱图进行倒谱分析,得到所述音频数据的初始梅尔倒谱图;
对所述初始梅尔倒谱图进行离散变换,得到所述音频数据的梅尔倒谱图。
3.如权利要求1所述的语音识别方法,其特征在于,所述利用预先训练好的音频识别模型对所述梅尔倒谱图进行特征提取之前,还包括:
获取训练倒谱图及对应的第一特征音频信号,从所述第一特征音频信号中提取音素序列,得到第一音素序列;
对所述训练倒谱图进行频谱增强,将频谱增强后的训练倒谱图和所述训练倒谱图作为模型训练数据;
将所述模型训练数据输入所述音频识别模型的卷积模块中,以输出所述模型训练数据的第二特征音频信号,并利用所述音频识别模型的音素识别模块识别所述第二特征音频信号的第二音素序列;
根据所述第一特征音频信号、第二特征音频信号、第一音素序列以及第二音素序列,计算所述音频识别模型的训练损失;
若所述训练损失不满足预设条件,调整所述音频识别模型的参数,并返回将所述模型训练数据输入所述音频识别模型的卷积模块中的步骤;
若所述训练损失满足预设条件,得到训练好的音频识别模型。
4.如权利要求3所述的语音识别方法,其特征在于,所述将所述模型训练数据输入所述音频识别模型的卷积模块中,以输出所述模型训练数据的第二特征音频信号,包括:
利用所述卷积模块中的卷积层对所述模型训练数据进行卷积操作,得到初始特征音频信号;
利用所述卷积模块中的线性整流层对所述初始特征音频信号进行线性调整;
利用卷积模块中的池化层对线性调整后的初始特征音频信号进行降维;
利用所述卷积模块中的全连接层输出降维后的初始特征音频信号,得到第一特征音频信号。
5.如权利要求3所述的语音识别方法,其特征在于,所述利用所述音频识别模型的音素识别模块识别所述第二特征音频信号的第二音素序列,包括:
利用所述音素识别模块中的输入层接收所述第二特征音频信号,并设置所述第二特征音频信号的延时数据;
根据所述延时数据,利用所述音素识别模块中的隐藏层提取所述第二特征音频信号的音素序列;
利用所述音素识别模块中的输出层输出提取的音素序列,得到第二音素序列。
6.如权利要求3所述的语音识别方法,其特征在于,所述根据所述第一特征音频信号、第二特征音频信号、第一音素序列以及第二音素序列,计算所述音频识别模型的训练损失,包括:
根据所述第一特征音频信号及第二特征音频信号,计算所述音频识别模型的第一训练损失;
根据所述第一音素序列以及第二音素序列,计算所述音频识别模型的第二训练损失;
根据所述第一训练损失和第二训练损失,计算所述音频识别模型的训练损失。
7.如权利要求1至6中任意一项所述的语音识别方法,其特征在于,所述对所述音素序列进行文字提取,包括:
计算从所述音素序列的文字生成概率;
根据所述文字生成概率,识别所述音素序列之间的文字信息关系,根据所述文字信息关系,生成对应的文字。
8.一种语音识别装置,其特征在于,包括:
频谱分析模块,用于获取音频数据,对所述音频数据进行频谱分析,生成所述音频数据的所述音频数据的梅尔倒谱图;
音素序列识别模块,用于利用预先训练好的音频识别模型对所述梅尔倒谱图进行特征提取,得到特征音频信号,并识别所述特征音频信号的音素序列;
文字提取模块,用于对所述音素序列进行文字提取,将文字提取的结果作为所述音频数据的识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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权利要求1至7中任意一项所述的语音识别方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的语音识别方法。
技术总结
本申请涉及一种语音识别方法,包括:获取音频数据,对所述音频数据进行频谱分析,生成所述音频数据的梅尔倒谱图;利用预先训练好的音频识别模型对所述梅尔倒谱图进行特征提取,得到特征音频信号,并识别所述特征音频信号的音素序列;对所述音素序列进行文字提取,将文字提取的结果作为所述音频数据的识别结果。此外,本申请还提供一种语音识别装置、电子设备以及计算机可读存储介质。本申请可以提高语音识别的准确率。
技术研发人员:汪雪;黄石磊;程刚
受保护的技术使用者:深圳市北科瑞声科技股份有限公司
技术研发日:2021.06.01
技术公布日:2021.08.31
本文用于企业家、创业者技术爱好者查询,结果仅供参考。