[发明专利]语音识别的建模方法和装置

说明书

本发明提出一种语音识别的建模方法和装置，上述语音识别的建模方法包括：将语音信号转化成特征向量序列，以及将所述语音信号对应的标注文本转化成建模单元序列，所述建模单元序列中的每个建模单元为完整的声母或韵母的发音单元或者上下文相关的声母或韵母的发音单元；在所述建模单元序列中的任意建模单元的前面或后面添加空白标签；基于连接时序分类对所述特征向量序列和添加所述空白标签后的建模单元序列进行训练，建立语音识别模型。本发明基于CTC的深度循环神经网络的声韵母建模，提高了建立的语音识别模型的识别速度和识别准确率。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种语音识别的建模方法和装置。

背景技术

现有的大词汇量汉语语音识别方法主要基于混合方法，例如：高斯混合模型(Gaussian Mixture Model；以下简称：GMM)+隐马尔科夫模型(Hidden Markov Model；以下简称：HMM)、深度神经网络(Deep Neural Network；以下简称：DNN)+HMM等。具体而言，在基于统计的混合方法建模的语音识别中，用于估计隐马尔可夫模型的状态后验概率的方法有：高斯混合模型、深度神经网络(特指深度多层感知机)、深度卷积神经网络和深度循环神经网络等以及几者的组合模型。

语音信号是典型的时序信号，具有短时平稳特点，但因为背景噪声、信道、说话人(即性别、年龄、语速和/或口音等)等因素导致语音信号非常复杂。

但是，现有的语音识别方法都是基于混合方法，而且语音识别中的建模单元都是基于传统的状态建模单元，状态建模极大的束缚了现有所有的建模方法，使用上述状态建模单元建立的语音识别模型对语音识别的识别性能较差。

发明内容

本发明的目的旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种语音识别的建模方法。该方法基于连接时序分类(Connectionist Temporal Classification；以下简称：CTC)的深度循环神经网络，建立语音识别模型，提高了语音识别模型的识别速度和准确率。

本发明的第二个目的在于提出一种语音识别的建模装置。

为了实现上述目的，本发明第一方面实施例的语音识别的建模方法，包括：将语音信号转化成特征向量序列，以及将所述语音信号对应的标注文本转化成建模单元序列，所述建模单元序列中的每个建模单元为完整的声母或韵母的发音单元或者上下文相关的声母或韵母的发音单元；在所述建模单元序列中的任意建模单元的前面或后面添加空白标签；基于连接时序分类对所述特征向量序列和添加所述空白标签后的建模单元序列进行训练，建 立语音识别模型。

本发明实施例的语音识别的建模方法，在将语音信号转化成特征向量序列，以及将上述语音信号对应的标注文本转化成建模单元序列之后，在上述建模单元序列中的任意建模单元的前面或后面添加空白标签，然后基于CTC对上述特征向量序列和添加上述空白标签后的建模单元序列进行训练，建立语音识别模型，其中，上述建模单元序列中的每个建模单元为完整的声母或韵母的发音单元或者上下文相关的声母或韵母的发音单元，从而可以实现基于CTC的深度循环神经网络的声韵母建模，提高了建立的语音识别模型的识别速度和识别准确率。

为了实现上述目的，本发明第二方面实施例的语音识别的建模装置，包括：转化模块，用于将语音信号转化成特征向量序列，以及将所述语音信号对应的标注文本转化成建模单元序列，所述建模单元序列中的每个建模单元为完整的声母或韵母的发音单元或者上下文相关的声母或韵母的发音单元；添加模块，用于在所述建模单元序列中的任意建模单元的前面或后面添加空白标签；训练模块，用于基于连接时序分类对所述转化模块转化的特征向量序列和所述添加模块添加所述空白标签后的建模单元序列进行训练，建立语音识别模型。