[发明专利]基于多路卷积神经网络的语音识别方法

说明书

本发明提供基于多路卷积神经网络的语音识别方法，其能够提取更充分的语音信息，且处理数据量较大的音频数据时，具有更好的拟合性。其包括：S1：输入原始语音并进行处理；S2：提取出反映语音信号特征的关键特征参数，形成特征矢量序列；S3：基于多路卷积神经网络模型为基础、CTC作为损失函数，构建声学模型；多路卷积神经网络的结构包括依次设置的子网络结构、连续的全连接层、CTC损失函数；S4：训练声学模型，得到训练好的声学模型；S5：将待识别的特征矢量序列输入到训练好的声学模型中得到识别结果；S6：以步骤S5中得到的识别结果为基础进行后续的运算，即得到能够以最大概率输出该语音信号的词串，词串即原始语音被识别后的语言文字。

技术领域

本发明涉及语音识别技术领域，具体为基于多路卷积神经网络的语音识别方法。

背景技术

在语音识别技术中，现有技术大多采用单路卷积神经网络构建声学模型，用以提取语音特征，单路卷积神经网络构建的声学模型只能在一条路上提取语音特征，由于单路卷积神经网络提取只能在一条路上提取语音信息，无法提取足够的语音信息；并且因为单路卷积神经网络由于网络本身拟合性能有限，当需要处理的数据较大的时候，得到的识别结果拟合性能不是很理想。

发明内容

为了解决现有的基于单路卷积神经网络构建的声学模型提取语音信息不充分、对于大数据的拟合性能不佳的问题，本发明提供基于多路卷积神经网络的语音识别方法，其能够提取更充分的语音信息，且处理数据量较大的音频数据时，具有更好的拟合性。

本发明的技术方案是这样的：基于多路卷积神经网络的语音识别方法，其包括以下步骤：

S1：输入原始语音，对所述原始语音信号进行预处理，并进行相关变换处理；

S2：提取出反映语音信号特征的关键特征参数，形成特征矢量序列；

S3：构建声学模型；

S4：训练所述声学模型，得到训练好的声学模型；

S5：将步骤S2中得到的待识别的所述特征矢量序列输入到所述训练好的声学模型中得到识别结果；

S6：以步骤S5中得到的所述识别结果为基础进行后续的运算，即得到能够以最大概率输出该语音信号的词串，所述词串即所述原始语音被识别后的语言文字；

其特征在于：

步骤S3中采用基于多路卷积神经网络模型为基础、以联结主义时间分类器CTC作为损失函数，构建端对端方式的所述声学模型；所述多路卷积神经网络的结构包括依次设置的子网络结构、连续的全连接层、CTC损失函数；步骤S2中获得的特征矢量序列输入到所述子网络结构中，所述子网络结构输出特征图输入到所述全连接层中。

其进一步特征在于：

所述子网络结构包括并列设置的结构相同的子网络；步骤S2中获得的特征矢量序列不做分割分别输入到每个所述子网络中；每个所述子网络输出的特征图经过拼接后，得作为一个输入进入所述全连接层；

所述子网络有3个；

所述子网络的结构中第一层、第二层分别采用16个卷积核的卷积层提取语音特征；第三层、第四层分别采用32个卷积核的所述卷积层提取语音特征；第五层及以后采用64个卷积核的所述卷积层提取语音更高层特征；每个所述卷积层后面跟着一个激活函数；

如果所述子网络中的所述卷积层的层数为偶数，从第一个所述卷积层开始每两个连续的所述卷积层后跟着一个池化层；如果所述子网络中所述卷积层的层数为奇数，则从第一个所述卷积层开始每两个连续的所述卷积层后跟着一个池化层，最后三个所述卷积层连续操作后再进行一次所述池化层的池化操作；

所述全连接层的个数为3，所述全连接层的神经元的数目依次为512、1024、1422；