[发明专利]语音识别方法及系统

说明书

本发明实施例提供一种语音识别方法。该方法包括：将提取到的语音文件每一帧的音频特征输入至深度学习神经网络中，确定每一帧的后验概率，通过对每一帧的后验概率进行平滑处理，确定组成对话语音关键词；确定关键词所在的串词集合；获取语音文件中每帧的后验概率最大值对应的标签组成的第一标签序列，以及各待选词发音映射确定的第二标签序列，遍历第一标签序列与各待选词对应的第二标签序列的相似度，将最大相似度对应的待选词作为对话语音的识别词语。本发明实施例还提供一种语音识别系统。本发明实施例所考虑的因素和现有的打分方法完全不同，通过串词表确定出串词时，确定各串词的不等长标签序列与语音标签序列的相似度，从而实现语音识别。

技术领域

本发明涉及智能语音领域，尤其涉及一种语音识别方法及系统。

背景技术

语音识别通常采用混合高斯模型-隐马尔可夫模型性训练得到声学模型，再通过深度神经网络的输出每个汉语拼音的后验概率，利用后验概率计算得分和预定的信息进行比较，从而判断关键词是否在语音段中。

语音识别通常是通过深度神经网络模型进行识别解码，就需提前训练深度神经网络，在训练中，通常在接收到训练音频文件后，对训练音频文件进行分帧，从而提取各分帧的音频特征，拼帧后获得训练数据，每一帧进行对齐操作后进行训练深度神经网络模型。在音频解码时，先对音频文件进行分帧，之后再进行特征提取，拼帧后获输入至训练好的深度神经网络模型中，得到每一帧的后验概率，再按照一定的方式进行打分，得分与设定的关键词阈值比较，达到阈值时，则判断关键词被识别到。

在实现本发明过程中，发明人发现相关技术中至少存在如下问题：

随着说话人的情绪或者周围的环境，说话人的语速会有一定的变化，说话的速度会时快时慢，或者突然集中在某一处快速说话，使得容易让他人听出串词的感觉。而在多关键词检测中，通常会出现串词，随着说话人的语速，串词出现的频率可能会更加严重，而现有的方法对于相似关键词鉴别能力较弱。由于深度神经网络的太小可能会导致后验概率不准，由于语速快或串词相似的发音而导致的后验概率不准，现有的打分方式无法弥补上述的缺陷。

发明内容

为了至少解决现有技术中由于深度神经网络的太小可能会导致后验概率不准，由于语速快或串词相似的发音而导致的后验概率不准，现有的打分方式无法弥补上述的缺陷的问题。

第一方面，本发明实施例提供一种语音识别方法，包括：

将提取到的语音文件每一帧的音频特征输入至深度学习神经网络中，确定每一帧的后验概率，通过对每一帧的后验概率进行平滑处理，确定组成所述对话语音的关键词；

检测所述关键词是否在预设易串词表中，若是，则确定所述关键词所在的串词集合；

获取所述语音文件中每帧的后验概率最大值对应的标签组成的第一标签序列，以及所述各待选词发音映射确定的第二标签序列，通过动态时间规整算法依次遍历所述第一标签序列与各待选词对应的第二标签序列的相似度，将最大相似度对应的待选词作为所述对话语音的识别词语，其中，所述各标签序列间可以不等长。

第二方面，本发明实施例提供一种语音识别系统，包括：

关键词确定程序模块，用于将提取到的语音文件每一帧的音频特征输入至深度学习神经网络中，确定每一帧的后验概率，通过对每一帧的后验概率进行平滑处理，确定组成所述对话语音的关键词；

易串词检测程序模块，用于检测所述关键词是否在预设易串词表中，若是，则确定所述关键词所在的串词集合；

识别程序模块，用于获取所述语音文件中每帧的后验概率最大值对应的标签组成的第一标签序列，以及所述各待选词发音映射确定的第二标签序列，通过动态时间规整算法依次遍历所述第一标签序列与各待选词对应的第二标签序列的相似度，将最大相似度对应的待选词作为所述对话语音的识别词语，其中，所述各标签序列间可以不等长。