[发明专利]语音识别模型的训练方法、语音识别方法、装置和设备

说明书

本发明实施例公开了一种语音识别模型的训练方法、语音识别方法、装置和设备，该方法包括：根据目标对象的音频数据，确定语音训练样本，语音训练样本包括语义信息和音频特征信息；将语义信息和音频特征信息输入到语音识别模型中，对语音识别模型进行迭代训练，直至满足预设训练条件，得到训练后的目标语音识别模型。以解决相关技术中，声纹识别精度不高的问题。

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种语音识别模型的 训练方法、语音识别方法、装置、终端设备和存储介质。

背景技术

声纹识别(Speaker Recognition)是通过计算机利用人体所固有的生理 特征或行为特征来进行个人身份鉴定。声纹识别分为说话人辨认和说话人 确认，前者是根据说话人语音在多个参考说话人中确定为某一个；后者是 证实说话人的身份与其声纹是否一致。

目前，在说话人辨认的过程中，由于检测过程不完备，会使对话被分 割成多个语音片段，每个语音片段包含多个人声，这样，会使分辨具体某 个人声的准确度降低。另外，如果要确认与目标说话人相关的说话内容， 就需要获取大量的音频片段，才能找到目标说话人的前后说话内容，这样， 在语句的先后顺序出现错乱时，导致无法证实说话人的身份与其声纹是否 一致。

发明内容

本发明实施例提供一种语音识别模型的训练方法、语音识别方法、装 置、终端设备及存储介质，以解决相关技术中，声纹识别精度不高的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种语音识别模型的训练方法，该方 法包括：

根据目标对象的音频数据，确定语音训练样本，语音训练样本包括语 义信息和音频特征信息；

将语义信息和音频特征信息输入到语音识别模型中，对所述语音识别 模型进行迭代训练，直至满足预设训练条件，得到训练后的目标语音识别 模型。

本发明实施例中，通过对音频数据进行分析，得到音频数据对应的语 义信息和音频特征信息；接着，根据语义信息和音频特征信息对语音识别 模型进行训练，这样，即使在对话音频被分成多个片段时，也能根据音频 特征信息确定目标对象，且根据语义信息识别到目标对象的身份特征，以 便对目标对象在对话音频中被准确追踪，从而提高在音频中识别目标对象 的精度，并在识别出目标对象的情况下，确定目标对象的身份信息，从而 得到对话音频的应用场景。

在一种可能的实施例中，上述涉及到的“将语义信息和音频特征信息 输入到语音识别模型中，对语音识别模型进行迭代训练，直至满足预设训 练条件，得到训练后的目标语音识别模型”的步骤中，具体可以包括：

针对每个语音训练样本分别执行以下步骤：将语义信息和音频特征信 息输入到语音识别模型中，得到语义信息与音频特征信息的相似度预测结 果；

根据每个相似度预测结果对语音识别模型进行调整；

根据语音训练样本对调整后的语音识别模型进行迭代训练，直至满足 预设训练条件，得到训练后的目标语音识别模型。

在另一种可能的实施例中，本发明实施例中的“语音识别模型”可以 包括转录网络模型，基于此，在上述“根据目标对象的音频数据，确定语 音训练样本”的步骤中，具体可以包括：

将音频数据的音频特征向量输入到转录网络模型中，得到语义信息；

其中，语音信息用于确定音频数据对应的文本数据。

在又一种可能的实施例中，本发明实施例中的“语音识别模型”可以 包括预测网络模型，基于此，在上述“根据目标对象的音频数据，确定语 音训练样本”的步骤中，具体可以包括：