[发明专利]一种提升语音识别准确性的方法和设备

说明书

本发明涉及一种提升语音识别准确性的方法和设备，应用于设置有SDM的用于语音识别的ASR系统，ASR系统设置有用于进行解码的解码网络；该方法包括：通过SDM获取输入ASR系统的原始音频和解码网络输出的历史解码信息；通过SDM对原始音频进行处理，得到原始音频的多个信号特征；通过SDM基于多个信号特征以及历史解码信息进行处理，得到原始音频的最终特征。在ASR系统解码阶段新增SDM，充分利用了各个维度的信息，包括直接从音频获取的信号特征、从历史解码信息中得到的上下文信息等，结合ASR系统中原有的通过海量数据训练出的声学模型，能够提升ASR系统在任何复杂场景下，对输入语音的打分和辨识能力，提升识别率。

技术领域

本发明涉及语音识别技术领域，具体涉及一种提升语音识别准确性的方法和设备。

背景技术

ASR(Automatic Speech Recognition，语音识别)系统的性能，受环境因素的影响很大，当遇到复杂场景，如环境噪声很大或者与训练数据偏差较大时，对识别引擎性能会提出很大的挑战性。特别是声学打分会非常不准确，对识别结果起着至关重要的影响，引擎声学打分会不准，进而也会影响最终识别结果的准确性。

ASR系统在复杂场景下的识别错误，最常见的一种错误类型是由于背景噪声(环境噪声或背景人声等)导致的插入错误：由于模型结构和训练数据的局限性，很多复杂场景下的人声和非人声无法做出很好的区分，会将背景的非人声误识别成人声，从而导致出现多余的识别结果，即产生插入错误。

而为了应对复杂场景下的高插入错误，目前的一般做法是，在ASR系统引擎前端设置一个VAD(Voice Activity Detection，静音抑制，又称语音活动侦测)模块，先把人声和非人声区分开，然后只将纯人声部分送入ASR系统引擎做识别。但是这种方式的缺点也很明显，具体有以下几点：

1.VAD并非ASR系统的标配，很多ASR系统并没有VAD模块；

2.即便有使用了VAD，将人声部分提取出来了，最终对于识别而言效果并不一定很好(一方面，VAD对人声的判断不一定准确，另外ASR系统识别需要借助上下文信息，即便是非人声音频，对于识别往往也很有用。所以，将生硬截出的语音部分送入ASR系统，效果往往不理想)

3.VAD并不能区分目标人声和背景人声干扰(如电视背景噪音)。

由此，目前需要有一种更优的方案来解决现有技术中的问题。

发明内容

本发明提供一种提升语音识别准确性的方法和设备，能够解决现有技术中识别率不高的技术问题。

本发明解决上述技术问题的技术方案如下：

本发明实施例提出了一种提升语音识别准确性的方法，应用于设置有SDM的用于语音识别的ASR系统，所述ASR系统设置有用于进行解码的解码网络；该方法包括：

通过所述SDM获取输入所述ASR系统的原始音频和所述解码网络输出的历史解码信息；

通过所述SDM对所述原始音频进行处理，得到所述原始音频的多个信号特征；

通过所述SDM基于多个所述信号特征以及所述历史解码信息进行处理，得到所述原始音频的最终特征。

在一个具体的实施例中，还包括：

通过所述SDM将所述最终特征输出给所述解码网络，以使所述解码网络进行解码，得到识别文本。

在一个具体的实施例中，所述信号特征包括：信噪比、能量、过零率。

在一个具体的实施例中，所述历史解码信息中包括上下文信息。

在一个具体的实施例中，所述ASR系统中还包括声学模型；