[发明专利]语音识别及其模型训练方法

说明书

本申请涉及一种语音识别及其模型训练方法，该训练方法包括：根据包括成人音素集合和儿童音素集合的第一音素集合生成第一发音词典；利用训练数据和第一发音词典对第一声学模型进行训练，得到第一状态的第一声学模型；根据第一状态的第一声学模型进行音素和词典更新得到第二音素集合和第二发音词典；根据训练数据和第二发音词典，对第一状态的第一声学模型进行训练，得到第二状态的第一声学模型；根据第二状态的第一声学模型，生成初始化第二声学模型；根据训练数据和第二发音词典对初始化第二声学模型进行训练得到第二声学模型。第二声学模型能够对成人和儿童的语音进行识别，且对成人和儿童的语音识别率高、能节省系统资源。

技术领域

本申请涉及语音识别技术领域，尤其涉及一种语音识别及其模型训练方法。

背景技术

近年来语音交互市场越来越受到关注，特别是针对教育领域的有屏音箱等产品，而语音交互是这些产品使用的重要环节，通过语音识别技术可以获得说话人的说话内容。但是相关技术中，对应用户的语音识别存在以下问题：在安静场景下，成人的语音识别率已基本可以达到现阶段的识别需求。但是对于儿童，因其在生长发育阶段，其发音方式与成人有着明显不同，通常表现有发音夸张，语速变化较大，吞音及部分音素发音不完整等问题，这使得儿童语音的识别率急剧下降。为解决上述问题，相关技术中的技术方案存在不同的问题，如儿童的语音识别率低、系统资源冗余浪费严重等问题。如何在提高儿童和成人的语音识别率的同时，节省系统资源是亟待解决的技术问题。

发明内容

有鉴于此，提出了一种语音识别及其模型训练方法，以解决相关技术中儿童的语音识别率低、系统资源冗余浪费严重的问题。

第一方面，本申请的实施例提供了一种语音识别的模型训练方法，所述方法包括：

根据第一音素集合生成第一发音词典，所述第一音素集合包括成人音素集合和儿童音素集合，所述第一发音词典用于指示文字与音素之间的映射关系；

利用训练数据和所述第一发音词典对第一声学模型进行训练，得到第一状态的第一声学模型，所述训练数据包括从音频样本提取到的声学特征和文本；

根据所述第一状态的第一声学模型，对所述第一音素集合和所述第一发音词典进行更新，得到更新后的第二音素集合和第二发音词典；

根据所述训练数据和所述第二发音词典，对所述第一状态的第一声学模型进行训练，得到第二状态的第一声学模型；

根据所述第二状态的第一声学模型，生成初始化第二声学模型；

根据所述训练数据和所述第二发音词典，对所述初始化第二声学模型进行训练，得到第二声学模型，所述第二声学模型用于结合所述第二发音词典对从待识别音频提取到的声学特征进行识别，输出识别到的文本。

通过第一方面所提供的方法，能够训练出对成人和儿童的语音进行识别的模型，且语音识别率高、能节省系统资源，从而实现对儿童和成人语音的识别。

根据第一方面，在所述方法的第一种可能的实现方式中，根据所述第一状态的第一声学模型，对所述第一音素集合和所述第一发音词典进行更新，得到更新后的第二音素集合和第二发音词典，包括：

利用所述第一状态的第一声学模型和所述第一发音词典，对所述训练数据进行解码和对齐处理，得到处理结果，所述处理结果包括每个音频样本的解码音素字符串和对齐音素字符串；

根据所有音频样本的解码音素字符串和对齐音素字符串，确定所述第一音素集合中每个音素的被识别为其他音素的替换频率；

对替换频率满足音素融合条件且具有相同音素含义的成人音素和儿童音素进行融合，生成融合音素；

将所述第一音素集合中与所述融合音素对应的成人音素和儿童音素替换为所述融合音素，得到第二音素集合；