[发明专利]一种语音识别方法、装置和电子设备

说明书

本申请实施例提供了一种语音识别方法、装置和电子设备，其中，所述方法包括：获取待识别语音数据的多帧声学特征；从多帧声学特征，按照基于预设规则动态设置的音频长度截取音频帧，得到音频帧块；以N个音频帧块为音频帧组合，输入语音识别模型进行处理；通过编码器提取所述音频帧组合的隐层特征；以及通过编码器的输出层和预设的加权有限状态转换器WFST网络，对音频帧组合中的目标音频帧块的隐层特征进行解码，得到目标音频帧块的语音识别结果。通过调整音频帧块的长度可以调整语音识别模型的解码速度，从而可以应用于不同延时要求的语音识别场景。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种语音识别方法、装置和电子设备。

背景技术

语音识别是指将接收到的语音信息转化为文本信息，传统的语音识别系统包括声学模型，语言模型和词典模型。端到端语音识别系统提供了一种方式将这三种模型融合到一个神经网络模型中共同建模，从而简化了语音识别系统的构建流程，也提升了语音识别系统的性能。

一般地，端到端语音识别系统可以分为实时识别系统和非实时识别系统，实时系统和非实时系统在结构上存在一定的差异，需要采用不同的方式进行训练。另外，在实时识别系统当中，针对于不同场景下延时与性能要求，也需要准备多个以不同参数训练的模型。总之，现有技术中针对不同需求的端到端语音识别系统需要分别训练，耗费资源。

发明内容

本申请实施例提供一种语音识别方法，以应用于不同延时要求的语音识别场景。

相应的，本申请实施例还提供了一种语音识别装置和一种电子设备，用以保证上述方法的实现及应用。

为了解决上述问题，本申请实施例公开了一种语音识别方法，具体包括：

获取待识别语音数据的多帧声学特征；

从所述多帧声学特征，按照基于预设规则动态设置的音频长度截取音频帧，得到音频帧块；

以N个音频帧块为音频帧组合，输入语音识别模型进行处理；所述语音识别模型包括编码器，所述编码器具有基于连接时序分类CTC准则训练的输出层；通过所述编码器提取所述音频帧组合的隐层特征；以及通过所述编码器的输出层和预设的加权有限状态转换器WFST网络，对所述音频帧组合中的目标音频帧块的隐层特征进行解码，得到所述目标音频帧块的语音识别结果，其中，所述N为大于等于1的整数，当N大于或等于2时，音频帧组合包括N个连续的音频帧块。

可选地，所述预设规则为基于语音识别场景，动态设置音频长度的规则。

可选地，所述从所述多帧声学特征，按照基于预设规则动态设置的音频长度截取音频帧，得到音频帧块，包括：

采用滑动窗口，从所述多帧声学特征按照基于预设规则动态设置的音频长度截取音频帧，得到音频帧块。

可选地，所述以N个音频帧块为音频帧组合，输入端到端语音识别模型进行处理，包括：

以连续的历史音频帧块、目标音频帧块、未来音频帧块作为音频帧组合，输入端到端语音识别模型进行处理。

可选地，所述通过所述编码器的输出层和预设的WFST网络，对所述音频帧组合中的目标音频帧块的隐层特征进行解码，得到所述目标音频帧块的语音识别结果，包括：

采用所述编码器的输出层，对所述目标音频帧块的隐层特征按照非自回归解码方式进行解码，得到字序列；

采用编码有语言模型的WFST网络对所述字序列进行解码，得到候选识别结果；

根据所述候选识别结果，确定所述目标音频帧块的语音识别结果。

可选地，所述采用编码有语言模型的WFST网络对所述字序列进行解码，得到候选识别结果，包括：