[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；将待识别语音数据的声学特征输入语音识别模型进行处理；语音识别模型包括编码器，编码器具有基于连接时序分类CTC准则训练的输出层；通过编码器提取声学特征的隐层特征，通过编码器的输出层对声学特征的隐层特征按照非自回归解码方式进行解码；根据编码器的输出层的输出结果，确定语音识别结果。本申请实施例通过基于CTC准则训练的输出层，对声学特征的隐层特征按照非自回归解码方式进行解码，可以大幅提升语音识别模型的解码速度。

技术领域

本申请涉及人工技术领域，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。

端到端识别主要包括：基于连接时序分类(CTC，Connectionist TemporalClassification)准则的端到端识别技术，基于注意力的编解码(AED，Attention-basedEncoder-Decoder)端到端语音识别技术。近年来有研究将基于CTC和基于AED的端到端语音识别技术融合到一起，得到AED-CTC/Attention端到端语音识别模型，在很多公开语音识别任务中取得了突破性的进展。

然而AED-CTC/Attention端到端语音识别模型在实际应用过程中，在解码阶段采用解码器分支通过自回归的方式进行解码，解码器需要依据声学特征和之前预测的文本来预测下一个文本，AED-CTC/Attention端到端语音识别模型每输出一个字，解码器部分都需要计算一遍，解码效率低下。

发明内容

本申请实施例提供一种语音识别方法，以提高语音识别的效率。

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；

将所述待识别语音数据的声学特征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声学特征的隐层特征，通过所述编码器的输出层对所述声学特征的隐层特征按照非自回归解码方式进行解码；

根据所述编码器的输出层的输出结果，确定语音识别结果。

可选地，所述根据所述编码器的输出层的输出结果，确定语音识别结果，包括：

通过编码有词级别语言模型的加权有限状态转换器WFST网络，对所述编码器的输出层输出的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语音识别结果。

可选地，所述通过编码有词级别语言模型的WFST网络，对所述编码器的输出层输出的字序列进行解码得到候选识别结果，包括：

将所述字序列输入所述WFST网络进行解码；所述WFST网络基于语言模型、词典模型、输出映射模型构建；所述语言模型用于判断词序列是否符合语法，以及该词序列出现的概率；所述词典模型，用于将词序列映射为字序列；所述输出映射模型用于将所述输出层输出的字序列射到单字；

获得所述WFST网络输出的多个候选语句和所述多个候选语句对应的评分。

可选地，所述候选识别结果包括多个候选语句和候选语句对应的评分；所述根据所述候选识别结果确定语音识别结果，包括：

分别根据所述候选语句对应的评分，确定对应的归一化概率值；