[发明专利]语音识别方法、语音识别模型、电子设备和存储介质

说明书

本申请实施例提供了一种语音识别方法、语音识别模型、电子设备和存储介质，该语音识别方法包括：获取待识别语音的声学表示；确定声学表示中每个帧向量对应的字符概率，其中，字符概率用于指示基于当前帧向量识别出对应的字符语音的概率；根据每个帧向量对应的字符概率，对待识别语音包含的字符数量及每个字符的帧边界进行预测，获得预测结果；根据预测结果，从声学表示中提取每个字符语音的向量表示；根据每个字符语音的向量表示，获得待识别语音的识别结果。本方案能够提高语音识别的速度。

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种语音识别方法、语音识别模型、电子设备和存储介质。

背景技术

语音识别技术就是让机器通过识别和理解过程，把语音信号转换为相应文本或命令的技术，其中，端到端语音识别系统受到了学术界和工业界越来越广泛的关注。相比于传统的混合建模方案，端到端语音识别系统通过一个模型联合优化声学模型和语言模型，不仅能够降低模型训练的复杂度，还能够提高模型的语音识别性能。

目前，端到端语音识别系统采用自回归模型（Auto-regressive Transformer）实现声学模型和语言模型的联合优化，以在通用任务上获得较好的性能提升。

然而，在采用自回归模型的端到端语音识别系统中，自回归解码器（Auto-regressive Decoder）在将语音特征转换为文本时，需要基于已识别出的字符依次识别还未被识别的字符，识别每个字符都需要调用一次语音识别模型，因此在输入语音数据较长时，端到端语音识别系统需要耗费较长时间才能够输出识别结果，导致语音识别的速度较慢。

发明内容

有鉴于此，本申请实施例提供一种语音识别方法、语音识别模型、电子设备和存储介质，以至少解决或缓解上述问题。

根据本申请实施例的第一方面，提供了一种语音识别方法，包括：获取待识别语音的声学表示；确定声学表示中每个帧向量对应的字符概率，其中，字符概率用于指示基于当前帧向量识别出对应的字符语音的概率；根据每个帧向量对应的字符概率，对待识别语音包含的字符数量及每个字符的帧边界进行预测，获得预测结果；根据预测结果，从声学表示中提取每个字符语音的向量表示；根据每个字符语音的向量表示，获得待识别语音的识别结果。

根据本申请实施例的第二方面，提供了一种提供语音识别服务的方法，包括：获取实时采集的会议语音数据；获取会议语音数据的声学表示；确定声学表示中每个帧向量对应的字符概率，其中，字符概率用于指示基于当前帧向量识别出对应的字符语音的概率；根据每个帧向量对应的字符概率，对会议语音数据包含的字符数量及每个字符的帧边界进行预测，获得预测结果；根据预测结果，从声学表示中提取每个字符语音的向量表示；根据每个字符语音的向量表示，获得会议语音数据的识别结果；将会议语音数据的识别结果录入到关联的会议记录文件中。

根据本申请实施例的第三方面，提供了一种语音交互方法，包括：获取用户输入的语音数据；获取语音数据的声学表示；确定声学表示中每个帧向量对应的字符概率，其中，字符概率用于指示基于当前帧向量识别出对应的字符语音的概率；根据每个帧向量对应的字符概率，对语音数据包含的字符数量及每个字符的帧边界进行预测，获得预测结果；根据预测结果，从声学表示中提取每个字符语音的向量表示；根据每个字符语音的向量表示，获得语音数据的识别结果；根据语音数据的识别结果确定反馈文本，将反馈文本转换成语音进行播放，以响应用户输入。

根据本申请实施例的第四方面，提供了一种法院自助立案实现方法，包括：自助立案一体机设备接收语音输入的立案请求信息；获取接收到的语音数据的声学表示；确定声学表示中每个帧向量对应的字符概率，其中，字符概率用于指示基于当前帧向量识别出对应的字符语音的概率；根据每个帧向量对应的字符概率，对语音数据包含的字符数量及每个字符的帧边界进行预测，获得预测结果；根据预测结果，从声学表示中提取每个字符语音的向量表示；根据每个字符语音的向量表示，获得语音数据的识别结果；将语音数据的识别结果录入到关联的立案信息数据库中。