[发明专利]语音识别方法和装置

权利要求书

1.一种语音识别方法，其特征在于，所述方法包括：

对目标音频数据中的每个音频帧进行特征提取，得到所述每个音频帧对应的特征信息；

基于所述每个音频帧对应的特征信息和语音识别模型，确定所述目标音频数据对应的文本和所述文本中的每个文字对应的第一时间信息，其中，所述文字对应的第一时间信息用于指示所述文字对应的音频帧在所述目标音频数据中的时间位置；

基于所述每个音频帧对应的特征信息和主人声识别模型，确定所述每个音频帧对应的声音类型，其中，所述声音类型包括主人声类型和非主人声类型；

基于所述目标音频数据对应的文本、所述文本中的每个文字对应的第一时间信息和所述每个音频帧对应的声音类型，确定所述目标音频数据对应的主人声文本。

2.根据权利要求1所述的方法，其特征在于，所述主人声识别模型包括第一CONV模块、至少一个第一Pyramid Pooling模块、至少一个第一BLSTM模块和第一Linear模块；

所述基于所述每个音频帧对应的特征信息和主人声识别模型，确定所述每个音频帧对应的声音类型，包括：

基于所述每个音频帧对应的特征信息和所述第一CONV模块，确定所述每个音频帧对应的第一中间特征信息；

基于所述每个音频帧对应的第一中间特征信息、所述至少一个第一Pyramid Pooling模块和所述至少一个第一BLSTM模块，确定M个第一音频帧组分别对应的第二中间特征信息，其中，每个第一音频帧组由第一预设数目个相邻的音频帧组成；

基于所述M个第一音频帧组分别对应的第二中间特征信息和所述第一Linear模块，确定所述M个第一音频帧组分别对应的主人声类型的概率值或所述M个第一音频帧组分别对应的非主人声类型的概率值；

基于所述M个第一音频帧组分别对应的主人声类型的概率值或所述M个第一音频帧组分别对应的非主人声类型的概率值，确定所述每个音频帧对应的声音类型。

3.根据权利要求1所述的方法，其特征在于，所述语音识别模型包括声学模型、语言模型、词典和解码器；

所述基于所述每个音频帧对应的特征信息和语音识别模型，确定所述目标音频数据对应的文本和所述文本中的每个文字对应的第一时间信息，包括：

基于所述每个音频帧对应的特征信息和所述声学模型，确定N个第二音频帧组分别对应的声学模型得分，其中，每个第二音频帧组由第二预设数目个相邻的音频帧组成，所述第二音频帧组对应的声学模型得分用于指示所述第二音频帧组分别与多种预设发音音节的匹配概率；

基于所述N个第二音频帧组分别对应的声学模型得分、所述语言模型、所述词典和所述解码器，确定所述目标音频数据对应的文本和所述文本中的每个文字对应的第一时间信息。

4.根据权利要求3所述的方法，其特征在于，所述基于所述每个音频帧对应的特征信息和主人声识别模型，确定所述每个音频帧对应的声音类型，包括：

基于所述每个音频帧对应的特征信息、所述N个第二音频帧组分别对应的声学模型得分和所述主人声识别模型，确定所述每个音频帧对应的声音类型。