[发明专利]提高多对象说话场景下语音识别准确性的方法、装置及设备

说明书

本公开涉及一种提高多对象说话场景下语音识别准确性的方法、装置及设备。包括：获取多个对象的待识别语音音频，确定各对象相对于其他对象的皮尔逊相关系数，根据皮尔逊相关系数从麦克风阵列中确定极点麦克风和极轴麦克风；根据待识别语音音频相对极点麦克风的信号强度，对多个对象进行区域划分；根据区域的数量和采集间隔时长从预设差分阵列系数确定目标差分阵列系数，根据极点和极轴麦克风构建极坐标系，确定麦克风在极坐标系中的坐标；根据坐标和目标差分阵列系数，提取待识别语音音频的纯净峰信息和混合峰信息，根据纯净峰信息和混合峰信息对待识别语音音频进行对象区分，对对象区分后待识别语音音频进行波束成形及识别得到语音识别结果。

技术领域

本公开涉及语音识别技术领域，特别是涉及一种提高多对象说话场景下语音识别准确性的方法、装置及设备。

背景技术

在许多语音对话场景中，对话的对象包括多个，例如，部分语音为需要识别的，部分语音为不需要识别的，因而需要对不需要识别的语音进行过滤，并且针对需要识别的语音，不仅需要识别不同语音信号对应的发言对象和语音含义，并且还要区别不同发言对象相互之间的发言顺序，以便于后续语音文本整理过程中匹配到正确的发言端，从而最大限度地还原多个说话对象的表达内容。

相关技术中，通过对若干发言端中各自的语音信号及其语音采集时间戳进行识别处理，将每一个周期内的识别结果转换成若干文本格式信息，并将若干文本格式信息进行顺序缓存处理，判断缓存队列中任意相邻的两个数据节点之间是否具有相同的发言端身份，若是，则继续对其他相连的两个数据节点进行判断，若否，则判断具有不同的发言端身份的相邻的两个数据节点对应的时间戳差是否大于预设最大语音识别延迟时间，若是，则确认相邻的两个数据节点对应的发言端身份发生切换，进而生成用于指示当前语音信号对应的发言端发生变化的所述语音识别结果，并通过前端特征提取的方式提取获得声学特征，对声学特征进行统计建模，以得到声学模型，对统计库中的词串进行统计建模，以得到语言模型，根据声学模型和语言模型，通过预设设计算法得到相应的最优词串，并将最优词串作为文本格式识别结果。然而，对每一对象的语音识别准确性仍然较低。

发明内容

基于此，有必要针对多对象说话场景下语音识别准确性较低的问题，提供一种提高多对象说话场景下语音识别准确性的方法、装置及设备。

本公开第一方面，提供一种提高多对象说话场景下语音识别准确性的方法，所述方法应用于语音识别系统，所述语音识别系统包括设置于不同方位的麦克风组成的麦克风阵列，所述方法包括：

通过所述麦克风阵列中的多个麦克风分别获取多个对象的待识别语音音频，并对所述多个对象进行声源定位，根据定位后的对象，确定每一所述对象与其他对象之间的距离；

根据每一所述对象与其他对象之间的距离，确定每一所述对象相对于其他对象的皮尔逊相关系数，并基于最小二乘法，根据每一所述对象相对于其他对象的皮尔逊相关系数，从所述麦克风阵列中确定极点麦克风和极轴麦克风；

根据各待识别语音音频相对所述极点麦克风的信号强度，对多个对象进行环形区域划分，其中，每一所述环形区域环绕所述极点麦克风，且随与所述极点麦克风的距离增大，多个所述环形区域的宽度依次增大；

根据所述环形区域的数量以及每一所述麦克风采集到所述待识别语音音频的采集间隔时长，从预设的差分阵列系数中确定目标差分阵列系数，以及以所述极点麦克风为极点，所述极点麦克风与所述极轴麦克风的连线为极轴，构建极坐标系，并确定每一环形区域内的麦克风在所述极坐标系中的极坐标；

根据各所述麦克风的极坐标以及所述目标差分阵列系数，对所述待识别语音音频的纯净峰信息和混合峰信息进行提取，并根据所述待识别语音音频的纯净峰信息和混合峰信息对所述待识别语音音频进行对象区分，并根据对象区分后的待识别语音音频分别进行波束成形及识别，得到各对象的语音识别结果。