[发明专利]一种语音识别系统

说明书

本发明涉及一种语音识别系统，由基本的基于声学模型到拼音映射网络的基础识别器和任意多个针对不同应用领域的基于拼音到词语映射网络的特定识别器以及一个综合决策单元共同组成。语音首先通过基础识别器映射为由多个候选拼音序列组织成的网络，然后该拼音网络再通过和一个对应特定应用目标的特定识别器进行组合，最后在组合后的网络上进行最佳路径的搜索，得到最终的识别结果。在这种架构下，拼音网络可以和多个应用领域的单独的拼音到词语映射的特定识别器进行组合，最终根据声学和语言模型评分以及其他应用相关的超级规则选择最佳的识别结果。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种可以进行在线领域扩展的语音识别系统。

背景技术

汉语不是拼读语言，如果没有上下文信息难以直接从音断定对应的汉字。传统的语音识别使用预先生成的静态解码网络进行解码，并且该解码网络通常是从音素直接映射为词语。该解码网络融合了要识别的音频内容的词语的概率分布信息。这样导致识别器从一个领域切换到另外一个领域时，性能会急剧下降，另外一些术语和新词可能总是无法正确识别。为了支持多个领域的识别，通常用一个模型来同时建模多个领域的词语的概率分布信息。这导致该模型概率分布比较平均(这意味着识别性能通常也比较平均)，并且模型比较庞大。为了支持新词或者术语的识别，必须重新训练模型和构造识别器。这是非常耗费时间和资源的。

有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种可以进行在线领域扩展的语音识别系统，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种可以进行在线领域扩展，从而可快速提高特定领域的识别性能的语音识别系统。

本发明的语音识别系统，包括

-基于声学模型到拼音映射网络的基础识别器，用于将语音映射为由多个候选拼音序列组织成的网络；

-多个并列的针对不同应用领域的基于拼音到词语映射网络的特定识别器，用于分别与由多个候选拼音序列组织成的网络进行组合，得到多个最佳词序列及置信度；

-综合决策单元，用于接收多个最佳词序列及置信度，然后根据置信度再加上预先给定的先验知识和规则以及附加知识，进行决策，选择最佳的词序列输出。

进一步的，通过调整拼音到词语映射网络，添加新的识别内容到已有领域的基于拼音到词语映射网络的特定识别器中，更新已有领域的识别内容；通过离线构造对应的基于拼音到词语映射网络的特定识别器，然后将扩展内容在线添加到基于拼音到词语映射网络的特定识别器中，创建新的应用领域的识别内容。

进一步的，所述基于声学模型到拼音映射网络的基础识别器根据输入的音频特征动态计算声学得分，并在其网络上保存有拼音序列的语言模型得分，采用动态规划算法结合声学得分和语言模型得分，搜索得分最高的若干拼音序列输出。

进一步的，所述拼音序列的语言模型采用基于长短时记忆单元的递归神经网络进行建模。

进一步的，所述综合决策单元通过融合识别置信度、先验知识和预设规则以及附加信息来选择最佳候选词序列。

进一步的，所述先验知识至少包括所述语音识别系统之外输入的关于领域的标识信息，或者根据识别结果历史信息得到的领域标识信息。

进一步的，所述领域标识信息为离散的0/1置，或连续的概率值。

进一步的，所述预设规则至少包括根据音频长度预估的词数范围。

进一步的，所述附加信息包括根据超级语言模型得到的关于识别结果词串符合语法规范的程度度量。

进一步的，所述综合决策单元将所述附加信息和预设规则通过分层加权的方式和置信度评分一起作为决策准则来选择候选词序列作为最终识别结果输出。