语音识别方法、装置、电子设备和计算机可读介质与流程

本公开的实施例涉及计算机技术领域，具体涉及语音识别方法、装置、电子设备和计算机可读介质。

背景技术：

随着互联网的发展和以深度学习为核心的人工智能技术的普及，语音识别技术应用到人们生活的各个领域，现有相关语音识别网络在识别过程中对于生成的文本序列之间缺乏依赖关系，进而导致识别效果不好。

技术实现要素：

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了语音识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种语音识别方法，该方法包括：将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；将上述隐层向量进行解码，得到解码向量；基于上述解码向量和上述隐层向量，生成识别文本。

第二方面，本公开的一些实施例提供了一种语音识别装置，装置包括：输入单元，被配置将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；解码单元，被配置将上述隐层向量进行解码，得到解码向量；生成单元，被配置成基于上述解码向量和上述隐层向量，生成识别文本。

第三方面，本公开的一些实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；上述步骤引入了注意力机制，从而使得生成的文本信息来源于全局输入的语音信息，而不是局部语音信息，为提高识别文本的准确性奠定了基础。将上述隐层向量进行解码，得到解码向量。该步骤是将注意力机制中输出的目标向量进行解码，有效的依赖了之前语音特征向量之间的信息。基于上述解码向量和上述隐层向量，生成识别文本。从而有效的解决了生成的文本序列之间的缺乏依赖关系的问题，使得生成的识别文本序列更准确。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的语音识别方法的一个应用场景的示意图；

图2是根据本公开的语音识别方法的一些实施例的流程图；

图3是根据本公开的语音识别方法的另一些实施例的流程图；

图4是根据本公开的语音识别装置的一些实施例的结构示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的语音识别方法的一个应用场景的示意图。

如图1所示，计算设备101将目标语音的编码向量102输入预先训练的注意力模型103，得到隐层向量104。例如，目标语音的编码向量102可以是“我爱我的故乡”这段语音对应的语音编码向量。隐层向量104可以表示“我爱我的故乡”这段文本的主要特征信息。将上述隐层向量104进行解码，得到解码向量105。解码向量105可以表示“我爱我的故乡”这段文本中文本信息之间的依赖性，也就是关联度。基于上述隐层向量104和上述解码向量105，生成“我爱我的故乡”这段语音的识别文本106。

可以理解的是，语音识别方法的执行主体可以是各种软件，可以是计算设备101，或者也可以是服务器，上述方法的执行主体还可以包括上述计算设备101与上述服务器通过网络相集成所构成的设备。其中，计算设备101可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当语音识别方法的执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备。

继续参考图2，示出了根据本公开的语音识别方法的一些实施例的流程200。该语音识别方法，包括以下步骤：

步骤201，将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量。

在一些实施例中，上述方法的执行主体将目标语音的编码向量输入到预先训练的注意力模型，在输入上述注意力模型的过程中，通过对输入的全部语音对应的编码向量加上权重，进而来确定全部语音对应的编码向量中每个编码向量的重要性，上述注意力模型的输出隐层向量的特征都来源于全局输入的语音信息，而不是局部语音信息。其中，上述目标语音的编码向量可以是任意类型的语音对应的编码向量。上述隐层向量可以是将上述目标语音的编码向量输入到预先训练好的注意力模型得到的，可以表示对上述目标语音的编码向量特征提取之后得到的结果。

作为示例，将目标语音的编码向量可以是“我爱我的故乡”这段语音对应的语音编码向量。隐层向量可以表示“我爱我的故乡”这段文本的主要特征信息。

在一些实施例的一些可选的实现方式中，上述方法还包括：对目标语音特征向量进行编码，得到上述编码向量。其中，上述目标语音特征向量可以是任意类型的向量。将上述目标语音特征向量输入至循环神经网络，得到上述编码向量。也可以将上述目标语音特征向量输入至长短期记忆网络，得到上述编码向量。

在一些实施例的一些可选的实现方式中，上述方法还可以包括：获取目标语音；对上述目标语音进行特征提取，得到目标语音特征向量。其中，上述方法的执行主体可以通过有线连接方式或者无线连接方式获取目标语音。上述目标语音可以是任意语音，可以是一段录音，也可以是一首歌曲。将上述目标语音通过神经网络进行特征提取，得到目标语音特征向量。

步骤202，将上述隐层向量进行解码，得到解码向量。

在一些实施例中，基于步骤201中得到的隐层向量，上述执行主体可以通过各种神经网络对上述隐层向量进行解码，得到解码向量。上述解码向量可以表示上述隐层向量序列之间的依赖性，也可以表示为关联度。

作为示例，将“我爱我的故乡”对应的隐层向量输入到循环神经网络中，输出对应的解码向量。还可以将“我爱我的故乡”对应的隐层向量输入到长短期记忆网络中，输出对应的解码向量。

步骤203，基于上述解码向量和上述隐层向量，生成识别文本。

在一些实施例中，语音识别方法的执行主体可以基于上述解码向量和上述隐层向量，生成识别文本。其中，上述识别文本是目标语音对应的文本序列。

在一些实施例中，上述方法的执行主体将上述解码向量和上述隐层向量进行组合之后输入长短期记忆网络或者循环神经网络，输出识别文本。

本公开的上述各个实施例中的一个实施例具有如下有益效果：将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；上述步骤引入了注意力机制，从而使得生成的文本信息来源于全局输入的语音信息，而不是局部语音信息，为提高识别文本的准确性奠定了基础。将上述隐层向量进行解码，得到解码向量。该步骤是将注意力机制中输出的目标向量进行解码，有效的依赖了之前语音特征向量之间的信息。基于上述解码向量和上述隐层向量，生成识别文本。从而有效的解决了生成的文本序列之间的缺乏依赖关系的问题，使得生成的识别文本序列更准确。

进一步参考图3，其示出了语音识别方法的另一些实施例的流程的300。该语音识别方法的流程300，包括以下步骤：

步骤301，将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量。

在一些实施例中，上述方法的执行主体将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量。其中，上述目标语音的编码向量可以是任意类型的语音对应的编码向量。上述隐层向量可以是将上述目标语音的编码向量输入到预先训练好的注意力模型得到的，可以表示对上述目标语音的编码向量特征提取之后得到的结果。

作为示例，将目标语音的编码向量可以是“我爱我的故乡”这段语音对应的语音编码向量。隐层向量可以表示“我爱我的故乡”这段文本的主要特征信息。

步骤302，将上述隐层向量进行解码，得到解码向量。

在一些实施例中，基于步骤201中得到的隐层向量，上述执行主体可以通过各种神经网络对上述隐层向量进行解码，得到解码向量。上述解码向量可以表示上述隐层向量序列之间的依赖性，也可以表示为关联度。

作为示例，将“我爱我的故乡”对应的隐层向量输入到循环神经网络中，输出对应的解码向量。还可以将“我爱我的故乡”对应的隐层向量输入到长短期记忆网络中，输出对应的解码向量。

步骤303，将上述解码向量和上述隐层向量输入预先训练的神经网络，输出第一特征向量。

在一些实施例中，上述方法的执行主体将上述解码向量和上述隐层向量输入预先训练的神经网络，输出第一特征向量。其中，上述神经网络可以是任意类型的神经网络。上述第一特征向量可以表示为上述神经网络的输出值。

作为示例，将“我爱我的故乡”对应的隐层向量和“我爱我的故乡”对应的解码向量输入至jointnetwork(联合网络)中，输出“我爱我的故乡”对应的第一特征向量。

步骤304，将上述第一特征向量输入至预设分类器，生成上述识别文本。

在一些实施例中，上述方法的执行主体将上述第一特征向量输入至预设分类器，生成上述识别文本。其中，上述分类器可以是softmax函数，输出一个多分类结果，生成上述识别样本。

作为示例，将上述第一特征向量通过softmax函数，生成“我爱我的故乡”这个文本序列。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的语音识别方法的流程300体现了对上述解码向量和上述隐层向量到识别文本的具体生成步骤。上述过程将上述隐层向量和上述解码向量进行输入到联合网络，有效的依赖了之前语音特征向量之间的信息和输入的全部语音信息，将上述效果加以整合，使得识别效果更好。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种语音识别装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的语音识别装置400包括：第一解码单元401、解码单元402、和生成单元403。其中，输入单元401被配置将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；解码单元402被配置将上述隐层向量进行解码，得到解码向量；生成单元403被配置成基于上述解码向量和上述隐层向量，生成识别文本。

在一些实施例的可选实现方式中，语音识别装置400进一步被配置成将上述解码向量和上述隐层向量输入预先训练的神经网络，输出第一特征向量；将上述第一特征向量输入至预设分类器，生成上述识别文本。

在一些实施例的可选实现方式中，语音识别装置400还包括编码单元，其中，编码单元被配置成对目标语音特征向量进行编码，得到上述编码向量。

在一些实施例的可选实现方式中，语音识别装置400还包括获取单元和特征提取单元，其中，获取单元被配置成获取目标语音；特征提取单元被配置成对上述目标语音进行特征提取，得到目标语音特征向量。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述计算设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前拍摄的人脸图像；对上述人脸图像输入预先训练的人脸美化网络，得到美化人脸图像；对上述美化人脸图像进行显示，其中，上述人脸美化网络通过长相评分小于第一阈值的人脸图像集和经过美化的、长相评分大于第一阈值的人脸图像集训练得到。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括特征获取单元、输入单元、显示单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取当前拍摄的人脸图像的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

根据本公开的一个或多个实施例，提供了一种语音识别方法，包括：将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；将上述隐层向量进行解码，得到解码向量；基于上述解码向量和上述隐层向量，生成识别文本。

根据本公开的一个或多个实施例，上述基于上述解码向量和上述隐层向量，生成识别文本，包括：将上述解码向量和上述隐层向量输入预先训练的神经网络，输出第一特征向量；将上述第一特征向量输入至预设分类器，生成上述识别文本。

根据本公开的一个或多个实施例，在上述将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量之前，上述方法还包括：对目标语音特征向量进行编码，得到上述编码向量。

根据本公开的一个或多个实施例，对目标语音特征向量进行编码，得到编码向量之前，上述方法还包括：获取目标语音；对上述目标语音进行特征提取，得到上述目标语音特征向量。

根据本公开的一个或多个实施例，提供了一种语音识别装置，包括：输入单元，被配置将目标语音的编码向量输入到预先训练的注意力模型，得到隐层向量；解码单元，被配置将上述隐层向量进行解码，得到解码向量；生成单元，被配置成基于上述解码向量和上述隐层向量，生成识别文本。

根据本公开的一个或多个实施例，上述装置进一步被配置成将上述解码向量和上述隐层向量输入预先训练的神经网络，输出第一特征向量；将上述第一特征向量输入至预设分类器，生成上述识别文本。

根据本公开的一个或多个实施例，上述装置还包括：编码单元，其中，编码单元被配置成对目标语音特征向量进行编码，得到上述编码向量。

根据本公开的一个或多个实施例，上述装置还包括：获取单元和特征提取单元，其中，获取单元被配置成获取目标语音；特征提取单元被配置成对上述目标语音进行特征提取，得到目标语音特征向量。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除