语音识别方法、系统、设备及存储介质与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。图8是本发明电子设备的结构示意图。下面参照85来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同平台组件(包括存储单元820和处理单元810)的总线830、显示单元840等。其中，存储单元存储有程序代码，程序代码可以被处理单元810执行，使得处理单元810执行本说明书语音识别方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元810可以执行如图1-图4任一实施例所示的步骤。存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)821和/或高速缓存存储单元822，还可以进一步包括只读存储单元(rom)823。存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824，这样的程序模块825包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备800也可以与一个或多个外部设备80(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的语音识别方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述语音识别方法部分中描述的根据本发明各种示例性实施方式的步骤。如上所示，该实施例的计算机可读存储介质的程序在执行时，能够通过拉近语音识别后单字及其同音字的声学得分，从而在最终与语言模型结合时给出更精确答案。该操作的目的其实就是减小声学得分的影响，增大语言模型的作用，利用该方案，语音识别准确率得到明显提升。图9是本发明的计算机可读存储介质的结构示意图。参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程序程序设计语言—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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。综上，本发明的语音识别方法、系统、设备及存储介质，能够通过拉近语音识别后单字及其同音字的声学得分，从而在最终与语言模型结合时给出更精确答案。该操作的目的其实就是减小声学得分的影响，增大语言模型的作用，利用该方案，语音识别准确率得到明显提升。以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

背景技术：

1、在语音识别场景中，需要识别出场景中的兴趣点poi(point of interest)词。poi词分布广泛，同时容易混淆，特别是同音字poi，同音不同字，语音识别在这类情况下容易发生识别错误。

2、以中文字建模的模型因为高准确率被广泛应用，目前主流语音识别采用字建模，但是该方法的缺点是在训练语料稀疏时，容易识别同音的错字，特别是poi场景，比如海洲路和海州路，兴文和新闻，都是同音不同字。所以需要找出一种精确的语音识别方案。

3、需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、针对现有技术中的问题，本发明的目的在于提供语音识别方法、系统、设备及存储介质，克服了现有技术的困难，能够提升语音识别精度。

2、本公开实施例提供一种语音识别方法，其包括：

3、采集音频数据；

4、将音频数据输入声学模型，输出语音识别结果，语音识别结果包含由单字组成的兴趣点词及其声学得分；

5、在语音识别结果中的至少一个目标单字具有同音字的情况下，对目标单字的识别结果进行同音字声学得分增强，以缩小目标单字与同音字之间的声学得分分差；

6、利用增强后的目标单字的识别结果更新语音识别结果，使用语言模型对更新后的语音识别结果进行打分，输出兴趣点识别结果。

7、在一些实施例中，声学模型是采用如下方法训练得到的：

8、使用第一兴趣点文本数据及对应的第一音频数据训练基线模型；

9、将第二兴趣点文本数据转换成第二音频数据，将第二音频数据输入基线模型，输出候选语音识别结果，候选语音识别结果中包含候选关键词，第一兴趣点文本数据和第二兴趣点文本数据是同一类场景中的兴趣点文本；

10、使用第二兴趣点文本数据在候选语音识别结果中筛选出错误识别结果，利用错误识别结果所对应的第二兴趣点文本数据及其对应的第二音频数据以及第一兴趣点文本数据及对应的第一音频数据训练基线模型，将训练好的基线模型作为声学模型。

11、在一些实施例中，语言模型是采用方法训练到得到的：

12、将第二兴趣点文本数据进行n-gram词频统计，得到多个n-gram组合，使用n-gram组合训练产生语言模型。

13、在一些实施例中，将第二兴趣点文本数据转换成第二音频数据，包括：

14、使用语音合成技术将第二兴趣点文本数据转换为第二音频数据。

15、在一些实施例中，语音识别方法还包括：

16、在语音识别结果中的至少一个目标单字具有同音字的情况下，对目标单字的识别结果进行同音字声学得分增强之前，从语音识别结果中依次提取单字以匹配同音字表，获得具有同音字的目标单字。

17、在一些实施例中，从语音识别结果中依次提取单字以匹配同音字表，包括：

18、按照音频数据中的音频帧序列依次在语音识别结果中提取每个音频帧所对应单字及其声学得分，在音频帧对应识别出多个单字的情况下，取最大声学得分的单字以匹配同音字表。

19、在一些实施例中，对目标单字的识别结果进行同音字声学得分增强，包括：

20、在语音识别结果中获取目标单字的输出矩阵nnet_outputori；

21、基于目标单字的标识获取目标单字所对应的同音字掩码矩阵ju_gain_mask和增益矩阵ju_gain，在掩码矩阵ju_gain_mask中，目标单字的对应位置赋值为0且同音字的对应位置赋值为1，在增益矩阵ju_gain中，同音字的对应位置赋值为增强后的声学得分且目标单字的对应位置赋值为0；

22、使用如下公式计算目标单字的最终输出矩阵nnet_outputfinal：

23、nnet_outputfinal＝nnet_outputori*ju_gain_mask+ju_gain；

24、使用目标单字的最终输出矩阵nnet_outputfinal更新增强后的目标单字的识别结果。

25、本公开实施例还提供一种语音识别系统，其包括：

26、音频采集模块，采集音频数据；

27、语音识别模块，将音频数据输入声学模型，输出语音识别结果，语音识别结果包含由单字组成的兴趣点词及其声学得分；

28、增强模块，在语音识别结果中的至少一个目标单字具有同音字的情况下，对目标单字的识别结果进行同音字声学得分增强，以缩小目标单字与同音字之间的声学得分分差；

29、打分模块，利用增强后的目标单字的识别结果更新语音识别结果，使用语言模型对更新后的语音识别结果进行打分，输出兴趣点识别结果。

30、本发明的实施例还提供一种电子设备，包括：

31、处理器；

32、存储器，其中存储有处理器的可执行指令；

33、其中，处理器配置为经由执行可执行指令来执行上述语音识别方法的步骤。

34、本发明的实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现上述语音识别方法的步骤。

35、本发明的语音识别方法、系统、设备及存储介质，能够通过拉近语音识别后单字及其同音字的声学得分，从而在最终与语言模型结合时给出更精确答案。该操作的目的其实就是减小声学得分的影响，增大语言模型的作用，利用该方案，语音识别准确率得到明显提升。