[发明专利]语音识别方法、装置、设备及存储介质

说明书

本发明实施例提供一种语音识别方法、装置、设备及存储介质。该方法包括：获取待识别的语音信号，采用预先训练的因果声学模型，根据语音信号中的当前帧和当前帧之前预设时间段内的帧，对语音信号中的当前帧进行识别，其中，因果声学模型基于因果卷积神经网络训练得到。本发明实施例提供的方法，在进行当前帧识别时，仅使用当前帧和当前帧之前的帧的信息，解决了现有技术中基于卷积神经网络的语音识别技术需要等待当前帧之后的帧而造成的硬延迟问题，提高了语音识别的实时性。

技术领域

本发明实施例涉及语音识别技术领域，尤其涉及一种语音识别方法、装置、设备及存储介质。

背景技术

随着计算机科学技术，尤其是人工智能(Artificial Intelligence，简称：AI)技术的不断发展，语音识别技术已经开始由实验室走向市场，被应用在越来越多的领域，如语音输入系统，用于工业控制、智能家居、智能玩具、终端设备的语音控制系统，智能对话查询系统等。语音识别技术使信息的获取和处理更加便捷，提高了用户的工作效率，为人们的生活带来了便利。

卷积神经网络(Convolutional Neural Network,简称：CNN)是一种前馈神经网络，在模式识别领域表现出色，近年来备受青睐，得到了广泛的应用。卷积神经网络CNN在语音处理领域的使用也越来越普遍，由于其卷积核通常是左右展开的，因此在进行语音识别时既需要利用当前帧之前的帧的信息，还需要利用当前帧之后的帧的信息，即在进行当前帧的语音识别的时候，会利用到未来的信息。例如，采用上下文是2的卷积神经网络进行语音识别时，在进行第N帧的语音识别时，需要利用第N-2、N-1、N、N+1、N+2这5帧的信息，语音识别系统需要等待2帧，等凑齐了这5帧的信息才进行处理，势必会造成2帧的硬延迟，而这种延迟在很多实时性要求较高的场合是不能被接受的。

综上所述，现有技术中基于卷积神经网络的语音识别技术无法满足高实时性的要求。

发明内容

本发明实施例提供一种语音识别方法、装置、设备及存储介质，用以解决现有技术中基于卷积神经网络的语音识别技术存在硬延迟，无法满足高实时性的要求的问题。

第一方面，本发明实施例提供一种语音识别方法，包括：

获取待识别的语音信号；

采用预先训练的因果声学模型，根据语音信号中的当前帧和当前帧之前预设时间段内的帧，对语音信号中的当前帧进行识别，因果声学模型基于因果卷积神经网络训练得到。

在一种具体的实现方式中，所述方法还包括：

若当前帧之前的帧不足，则采用空帧进行补充。

在一种具体的实现方式中，预设时间段根据因果声学模型的上下文参数的取值确定。

在一种具体的实现方式中，因果声学模型包括多个堆叠的因果卷积层，多个堆叠的因果卷积层用于扩大因果声学模型的感受野。

在一种具体的实现方式中，因果声学模型还包括至少一层长短期记忆网络，长短期记忆网络用于学习语音信号的历史信息。

在一种具体的实现方式中，在对语音信号中的当前帧进行识别之前，还包括：

对待识别的语音信号进行高通滤波处理；

消除经高通滤波处理后的语音信号中的干扰信号。

在一种具体的实现方式中，干扰信号包括噪声信号和/或回声信号。

第二方面，本发明实施例提供一种语音识别装置，包括：

获取模块，用于获取待识别的语音信号；