[发明专利]语音识别方法、装置、设备和存储介质

权利要求书

1.一种语音识别方法，其特征在于，包括：

获取当前待识别语音信号的语音特征序列；

将所述语音特征序列输入预先训练得到的Deep-FSMN模型，得到表示各个音素的概率的输出序列，其中，所述Deep-FSMN模型是通过teachers-student框架，按照先训练非流式大模型再基于非流式大模型训练流式小模型的训练模式训练得到的流式小模型；

将所述输出序列输入预先训练的CTC模型，得到对应的音素序列；

将所述音素序列输入语言模型，转换成最终的文字序列作为识别结果。

2.根据权利要求1所述的方法，其特征在于，

所述待识别语音信号为采用VAD算法检测语音所采集到的语音信号，以batch为单位。

3.根据权利要求2所述的方法，其特征在于，

所述语音特征序列为对数功率谱或梅尔频率倒谱系数特征。

4.根据权利要求2所述的方法，其特征在于，

所述Deep-FSMN模型包括输入层、N个Deep-FSMN层、输出层，N为大于等于1的正整数；每个Deep-FSMN层包括线性函数层、激活函数层、记忆模块；记忆模块之间添加了跳跃连接；所述Deep-FSMN模型采用注意力机制。

5.根据权利要求4所述的方法，其特征在于，所述Deep-FSMN模型通过teachers-student框架训练得到，包括：

使用人工标注的小规模语音样本数据训练一个非流式大模型；

将未人工标注的大规模语音样本输入训练后的“非流式”大模型，将输出结果作为所述语音样本label；

使用所述label及对应的语音数据训练一个流式小模型。

6.根据权利要求5所述的方法，其特征在于，

所述非流式大模型的深度大于流式小模型的深度；所述非流式大模型的记忆模块的阶数大于流式小模型的记忆模块的阶数。

7.根据权利要求4所述的方法，其特征在于，

针对VAD识别到的最后一个batch，将记忆模块的提取未来时刻帧的阶数设置为零。

8.根据权利要求1所述的方法，其特征在于，

所述Deep-FSMN模型的输入输出采用低帧率LFR建模方案。

9.一种语音识别装置，其特征在于，包括：

语音特征序列获取模块，用于获取当前待识别语音信号的语音特征序列；

语音特征序列处理模块，用于将所述语音特征序列输入预先训练得到的Deep-FSMN模型，得到表示各个音素的概率的输出序列，其中，所述Deep-FSMN模型是通过teachers-student框架，按照先训练非流式大模型再基于非流式大模型训练流式小模型的训练模式训练得到的流式小模型；

尖峰位置获得模块，用于将所述输出序列输入预先训练的CTC模型，得到对应的音素序列；

识别结果获得模块，用于将所述音素序列输入语言模型，转换成最终的文字序列作为识别结果。

10.一种电子设备，包括存储器和一个或多个处理器，所述存储器上存储有一个或多个计算机程序，其特征在于，所述一个或多个处理器执行所述一个或多个程序时实现如权利要求1～8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。