[发明专利]基于触发式非自回归模型的语音识别方法及系统

权利要求书

1.基于触发式非自回归模型的语音识别方法，其特征在于包括如下步骤：

S11，获取语音训练数据和对应的文本标注训练数据，并提取一系列语音训练数据的特征，构成声学特征序列；

S12，将声学特征序列输入卷积降采样模块中，计算并输出卷积降采样序列；

S13，将卷积降采样序列输入声学编码器中，输出声学编码状态序列；

S14，将声学编码状态序列输入线性变换层，并结合文本标注训练数据计算联结时序损失，所述线性变换层用于计算得到预测标记的概率分布；

S15，根据预测标记的概率分布计算尖峰的位置和个数，非空格标记的概率大于触发阈值时，标记为一个尖峰位置，相邻的尖峰仅保留第一个，并存储尖峰位置；

S16，将尖峰位置对应的触发声学编码状态序列和声学编码状态序列输入声学解码器，并结合文本标注训练数据计算交叉熵损失；

S17，将联结时序损失和交叉熵损失进行加权，根据两者的联合损失计算梯度，进行反向传播；

S18，循环执行S12至S17，直至达到预设的训练结束条件，完成训练。

2.如权利要求1所述的基于触发式非自回归模型的语音识别方法，其特征在于所述S11，通过对时域下的语音波形信号加窗分帧后进行离散傅里叶变换，提取特定频率分量的系数组成特征向量，一系列的特征向量构成语音特征序列，所述系数是梅尔频率倒谱系数或梅尔滤波器组系数。

3.如权利要求1所述的基于触发式非自回归模型的语音识别方法，其特征在于所述S12，卷积降采样模块采用两层二维卷积，卷积核大小均为3×3，步长均为2。

4.如权利要求1所述的基于触发式非自回归模型的语音识别方法，其特征在于所述编码器是基于自注意力机制的声学编码器，卷积降采样模块将语音特征序列转换为卷积降采样序列后，对序列中的特征加上正余弦位置编码，所述正余弦位置编码包括偶数位置编码PE(t，2i)＝sin(t/10000^2i/d_model)和奇数位置编码PE(t，2i+1)＝cos(t/10000^2i/d_model)，t表示转换后的语音特征的时间步，i表示转换后的语音特征的第i个位置，d_model表示维度。