[发明专利]客服电话语音转录文本方法、系统、设备及存储介质

说明书

本发明提供了一种客服电话语音转录文本方法、系统、设备及存储介质，该方法包括：采集待转录的客服电话语音；提取所述待转录的客服电话语音的语音特征；将提取的语音特征输入训练好的语音识别模型，所述语音识别模型包括声学编码器和解码器，所述声学编码器包括基于自注意力机制的Transformer模块，所述解码器包括基于字的Transducer模型；获取所述语音识别模型输出的文本。本发明在提升语音识别准确率的同时提高了模型的稳定性以及推断速度，提高了客服电话场景下电话语音转录文本的准确率和效率。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种客服电话语音转录文本方法、系统、设备及存储介质。

背景技术

对于在线旅游行业，在客服电话场景中，需要识别出客服语音以进行质检，识别出客服客人语音进行事件的记录，其中需要将语音信息准确的转录为文字，供后续模块进行处理。目前现有方法在这种低采样率下的电话语音场景下，面对这种嘈杂环境，较难充分对低采样率下的语音信息进行特征的抽取和表征。具体地，目前智能电话外呼场景中的语音识别技术，有以DNN-HMM(深度学习网络-隐马尔科夫模型)作为声学模型、WFST(WeightedFinaite-state Transducer，加权有限状态转换器)作为解码器的混合模型、CTC(Connectionist Temporal Classification，联结主义时间分类)模型、RNN-T(RecurrentNeural Network transducer)模型、LAS(Listen Attend and Spell)模型：

混合模型有比较稳定的结果，但是需要使用许多设计复杂的处理阶段，包括专门的输入特征、声学模型和隐马尔可夫模型(Hidden Markov Model,HMM)。为改进这些管道，需要领域专家投入大量的精力来调节它们的特征和模型。

CTC模型不需要复杂的处理管道，但是其假设语音各帧输出结果相互独立，需要额外的语言模型才能达到较好的效果。

RNN-T模型在当前帧识别结果会考虑历史信息的影响，不需要额外的语言模型，是一种端到端的语音识别方法。但是其训练速度比较慢，需要大量数据，当前并未发现有在中等数据量电话录音数据中有成功应用的案例。

LAS模型中基于自注意力机制的Transformer模型是一种端到端的语音识别模型，在中等数据量电话录音数据中有成功的案例。但是在在线旅游行业数据中，其存在不能识别出所有文字、部分文字异常重复、识别速度慢等问题。

综上，对于现有的在线旅游行业电话场景低采样率的电话语音转录文本主要存在的问题在于：1)在线旅游行业的电话外呼环境非常嘈杂，如噪声、旁边人说话、回声等，给识别造成了极大的困难。2)在线旅游行业的电话录音数据本身基于低采样率的8kHz，相比于实际语音，会有较大的信息损失。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种客服电话语音转录文本方法、系统、设备及存储介质，适于客服电话场景下的语音准确转录为文本。

本发明实施例提供一种客服电话语音转录文本方法，包括如下步骤：

采集待转录的客服电话语音；

提取所述待转录的客服电话语音的语音特征；

将提取的语音特征输入训练好的语音识别模型，所述语音识别模型包括声学编码器和解码器，所述声学编码器包括基于自注意力机制的Transformer模块，所述解码器包括基于字的Transducer模型；

获取所述语音识别模型输出的文本。

可选地，提取所述待转录的客服电话语音的语音特征，包括如下步骤：

将所述待转录的客服电话语音进行切割，得到多个音频片段；

对每个音频片段分别提取每帧的梅尔语谱图特征，作为所述音频片段的语音特征。