[发明专利]一种语音识别方法、装置、设备及存储介质

权利要求书

1.一种语音识别方法，其特征在于，所述方法包括：

对待识别语音进行韵律预测，得到所述待识别语音的韵律结构；

根据所述待识别语音的声学特征，对所述待识别语音进行发音预测，得到所述待识别语音的多个音素后验概率；

根据所述韵律结构，对所述多个音素后验概率中的一个或多个音素后验概率进行变调；

以变调后的多个音素后验概率在有限状态转换器中进行路径搜索，解码得到所述待识别语音的对应文本。

2.根据权利要求1所述的方法，其特征在于，根据所述待识别语音的声学特征，对所述待识别语音进行发音预测，得到所述待识别语音的多个音素后验概率，包括：

将所述待识别语音的声学特征输入基于隐马尔可夫模型建立的声学模型，对所述待识别语音进行多状态的发音预测，得到所述待识别语音的多个三音子状态后验概率；

获得每个三音子状态后验概率的原始声调；

根据所述韵律结构，对所述多个音素后验概率中的一个或多个音素后验概率进行变调，包括:

根据所述韵律结构，修改所述多个三音子状态后验概率中的一个或多个三音子状态后验概率的原始声调。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获得音频样本，并对所述音频样本的每个音频帧标记韵律信息；

将具有韵律信息标记的音频样本输入预设模型，对所述预设模型进行训练；

将经过多次训练后的预设模型确定为韵律预测模型；

对待识别语音进行韵律预测，得到所述待识别语音的韵律结构，包括：

利用所述韵律预测模型对所述待识别语音进行韵律预测，得到所述待识别语音的韵律结构。

4.根据权利要求3所述的方法，其特征在于，利用所述韵律预测模型对所述待识别语音进行韵律预测，得到所述待识别语音的韵律结构，包括：

利用所述韵律预测模型对所述待识别语音的每个音频帧标记韵律信息；

获得所述待识别语音的所有音频帧形成的时间序列；

根据每个音频帧在所述待识别语音中的延续时长，确定每个音频帧对应的韵律信息在所述时间序列的标记位置；

根据所述标记位置，将所述每个音频帧对应的韵律信息标记到所述时间序列，得到所述待识别语音的韵律结构。

5.根据权利要求1所述的方法，其特征在于，根据所述韵律结构，对所述多个音素后验概率中的一个或多个音素后验概率进行变调，包括：

依次确定所述待识别语音的多个音素后验概率对应的音频帧；

根据多个音频帧在所述待识别语音中的延续时长，确定所述多个音素后验概率对应的时间信息；

根据所述多个音素后验概率对应的时间信息，在所述韵律结构中匹配所述多个音素后验概率对应的韵律信息；

根据所述多个音素后验概率对应的韵律信息，在所述多个音素后验概率中确定一个或多个韵律词；

在任意的韵律词中存在产生变调的预设搭配时，对所述预搭配中的音素后验概率进行变调。

6.一种语音识别装置，其特征在于，所述装置包括：

韵律预测模块，用于对待识别语音进行韵律预测，得到所述待识别语音的韵律结构；

发音预测模块，用于根据所述待识别语音的声学特征，对所述待识别语音进行发音预测，得到所述待识别语音的多个音素后验概率；

变调模块，用于根据所述韵律结构，对所述多个音素后验概率中的一个或多个音素后验概率进行变调；

解码模块，用于以变调后的多个音素后验概率在有限状态转换器中进行路径搜索，解码得到所述待识别语音的对应文本。

7.根据权利要求6所述的装置，其特征在于，所述发音预测模块包括：

发音预测子模块，用于将所述待识别语音的声学特征输入基于隐马尔可夫模型建立的声学模型，对所述待识别语音进行多状态的发音预测，得到所述待识别语音的多个三音子状态后验概率；

声调获得子模块，用于获得每个三音子状态后验概率的原始声调；

所述变调模块包括:

声调修改子模块，用于根据所述韵律结构，修改所述多个三音子状态后验概率中的一个或多个三音子状态后验概率的原始声调。