[发明专利]语音识别方法、装置、设备及介质

说明书

本申请公开了一种语音识别方法、装置、设备及介质，涉及计算机技术领域。该方法包括：获取语音内容，语音内容为待识别的音频；对语音内容进行特征提取，得到中间特征，中间特征用于指示语音内容的音频表达特性；基于注意力机制对中间特征进行解码，得到第一词图，第一词图用于指示基于注意力机制预测得到的第一候选词汇组成的第一候选序列集；基于语音内容对应的发音情况对中间特征进行特征映射，得到第二词图，第二词图用于指示基于发音情况得到的第二候选词汇组成的第二候选序列集；根据第一词图和第二词图指示的候选词汇之间的连接关系，确定语音内容对应的识别结果。在保证服务器资源不浪费的情况下，提高了语音识别的准确度。

技术领域

本申请涉及计算机技术领域，特别涉及一种语音识别方法、装置、设备及介质。

背景技术

语音识别是指将接收到的语音信息转化为文本信息，许多应用均提供有语音转写服务，其中，语音识别包括流式语音识别和非流式语音识别，其中，流式语音识别对应的实时性要求高于非流式语音识别。针对非流式语音识别，常见的语音识别系统有传统语音识别系统以及E2E（End-to-End，端到端）语音识别系统。

在相关技术中，传统语音识别系统是通过语音特征、音素、词语、词串之间的依次映射关系来将语音信息转化为文本信息，传统语音识别系统由声学模型、发音词典以及语言模型等多个模块组合而成。而E2E语音识别系统是将输入端和输出端之间通过多头注意力机制，来实现上述传统语音识别系统中的多个模块对应的工作内容。

然而，由于传统语音识别系统中包括有多个模块，由于各个模块之间的信息传递存在信息损失，其对应的识别性能具有一定的局限性，而针对E2E语音识别系统，若训练系统时使用的数据提供的注意力信息与实际应用过程中的注意力信息偏差较大，则会对识别结果造成影响，使得识别准确率较低。

发明内容

本申请实施例提供了一种语音识别方法、装置、设备及介质，可以提高语音转文本的识别准确度。所述技术方案如下方面。

一方面，提供了一种语音识别方法，所述方法包括：

获取语音内容，所述语音内容为待识别的音频；

对所述语音内容进行特征提取，得到中间特征，所述中间特征用于指示所述语音内容的音频表达特性；

基于注意力机制对所述中间特征进行解码，得到第一词图，所述第一词图用于指示基于所述注意力机制预测得到的第一候选词汇组成的第一候选序列集；

基于所述语音内容对应的发音情况对所述中间特征进行特征映射，得到第二词图，所述第二词图用于指示基于所述发音情况得到的第二候选词汇组成的第二候选序列集；

根据所述第一词图和所述第二词图指示的候选词汇之间的连接关系，确定所述语音内容对应的识别结果。

另一方面，提供了一种语音识别装置，所述装置包括：

获取模块，用于获取语音内容，所述语音内容为待识别的音频；

处理模块，用于对所述语音内容进行特征提取，得到中间特征，所述中间特征用于指示所述语音内容的音频表达特性；

第一生成模块，用于基于注意力机制对所述中间特征进行解码，得到第一词图，所述第一词图用于指示基于所述注意力机制预测得到的第一候选词汇组成的第一候选序列集；

第二生成模块，用于基于所述语音内容对应的发音情况对所述中间特征进行特征映射，得到第二词图，所述第二词图用于指示基于所述发音情况得到的第二候选词汇组成的第二候选序列集；

确定模块，用于根据所述第一词图和所述第二词图指示的候选词汇之间的连接关系，确定所述语音内容对应的识别结果。