[发明专利]压缩音频识别方法、装置及存储介质

说明书

本公开涉及一种压缩音频识别方法、装置及存储介质，上述方法包括：获取压缩音频，并对所述压缩音频进行离散傅里叶变换，以得到所述压缩音频对应的频谱特征；通过有损声学模型对所述频谱特征进行编码操作，以得到所述频谱特征对应的概率矩阵；通过所述有损声学模型和解码器对所述概率矩阵进行解码操作，以得到识别音频。采用上述技术手段，解决现有技术中，语音识别模型对有损压缩音频的识别准确率较低等问题。

技术领域

本公开涉及通信领域，尤其涉及一种压缩音频识别方法、装置及存储介质。

背景技术

随着技术的进步，智能语音识别被广泛用于智能硬件、语音输入、呼叫中心等场景中。然而由于语音识别系统大部分为基于云端部署，用户需上传设备采集的音频至云端系统进行处理。当前，用户上传的音频多为无损压缩音频文件格式，无损压缩音频文件的特点为信号不失真，语音识别准确率高，但同时文件较大，会对网络造成压力，在网络负载较大时会造成网络服务崩溃。因此，在上传时，较好的做法为使用有损压缩格式进行传输，该种方法特点为音频文件的压缩比高，压缩后文件最小为原文件大小的10％。但有损压缩会带来特征缺失问题，由于现有的语音识别模型通常在无损音频训练集上进行训练，语音识别模型对有损压缩音频的识别准确率较低。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：语音识别模型对有损压缩音频的识别准确率较低等问题。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种压缩音频识别方法、装置及存储介质，以至少解决现有技术中，语音识别模型对有损压缩音频的识别准确率较低等问题。

本公开的目的是通过以下技术方案实现的：

第一方面，本公开的实施例提供了一种压缩音频识别方法，包括：获取压缩音频，并对所述压缩音频进行离散傅里叶变换，以得到所述压缩音频对应的频谱特征；通过有损声学模型对所述频谱特征进行编码操作，以得到所述频谱特征对应的概率矩阵；通过所述有损声学模型和解码器对所述概率矩阵进行解码操作，以得到识别音频。

在一个示范性实施例中，所述通过有损声学模型对所述频谱特征进行编码操作，以得到所述频谱特征对应的概率矩阵之前，所述方法还包括：获取训练无损音频，并通过所述训练无损音频对原始声学模型进行增量学习训练，以得到无损声学模型；对所述训练无损音频进行有损压缩处理，以得到训练有损音频；通过所述训练有损音频对无损声学模型进行增量学习训练，以得到所述有损声学模型。

在一个示范性实施例中，获取训练无损音频之前，所述方法还包括：获取生活常用文本数据和/或专业常用文本数据；对获取到的所述生活常用文本数据和/或所述专业常用文本数据进行文本转音频操作，以得到训练无损音频；将所述训练无损音频存储在音频数据中心。

在一个示范性实施例中，所述增量学习训练，包括：将训练音频输入嵌入层，并通过所述嵌入层输出多个字向量和/或多个词向量，其中，所述训练音频包括：所述训练无损音频和所述训练有损音频，所述原始声学模型、所述无损声学模型和所述有损声学模型均包含所述嵌入层；通过统计语言算法对所述多个字向量和/或所述多个词向量进行统计处理，以得到特征向量列表；根据所述特征向量列表对声学模型进行训练，其中，所述声学模型包括：所述原始声学模型、所述无损声学模型和所述有损声学模型。

在一个示范性实施例中，所述根据所述特征向量列表对声学模型进行训练，包括：统计所述特征向量列表中所述多个字向量和/或所述多个词向量的类别和出现频率；根据所述多个字向量和/或所述多个词向量的类别和出现频率确定霍夫曼树；根据所述霍夫曼树对所述声学模型进行训练。