[发明专利]流式语音识别的处理方法、装置和计算机设备

说明书

本申请提供了一种流式语音识别的处理方法、装置和计算机设备，识别系统采集初始语音数据，对初始语音数据进行一次滑窗处理，得到若干个二次语音数据。再按照各个二次语音数据的采集时间顺序，依次将各个二次语音数据输入预先训练的语音识别模型进行处理，得到各个初始序列矩阵。每次语音识别模型输出新的初始序列矩阵时，识别系统将当前时刻的初始序列矩阵与预设数量个相邻上一时刻的初始序列矩阵进行拼接，得到二次序列矩阵。在每次得到新的二次序列矩阵时，对二次序列矩阵进行二次滑窗处理，得到最终序列矩阵。识别系统调用识别算法在所述最终序列矩阵上进行搜索，获得识别结果，处理速度快，准确度高。

技术领域

本申请涉及语音识别技术领域，特别涉及一种流式语音识别的处理方法、装置和计算机设备。

背景技术

唤醒词、命令词识别属于语音识别领域，广泛应用于智能家居、智能终端等场景。现有唤醒词、命令词模型在应用时，实时检测用户的语音，当检测到特定词汇时，即做出反馈。如何在流式语音数据中精准检测出特定词汇，除了跟算法的性能相关外，流式处理的算法也至关重要。比如常见的流式处理会选取固定的窗长，然后按照一定的步长进行滑动。这样的处理方式存在如下缺点：

一是设置了固定的窗口长度，从而限定了检测的范围。比如窗口长度设定为2s，也就是说唤醒词、命令词要在2s内说完，才能准确检测。对于语速慢的用户，超过2s很容易就没法识别，降低了用户体验；

二是步长的选择需要精心设计，如果步长太大容易漏检测，太小则会增加处理频率，延时增加，实时反馈时间变长，用户体验变差；

三是输入端的overlap（重叠）处理，比如窗口长度是3s，步长stride=1s，第一次处理的是1-3s数据，第2次处理的是2-4s数据，第一个窗口和第二个窗口中间有重叠，而非完全不相交。单位处理的时间为模型推理和后处理时间的总和，而模型推理一般是整个算法运行时间的主要部分，大大限制了步长的可选范围。步长设定小了，延时严重，设定大了，漏识别会大大增加。

发明内容

本申请的主要目的为提供一种流式语音识别的处理方法、装置和计算机设备，旨在解决现有流式语音数据的处理方法延时较为严重或者漏识别几率较大的弊端。

为实现上述目的，本申请提供了一种流式语音识别的处理方法，包括：

采集初始语音数据；

对所述初始语音数据进行一次滑窗处理，得到若干个二次语音数据；

按照各所述二次语音数据的采集时间顺序，依次将各所述二次语音数据输入预先训练的语音识别模型进行处理，得到各所述二次语音数据分别对应的初始序列矩阵；

每次所述语音识别模型输出新的初始序列矩阵时，将当前时刻的初始序列矩阵与预设数量个相邻上一时刻的初始序列矩阵进行拼接，得到二次序列矩阵；

在每次得到新的二次序列矩阵时，对所述二次序列矩阵进行二次滑窗处理，得到最终序列矩阵，其中，所述二次滑窗处理时窗口长度与预设命令词长度对应，且相邻窗口之间不做重叠；

调用识别算法在所述最终序列矩阵上进行搜索，获得识别结果。

本申请还提供了一种流式语音识别的处理装置，包括：

采集模块，用于采集初始语音数据；

第一滑窗模块，用于对所述初始语音数据进行一次滑窗处理，得到若干个二次语音数据；

识别模块，用于按照各所述二次语音数据的采集时间顺序，依次将各所述二次语音数据输入预先训练的语音识别模型进行处理，得到各所述二次语音数据分别对应的初始序列矩阵；

拼接模块，用于每次所述语音识别模型输出新的初始序列矩阵时，将当前时刻的初始序列矩阵与预设数量个相邻上一时刻的初始序列矩阵进行拼接，得到二次序列矩阵；