[发明专利]自适应语音识别方法、系统、设备及存储介质

说明书

本发明公开了一种自适应语音识别方法、系统、设备及存储介质，结合CTC端到端声学模型自身的特点，提出一种新的无辅助网络的语音识别模型的自适应方法，通过在训练损失函数中添加正则项来动态训练自适应模型，因此，不需要任何额外的自适应数据来微调模型参数。这种方式极大简化了说话人自适应的流程，同时没有增加任何的模型复杂度，可以提高端到端语音识别系统的识别准确率。

技术领域

本发明涉及语音信号处理技术领域，尤其涉及一种自适应语音识别方法、系统、设备及存储介质。

背景技术

近年来，随着神经网络在语音识别领域中的广泛应用，语音识别系统的性能得到了显著的改善。目前主流的语音识别系统主要有两种，一种是基于HMM(隐马尔可夫)的语音识别系统(Graves A,Fernández S,Gomez F,et al.Connectionist temporalclassification:labelling unsegmented sequence data with recurrent neuralnetworks[C]//Proceedings of the 23rd international conference on Machinelearning.ACM,2006:369-376.)，另一种则是端到端语音识别系统(Maas A,Xie Z,Jurafsky D,et al.Lexicon-free conversational speech recognition with neuralnetworks[C]//Proceedings of the 2015Conference of the North American Chapterof the Association for Computational Linguistics:Human LanguageTechnologies.2015:345-354.)。相比于基于HMM的语音识别系统，端到端语音识别系统结构更加简单，通过神经网络直接把输入语音特征序列转化成文字序列，不需要HMM系统的一套发音词典、决策树、字级别标注对齐信息，由于其实现简单且性能优异，因此成为了当前研究的热点。

端到端语音识别的首次实现是谷歌的Alex Graves和多伦多大学的NavdeepJaitly将链接时序分类(ConnectionistTemporal Classification，CTC)准则引入到语音识别系统中(GRAVES A,JAITLY N.Towards end-to-end speech recognition withrecurrent neural networks[C]//International conference on machinelearning.PMLR,2014:1764-1772.)。CTC本质上是一个损失函数，但它在计算损失时解决了硬对齐问题，最初被提出用来解决序列到序列的预测任务(GRAVES A, S,GOMEZ F,et al.Connectionist temporal classification:labelling unsegmentedsequence data with recurrent neural networks[C]//Proceedings of the 23rdinternational conference on Machine learning.2006:369-376.)。语音识别作为一个典型的语音序列到文本序列的预测任务，CTC准则的引入成功实现了直接由输入语音映射到文本标签的过程。在结合RNN或卷积神经网络(Convolutional Neural Network，CNN)对时序信息进行建模的情况下，CTC准则被广泛的应用到语音识别系统中(LI J,YE G,DAS A,et al.Advancing acoustic-to-word CTC model[C]//2018IEEE InternationalConference on Acoustics,Speech and Signal Processing(ICASSP).IEEE,2018:5794-5798.)。