[发明专利]实时语音识别方法、模型训练方法、装置及设备

说明书

本申请公开了一种实时语音识别方法、模型训练方法、装置及设备，涉及人工智能技术领域。本申请实施例可用于人工智能、智慧交通、辅助驾驶等各种场景。所述方法包括：获取目标语音数据的待识别块的音频特征序列；复用待识别块的历史块的处理结果，对待识别块的音频特征序列进行编码处理，得到待识别块的隐层特征序列；其中，历史块是指与待识别块具有至少一个重叠的帧，且已经过编码处理的块；根据隐层特征序列，解码得到待识别块的语音识别结果。本申请减少了编码处理过程的计算量，加快了语音识别的速度，从而更好地满足实时语音识别的需求。

技术领域

本申请实施例涉及人工智能技术领域，特别涉及一种实时语音识别方法、模型训练方法、装置及设备。

背景技术

语音识别是指对对象提供的语音数据进行识别，得到相应的文本数据。

语音识别一般分为实时语音识别和非实时语音识别。非实时语音识别是指系统在对象说完一句话或一段话后再进行识别，而实时语音识别是指系统在对象还在说话的时候便同步进行识别，在实时语音识别场景下识别速度和延时往往成为其实际落地的瓶颈。

在相关技术中，提供了一种端到端的实时语音识别方案。通过构建包含编码器和解码器的语音识别模型，将对象输入的语音数据的音频特征输入至编码器，由编码器对其进行编码处理得到隐层特征，然后由解码器根据上述隐层特征解码得到相应的语音识别结果。

然而，这种方式在编码处理过程中计算量较大，导致语音识别的延时较大。

发明内容

本申请实施例提供了一种实时语音识别方法、模型训练方法、装置及设备，可以解决相关技术在编码处理过程中计算量较大，导致语音识别的延时较大的技术问题。所述技术方案如下：

根据本申请实施例的一个方面，提供了一种实时语音识别方法，所述方法包括：

在采集目标语音数据的过程中，获取所述目标语音数据的待识别块的音频特征序列，所述待识别块包括所述目标语音数据中的至少两个连续的帧，所述待识别块的音频特征序列包括所述待识别块所包含的各个帧的音频特征；

复用所述待识别块对应的历史块的处理结果，对所述待识别块的音频特征序列进行编码处理，得到所述待识别块的隐层特征序列，所述隐层特征序列包括所述待识别块所包含的各个帧的隐层特征；其中，所述历史块是指与所述待识别块具有至少一个重叠的帧，且已经过编码处理的块；

根据所述隐层特征序列，解码得到所述待识别块的实时语音识别结果。

根据本申请实施例的一个方面，提供了一种实时语音识别模型的训练方法，所述方法包括：

获取样本语音数据的音频特征序列，所述音频特征序列包括所述样本语音数据的多个帧的音频特征；

将所述音频特征序列输入至所述实时语音识别模型的编码器，通过所述编码器对所述音频特征序列进行编码处理，得到所述样本语音数据的隐层特征序列，所述隐层特征序列包括所述多个帧的隐层特征；其中，所述编码器以块为单位进行编码处理，每个块包括所述多个帧中的至少两个连续的帧，且相邻两个块之间存在至少一个重叠的帧，所述编码器在对第一块进行编码处理时，复用与所述第一块具有重叠帧的至少一个第二块的处理结果；

通过所述实时语音识别模型的解码器根据所述隐层特征序列，解码得到所述样本语音数据的预测识别结果；

基于所述样本语音数据的预测识别结果和真实识别结果，对所述实时语音识别模型进行训练。

根据本申请实施例的一个方面，提供了一种实时语音识别装置，所述装置包括：

序列获取模块，用于在采集目标语音数据的过程中，获取所述目标语音数据的待识别块的音频特征序列，所述待识别块包括所述目标语音数据中的至少两个连续的帧，所述待识别块的音频特征序列包括所述待识别块所包含的各个帧的音频特征；