[发明专利]语音识别方法、装置、计算机设备和存储介质

说明书

本申请涉及一种语音识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别语音的当前帧和当前帧之前的历史帧，并将当前帧和当前帧之前的历史帧作为第一分块，进而根据第一分块和目标合成预测器，模拟出第一分块对应的未来帧，从而根据第一分块、未来帧和目标声学模型，确定待识别语音的语音识别结果。采用本方法能够降低识别的延迟时间。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种语音识别方法、装置、计算机设备和存储介质。

背景技术

自动语音识别(automatic speech recognition,ASR)指的是将语音转录为文本的技术。在实际生产生活环境中，一个功能良好的语音识别系统不仅需要有较高的识别准确率，还需要有较低的识别延迟，即需要语音识别系统在用户讲话的过程中同步进行识别，而不是等到用户讲完后再开始识别。

为了实现同步识别，目前的语音识别系统都采用分块模型，也就是说，一句话会被划分为多个分块后进行识别。为了提高分块识别的准确率，目前的语音识别方法中会为每个分块附加一定的历史帧和未来帧，以提供该分块的上下文信息。

然而，现有的基于分块模型中的语音识别方法中，必须等到一定数量的未来帧到达后再能开始识别，从而增加了识别的延迟时间。

发明内容

基于此，有必要针对上述技术问题，提供一种能够降低识别的延迟时间的语音识别方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种语音识别方法。所述方法包括：

获取待识别语音的当前帧和该当前帧之前的历史帧，并将该当前帧和该当前帧之前的历史帧作为第一分块；

根据该第一分块和目标合成预测器，模拟出该第一分块对应的未来帧；

根据该第一分块、该未来帧和目标声学模型，确定该待识别语音的语音识别结果。

在其中一个实施例中，该根据该第一分块和目标合成预测器，模拟该第一分块对应的未来帧，包括：

将该第一分块输入目标合成编码器得到第二分块，其中，该第二分块为对该第一分块进行编码处理后得到的分块；

将该第二分块输入该目标合成预测器，以模拟出该第一分块对应的未来帧。

在其中一个实施例中，该根据该第一分块、该未来帧和目标声学模型，确定该待识别语音的语音识别结果，包括：

对该第一分块和该未来帧进行拼接处理得到拼接结果；

根据该拼接结果和该目标声学模型，确定该语音识别结果。

在其中一个实施例中，该第一分块是对该待识别语音进行分块处理后得到的至少一个分块，各该第一分块的长度根据预设均匀分布区间确定。

在其中一个实施例中，所述方法还包括：

获取训练样本集；

根据该训练样本集，对初始语音识别模型进行训练得到目标语音识别模型，该目标语音识别模型包括该目标合成预测器、该目标声学模型和该合成编码器。

在其中一个实施例中，该初始语音识别模型包括初始合成预测器、初始声学模型和初始合成编码器，该根据该训练样本集，对初始语音识别模型进行训练得到目标语音识别模型，包括：

根据该训练样本集和该初始声学模型，确定非流式损失和流式损失；

根据该训练样本集、该初始合成编码器和该初始合成预测器，确定模拟损失；

根据该非流式损失、该流式损失和该模拟损失，对该初始语音识别模型进行训练得到该目标语音识别模型。