[发明专利]一种语音建模方法及装置

摘要

本发明提供一种语音建模方法及装置，涉及语音识别技术领域，用以降低语音模型建模的复杂度。本发明的语音建模方法，包括：将标准普通话数据和至少一种带有方言口音的普通话数据作为输入数据，并提取所述输入数据的语音特征向量；利用所述语音特征向量训练深度神经网络DNN声学模型，其中所述声学模型的输出层输出第一概率；获取带有目标方言口音的普通话数据；利用所述带有目标方言口音的普通话数据学习所述输出层，并利用所述输出层输出的第二概率更新所述第一概率。本发明能够降低语音模型建模的复杂度。

主权项

1.一种语音建模方法，其特征在于，包括：

将标准普通话数据和至少一种带有方言口音的普通话数据作为输入数据，并提取所述输入数据的语音特征向量；

利用所述语音特征向量训练深度神经网络DNN声学模型，其中所述声学模型的输出层输出第一概率；

获取带有目标方言口音的普通话数据；

利用所述带有目标方言口音的普通话数据学习所述输出层，并利用所述输出层输出的第二概率更新所述第一概率。

2.根据权利要求1所述的方法，其特征在于，所述提取所述输入数据的语音特征向量的步骤，包括：

对所述输入数据进行加窗分帧操作，获得语音帧；

去除所述语音帧中的静音帧，获得所述语音特征向量。

3.根据权利要求1所述的方法，其特征在于，所述利用所述语音特征向量训练深度神经网络DNN声学模型，其中所述声学模型的输出层输出第一概率的步骤，包括：

将所述语音特征向量作为输入信号输入到所述DNN声学模型的输入层；

在所述DNN声学模型的多个隐藏层中，利用每个隐藏层对应的第一权值，对所述每个隐藏层的输入信号进行处理，获得所述每个隐藏层的输出信号；

在所述DNN声学模型的输出层，对最上一隐藏层的输出信号进行处理，获得第一概率。

4.根据权利要求1所述的方法，其特征在于，所述利用所述带有目标方言口音的普通话数据学习所述输出层，并利用所述输出层输出的第二概率更新所述第一概率的步骤，包括：

将所述带有目标方言口音的普通话数据作为输入信号输入到所述DNN声学模型的输入层；

在所述DNN声学模型的多个隐藏层中，利用每个隐藏层对应的第二权值，对所述每个隐藏层的输入信号进行处理，获得所述每个隐藏层的输出信号；

在所述DNN声学模型的输出层，对最上一隐藏层的输出信号进行处理，获得第二概率；

利用所述第二概率更新所述第一概率。

5.根据权利要求4所述的方法，其特征在于，在所述利用所述带有目标方言口音的普通话数据学习所述输出层，并利用所述输出层输出的第二概率更新所述第一概率的步骤前，所述方法还包括：

去除所述带有目标方言口音的普通话数据中的静音帧；

所述将所述带有目标方言口音的普通话数据作为输入信号输入到所述DNN声学模型的输入层的步骤，包括：

将去除了所述静音帧之后的带有目标方言口音的普通话数据，作为输入信号输入到所述DNN声学模型的输入层。

6.根据权利要求1‑5任一项所述的方法，其特征在于，所述方法还包括：

获取待识别的带有口音的普通话数据；

根据所述第二概率识别对所述待识别的带有口音的普通话数据进行识别。

7.一种语音建模装置，其特征在于，包括：

提取模块，用于将标准普通话数据和至少一种带有方言口音的普通话数据作为输入数据，并提取所述输入数据的语音特征向量；

训练模块，用于利用所述语音特征向量训练深度神经网络DNN声学模型，其中所述声学模型的输出层输出第一概率；

获取模块，用于获取带有目标方言口音的普通话数据；

建模模块，用于利用所述带有目标方言口音的普通话数据学习所述输出层，并利用所述输出层输出的第二概率更新所述第一概率。

8.根据权利要求7所述的装置，其特征在于，所述提取模块包括：

第一获取子模块，用于对所述输入数据进行加窗分帧操作，获得语音帧；

第二获取子模块，用于去除所述语音帧中的静音帧，获得所述语音特征向量。

9.根据权利要求7所述的装置，其特征在于，所述训练模块包括：

第一输入层子模块，用于将所述语音特征向量作为输入信号输入到所述DNN声学模型的输入层；

第一隐藏层子模块，用于在所述DNN声学模型的多个隐藏层中，利用每个隐藏层对应的第一权值，对所述每个隐藏层的输入信号进行处理，获得所述每个隐藏层的输出信号；

第一输出层子模块，用于在所述DNN声学模型的输出层，对最上一隐藏层的输出信号进行处理，获得第一概率。

10.根据权利要求7所述的装置，其特征在于，所述建模模块包括：

第二输入层子模块，用于将所述带有目标方言口音的普通话数据作为输入信号输入到所述DNN声学模型的输入层；

第二隐藏层子模块，用于在所述DNN声学模型的多个隐藏层中，利用每个隐藏层对应的第二权值，对所述每个隐藏层的输入信号进行处理，获得所述每个隐藏层的输出信号；

第二输出层子模块，用于在所述DNN声学模型的输出层，对最上一隐藏层的输出信号进行处理，获得第二概率；

更新子模块，用于利用所述第二概率更新所述第一概率。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

处理模块，用于去除所述带有目标方言口音的普通话数据中的静音帧；

所述第二输入层子模块具体用于，将去除了所述静音帧之后的带有目标方言口音的普通话数据，作为输入信号输入到所述DNN声学模型的输入层。

12.根据权利要求7‑11任一项所述的装置，其特征在于，所述装置还包括：

接收模块，用于获取待识别的带有口音的普通话数据；

识别模块，用于根据所述第二概率识别对所述待识别的带有口音的普通话数据进行识别。