CN108877782A - 语音识别方法和装置 - Google Patents

Abstract

本申请实施例公开了语音识别方法和装置。该方法的一具体实施方式包括：获取语音，将该语音输入预先训练的声学模型，基于该声学模型的输出，得到语音识别结果；以及该声学模型的构建步骤包括：确定预设的语料库中语音的标注文本的发音单元，得到该标注文本的发音单元序列；对该发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；基于各个语音的标注序列，训练得到该声学模型。本申请实施例能够增强声学模型对包括不同语言的语音的识别能力，提高声学模型的准确性。

Description

语音识别方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及语音识别方法和装置。

背景技术

在日常的语言表达中，中英文混合使用的表达方式逐渐被越来越多的人所接受。在进行以中文为主的表达时，英文词句可以被自然而然地穿插使用。

常见的在中文语境下混合英文的表达方式有以下两种，一种是***另一种语言的整句话。比如，在使用中文进行交谈时，说出“Oh,my God！”。另一种是在中文语句中***英文词汇或短语，比如“我的电脑有三个USB接口”和“来一首Yesterday once more”。现有技术中，可以采用包含有不同语言的建模单元的声学模型，以及解码器进行识别。

发明内容

本申请实施例提出了语音识别方法和装置。

第一方面，本申请实施例提供了一种语音识别方法，包括：获取语音，将语音输入预先训练的声学模型，基于声学模型的输出，得到语音识别结果；声学模型的构建步骤包括：确定预设的语料库中语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本；对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；基于各个语音的标注序列，训练得到声学模型。

在一些实施例中，对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的发音单元序列，包括：将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于协同发音组合，生成包含协同发音组合的标注序列。

在一些实施例中，对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的发音单元序列，包括：确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合；基于高频发音单元组合，生成包含高频发音单元组合的标注序列。

在一些实施例中，确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合，包括：确定在语料库的语音中，同种语言的相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言中的每种语言的高频发音单元组合。

在一些实施例中，在基于各个语音的标注序列，训练得到声学模型之后，声学模型的构建步骤还包括：执行如下发音标识修改步骤：对于标注文本中的词语，对该词语的多个发音标识中的发音标识进行添加和/或删除，得到修改后的发音标识的语音；利用修改后的发音标识的语音，训练声学模型。

在一些实施例中，对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：对于标注文本中的词语，在该词语的多个发音标识中，确定在训练过程中，在该词语的发音标识中缺少与该词语的其中一个发音标识发音相近的另一种语言的目标发音标识，在该词语的发音标识中添加目标发音标识。

在一些实施例中，对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：对于标注文本中的词语，在该词语的多个发音标识中，确定训练过程中使用次数小于预设阈值的发音标识为待删除标识；将待删除标识从该词语的发音标识中删除。

在一些实施例中，声学模型的构建步骤还包括：在训练的过程的指定训练次数内，如果使用次数小于预设阈值的发音标识的数量大于预设数量，生成并输出提示信息。

在一些实施例中，声学模型的构建步骤还包括：确定各个标注序列中的发音单元、高频发音单元组合的发音标识，其中，不同的发音标识对应不同的发音；基于所确定的发音标识，生成各个标注序列的发音标识序列。

在一些实施例中，基于各个语音的标注序列，训练得到声学模型，包括：将语音和语音对应的标注文本作为输入，将该标注文本对应的标注序列和发音标识序列作为输出，进行模型训练。

第二方面，本申请实施例提供了一种语音识别装置，包括：获取语音，将语音输入预先训练的声学模型，基于声学模型的输出，得到语音识别结果；以及声学模型的构建步骤包括：确定单元，被配置成确定预设的语料库中语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本；生成单元，被配置成对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；训练单元，被配置成基于各个语音的标注序列，训练得到声学模型。

在一些实施例中，生成单元，包括：第一生成模块，被配置成将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于协同发音组合，生成包含协同发音组合的标注序列。

在一些实施例中，生成单元，包括：第二生成模块，被配置成确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合；基于高频发音单元组合，生成包含高频发音单元组合的标注序列。

在一些实施例中，第二生成模块进一步被配置成：确定在语料库的语音中，同种语言的相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言中的每种语言的高频发音单元组合。

在一些实施例中，装置还包括：修改单元，被配置成执行如下发音标识修改步骤：对于标注文本中的词语，对该词语的多个发音标识中的发音标识进行添加和/或删除，得到修改后的发音标识的语音；重新训练单元，被配置成利用修改后的发音标识的语音，训练声学模型。

在一些实施例中，修改单元，包括：添加模块，被配置成对于标注文本中的词语，在该词语的多个发音标识中，确定在训练过程中，在该词语的发音标识中缺少与该词语的其中一个发音标识发音相近的另一种语言的目标发音标识，在该词语的发音标识中添加目标发音标识。

在一些实施例中，对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：删除模块，被配置成对于标注文本中的词语，在该词语的多个发音标识中，确定训练过程中使用次数小于预设阈值的发音标识为待删除标识；将待删除标识从该词语的发音标识中删除。

在一些实施例中，装置还包括：提示单元，被配置成在训练的过程的指定训练次数内，如果使用次数小于预设阈值的发音标识的数量大于预设数量，生成并输出提示信息。

在一些实施例中，装置还包括：发音确定单元，被配置成确定各个标注序列中的发音单元、高频发音单元组合的发音标识，其中，不同的发音标识对应不同的发音；序列生成单元，被配置成基于所确定的发音标识，生成各个标注序列的发音标识序列。

在一些实施例中，训练单元进一步被配置成：将语音和语音对应的标注文本作为输入，将该标注文本对应的标注序列和发音标识序列作为输出，进行模型训练。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本申请实施例提供的语音识别方案。执行主体可以获取语音，基于将语音输入预先训练的声学模型的输出，得到语音识别结果。并且，上述声学模型可以通过如下的构建步骤来构建：首先确定预设的语料库中语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本；然后，对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；最后，基于各个语音的标注序列，训练得到声学模型。本申请实施例能够增强声学模型对包括不同语言的语音的识别能力，提高声学模型的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性***架构图；

图2是根据本申请的语音识别方法的一个实施例的流程图；

图3是根据本申请的语音识别方法的一个应用场景的示意图；

图4是根据本申请的语音识别方法的又一个实施例的流程图；

图5是根据本申请的语音识别装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的语音识别方法或语音识别装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音识别应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端101、102、103可以是硬件，也可以是软件。当终端101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的语音音频等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本申请实施例所提供的语音识别方法一般由服务器105执行，相应地，语音识别装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的语音识别方法的一个实施例的流程200。该语音识别方法，包括以下步骤：

步骤201，获取语音，将语音输入预先训练的声学模型，基于声学模型的输出，得到语音识别结果。

在本实施例中，语音识别方法的执行主体(例如图1所示的服务器)如果获取到语音，则可以将语音输入预先训练的声学模型，并基于声学模型的输出，得到语音识别结果。具体地，声学模型是识别语音所采用的神经网络。声学模型输出的内容可以是发音单元组成的发音单元的序列。上述执行主体所得到的语音识别结果可以是文字。这里的发音单元为由字母组成的最小的发音单元。这里的字母可以是英文字母或者中文的拼音等等。比如单词“drink”中的“dr”，单词“上海”对应的拼音“shanghai”中的“sh”和“ai”。

在实践中，上述的神经网络包括但不限于以下的至少一种或者至少两种的组合、叠加、嵌套：卷积神经网络、循环神经网络(门循环单元GRU、长短时记忆LSTM、简单循环神经网络SRU)、全连接神经网络、注意力神经网络等。

上述声学模型通过如下步骤构建得到：

步骤202，确定预设的语料库中的语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本。

在本实施例中，上述执行主体可以确定预设的语料库中的标注文本中的发音单元，并得到标注文本的发音单元序列。标注文本以文字的形式呈现，可以用以表示语音所对应的准确的文字内容。

标注文本中的各个发音单元组合起来可以生成发音单元序列。可以预先设定一个要使用的语料库。语料库中包括使用至少两种语言表达的语音，其中的每个语音都有对应的标注文本。在这里，语料库中的至少两种语言的语音，可以是使用同种语言表达的语音，也可以是使用不同种语言表达的语音。

步骤203，对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列。

在本实施例中，上述执行主体可以对得到的发音单元序列中的至少两个相邻的发音单元进行组合，生成包含发音单元的组合的标注序列。这里的语音指的是确定发音单元所使用的标注文本对应的语音。

在实践中，可以采用多种方式进行组合，比如，按照从左到右的顺序，将发音单元序列中的每预设数量的发音单元进行组合。

在本实施例的一些可选的实现方式中，步骤203可以包括：

将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于协同发音组合，生成包含协同发音组合的标注序列。

在这些实现方式中，上述执行主体可以将发音单元序列中协同发音的至少两个相邻的发音单元作为协同发音组合，并且生成包含协同发音组合的发音单元序列。在这里，协同发音指相邻的发音单元组合进行发音，并造成了它们发音的变化。举例来说，“山”字对应的“sh”和“an”，就是一组协同发音组合。词语“trip”中的“tr”和“i”可以作为一组协同发音组合。

在本实施例的一些可选的实现方式中，步骤203可以包括：

确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合；

基于高频发音单元组合，生成包含高频发音单元组合的标注序列。

在这些实现方式中，上述执行主体可以确定相邻的发音单元的历史共同出现次数，之后，基于所确定的次数，确定上述至少两种语言的高频发音单元组合，并且生成包含高频发音单元组合的标注序列。高频发音单元组合往往是由一个词语中的各个发音单元所组成的。举例来说，高频发音单元组合可以是词语“妈妈”对应的“mama”，也可以是词语“statement”中的“state”。

在实践中，可以采用多种方式基于共同出现次数，确定高频发音单元组合。比如，可以将在语料库的标注文本中共同出现的次数高于次数阈值的至少两个发音单元，确定为高频发音单元组合。此外，也可以将共同出现次数与所有组合的共同出现次数的比值确定为共同出现频率。之后，上述执行主体可以将共同出现频率高于预设频率阈值的至少两个发音单元，确定为高频发音单元组合。

这里的至少两种语言的高频发音单元组合，可以是同种语言的发音单元组成的组合，也可以是不同语言的发音单元组成的组合。

在这些实现方式中的一些应用场景中，这些实现方式中的确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合，可以包括：

确定在语料库的语音的标注文本中，同种语言的相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言中的每种语言的高频发音单元组合。

在这些应用场景中，上述执行主体可以统计相邻发音单元的历史共同出现次数，并基于历史共同出现次数来确定每种语言的高频发音单元组合。在这里，上述执行主体可以对语料库中的标注文本进行统计，以确定同种语言的发音单元的高频发音单元组合。

需要说明的是，步骤203中所包括的两种实现方式，可以择一执行，也可以皆以执行，从而得到包含发音单元和高频发音单元组合的标注序列。

步骤204，基于各个语音的标注序列，训练得到声学模型。

在本实施例中，上述执行主体基于各个语音的标注序列，对有待于训练的声学模型进行训练，得到声学模型。举例来说，可以向声学模型输入语音和语音的标注文本，并得到声学模型输出的标注序列。基于预先设置的损失函数，来确定标注文本和标注序列之间的损失值，通过损失值在模型中的反向传播，来调整模型中的参数，进而实现对声学模型的训练。

继续参见图3，图3是根据本实施例的语音识别方法的应用场景的一个示意图。在图3的应用场景中，执行主体301获取语音302，将语音输入预先训练的声学模型303，基于声学模型的输出304，得到语音识别结果305。声学模型的构建步骤包括：执行主体301确定预设的语料库中语音的标注文本的发音单元306，得到标注文本的发音单元序列307，其中，语料库中包括中文、英文的语音和各个语音的标注文本。对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列308。基于各个语音的标注序列，训练得到声学模型303。

本申请实施例，确定了发音单元，并采用了包括发音单元的组合的标注序列来训练得到声学模型，能够实现更好的训练效果，增强声学模型对包括不同语言的语音的识别能力，提高声学模型的准确性。

进一步参考图4，其示出了语音识别方法的又一个实施例的流程400。该语音识别方法的流程400，包括以下步骤：

步骤401，获取语音，将语音输入预先训练的声学模型，基于声学模型的输出，得到语音识别结果。

在本实施例中，语音识别方法的执行主体(例如图1所示的服务器)如果获取到语音，则可以将语音输入预先训练的声学模型，并基于声学模型的输出，得到语音识别结果。具体地，声学模型是识别语音所采用的神经网络。声学模型输出的内容可以是发音单元组成的发音单元的序列。上述执行主体所得到的语音识别结果可以是文字。这里的发音单元为由字母组成的最小的发音单元。这里的字母可以是英文字母或者中文的拼音等等。

上述声学模型通过如下步骤构建得到：

步骤402，确定预设的语料库中的语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本。

在本实施例中，上述执行主体可以确定预设的语料库中的标注文本中的发音单元，并得到标注文本的发音单元序列。标注文本以文字的形式呈现，可以用以表示语音所对应的准确的文字内容。

标注文本中的各个发音单元组合起来可以生成发音单元序列。可以预先设定一个要使用的语料库。语料库中包括使用至少两种语言表达的语音，其中的每个语音都有对应的标注文本。在这里，语料库中的至少两种语言的语音，可以是使用同种语言表达的语音，也可以是使用不同种语言表达的语音。

步骤403，将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于协同发音组合，生成包含协同发音组合的标注序列。

在本实施例中，上述执行主体可以将发音单元序列中协同发音的至少两个相邻的发音单元作为协同发音组合，并且生成包含协同发音组合的发音单元序列。在这里，协同发音指相邻的发音单元组合进行发音，并造成了它们发音的变化。举例来说，“山”字对应的“sh”和“an”，就是一组协同发音组合。词语“trip”中的“tr”和“i”可以作为一组协同发音组合。

步骤404，确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合；

在本实施例中，上述执行主体可以确定相邻的发音单元的历史共同出现次数，之后，基于所确定的次数，确定上述至少两种语言的高频发音单元组合。举例来说，高频发音单元组合可以是词语“妈妈”对应的“mama”，也可以是词语“statement”中的“state”。

在实践中，可以采用多种方式基于共同出现次数，确定高频发音单元组合。比如，可以将在语料库的标注文本中共同出现的次数高于次数阈值的至少两个发音单元，确定为高频发音单元组合。此外，也可以将共同出现次数与所有组合的共同出现次数的比值确定为共同出现频率。之后，上述执行主体可以将共同出现频率高于预设频率阈值的至少两个发音单元，确定为高频发音单元组合。

这里的至少两种语言的高频发音单元组合，可以是同种语言的发音单元组成的组合，也可以是不同语言的发音单元组成的组合。

在本实施例的一些可选的实现方式中，步骤404可以包括：

确定在语料库的语音的标注文本中，同种语言的相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言中的每种语言的高频发音单元组合。

在这些实现方式中，上述执行主体可以统计相邻发音单元的历史共同出现次数，并基于历史共同出现次数来确定每种语言的高频发音单元组合。在这里，上述执行主体可以对语料库中的标注文本进行统计，以确定同种语言的发音单元的高频发音单元组合。

步骤405，基于高频发音单元组合，生成包含高频发音单元组合的标注序列。

在本实施例中，上述执行主体在确定了高频发音单元组合之后，可以生成包含高频发音单元组合的标注序列。高频发音单元组合往往是由一个词语中的各个发音单元所组成的。

需要说明的是，上述步骤403和步骤404、405可以择一执行，也可以全部执行。在全部执行时，可以得到包含发音单元和高频发音单元组合的标注序列。

步骤406，基于各个语音的标注序列，训练得到声学模型。

在本实施例中，上述执行主体基于各个语音的标注序列，对有待于训练的声学模型进行训练，得到声学模型。举例来说，可以向声学模型输入语音和语音的标注文本，并得到声学模型输出的标注序列。基于预先设置的损失函数，来确定标注文本和标注序列之间的损失值，通过损失值在模型中的反向传播，来调整模型中的参数，进而实现对声学模型的训练。

本实施例通过确定协同发音组合和高频发音单元组合，生成更有效的发音单元的组合，以进一步增强声学模型对包括不同语言的语音的识别能力，提高声学模型的准确性。

在本申请的语音识别方法上述任一实施例的一些可选的实现方式中，该语音识别方法还包括以下步骤：

步骤a，确定各个标注序列中的发音单元、高频发音单元组合的发音标识，其中，不同的发音标识对应不同的发音。

在本实施例中，上述执行主体可以确定各个标注序列中的发音单元的发音标识，以及高频发音单元组合的发音标识。

发音标识为区别不同发音的标识。比如，一个发音标识可以是英文中的一个音标。也可以是中文中的拼音。随着发音单元的组合，发音标识也会随之改变。比如，发音标识可以代表一个发音单元的组合的发音。

步骤b，基于所确定的发音标识，生成各个标注序列的发音标识序列。

在本实施例中，上述执行主体可以将各个发音标识按照标注文本的发音单元对应的发音的顺序组合起来，可以生成发音标识的序列。这里生成的发音标识序列是与标注序列相对应的。

步骤c，将语音和语音对应的标注文本作为输入，将该标注文本对应的标注序列和发音标识序列作为输出，进行模型训练。

在本实施例中，上述执行主体可以在训练时，将语音和语音对应的标注文本作为输入，并将标注文本对应的标注序列和发音标识序列作为输出，对有待于训练的声学模型进行训练，得到训练后的声学模型。

本实施例可以生成发音标识序列，利用发音标识序列，训练得到更加准确的声学模型。

在本申请的语音识别方法上述任一实施例的一些可选的实现方式中，该语音识别方法还包括以下步骤：

步骤d，执行如下发音标识修改步骤：对于标注文本中的词语，基于声学模型的训练过程，对该词语的多个发音标识中的发音标识进行添加和/或删除，得到修改后的发音标识的语音；利用修改后的发音标识的语音，训练声学模型。

在本实施例中，上述执行主体可以对于语料库中标注文本，确定在训练过程中，使用次数较小或者未使用的词语的发音标识，并将该发音标识从该词语的发音标识中删除。并且，如果上述执行主体发现上述执行主体发现声学模型输出的某词语的发音与标注文本的发音不对应，并且是该词语的发音标识中缺少了目标发音标识，则可以将目标发音标识添加到词语的发音标识中。

在本实施例的一些可选的实现方式中，步骤501可以包括：对于标注文本中的词语，在该词语的多个发音标识中，确定在训练过程中，在该词语的发音标识中缺少与该词语的其中一个发音标识发音相近的另一种语言的目标发音标识，在该词语的发音标识中添加目标发音标识。

在这些实现方式中，如果在训练的过程中，上述执行主体发现声学模型输出的某词语的发音与标注文本的发音不对应，并且标注文本的发音与另一种语言中的目标发音标识相同，则可以确定该词语的发音标识中缺少了上述目标发音标识。这样，上述执行主体可以将目标发音标识添加到词语的发音标识中。具体地，这里所缺少的目标发音标识与该词语在添加前已有的其中一个发音标识的发音相近。举例来说，词语“B超”中的“B”发音标识为/bi:/，词语“必超”中的“必”发音标识可以为/bi/。可以将“必”的发音标识加入“B”的发音标识中。该实现方式可以使声学模型中的词语的发音标识更加完整，进而使声学模型更加准确。

在本实施例的一些可选的实现方式中，对于标注文本中的词语，在该词语的多个发音标识中，确定训练过程中使用次数小于预设阈值的发音标识为待删除标识；将待删除标识从该词语的发音标识中删除。

在这些实现方式中，如果在训练过程中，某个词语的使用次数为零或者非常少，则可以在该词语的发音标识中删除该发音标识。这样可以精简声学模型中的词语的发音标识，并使声学模型中的发音标识更加准确。

本实施例能够让声学模型中的词语的发音标识更加准确和完整，以获得更加准确的声学模型，并提高声学模型对语音进行识别的准确度。

在本申请的语音识别方法上述任一实施例的一些可选的实现方式中，该语音识别方法还包括以下步骤：

在训练的过程的指定训练次数内，如果使用次数小于预设阈值的发音标识的数量大于预设数量，生成并输出提示信息。

在本实施例中，上述执行主体可以在训练过程的指定训练次数内，确定使用次数小于预设阈值的发音标识的数量，如果该数量大于预设数量，则可以生成提示信息并输出。如果出现大量的未使用或者使用次数极低的发音标识，则该提示信息可以提示上述执行主体或者提示技术人员，目前的学习模型还需要进行改进，可以对模型进行训练等的修改。

本实施例可以通过设定阈值，以及时和准确地确定模型是否需要修改，并通过提示信息来提醒。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种语音识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的语音识别装置500包括：获取单元501、确定单元502、生成单元503和训练单元504。其中，获取单元501，被配置成获取语音，将语音输入预先训练的声学模型，基于声学模型的输出，得到语音识别结果；以及声学模型的构建步骤包括：确定单元502，被配置成确定预设的语料库中语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本；生成单元503，被配置成对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；训练单元504，被配置成基于各个语音的标注序列，训练得到声学模型。

在一些实施例中，获取单元501如果获取到语音，则可以将语音输入预先训练的声学模型，并基于声学模型的输出，得到语音识别结果。具体地，声学模型是识别语音所采用的神经网络。声学模型输出的内容可以是发音单元组成的发音单元的序列。上述执行主体所得到的语音识别结果可以是文字。

在一些实施例中，确定单元502可以确定预设的语料库中的标注文本中的发音单元，并得到标注文本的发音单元序列。标注文本以文字的形式呈现，可以用以表示语音所对应的准确的文字内容。

在一些实施例中，生成单元503可以对得到的发音单元序列中的至少两个相邻的发音单元进行组合，生成包含发音单元的组合的标注序列。这里的语音指的是确定发音单元所使用的标注文本对应的语音。

在一些实施例中，训练单元504。基于各个语音的标注序列，训练得到声学模型。

在本实施例的一些可选的实现方式中，生成单元，包括：第一生成模块，被配置成将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于协同发音组合，生成包含协同发音组合的标注序列。

在本实施例的一些可选的实现方式中，生成单元，包括：第二生成模块，被配置成确定相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言的高频发音单元组合；基于高频发音单元组合，生成包含高频发音单元组合的标注序列。

在本实施例的一些可选的实现方式中，第二生成模块进一步被配置成：确定在语料库的语音中，同种语言的相邻的发音单元的历史共同出现次数，基于历史共同出现次数，确定至少两种语言中的每种语言的高频发音单元组合。

在本实施例的一些可选的实现方式中，装置还包括：修改单元，被配置成执行如下发音标识修改步骤：对于标注文本中的词语，对该词语的多个发音标识中的发音标识进行添加和/或删除，得到修改后的发音标识的语音；重新训练单元，被配置成利用修改后的发音标识的语音，训练声学模型。

在本实施例的一些可选的实现方式中，修改单元，包括：添加模块，被配置成对于标注文本中的词语，在该词语的多个发音标识中，确定在训练过程中，在该词语的发音标识中缺少与该词语的其中一个发音标识发音相近的另一种语言的目标发音标识，在该词语的发音标识中添加目标发音标识。

在本实施例的一些可选的实现方式中，对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：删除模块，被配置成对于标注文本中的词语，在该词语的多个发音标识中，确定训练过程中使用次数小于预设阈值的发音标识为待删除标识；将待删除标识从该词语的发音标识中删除。

在本实施例的一些可选的实现方式中，装置还包括：提示单元，被配置成在训练的过程的指定训练次数内，如果使用次数小于预设阈值的发音标识的数量大于预设数量，生成并输出提示信息。

在本实施例的一些可选的实现方式中，装置还包括：发音确定单元，被配置成确定各个标注序列中的发音单元、高频发音单元组合的发音标识，其中，不同的发音标识对应不同的发音；序列生成单元，被配置成基于所确定的发音标识，生成各个标注序列的发音标识序列。

在本实施例的一些可选的实现方式中，在一些实施例中，训练单元进一步被配置成：将语音和语音对应的标注文本作为输入，将该标注文本对应的标注序列和发音标识序列作为输出，进行模型训练。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示屏(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、生成单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，训练单元还可以被描述为“基于各个语音的标注序列，训练得到声学模型的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取语音，将语音输入预先训练的声学模型，基于声学模型的输出，得到语音识别结果；以及声学模型的构建步骤包括：确定预设的语料库中语音的标注文本的发音单元，得到标注文本的发音单元序列，其中，语料库中包括至少两种语言的语音和各个语音的标注文本；对发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；基于各个语音的标注序列，训练得到声学模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (22)

1.一种语音识别方法，包括：

获取语音，将所述语音输入预先训练的声学模型，基于所述声学模型的输出，得到语音识别结果；

所述声学模型的构建步骤包括：

确定预设的语料库中语音的标注文本的发音单元，得到所述标注文本的发音单元序列，其中，所述语料库中包括所述至少两种语言的语音和各个语音的标注文本；

对所述发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；

基于各个语音的标注序列，训练得到所述声学模型。

2.根据权利要求1所述的方法，其中，所述对所述发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的发音单元序列，包括：

将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于所述协同发音组合，生成包含协同发音组合的标注序列。

3.根据权利要求1或2所述的方法，其中，所述对所述发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的发音单元序列，包括：

确定相邻的发音单元的历史共同出现次数，基于所述历史共同出现次数，确定所述至少两种语言的高频发音单元组合；

基于所述高频发音单元组合，生成包含所述高频发音单元组合的标注序列。

4.根据权利要求3所述的方法，其中，所述确定相邻的发音单元的历史共同出现次数，基于所述历史共同出现次数，确定所述至少两种语言的高频发音单元组合，包括：

确定在所述语料库的语音中，同种语言的相邻的发音单元的历史共同出现次数，基于所述历史共同出现次数，确定所述至少两种语言中的每种语言的高频发音单元组合。

5.根据权利要求1所述的方法，其中，在所述基于各个语音的标注序列，训练得到所述声学模型之后，所述声学模型的构建步骤还包括：

执行如下发音标识修改步骤：

对于标注文本中的词语，对该词语的多个发音标识中的发音标识进行添加和/或删除，得到修改后的发音标识的语音；

利用修改后的发音标识的语音，训练所述声学模型。

6.根据权利要求5所述的方法，其中，所述对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：

对于标注文本中的词语，在该词语的多个发音标识中，确定在训练过程中，在该词语的发音标识中缺少与该词语的其中一个发音标识发音相近的另一种语言的目标发音标识，在该词语的发音标识中添加目标发音标识。

7.根据权利要求5所述的方法，其中，所述对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：

对于标注文本中的词语，在该词语的多个发音标识中，确定训练过程中使用次数小于预设阈值的发音标识为待删除标识；将所述待删除标识从该词语的发音标识中删除。

8.根据权利要求1所述的方法，其中，所述声学模型的构建步骤还包括：

在训练的过程的指定训练次数内，如果使用次数小于预设阈值的发音标识的数量大于预设数量，生成并输出提示信息。

9.根据权利要求3所述的方法，其中，所述声学模型的构建步骤还包括：

确定各个标注序列中的发音单元、高频发音单元组合的发音标识，其中，不同的发音标识对应不同的发音；

基于所确定的发音标识，生成各个标注序列的发音标识序列。

10.根据权利要求9所述的方法，其中，所述基于各个语音的标注序列，训练得到所述声学模型，包括：

将所述语音和语音对应的标注文本作为输入，将该标注文本对应的标注序列和发音标识序列作为输出，进行模型训练。

11.一种语音识别装置，包括：

获取单元，被配置成获取语音，将所述语音输入预先训练的声学模型，基于所述声学模型的输出，得到语音识别结果；

所述声学模型的构建步骤包括：

确定单元，被配置成确定预设的语料库中语音的标注文本的发音单元，得到所述标注文本的发音单元序列，其中，所述语料库中包括所述至少两种语言的语音和各个语音的标注文本；

生成单元，被配置成对所述发音单元序列中的至少两个相邻的发音单元进行组合，生成包含组合的语音的标注序列；

训练单元，被配置成基于各个语音的标注序列，训练得到所述声学模型。

12.根据权利要求11所述的装置，其中，所述生成单元，包括：

第一生成模块，被配置成将发音单元序列中协同发音的至少两个相邻的发音单元确定为协同发音组合，基于所述协同发音组合，生成包含协同发音组合的标注序列。

13.根据权利要求11或12所述的装置，其中，所述生成单元，包括：

第二生成模块，被配置成确定相邻的发音单元的历史共同出现次数，基于所述历史共同出现次数，确定所述至少两种语言的高频发音单元组合；基于所述高频发音单元组合，生成包含所述高频发音单元组合的标注序列。

14.根据权利要求13所述的装置，其中，所述第二生成模块进一步被配置成：

确定在所述语料库的语音中，同种语言的相邻的发音单元的历史共同出现次数，基于所述历史共同出现次数，确定所述至少两种语言中的每种语言的高频发音单元组合。

15.根据权利要求11所述的装置，其中，所述装置还包括：

修改单元，被配置成执行如下发音标识修改步骤：对于标注文本中的词语，对该词语的多个发音标识中的发音标识进行添加和/或删除，得到修改后的发音标识的语音；

重新训练单元，被配置成利用修改后的发音标识的语音，训练所述声学模型。

16.根据权利要求15所述的装置，其中，所述修改单元，包括：

添加模块，被配置成对于标注文本中的词语，在该词语的多个发音标识中，确定在训练过程中，在该词语的发音标识中缺少与该词语的其中一个发音标识发音相近的另一种语言的目标发音标识，在该词语的发音标识中添加目标发音标识。

17.根据权利要求15所述的装置，其中，所述对于标注文本中的词语，对该词语的多个发音标识进行添加和/或删除，包括：

删除模块，被配置成对于标注文本中的词语，在该词语的多个发音标识中，确定训练过程中使用次数小于预设阈值的发音标识为待删除标识；将所述待删除标识从该词语的发音标识中删除。

18.根据权利要求11所述的装置，其中，所述装置还包括：

提示单元，被配置成在训练的过程的指定训练次数内，如果使用次数小于预设阈值的发音标识的数量大于预设数量，生成并输出提示信息。

19.根据权利要求13所述的装置，其中，所述装置还包括：

发音确定单元，被配置成确定各个标注序列中的发音单元、高频发音单元组合的发音标识，其中，不同的发音标识对应不同的发音；

序列生成单元，被配置成基于所确定的发音标识，生成各个标注序列的发音标识序列。

20.根据权利要求19所述的装置，其中，所述训练单元进一步被配置成：

将所述语音和语音对应的标注文本作为输入，将该标注文本对应的标注序列和发音标识序列作为输出，进行模型训练。

21.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。

22.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-10中任一所述的方法。