具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
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。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的文本生成方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以根据用户定制内容102生成定制语言模型。例如,用户定制内容可以是不常见的“京喜拼购”。作为示例,计算设备101可以基于用户定制内容,对经过预训练的语言模型103再次进行训练,从而得到定制语言模型104。然后,计算设备101可以确定定制语言模型的第一加权有限状态转换机105。其中,第一加权有限状态转换机105的边权重是根据用户定制内容102的语言概率生成的。在本应用场景下,如图所示,包括两个边权重,值均为“-4”。
在此基础上,可以通过第一加权有限状态转换机105和基础解码网路106联合搜索,对待处理语音进行解码,以生成待处理语音107对应的文本108。
举例来说,在基础解码网路106中,路径0-2-3路径的开销为8,路径1-2-3的开销为11。如果待处理语音107用拼音表示为“JING XI PIN GOU”,因为上述两条路径的文本对应发音一致,可假设声学开销都为2。那么,路径0-2-3的总开销为8+2=10,低于路径1-2-3的总开销(11+2=13),所以最终识别结果为“惊喜拼购”。在此基础上,与第一加权有限状态转换机105联合搜索。具体来说,基础解码网路106中的路径1-2-3会和第一加权有限状态转换机105中的路径0-1-2进行融合。假设声学开销都为2,那么,融合后的“京喜拼购”的开销为6-4+5-4+2=5,低于“惊喜拼购”的开销10,从而识别到的文本为“京喜拼购”。从而实现对于用户定制内容“京喜拼购”的识别。
实践中,一般可以采用开销来替换语言概率得分,作为网络中的权重。其中,作为示例,开销可以通过对语言概率得分取对数后取反得到。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成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。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的语音识别方法的一些实施例的流程200。该语音识别方法,包括以下步骤:
步骤201,基于用户定制内容生成定制语言模型。
在一些实施例中,用户定制内容可以是用户指定的需要提高识别概率的内容,可以是字、词、语句等。语音识别方法的执行主体可以基于用户定制内容生成定制语言模型。举例来说,可以将训练样本集中与用户定制内容相关的训练样本的数量增加,得到定制训练样本集合。然后,利用机器学习算法,通过定制训练样本集合训练初始语言模型,得到定制语言模型。其中,初始语言模型可以是未经训练或者未训练完成的语言模型。语言模型可以用来计算一个句子的概率,例如n-gram模型等。
在一些实施例的一些可选的实现方式中,还可以通过以下步骤得到:
第一,利用用户定制内容,训练初始语言模型,得到训练语言模型。初始语言模型可以是未经训练或者未训练完成的语言模型。例如n-gram模型等。
第二,将训练语言模型和基础语言模型进行插值,得到定制语言模型。
在这些可选的实现方式中,可以通过机器学习算法,训练初始语言模型,得到训练语言模型。从而使得训练语言模型能够充分学习用户定制内容的特征,从而达到提高用户定制内容的识别概率的目的。但是,由于用户内容的数据量一般较少,无法对其他内容的特征进行很好的学习。为解决这个问题,可以将训练语言模型Gcustz和基础语言模型G进行插值。这里,可以根据需要采用线性插值、加权线性插值等插值算法进行插值,从而得到定制语言模型Ginter。其中,基础语言模型可以是通过大量的语料进行训练的语言模型。根据需要,基础语言模型可以采用n-gram模型,也可以采用人工神经网络等。
步骤202,确定定制语言模型的第一加权有限状态转换机,其中,第一加权有限状态转换机的边权重是根据用户定制内容的语言概率生成的。
在一些实施例中,作为示例,可以将用户定制内容的语言概率直接作为边权重。
在一些实施例的一些可选的实现方式中,可以通过以下步骤得到第一加权有限状态转换机:
对用户定制内容中的每个语句执行以下处理步骤:
第一,对语句进行分词,得到语句对应的词序列。
第二,确定词序列在定制语言模型Ginter和基础语言模型G上的语言概率的差值。基于差值和词序列中词的个数,确定词序列中每个词对应的权重。基于词序列和每个词对应的权重,生成语句对应的链式加权有限状态转换机。其中,作为示例,可以通过将词作为链式加权有限状态转换机边上的输入输出符号,而将词对应的权重作为边的权重。此外,作为示例,可以通过用差值除以词序列中词的个数得到词对应的权重。举例来说,用户定制内容中的某个语句是“京喜拼购”。首先,进行分词,得到词序列中包括“京喜”和“拼购”两个词。语句“京喜拼购”在定制语言模型Ginter和基础语言模型G上的语言概率的差值是-8。那么,可以通过用差值除以词序列中词的个数得到词对应的权重,即,-4。那么,可以每个词对应的权重可以是-4。在此基础上,通过将词作为链式加权有限状态转换机边上的输入输出符号,而将词对应的权重作为边的权重,可以得到语句是“京喜拼购”对应的链式加权有限状态转换机。
第三,将用户定制内容中的各个语句对应的链式加权有限状态转换机进行组合(例如联合、确定化、最小化等操作),得到第一加权有限状态转换机。
作为本公开的一个发明点,上述方案中通过确定词在定制语言模型Ginter和基础语言模型G上的语言概率的差值,并将差值作为边权重。通过这样巧妙的设置,在后续的联合过程中,基础语言模型G的语言概率可以被抵消掉,而剩下定制语言模型Ginter的语言概率,恰恰可以使定制内容概率得到提高。
步骤203,通过第一加权有限状态转换机和基础解码网路联合搜索,对待处理语音进行解码,以生成待处理语音对应的文本。
在一些实施例中,作为示例可以通过动态规划的方法,通过第一加权有限状态转换机和基础解码网路联合搜索,对待处理语音进行解码,以生成待处理语音对应的文本。
本公开的一些实施例提供的语音识别方法,提高了定制内容语音识别场景下,语音识别的效率和准确率。具体来说,本公开的一些实施例的语音识别方法首先根据用户定制内容生成定制语言模型。在此基础上,基于定制语言模型的WFST和基础解码网路联合搜索,实现提升用户定制内容的识别率。在此过程中,不需通过一系列复杂操作(例如,融合)重新生成WFST。因此,提高了语音识别的效率。此外,发明人发现,导致背景技术中第二种解决办法存在识别准确率不高的问题的原因在于:第一加权有限状态转换机的边权重是通过技术人员根据经验确定的,不能反映真实的语言概率,导致识别准确率不高。基于此,本公开的一些实施例的语音识别方法中,第一加权有限状态转换机的边权重是根据所述用户定制内容的语言概率生成的。从而能够反映真实的语言概率,进而提高语音识别的准确率。
进一步参考图3,其示出了语音识别方法的另一些实施例的流程300。该语音识别方法的流程300,包括以下步骤:
步骤301,基于用户定制内容生成定制语言模型。
在一些实施例中,步骤301的具体实现及其所带来的技术效果可以参考图2对应的那些实施例中步骤201,在此不再赘述。
步骤302,对用户定制内容中的每个语句执行以下处理步骤3021、3022、3023:
步骤3021,对语句进行分词,得到语句对应的词序列。
步骤3022,确定词序列定制语言模型Ginter和基础语言模型G上的语言概率的差值。基于差值和词序列中词的个数,确定词序列中每个词对应的权重。基于词序列和每个词对应的权重,生成语句对应的链式加权有限状态转换机。其中,链式加权有限状态转换机中只将开头状态和结尾状态设置为终止状态。
步骤3023,将用户定制内容中的各个语句对应的链式加权有限状态转换机进行组合(例如联合、确定化、最小化等操作),得到第一加权有限状态转换机。
步骤303,通过令牌传递算法对第一加权有限状态转换机和基础解码网路联合搜索,以对待处理语音进行解码,以及生成待处理语音对应的文本。
作为示例,继续参考图4,可以通过以下步骤对通过令牌传递算法第一加权有限状态转换机和基础解码网路联合搜索:
步骤401,初始化令牌t,令牌t中包括状态对tp,状态对tp中包括基础解码网路的第一状态Ss和第一加权有限状态转换机的第二状态Cs,第一状态的初始状态为基础解码网路的初始状态,第二状态的初始状态为第一加权有限状态转换机的初始状态。
步骤402,获取待处理语音中的目标语音帧的语音特征,执行以下状态转移步骤4021-4029:
步骤4021,第一状态Ss沿出边Sa_o转移到下一状态Ss’,输出第一状态出边的输出符号SL。
可选的,可以确定输出符号SL是否为空字符。如是空字符,可以构建新的令牌t’,其状态值分别为Ss’和Cs。合并后的权重为Sa_o的权重。在此基础上,根据合并权重更新令牌中的总开销。然后响应于确定目标语音帧不是待处理语音中最后一帧,获取下一语音帧作为目标语音帧,执行步骤402。
如果不是空字符,可以继续以下执行步骤4022。
步骤4022,确定输出符号SL与第二状态Cs的出边Ca_o的输入符号是否相同。
步骤4023,响应于确定输出符号SL与第二状态Cs的出边Ca_o的输入符号不相同,确定第二状态是否为初始状态或终止状态。
步骤4024,响应于确定第二状态不是初始状态或终止状态,丢弃当前令牌。可选的,响应于确定第二状态是初始状态或终止状态,可以跳过5025-4027,直接执行步骤4027。
步骤4025,响应于确定输出符号SL与第二状态Cs的出边的Ca_o输入符号相同,构建新令牌t’,新令牌t’的状态对包括下一状态Ss’和第二状态Cs沿出边Ca_o转移的目的状态,输出第二状态出边Ca_o的输出符号。此时,合并后的权重为Sa_o和Ca_o的权重和。
步骤4026,确定第二状态Cs是否为初始状态。
步骤4027,响应于确定第二状态Cs是初始状态,再次构建新令牌t2’,再次构建的新令牌t2’的状态对包括下一状态Ss’和第二状态Cs,以及将第一状态出边Sa_o的开销确定为合并开销。
步骤4028,根据合并开销更新令牌中的总开销。
步骤4029,响应于确定目标语音帧不是待处理语音中最后一帧,获取下一语音帧作为目标语音帧,继续执行步骤402。
步骤403,响应于确定目标语音帧是待处理语音中最后一帧,从各个令牌里确定两个状态均为终止状态的令牌作为目标令牌。
步骤404,将开销最小的目标令牌对应的路径确定为解码路径。
上述技术方案作为本公开的一个发明点,进一步解决了背景技术中的第二个技术问题“识别准确率不高”。具体来说,导致识别准确率不高的原因,除了上述的第一加权有限状态转换机的边权重是通过技术人员根据经验确定的,不能反映真实的语言概率之外,还在于:在联合搜索过程中,由于在搜索的最后阶段,需要从各个令牌里确定两个状态均为终止状态的令牌作为目标令牌(步骤403)。也就是说,只有两个状态都是终止状态,该令牌对应的路径才会被选为候选路径。因此,为了避免无法获得识别结果,相关的语音识别技术通常将第一加权有限状态转换机中的所有状态都设置为终止状态。但是,这样会来带误增强问题。
以图1对应的应用场景为例进行说明,虽然用户定制内容是“京喜拼购”。但在搜索过程中,如果需要识别的内容的拼音为“LING REN JING XI”。此时,和用户定制内容“京喜拼购”并不匹配,期望识别结果为“令人惊喜”。但是,由于上述阐述的原因,会被误识别为“令人京喜”。具体的,继续参考图1,此时假设第一加权有限状态转换机105中状态1为中止状态,假设“令人”一词边上权重开销为4,声学得分都为1(发音一致),则“令人惊喜”的路径(0-1)开销为8(4+3+1)。而“令人京喜”的路径(1-2)开销为7(4+6-4+1)。可见“令人京喜”的路径开销小于“令人惊喜”的路径开销。因此,会被错误识别为“令人京喜”。为了解决这个问题,本公开在生成第一加权有限状态转换机的过程中,只将链式加权有限状态转换机的开头状态和结尾状态设置为终止状态。从而在搜索过程中,不是用户定制内容的那些内容会因为令牌中的状态不是终止状态而不会被选为候选路径。因此,可以避免非定制内容的误增强。
但是,这样还需要重新面对一些非定制内容无法获得识别结果的问题,为了继续解决这个问题,本公开通过步骤4026、4027实现了匹配成功后定制内容路径的权重非增强备份。举例来说,“令人京喜”对应的非增强备份路径开销为11(4+6+1)。可见,非增强备份路径开销大于“令人惊喜”的路径开销8,因此,会被识别为“令人惊喜”。从而可以正常获得非定制内容的识别结果。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种语音识别装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的语音识别装置500包括:生成单元501、确定单元502和解码单元503。其中,生成单元501被配置成基于用户定制内容生成定制语言模型。确定单元502被配置成确定定制语言模型的第一加权有限状态转换机,其中,第一加权有限状态转换机的边权重是根据用户定制内容的语言概率生成的。解码单元503被配置成通过第一加权有限状态转换机和基础解码网路联合搜索,对待处理语音进行解码,以生成待处理语音对应的文本。
在一些实施例的可选实现方式中,生成单元501进一步被配置成利用用户定制内容,训练初始语言模型,得到训练语言模型;将训练语言模型和基础语言模型进行插值,得到定制语言模型。
在一些实施例的可选实现方式中,确定单元502进一步被配置成:对用户定制内容中的每个语句执行以下处理步骤:对语句进行分词,得到语句对应的词序列;确定词序列在定制语言模型和基础语言模型上的语言概率的差值;基于差值和词序列中词的个数,确定词序列中每个词对应的权重;基于词序列和每个词对应的权重,生成语句对应的链式加权有限状态转换机;将用户定制内容中的各个语句对应的链式加权有限状态转换机进行组合,得到第一加权有限状态转换机。
在一些实施例的可选实现方式中,链式加权有限状态转换机中只将开头状态和结尾状态设置为终止状态;以及解码单元503进一步被配置成:通过令牌传递算法对第一加权有限状态转换机和基础解码网路联合搜索,以对待处理语音进行解码,以及生成待处理语音对应的文本。
在一些实施例的可选实现方式中,解码单元503进一步被配置成:初始化令牌,令牌中包括状态对,状态对中包括基础解码网路的第一状态和第一加权有限状态转换机的第二状态,第一状态的初始状态为基础解码网路的初始状态,第二状态的初始状态为第一加权有限状态转换机的初始状态;获取待处理语音中的目标语音帧的语音特征,执行以下状态转移步骤:第一状态沿出边转移到下一状态,输出第一状态出边的输出符号;确定输出符号与第二状态的出边的输入符号是否相同;响应于确定输出符号与第二状态的出边的输入符号不相同,确定第二状态是否为初始状态或终止状态;响应于确定第二状态不是初始状态或终止状态,丢弃令牌。
在一些实施例的可选实现方式中,解码单元503进一步被配置成:响应于确定输出符号与第二状态的出边的输入符号相同,构建新令牌,新令牌的状态对包括下一状态和第二状态沿出边转移的目的状态,输出第二状态出边的输出符号;确定第二状态是否为初始状态;响应于确定第二状态是初始状态,再次构建新令牌,再次构建的新令牌的状态对包括下一状态和第二状态,以及将第一状态出边的开销确定为合并开销;根据合并开销更新令牌中的总开销。
在一些实施例的可选实现方式中,解码单元503进一步被配置成:响应于确定目标语音帧是待处理语音中最后一帧,从各个令牌里确定两个状态均为终止状态的令牌作为目标令牌;将开销最小的目标令牌对应的路径确定为解码路径。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:基于用户定制内容生成定制语言模型;确定定制语言模型的第一加权有限状态转换机,其中,第一加权有限状态转换机的边权重是根据用户定制内容的语言概率生成的;通过第一加权有限状态转换机和基础解码网路联合搜索,对待处理语音进行解码,以生成待处理语音对应的文本。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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。
描述于本公开的一些实施例中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:一种处理器包括生成单元、确定单元和解码单元。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,生成单元还可以被描述为“基于用户定制内容生成定制语言模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些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,本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。