CN116580704A - 语音识别模型的训练方法、语音识别方法、设备及介质 - Google Patents
语音识别模型的训练方法、语音识别方法、设备及介质 Download PDFInfo
- Publication number
- CN116580704A CN116580704A CN202310636148.3A CN202310636148A CN116580704A CN 116580704 A CN116580704 A CN 116580704A CN 202310636148 A CN202310636148 A CN 202310636148A CN 116580704 A CN116580704 A CN 116580704A
- Authority
- CN
- China
- Prior art keywords
- sample
- gender
- age
- voice
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 99
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 239000013604 expression vector Substances 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000003058 natural language processing Methods 0.000 description 8
- 239000011295 pitch Substances 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010011953 Decreased activity Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0631—Creating reference templates; Clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种语音识别模型的训练方法、语音识别方法、设备及介质,属于金融科技技术领域。该方法包括:获取样本说话对象的样本音频数据;将样本音频数据输入至预设的神经网络模型;基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量;对样本语音表示向量进行拼接处理,得到样本语音特征向量;基于性别预测网络对样本语音特征向量进行性别预测,得到预测性别标签;基于性别预测网络对样本语音特征向量进行年龄预测,得到预测年龄标签;基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型。本申请能够提高模型对说话对象的年龄和性别的识别准确性。
Description
技术领域
本申请涉及金融科技技术领域,尤其涉及一种语音识别模型的训练方法、语音识别方法、设备及介质。
背景技术
随着人工智能技术的飞速发展,智能语音交互在被广泛应用于金融、物流、客服等领域,通过智能营销、智能催收、内容导航等功能提高了企业客服的服务水平。
目前,在智能客服、购物引导等金融服务场景中常常会采用对话机器人来为各个对象提供相应的服务支持。由于不同年龄段和不同性别的服务对象的兴趣偏好和对话偏好存在着较大的差异,为了提高服务质量,对话机器人常常需要针对不同年龄段和不同性别的服务对象采取不同的对话策略来提供相应的服务。
目前,对话机器人在基于语音识别出说话人的性别和年龄时,常常需要针对不同的任务构建不同的神经网络模型,这一方式往往需要较多的高质量训练数据,而由于高质量的训练数据的获取难度较大,训练得到的模型往往无法较好地确定输入语音中的有效特征信息,使得模型对说话人的年龄和性别的识别准确性较差,因此,如何改善模型对说话对象的年龄和性别的识别准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种语音识别模型的训练方法、语音识别方法、设备及介质,旨在提高模型对说话对象的年龄和性别的识别准确性。
为实现上述目的,本申请实施例的第一方面提出了一种语音识别模型的训练方法,所述训练方法包括:
获取样本说话对象的样本音频数据,其中,所述样本音频数据包括样本说话对象的样本性别标签和样本年龄标签;
将所述样本音频数据输入至预设的神经网络模型,其中,所述神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;
基于所述语音预训练网络对所述样本音频数据进行特征提取,得到多个样本语音表示向量;
对所述样本语音表示向量进行拼接处理,得到样本语音特征向量;
基于所述性别预测网络对所述样本语音特征向量进行性别预测,得到所述样本说话对象的预测性别标签;
基于所述性别预测网络对所述样本语音特征向量进行年龄预测,得到所述样本说话对象的预测年龄标签;
基于所述预测性别标签、预测年龄标签、所述样本性别标签和所述样本年龄标签对所述神经网络模型的模型参数进行优化,得到语音识别模型,其中,所述语音识别模型用于对目标说话对象的目标音频数据进行识别,得到所述目标说话对象的年龄和性别。
在一些实施例,所述语音预训练网络包括第一卷积层和transformer层,所述基于所述语音预训练网络对所述样本音频数据进行特征提取,得到多个样本语音表示向量,包括:
基于所述第一卷积层对所述样本音频数据进行卷积处理,得到样本音频帧序列特征;
基于所述transformer层对每一所述样本音频帧序列特征进行上下文提取,得到所述样本语音表示向量。
在一些实施例,所述性别预测网络包括第二卷积层、第一展平层以及第一全连接层,所述基于所述性别预测网络对所述样本语音特征向量进行性别预测,得到所述样本说话对象的预测性别标签,包括:
基于所述第二卷积层对所述样本语音特征向量进行音色特征提取,得到第一样本音色特征,所述第一样本音色特征包括所述样本说话对象的音调特点;
基于所述第一展平层对所述第一样本音色特征进行变维处理,得到一维的第一样本音色特征;
基于所述第一全连接层的第一函数和候选性别标签对所述一维的第一样本音色特征进行性别估计,得到所述预测性别标签。
在一些实施例,所述年龄预测网络包括第三卷积层、第二展平层以及第二全连接层,所述基于所述性别预测网络对所述样本语音特征向量进行年龄预测,得到所述样本说话对象的预测年龄标签,包括:
基于所述第三卷积层对所述样本语音特征向量进行音色特征提取,得到第二样本音色特征,所述第二样本音色特征包括所述样本说话对象的音高特点和语速特点;
基于所述第二展平层对所述第二样本音色特征进行变维处理,得到一维的第二样本音色特征;
基于所述第二全连接层的第二函数和候选年龄标签对所述一维的第二样本音色特征进行年龄估计,得到所述预测年龄标签。
在一些实施例,所述基于所述预测性别标签、预测年龄标签、所述样本性别标签和所述样本年龄标签对所述神经网络模型的模型参数进行优化,得到语音识别模型,包括:
基于所述预测性别标签和所述样本性别标签,计算得到第一损失值;
基于所述预测年龄标签和所述样本年龄标签,计算得到第二损失值;
根据预设的权重参数对所述第一损失值和所述第二损失值进行加权计算,得到目标损失值;
基于所述目标损失值对所述神经网络模型的模型参数进行优化,得到所述语音识别模型。
为实现上述目的,本申请实施例的第二方面提出了一种语音识别方法,所述方法包括:
获取目标说话对象的目标音频数据;
将所述目标音频数据输入至语音识别模型进行语音识别,得到所述目标说话对象的性别和年龄,其中,所述语音识别模型根据第一方面的训练方法训练得到。
为实现上述目的,本申请实施例的第三方面提出了一种语音识别模型的训练装置,所述训练装置包括:
样本数据获取模块,用于获取样本说话对象的样本音频数据,其中,所述样本音频数据包括样本说话对象的样本性别标签和样本年龄标签;
输入模块,用于将所述样本音频数据输入至预设的神经网络模型,其中,所述神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;
特征提取模块,用于基于所述语音预训练网络对所述样本音频数据进行特征提取,得到多个样本语音表示向量;
拼接模块,用于对所述样本语音表示向量进行拼接处理,得到样本语音特征向量;
性别预测模块,用于基于所述性别预测网络对所述样本语音特征向量进行性别预测,得到所述样本说话对象的预测性别标签;
年龄预测模块,用于基于所述性别预测网络对所述样本语音特征向量进行年龄预测,得到所述样本说话对象的预测年龄标签;
训练模块,用于基于所述预测性别标签、预测年龄标签、所述样本性别标签和所述样本年龄标签对所述神经网络模型的模型参数进行优化,得到语音识别模型,其中,所述语音识别模型用于对目标说话对象的目标音频数据进行识别,得到所述目标说话对象的年龄和性别。
为实现上述目的,本申请实施例的第四方面提出了一种语音识别装置,所述装置包括:
目标数据获取模块,用于获取目标说话对象的目标音频数据;
语音识别模块,用于将所述目标音频数据输入至语音识别模型进行语音识别,得到所述目标说话对象的性别和年龄,其中,所述语音识别模型根据第三方面的训练装置训练得到。
为实现上述目的,本申请实施例的第五方面提出了一种电子设备,所述电子设备包括存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法或者第二方面所述的方法。
为实现上述目的,本申请实施例的第六方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法或者第二方面所述的方法。
本申请提出的语音识别模型的训练方法、语音识别方法、语音识别模型的训练装置、语音识别装置、电子设备及计算机可读存储介质,其通过获取样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签。将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量,能够较为方便地提取样本音频数据中的语音特征内容。进一步地,对样本语音表示向量进行拼接处理,得到样本语音特征向量,基于性别预测网络对样本语音特征向量进行性别预测,得到样本说话对象的预测性别标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的性别特征的内容信息;基于性别预测网络对样本语音特征向量进行年龄预测,得到样本说话对象的预测年龄标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的年龄特征的内容信息。最后,基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型,能够联合年龄预测任务和性别预测任务来训练神经网络模型,相较于单一训练任务的学习,能够较好地提高模型的预测性能,使得能够基于一个语音识别模型即可同时实现说话对象的年龄和性别的预测,使得模型具备较好的耦合能力,提高了模型对说话对象的年龄和性别的识别准确性,进而使得智能客服机器人在与服务对象的对话过程中,能更为准确地识别服务对象的语音数据中所表征的诉求,从而提高有针对性的应答和服务反馈,能有效地改善金融交易过程中的对话质量和对话有效性,能实现智能语音对话服务,提高客户的服务质量以及客户满意度,从而提高业务成交率。
附图说明
图1是本申请实施例提供的语音识别模型的训练方法的流程图;
图2是图1中的步骤S103的流程图;
图3是图1中的步骤S105的流程图;
图4是图1中的步骤S106的流程图;
图5是图1中的步骤S107的流程图;
图6是本申请实施例提供的语音识别方法的流程图;
图7是本申请实施例提供的语音识别模型的训练装置的结构示意图;
图8是本申请实施例提供的语音识别装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
随着人工智能技术的飞速发展,智能语音交互在被广泛应用于金融、物流、客服等领域,通过智能营销、智能催收、内容导航等功能提高了企业客服的服务水平。
目前,在智能客服、购物引导等金融服务场景中常常会采用对话机器人来为各个对象提供相应的服务支持。由于不同年龄段和不同性别的服务对象的兴趣偏好和对话偏好存在着较大的差异,为了提高服务质量,对话机器人常常需要针对不同年龄段和不同性别的服务对象采取不同的对话策略来提供相应的服务。
例如,针对年长的服务对象,年长的服务对象往往倾向于全面化的了解各类金融产品,对话机器人需要采取更加精细化的对话,以使年长的服务对象能够更为清楚地了解各类金融产品;而针对中年人,中年人常常倾向于高效的服务,倾向于重点了解符合自身需求的金融产品,对话机器人则可以采取针对性的简洁对话方式,以提高对话效率。
目前,在基于语音识别出说话人的性别和年龄时,常常需要针对不同的任务构建不同的神经网络模型,这一方式往往需要较多的高质量训练数据,而由于高质量的训练数据的获取难度较大,训练得到的模型往往无法较好地确定输入语音中的有效特征信息,使得模型对说话人的年龄和性别的识别准确性较差,因此,如何改善模型对说话对象的年龄和性别的识别准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种语音识别模型的训练方法、语音识别方法、语音识别模型的训练装置、语音识别装置、电子设备及计算机可读存储介质,旨在改善模型对说话对象的年龄和性别的识别准确性。
本申请实施例提供的语音识别模型的训练方法、语音识别方法、语音识别模型的训练装置、语音识别装置、电子设备及计算机可读存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的语音识别模型的训练方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的语音识别模型的训练方法和语音识别方法,涉及人工智能技术领域。本申请实施例提供的语音识别模型的训练方法和语音识别方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式***,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现语音识别模型的训练方法和语音识别方法的应用等,但并不局限于以上形式。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户语音数据、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的语音识别模型的训练方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101,获取样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签;
步骤S102,将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;
步骤S103,基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量;
步骤S104,对样本语音表示向量进行拼接处理,得到样本语音特征向量;
步骤S105,基于性别预测网络对样本语音特征向量进行性别预测,得到样本说话对象的预测性别标签;
步骤S106,基于性别预测网络对样本语音特征向量进行年龄预测,得到样本说话对象的预测年龄标签;
步骤S107,基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型,其中,语音识别模型用于对目标说话对象的目标音频数据进行识别,得到目标说话对象的年龄和性别。
本申请实施例所示意的步骤S101至步骤S107,通过获取样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签。将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量,能够较为方便地提取样本音频数据中的语音特征内容。进一步地,对样本语音表示向量进行拼接处理,得到样本语音特征向量,基于性别预测网络对样本语音特征向量进行性别预测,得到样本说话对象的预测性别标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的性别特征的内容信息;基于性别预测网络对样本语音特征向量进行年龄预测,得到样本说话对象的预测年龄标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的年龄特征的内容信息。最后,基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型,能够联合年龄预测任务和性别预测任务来训练神经网络模型,相较于单一训练任务的学习,能够较好地提高模型的预测性能,使得能够基于一个语音识别模型即可同时实现说话对象的年龄和性别的预测,使得模型具备较好的耦合能力,提高了模型对说话对象的年龄和性别的识别准确性。
在一些实施例的步骤S101中,可以从预设的音频数据库中直接提取不同样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签,样本性别标签用于表明该样本说话对象为男性或者男性,样本年龄标签用于表明该样本说话对象的年龄值。也可以通过网络爬虫的方式,从预设的数据源上爬取各种各样的音频数据,将这些音频数据作为样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的演唱素材、演讲汇报材料或者日常生活中的对话数据等等,不做限制。
例如,样本说话对象A的样本音频数据是样本说话对象A的演讲汇报材料,样本音频数据的样本性别标签为男性,样本年龄标签为34岁;样本说话对象B的样本音频数据是样本说话对象B的演唱音频,该样本音频数据的样本性别标签为女性,样本年龄标签为16岁。
例如,在金融交易场景中,样本音频数据是包含金融领域常用对话话术的音频数据,在保险推销场景中,样本音频数据是包含某一保险产品的险种、费用、适用人群等描述内容的音频数据。
在一些实施例的步骤S102中,可以通过计算机程序或者预设的脚本程序将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络。语音预训练网络可以基于wav2vec2.0模型构建而成,语音预训练网络用于提取输入音频数据中的语音特征信息,该语音特征信息包括样本说话对象的音调、音高等特征信息。性别预测网络和年龄预测网络可以基于常用的卷积神经网络模型构建而成,性别预测网络用于根据提取到的语音特征信息对说话对象的性别进行预测;年龄预测网络用于根据提取到的语音特征信息对说话对象的具体年龄进行预测。由于wav2vec2.0模型具有高度并行性处理序列化的音频信息的能力,能够较好地实现音频编码,得到鲁棒性较好的语音表示,因此,通过语音预训练网络能够从输入音频数据中提取到更为准确、有效的语音特征信息。由于卷积神经网络模型的模型结构较为简单,模型计算复杂度相对较低,因此,通过性别预测网络和年龄预测网络能够较为快速、准确地预测出说话对象的年龄和性别,从而在整体上使得训练得到模型具备较好的预测性能。
请参阅图2,在一些实施例中,语音预训练网络包括第一卷积层和transformer层,步骤S103可以包括但不限于包括步骤S201至步骤S202:
步骤S201,基于第一卷积层对样本音频数据进行卷积处理,得到样本音频帧序列特征;
步骤S202,基于transformer层对每一样本音频帧序列特征进行上下文提取,得到样本语音表示向量。
在一些实施例的步骤S201中,基于第一卷积层对样本音频数据进行卷积处理,将样本音频数据编码成帧序列的形式,得到样本音频帧序列特征,其中,每一样本音频帧序列特征的时间长度可以是10ms,特征维度可以是512维。
在一些实施例的步骤S202中,基于transformer层对每一样本音频帧序列特征进行上下文提取,获取每一个样本音频帧序列特征的相邻位置的帧序列特征,基于相邻位置的帧序列特征对样本音频帧序列特征进行特征重构,得到样本语音表示向量,其中,相邻位置的帧序列特征为样本音频帧序列特征的前10ms对应的帧序列特征和后10ms对应的帧序列特征。
通过上述步骤S201至步骤S202能够较为方便地对样本音频数据进行音频编码,提取到样本音频数据中更为准确、有效的语音特征信息,提高了样本语音表示向量的信息质量,有利于改善模型对语音特征内容的学习能力,从而提高模型的预测精度。
在一些实施例的步骤S104中,可以根据样本音频数据中的每一音频帧的时间先后顺序对每一音频帧对应的样本语音表示向量依次进行拼接处理,得到样本音频数据对应的样本语音特征向量,其中,该拼接处理的过程可以是将多个样本语音表示向量进行向量连接或者向量相加,得到样本语音特征向量,该样本语音特征向量即为样本音频数据的二维语音表示,包含样本音频数据的音频特征信息。
请参阅图3,在一些实施例中,性别预测网络包括第二卷积层、第一展平层以及第一全连接层,步骤S105可以包括但不限于包括步骤S301至步骤S303:
步骤S301,基于第二卷积层对样本语音特征向量进行音色特征提取,得到第一样本音色特征,第一样本音色特征包括样本说话对象的音调特点;
步骤S302,基于第一展平层对第一样本音色特征进行变维处理,得到一维的第一样本音色特征;
步骤S303,基于第一全连接层的第一函数和候选性别标签对一维的第一样本音色特征进行性别估计,得到预测性别标签。
在一些实施例的步骤S301中,基于第二卷积层对样本语音特征向量进行音色特征提取,获取样本语音特征向量中的音色内容信息,得到第一样本音色特征,其中,第一样本音色特征包括样本说话对象的音调特点,其中,音调特点可以表征该样本说话对象说话时是声音高亢或者是声音低沉等等。
在一些实施例的步骤S302中,基于第一展平层对第一样本音色特征进行变维处理,将三维的第一样本音色特征进行降维,实现第一样本音色特征从三维空间到一维空间的向量映射,得到一维的第一样本音色特征。该过程可以有效地避免第一样本音色特征的过拟合,使得一维的第一样本音色特征符合输入第一全连接层的要求,提高了模型的特征处理性能。
在一些实施例的步骤S303中,第一全连接层的第一函数可以是softmax函数等预测函数,候选性别标签包括男性和女性。以softmax函数为例,将一维的第一样本音色特征输入至第一全连接层中,通过softmax函数创建一维的第一样本音色特征在这两种候选性别标签上的概率分布,分别得到一维的第一样本音色特征属于男性标签的概率向量和一维的第一样本音色特征属于女性标签的概率向量,概率向量越大,表明该样本音频数据属于对应的候选性别标签的可能性越高,即将两个候选性别标签的概率向量进行比较,从这两种候选性别标签中选取概率向量更大的作为预测性别标签。
通过上述步骤S301至步骤S303能够较为方便地利用神经网络模型的性别预测网络对样本说话对象的性别进行预测,使得模型专注于学习样本语音特征向量中能够表征说话对象的性别特征的内容信息,提高模型的性别识别准确性。
请参阅图4,在一些实施例中,年龄预测网络包括第三卷积层、第二展平层以及第二全连接层,步骤S106可以包括但不限于包括步骤S401至步骤S403:
步骤S401,基于第三卷积层对样本语音特征向量进行音色特征提取,得到第二样本音色特征,第二样本音色特征包括样本说话对象的音高特点和语速特点;
步骤S402,基于第二展平层对第二样本音色特征进行变维处理,得到一维的第二样本音色特征;
步骤S403,基于第二全连接层的第二函数和候选年龄标签对一维的第二样本音色特征进行年龄估计,得到预测年龄标签。
在一些实施例的步骤S401中,基于第三卷积层对样本语音特征向量进行音色特征提取,获取样本语音特征向量中的音色内容信息,得到第二样本音色特征,其中,第二样本音色特征包括样本说话对象的音高特点和语速特点,其中,音高特点可以表征该样本说话对象说话时的响度大小,即样本说话对象说话是声音响亮还是声音细小等等。语速特点可以表征该样本说话对象说话时的快慢程度。
在一些实施例的步骤S402中,基于第二展平层对第二样本音色特征进行变维处理,将三维的第二样本音色特征进行降维,实现第二样本音色特征从三维空间到一维空间的向量映射,得到一维的第二样本音色特征。该过程可以有效地避免第二样本音色特征的过拟合,使得一维的第二样本音色特征符合输入第一全连接层的要求,提高了模型的特征处理性能。
在一些实施例的步骤S403中,第二全连接层的第二函数可以是softmax函数等预测函数,候选年龄标签包括多个具体数值,具体数值均为0至100之间的整数。以softmax函数为例,将一维的第二样本音色特征输入至第二全连接层中,通过softmax函数创建一维的第二样本音色特征在所有候选性别标签上的概率分布,得到每一具体数值对应的概率向量,概率向量越大,表明该样本音频数据属于对应的具体数值的可能性越高,即将候选年龄标签中所有具体数值的概率向量进行比较,从其中选取概率向量最大的具体数值作为预测年龄标签,该具体数值即为模型预测的样本说话对象的年龄值。
通过上述步骤S401至步骤S403能够较为方便地利用神经网络模型的年龄预测网络对样本说话对象的年龄进行预测,使得模型专注于学习样本语音特征向量中能够表征说话对象的年龄特征的内容信息,提高模型的年龄识别准确性。
请参阅图5,在一些实施例中,步骤S107可以包括但不限于包括步骤S501至步骤S504:
步骤S501,基于预测性别标签和样本性别标签,计算得到第一损失值;
步骤S502,基于预测年龄标签和样本年龄标签,计算得到第二损失值;
步骤S503,根据预设的权重参数对第一损失值和第二损失值进行加权计算,得到目标损失值;
步骤S504,基于目标损失值对神经网络模型的模型参数进行优化,得到语音识别模型。
在一些实施例的步骤S501中,基于预测性别标签和样本性别标签计算第一损失值Loss1的过程可以表示如公式(1)所示:
其中,n为正整数,xi指第i个样本音频数据,i小于等于n,p(xi)指该样本音频数据的样本性别标签,q(xi)指该样本音频数据的预测性别标签。
在一些实施例的步骤S502中,基于预测年龄标签和样本年龄标签计算第二损失值Loss2的过程可以表示如公式(2)所示:
其中,n为正整数,xi指第i个样本音频数据,i小于等于n,y指该样本音频数据的样本性别标签,f(xi)指该样本音频数据的预测性别标签。
在一些实施例的步骤S503中,根据预设的权重参数对第一损失值和第二损失值进行加权计算,得到目标损失值Loss的过程可以表示如公式(3)所示:
Loss=α*a*Loss1+β*Loss2 公式(3)
其中,α、β为损失权重,α+β=1,a为超参数。
在一些实施例的步骤S504中,基于目标损失值对神经网络模型的模型参数进行优化时,可以根据目标损失值与预设的损失阈值的大小关系,不断地对神经网络模型的模型参数进行调整,重复上述过程,直至目标损失值小于预设的损失阈值,停止修改神经网络模型的模型参数,并将此时的模型参数作为最终的模型参数,得到语音识别模型。
通过上述步骤S501至步骤S504能够联合年龄预测任务和性别预测任务来训练神经网络模型,相较于单一训练任务的学习,能够较好地提高模型的预测性能,使得能够基于同一个语音识别模型即可实现对说话对象的年龄和性别的同时预测,使得模型具备较好的耦合能力和较好的鲁棒性,从而提高了模型对说话对象的年龄和性别的识别准确性。
本申请实施例的语音识别模型的训练方法,其通过获取样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签。将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量,能够较为方便地提取样本音频数据中的语音特征内容。进一步地,对样本语音表示向量进行拼接处理,得到样本语音特征向量,基于性别预测网络对样本语音特征向量进行性别预测,得到样本说话对象的预测性别标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的性别特征的内容信息;基于性别预测网络对样本语音特征向量进行年龄预测,得到样本说话对象的预测年龄标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的年龄特征的内容信息。最后,基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型,能够联合年龄预测任务和性别预测任务来训练神经网络模型,相较于单一训练任务的学习,能够较好地提高模型的预测性能,使得能够基于一个语音识别模型即可同时实现说话对象的年龄和性别的预测,使得模型具备较好的耦合能力,提高了模型对说话对象的年龄和性别的识别准确性,进而使得智能客服机器人在与服务对象的对话过程中,能更为准确地识别服务对象的语音数据中所表征的诉求,从而提高有针对性的应答和服务反馈,能有效地改善金融交易过程中的对话质量和对话有效性,能实现智能语音对话服务,提高客户的服务质量以及客户满意度,从而提高业务成交率。
图6是本申请实施例提供的语音识别方法的一个可选的流程图,图6中的方法可以包括但不限于包括步骤S601至步骤S602。
步骤S601,获取目标说话对象的目标音频数据;
步骤S602,将目标音频数据输入至语音识别模型进行语音识别,得到目标说话对象的性别和年龄,其中,语音识别模型根据上述的训练方法训练得到。
在一些实施例的步骤S601中,可以从预设的音频数据库中直接提取目标说话对象的目标音频数据,也可以通过网络爬虫的方式,从预设的数据源上爬取音频数据,将这些音频数据作为目标说话对象的目标音频数据,其中,目标音频数据包括目标说话对象的演唱素材、演讲汇报材料或者日常生活中的对话数据等等,不做限制。
在一些实施例的步骤S602中,将目标音频数据输入至语音识别模型进行语音识别,语音识别模型包括预训练网络、性别预测网络和年龄预测网络,基于语音预训练网络提取目标音频数据中的语音特征信息,该语音特征信息包括目标说话对象的音调、音高、语速等特征信息,再通过性别预测网络根据提取到的语音特征信息对目标说话对象的性别进行预测;并通过年龄预测网络根据提取到的语音特征信息对目标说话对象的具体年龄进行预测,从而得到目标说话对象的性别和年龄。该语音识别的具体过程与上述的步骤S103至步骤S106基本一致,此处不再赘述。
在一些具体的金融场景中,目标音频数据的语音特征包括语义特征、情绪特征、地区特征及语速特征。语音特征可以是:“咨询***问题”;历史业务特征可以是“***逾期,历史逾期次数大于两次,工资金额低”,用户统计特征可以是“偏好额度高的***”,交互内容可以是“您好,您已经多次逾期,对您的信用已经产生了很大的影响,希望您尽快完成回款。”。同时语音特征可以是:“情绪正常”、“A市方言”、“语速正常”,用户静态特征可以是:“性别男”、“居住地为B镇”、“年龄38”、“性格内向”、“爱好动漫”,用户统计特征可以是“偏好办理存款业务”,交互的情绪特征可以是“情绪正常”、交互的地区特征可以是“A市方言”、交互的风格化特征可以是“游戏风格”及交互的语速特征可以是“语速正常”。
本申请实施例的语音识别方法,其通过获取目标说话对象的目标音频数据,将目标音频数据输入至语音识别模型进行语音识别,得到目标说话对象的性别和年龄,能够通过一个语音识别模型同时对目标说话对象的年龄和性别进行预测,较大程度地节省了模型构建和模型训练的时间,提高了年龄和性别的预测效率。进一步地,该语音识别模型的预训练网络具备较好地音频编码能力,性别预测网络和年龄预测网络也具备较好地预测性能,因此,能够较大程度地改善对目标说话对象的年龄和性别的识别准确性。
请参阅图7,本申请实施例还提供一种语音识别模型的训练装置,可以实现上述语音识别模型的训练方法,该装置包括:
样本数据获取模块701,用于获取样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签;
输入模块702,用于将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;
特征提取模块703,用于基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量;
拼接模块704,用于对样本语音表示向量进行拼接处理,得到样本语音特征向量;
性别预测模块705,用于基于性别预测网络对样本语音特征向量进行性别预测,得到样本说话对象的预测性别标签;
年龄预测模块706,用于基于性别预测网络对样本语音特征向量进行年龄预测,得到样本说话对象的预测年龄标签;
训练模块707,用于基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型,其中,语音识别模型用于对目标说话对象的目标音频数据进行识别,得到目标说话对象的年龄和性别。
该语音识别模型的训练装置的具体实施方式与上述语音识别模型的训练方法的具体实施例基本相同,在此不再赘述。
请参阅图8,本申请实施例还提供一种语音识别装置,可以实现上述语音识别方法,该装置包括:
目标数据获取模块801,用于获取目标说话对象的目标音频数据;
语音识别模块802,用于将目标音频数据输入至语音识别模型进行语音识别,得到目标说话对象的性别和年龄,其中,语音识别模型根据第三方面的训练装置训练得到。
该语音识别装置的具体实施方式与上述语音识别方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述语音识别模型的训练方法和语音识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的语音识别模型的训练方法和语音识别方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述语音识别模型的训练方法和语音识别方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的语音识别模型的训练方法、语音识别模型的训练装置、语音识别方法、语音识别装置、电子设备及计算机可读存储介质,其通过获取样本说话对象的样本音频数据,其中,样本音频数据包括样本说话对象的样本性别标签和样本年龄标签。将样本音频数据输入至预设的神经网络模型,其中,神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;基于语音预训练网络对样本音频数据进行特征提取,得到多个样本语音表示向量,能够较为方便地提取样本音频数据中的语音特征内容。进一步地,对样本语音表示向量进行拼接处理,得到样本语音特征向量,基于性别预测网络对样本语音特征向量进行性别预测,得到样本说话对象的预测性别标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的性别特征的内容信息;基于性别预测网络对样本语音特征向量进行年龄预测,得到样本说话对象的预测年龄标签,能够使得模型专注于学习样本语音特征向量中能够表征说话对象的年龄特征的内容信息。最后,基于预测性别标签、预测年龄标签、样本性别标签和样本年龄标签对神经网络模型的模型参数进行优化,得到语音识别模型,能够联合年龄预测任务和性别预测任务来训练神经网络模型,相较于单一训练任务的学习,能够较好地提高模型的预测性能,使得能够基于一个语音识别模型即可同时实现说话对象的年龄和性别的预测,使得模型具备较好的耦合能力,提高了模型对说话对象的年龄和性别的识别准确性。此外,该语音识别模型的预训练网络具备较好地音频编码能力,性别预测网络和年龄预测网络也具备较好地预测性能,因此,能够较大程度地改善对目标说话对象的年龄和性别的识别准确性,进而使得智能客服机器人在与服务对象的对话过程中,能更为准确地识别服务对象的语音数据中所表征的诉求,从而提高有针对性的应答和服务反馈,能有效地改善金融交易过程中的对话质量和对话有效性,能实现智能语音对话服务,提高客户的服务质量以及客户满意度,从而提高业务成交率。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-6中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种语音识别模型的训练方法,其特征在于,所述训练方法包括:
获取样本说话对象的样本音频数据,其中,所述样本音频数据包括样本说话对象的样本性别标签和样本年龄标签;
将所述样本音频数据输入至预设的神经网络模型,其中,所述神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;
基于所述语音预训练网络对所述样本音频数据进行特征提取,得到多个样本语音表示向量;
对所述样本语音表示向量进行拼接处理,得到样本语音特征向量;
基于所述性别预测网络对所述样本语音特征向量进行性别预测,得到所述样本说话对象的预测性别标签;
基于所述性别预测网络对所述样本语音特征向量进行年龄预测,得到所述样本说话对象的预测年龄标签;
基于所述预测性别标签、预测年龄标签、所述样本性别标签和所述样本年龄标签对所述神经网络模型的模型参数进行优化,得到语音识别模型,其中,所述语音识别模型用于对目标说话对象的目标音频数据进行识别,得到所述目标说话对象的年龄和性别。
2.根据权利要求1所述的训练方法,其特征在于,所述语音预训练网络包括第一卷积层和transformer层,所述基于所述语音预训练网络对所述样本音频数据进行特征提取,得到多个样本语音表示向量,包括:
基于所述第一卷积层对所述样本音频数据进行卷积处理,得到样本音频帧序列特征;
基于所述transformer层对每一所述样本音频帧序列特征进行上下文提取,得到所述样本语音表示向量。
3.根据权利要求1所述的训练方法,其特征在于,所述性别预测网络包括第二卷积层、第一展平层以及第一全连接层,所述基于所述性别预测网络对所述样本语音特征向量进行性别预测,得到所述样本说话对象的预测性别标签,包括:
基于所述第二卷积层对所述样本语音特征向量进行音色特征提取,得到第一样本音色特征,所述第一样本音色特征包括所述样本说话对象的音调特点;
基于所述第一展平层对所述第一样本音色特征进行变维处理,得到一维的第一样本音色特征;
基于所述第一全连接层的第一函数和候选性别标签对所述一维的第一样本音色特征进行性别估计,得到所述预测性别标签。
4.根据权利要求1所述的训练方法,其特征在于,所述年龄预测网络包括第三卷积层、第二展平层以及第二全连接层,所述基于所述性别预测网络对所述样本语音特征向量进行年龄预测,得到所述样本说话对象的预测年龄标签,包括:
基于所述第三卷积层对所述样本语音特征向量进行音色特征提取,得到第二样本音色特征,所述第二样本音色特征包括所述样本说话对象的音高特点和语速特点;
基于所述第二展平层对所述第二样本音色特征进行变维处理,得到一维的第二样本音色特征;
基于所述第二全连接层的第二函数和候选年龄标签对所述一维的第二样本音色特征进行年龄估计,得到所述预测年龄标签。
5.根据权利要求1至4任一项所述的训练方法,其特征在于,所述基于所述预测性别标签、预测年龄标签、所述样本性别标签和所述样本年龄标签对所述神经网络模型的模型参数进行优化,得到语音识别模型,包括:
基于所述预测性别标签和所述样本性别标签,计算得到第一损失值;
基于所述预测年龄标签和所述样本年龄标签,计算得到第二损失值;
根据预设的权重参数对所述第一损失值和所述第二损失值进行加权计算,得到目标损失值;
基于所述目标损失值对所述神经网络模型的模型参数进行优化,得到所述语音识别模型。
6.一种语音识别方法,其特征在于,所述方法包括:
获取目标说话对象的目标音频数据;
将所述目标音频数据输入至语音识别模型进行语音识别,得到所述目标说话对象的性别和年龄,其中,所述语音识别模型根据权利要求1至5任一项所述的训练方法训练得到。
7.一种语音识别模型的训练装置,其特征在于,所述训练装置包括:
样本数据获取模块,用于获取样本说话对象的样本音频数据,其中,所述样本音频数据包括样本说话对象的样本性别标签和样本年龄标签;
输入模块,用于将所述样本音频数据输入至预设的神经网络模型,其中,所述神经网络模型包括语音预训练网络、性别预测网络、年龄预测网络;
特征提取模块,用于基于所述语音预训练网络对所述样本音频数据进行特征提取,得到多个样本语音表示向量;
拼接模块,用于对所述样本语音表示向量进行拼接处理,得到样本语音特征向量;
性别预测模块,用于基于所述性别预测网络对所述样本语音特征向量进行性别预测,得到所述样本说话对象的预测性别标签;
年龄预测模块,用于基于所述性别预测网络对所述样本语音特征向量进行年龄预测,得到所述样本说话对象的预测年龄标签;
训练模块,用于基于所述预测性别标签、预测年龄标签、所述样本性别标签和所述样本年龄标签对所述神经网络模型的模型参数进行优化,得到语音识别模型,其中,所述语音识别模型用于对目标说话对象的目标音频数据进行识别,得到所述目标说话对象的年龄和性别。
8.一种语音识别装置,其特征在于,所述装置包括:
目标数据获取模块,用于获取目标说话对象的目标音频数据;
语音识别模块,用于将所述目标音频数据输入至语音识别模型进行语音识别,得到所述目标说话对象的性别和年龄,其中,所述语音识别模型根据权利要求7所述的训练装置训练得到。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现:
如权利要求1至5任一项所述的语音识别模型的训练方法;
或者,
如权利要求6所述的语音识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现:
如权利要求1至5任一项所述的语音识别模型的训练方法;
或者,
如权利要求6所述的语音识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310636148.3A CN116580704A (zh) | 2023-05-31 | 2023-05-31 | 语音识别模型的训练方法、语音识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310636148.3A CN116580704A (zh) | 2023-05-31 | 2023-05-31 | 语音识别模型的训练方法、语音识别方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116580704A true CN116580704A (zh) | 2023-08-11 |
Family
ID=87541246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310636148.3A Pending CN116580704A (zh) | 2023-05-31 | 2023-05-31 | 语音识别模型的训练方法、语音识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580704A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649846A (zh) * | 2024-01-29 | 2024-03-05 | 北京安声科技有限公司 | 语音识别模型生成方法、语音识别方法、设备和介质 |
-
2023
- 2023-05-31 CN CN202310636148.3A patent/CN116580704A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649846A (zh) * | 2024-01-29 | 2024-03-05 | 北京安声科技有限公司 | 语音识别模型生成方法、语音识别方法、设备和介质 |
CN117649846B (zh) * | 2024-01-29 | 2024-04-30 | 北京安声科技有限公司 | 语音识别模型生成方法、语音识别方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271493A (zh) | 一种语言文本处理方法、装置和存储介质 | |
CN111695591A (zh) | 基于ai的面试语料分类方法、装置、计算机设备和介质 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN116543768A (zh) | 模型的训练方法、语音识别方法和装置、设备及存储介质 | |
CN112349294B (zh) | 语音处理方法及装置、计算机可读介质、电子设备 | |
CN114783421A (zh) | 智能推荐方法和装置、设备、介质 | |
CN111311364B (zh) | 基于多模态商品评论分析的商品推荐方法及*** | |
CN114492661B (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN116580704A (zh) | 语音识别模型的训练方法、语音识别方法、设备及介质 | |
CN117271736A (zh) | 一种问答对的生成方法和***、电子设备及存储介质 | |
CN114138960A (zh) | 用户意图识别方法、装置、设备及介质 | |
CN116644765A (zh) | 语音翻译方法、语音翻译装置、电子设备及存储介质 | |
CN116665639A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
CN116561284A (zh) | 智能应答方法、装置、电子设备及介质 | |
CN116543798A (zh) | 基于多分类器的情感识别方法和装置、电子设备、介质 | |
CN115292495A (zh) | 情绪分析方法、装置、电子设备及存储介质 | |
CN114974219A (zh) | 语音识别方法、语音识别装置、电子设备及存储介质 | |
CN115017886A (zh) | 文本匹配方法、文本匹配装置、电子设备及存储介质 | |
CN114519094A (zh) | 基于随机状态的话术推荐方法、装置及电子设备 | |
CN116741141A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
CN116543753A (zh) | 语音识别方法、语音识别装置、电子设备及存储介质 | |
CN116564274A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
CN115312064A (zh) | 演唱对象识别方法和装置、电子设备及存储介质 | |
CN116469372A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |