數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法及裝置的制造方法
【專利摘要】本發(fā)明公開了一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法及裝置，所述方法包括：獲取進行數(shù)字語音錄制所得到的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括若干語音段；進行所述訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得到每一語音段對應(yīng)的特征序列；根據(jù)所述特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以單音素聲學(xué)模型為起始的漸進訓(xùn)練得到聲學(xué)模型；獲取語言模型，通過所述語言模型和訓(xùn)練得到的聲學(xué)模型構(gòu)建語音解碼網(wǎng)絡(luò)，所述語言模型是通過對所述訓(xùn)練數(shù)據(jù)中數(shù)字的匹配關(guān)系建模得到的。本發(fā)明的數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法及裝置能夠有效地提高數(shù)字語音的識別準(zhǔn)確率。
【專利說明】
數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及語音識別技術(shù)領(lǐng)域，尤其涉及一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu) 建方法及裝置。
【背景技術(shù)】
[0002] 數(shù)字語音識別中，現(xiàn)有的語音解碼網(wǎng)絡(luò)可以分為兩類:一類是采用孤立詞識別技 術(shù)對語音中的數(shù)字進行識別；另一類是采用通用的連續(xù)語音識別技術(shù)對語音中的數(shù)字進行 識別。
[0003] 基于孤立詞識別技術(shù)的數(shù)字語音識別中，要求輸入數(shù)字語音時數(shù)字之間具有明顯 的間隔，如果是連續(xù)的數(shù)字輸入則可能導(dǎo)致無法識別或者識別錯誤，大大降低了數(shù)字語音 的識別準(zhǔn)確率，因此，基于孤立詞識別技術(shù)的數(shù)字語音識別具有明顯的局限性。
[0004]由此，通用的連續(xù)語音識別技術(shù)更經(jīng)常地被用于數(shù)字語音的識別。然而該技術(shù)的 識別對象除了包含數(shù)字，還包含有其他的語言內(nèi)容，這就導(dǎo)致該技術(shù)所使用的聲學(xué)模型和 語言模型都過于復(fù)雜，識別速度較為緩慢，而且容易將數(shù)字錯誤識別成其他多音字，使得數(shù) 字語音的識別準(zhǔn)確率不夠高。即使將該技術(shù)中的語言模型的識別對象限制在0到9的十個數(shù) 字以內(nèi)，識別準(zhǔn)確率的提高仍然有限。
[0005] 可見，針對數(shù)字語音識別所構(gòu)建的語音解碼網(wǎng)絡(luò)仍存在識別準(zhǔn)確率不高的問題。

【發(fā)明內(nèi)容】

[0006] 基于此，有必要提供一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法，所述方法能 夠提高數(shù)字語音的識別準(zhǔn)確率。
[0007] 此外，還有必要提供一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建裝置，所述裝置夠 提高數(shù)字語音的識別準(zhǔn)確率。
[0008] 為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案為：
[0009] -種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法，包括:獲取進行數(shù)字語音錄制所 得到的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括若干語音段;進行所述訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得 到每一語音段對應(yīng)的特征序列;根據(jù)所述特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以 單音素聲學(xué)模型為起始的漸進訓(xùn)練得到聲學(xué)模型；獲取語言模型，通過所述語言模型和訓(xùn) 練得到的聲學(xué)模型構(gòu)建語音解碼網(wǎng)絡(luò)，所述語言模型是通過對所述訓(xùn)練數(shù)據(jù)中數(shù)字的匹配 關(guān)系建模得到的。
[0010] -種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建裝置，包括:訓(xùn)練數(shù)據(jù)獲取模塊，用于獲 取進行數(shù)字語音錄制所得到的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括若干語音段;聲學(xué)特征提取模 塊，用于進行所述訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得到每一語音段對應(yīng)的特征序列;聲學(xué)模型 獲取模塊，用于根據(jù)所述特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以單音素聲學(xué)模型 為起始的漸進訓(xùn)練得到聲學(xué)模型;語言模型獲取模塊，用于獲取語言模型，通過所述語言模 型和訓(xùn)練得到的聲學(xué)模型構(gòu)建語音解碼網(wǎng)絡(luò)，所述語言模型是通過對所述訓(xùn)練數(shù)據(jù)中數(shù)字 的匹配關(guān)系建模得到的。
[0011] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
[0012] 通過對訓(xùn)練數(shù)據(jù)中的每一語音段進行聲學(xué)特征提取，以將得到的每一語音段對應(yīng) 的特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以單音素聲學(xué)模型為起始的漸進訓(xùn)練得到 聲學(xué)模型，再與獲取的語言模型構(gòu)建語音解碼網(wǎng)絡(luò)。也就是說，通過語音解碼網(wǎng)絡(luò)中的聲學(xué) 模型采用漸進訓(xùn)練方式獲取，即聲學(xué)模型以單音素聲學(xué)模型為訓(xùn)練基礎(chǔ)，再進行二次訓(xùn)練 得到，從而加快了聲學(xué)模型訓(xùn)練的收斂速度，有效地提高了數(shù)字語音的識別準(zhǔn)確率。
【附圖說明】
[0013] 圖1為孤立識別技術(shù)的方法流程圖；
[0014] 圖2為通用的連續(xù)語音識別技術(shù)的方法流程圖；
[0015] 圖3為一實施例的數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法的流程圖；
[0016] 圖4為圖3中進行訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取的方法流程圖；
[0017] 圖5為圖3中進行單音素聲學(xué)模型為起始的漸進訓(xùn)練得到聲學(xué)模型的方法流程圖；
[0018] 圖6為圖5中根據(jù)單音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模和 訓(xùn)練的方法流程圖；
[0019] 圖7為對單音素建立GMM-HMM模型的示意圖；
[0020] 圖8為圖5中根據(jù)三音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模和 訓(xùn)練的方法流程圖；
[0021] 圖9為一實施例的數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建裝置的結(jié)構(gòu)框圖；
[0022]圖10為圖9中聲學(xué)特征提取模塊的結(jié)構(gòu)框圖；
[0023]圖11為圖9中聲學(xué)模型獲取模塊的結(jié)構(gòu)框圖；
[0024]圖12為圖11中第一模型獲取單元的結(jié)構(gòu)框圖；
[0025] 圖13為圖11中第二模型獲取單元的結(jié)構(gòu)框圖；
[0026] 圖14為本發(fā)明實施例所提供的一種服務(wù)器的結(jié)構(gòu)示意圖。
【具體實施方式】
[0027] 體現(xiàn)本發(fā)明特征與優(yōu)點的典型實施方式將在以下的說明中詳細敘述。應(yīng)理解的是 本發(fā)明能夠在不同的實施方式上具有各種的變化，其皆不脫離本發(fā)明的范圍，且其中的說 明及圖示在本質(zhì)上是當(dāng)作說明之用，而非用以限制本發(fā)明。
[0028] 如前所述，數(shù)字語音識別中，現(xiàn)有的語音解碼網(wǎng)絡(luò)可以分為兩類:一類是孤立詞識 別技術(shù)，一類是通用的連續(xù)語音識別技術(shù)。
[0029] -方面，如圖1所示，基于孤立詞識別技術(shù)所構(gòu)建的語音解碼網(wǎng)絡(luò)中，首先通過端 點檢測判斷輸入的數(shù)字語音的起始位置，然后將確認起始位置的數(shù)字語音分割成多個有效 的語音段，再對每一個語音段進行特征提取，最后采用動態(tài)時間規(guī)整（Dynamic Time Warping，DTW)算法匹配提取得到的特征與預(yù)置的數(shù)字語音模板之間的語音相似性，最相似 的數(shù)字語音模板所對應(yīng)的數(shù)字即為數(shù)字語音的識別結(jié)果。
[0030] 另一方面，如圖2所示，基于通用的連續(xù)語音識別技術(shù)所構(gòu)建的語音解碼網(wǎng)絡(luò)中， 首先對輸入的數(shù)字語音進行聲學(xué)特征提取，然后通過解碼器中的聲學(xué)模型將提取到的聲學(xué) 特征識別成數(shù)字序列，再通過解碼器中的語言模型對該數(shù)字序列出現(xiàn)的概率進行統(tǒng)計，出 現(xiàn)概率最大的數(shù)字序列即為數(shù)字語音的識別結(jié)果。
[0031] 然而，上述兩類語音解碼網(wǎng)絡(luò)均存在識別準(zhǔn)確率不高的問題，為了提高數(shù)字語音 的識別準(zhǔn)確率，特提出了一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法。該方法可依賴于 計算機程序，該計算機程序?qū)⑦\行在具備運算能力的計算機設(shè)備之上。
[0032] 請參閱圖3,在一實施例中，一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法，包括 以下步驟：
[0033]步驟110,獲取進行數(shù)字語音錄制所得到的訓(xùn)練數(shù)據(jù)。
[0034] 為了構(gòu)建語音解碼網(wǎng)絡(luò)，需要得到聲學(xué)模型和語言模型，訓(xùn)練數(shù)據(jù)則是聲學(xué)模型 和語言模型的訓(xùn)練基礎(chǔ)。通過獲取大量的訓(xùn)練數(shù)據(jù)才能夠得到較為準(zhǔn)確的聲學(xué)模型和語言 模型，從而通過該聲學(xué)模型和語言模型構(gòu)建出適用于數(shù)字語音識別的語音解碼網(wǎng)絡(luò)，進而 更加準(zhǔn)確地進行數(shù)字語音的識別。
[0035] 本實施例中，訓(xùn)練數(shù)據(jù)包括若干語音段，并且每一語音段均包含有多個數(shù)字對應(yīng) 的語音。
[0036] 進一步的，訓(xùn)練數(shù)據(jù)所包含的若干語音段是由多個人錄制所得到的，并且由多個 人錄制所得到的若干語音段將對應(yīng)于同一個人，以保證模型訓(xùn)練過程中同一個人具有不同 頻率、不同內(nèi)容、不同信道的語音段。
[0037] 進一步優(yōu)選的，訓(xùn)練數(shù)據(jù)中每一語音段只包含數(shù)字和噪聲，并且訓(xùn)練數(shù)據(jù)中存在 的數(shù)字能夠構(gòu)成〇~9這十個數(shù)字的集合。
[0038] 將包含了數(shù)字和噪聲的語音段準(zhǔn)備為可供數(shù)字語音識別中語音解碼網(wǎng)絡(luò)使用的 訓(xùn)練數(shù)據(jù)，確保所構(gòu)建的語音解碼網(wǎng)絡(luò)能夠抵抗噪聲等非有效語音的干擾，在數(shù)字語音的 識別過程中最大程度地避免受到噪聲的干擾，不僅適用于安靜環(huán)境下的數(shù)字語音識別，同 時對于低信噪比的語音也具有較好的識別效果，能夠提高室外環(huán)境下的識別和抗噪能力。
[0039] 每一語音段都是通過錄制數(shù)字語音得到的，其可以是在模型訓(xùn)練過程中根據(jù)實際 應(yīng)用場景的需要實時錄制得到，也可以是模型訓(xùn)練過程之前就預(yù)先錄制好的。
[0040] 步驟130,進行訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得到每一語音段對應(yīng)的特征序列。
[0041] 由于聲學(xué)模型是通過對語音的聲學(xué)特征分布進行建模和訓(xùn)練得到的，故而，在進 行聲學(xué)模型建模和訓(xùn)練之前，需要由訓(xùn)練數(shù)據(jù)進行聲學(xué)特征的提取。
[0042] 進一步地，由于訓(xùn)練數(shù)據(jù)包含若干語音段，聲學(xué)特征的提取將是針對訓(xùn)練數(shù)據(jù)中 的每一語音段分別進行的，以此得到每一語音段對應(yīng)的特征序列。
[0043] 其中，所提取的聲學(xué)特征包括梅爾頻率倒譜系數(shù)特征和基頻特征，以適用于數(shù)字 語音識別。
[0044] 步驟150,根據(jù)特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以單音素聲學(xué)模型為 起始的漸進訓(xùn)練得到聲學(xué)模型。
[0045] 根據(jù)數(shù)字的漢語發(fā)音特點，數(shù)字的聲母和韻母被定義為音素。根據(jù)音素的上下文 關(guān)系，音素又可以細分為單音素、雙音素和三音素。其中，單音素在使用中僅考慮其本身，不 考慮其前后音素的上下文關(guān)系。雙音素是在使用中僅考慮其前面音素或者后面音素的上下 文關(guān)系。三音素則是在使用中同時考慮其前面音素和后面音素的上下文關(guān)系。
[0046] 基于此，作為建模單元的音素可以是單音素，也可以是雙音素或者三音素。相應(yīng) 地，以單音素為建模單元構(gòu)建得到的是單音素聲學(xué)模型，以雙音素為建模單元構(gòu)建得到的 是雙音素聲學(xué)模型，以三音素為建模單元構(gòu)建得到的則是三音素聲學(xué)模型。
[0047] 在獲取到每一語音段對應(yīng)的特征序列之后，即得到了模型訓(xùn)練的輸入。也就是說， 以訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素為建模單元，通過對每一語音段對應(yīng)的特征序列進行聲學(xué)建 模和訓(xùn)練，即能夠得到反映語音的聲學(xué)特征分布的聲學(xué)模型。
[0048] 漸進訓(xùn)練是對每一語音段對應(yīng)的特征序列進行多次聲學(xué)建模和訓(xùn)練的漸進過程。 簡單地說，漸進訓(xùn)練的過程就是以初始模型為起始進行訓(xùn)練，得到較為精準(zhǔn)的中間模型，再 對中間模型進行訓(xùn)練，得到更為精準(zhǔn)的最終模型。本實施例中，聲學(xué)模型則是在單音素聲學(xué) 模型的基礎(chǔ)上進行漸進訓(xùn)練得到的，使得通過漸進訓(xùn)練得到的聲學(xué)模型更加地準(zhǔn)確，從而 有利于提高數(shù)字語音的識別準(zhǔn)確率。
[0049] 值得一提的是，由于作為建模單元的音素可以不同，因此，漸進訓(xùn)練的起始并非僅 限于單音素聲學(xué)模型。
[0050] 步驟170,獲取語言模型，通過語言模型和訓(xùn)練得到的聲學(xué)模型構(gòu)建語音解碼網(wǎng) 絡(luò)。
[0051] 語言模型是通過對語言本身的概率分布進行建模和訓(xùn)練得到的。在實際應(yīng)用中， 語音中數(shù)字的出現(xiàn)通常都具備一定的規(guī)律，例如，語音撥號中的電話號碼所對應(yīng)的數(shù)字是 按照某種規(guī)則編排的，或者，活體聲紋驗證中隨機碼所對應(yīng)的數(shù)字也是從預(yù)定義列表中采 樣抽取的。
[0052] 因此，面向數(shù)字語音識別時，語言本身的概率分布將通過對訓(xùn)練數(shù)據(jù)中數(shù)字的匹 配關(guān)系來反映。本實施例中，語言模型通過對訓(xùn)練數(shù)據(jù)中數(shù)字的匹配關(guān)系建模得到的。例 如，訓(xùn)練數(shù)據(jù)中數(shù)字和電話號碼編排規(guī)則的匹配關(guān)系，或者，訓(xùn)練數(shù)據(jù)中數(shù)字和隨機碼的預(yù) 定義列表的匹配關(guān)系?？梢岳斫猓ヅ潢P(guān)系越近則反映訓(xùn)練數(shù)據(jù)中數(shù)字出現(xiàn)的概率越大，進 而語言模型可以通過對電話號碼編排規(guī)則進行建模和訓(xùn)練得到，或者，通過對隨機碼的預(yù) 定義列表進行建模和訓(xùn)練得到。
[0053] 在獲取到聲學(xué)模型和語言模型之后，即構(gòu)建形成實現(xiàn)數(shù)字語音識別的語音解碼網(wǎng) 絡(luò)，由于所形成的語音解碼網(wǎng)絡(luò)中聲學(xué)模型是以單音素聲學(xué)模型為起始進行漸進訓(xùn)練而得 到的，因此能夠適用于連續(xù)的數(shù)字語音的識別，從而有效地提高了數(shù)字語音的識別準(zhǔn)確率。
[0054] 在一實施例中，步驟110之前，如上的方法還包括以下步驟：
[0055] 按照預(yù)置條件進行包含多個數(shù)字的語音段錄制得到訓(xùn)練數(shù)據(jù)。
[0056] 可以理解，即使是同一個人錄制包含相同數(shù)字的語音段，也可能有所區(qū)別，基于 此，本實施例中，通過按照預(yù)置條件進行包含多個數(shù)字的語音段的錄制，將有利于提高數(shù)字 語音的識別準(zhǔn)確率。
[0057] 預(yù)置條件包括通過多種設(shè)備進行錄制，或者，通過多個人進行錄制，以此模擬同一 個人在不同情境下的錄制條件。換句話說，根據(jù)不同的預(yù)置條件(例如，多種設(shè)備或者多個 人)錄制的多個語音段，在模型訓(xùn)練過程中均對應(yīng)于同一人，以此保證模型訓(xùn)練過程中同一 個人具有不同頻率、不同內(nèi)容、不同信道的語音段，進而保證了后續(xù)使用訓(xùn)練數(shù)據(jù)進行模型 訓(xùn)練的準(zhǔn)確性。
[0058] 具體地，用以進行錄制的多種設(shè)備可以是智能手機、計算機、平板電腦等攜帶有麥 克風(fēng)的設(shè)備。由于各種設(shè)備所攜帶的麥克風(fēng)的固有頻段可能不同，因此，通過多種設(shè)備進行 的錄制，將使得訓(xùn)練數(shù)據(jù)中各語音段具有不同的信道。
[0059] 由于每個人的語速、語調(diào)均存在差異，例如，年輕女子的語速較快，年長男子的語 速較慢，因此，通過多個人錄制語音段，將使得訓(xùn)練數(shù)據(jù)中各語音段具有不同的頻率。
[0060] 進一步地，預(yù)置條件還可以包括通過多種環(huán)境進行錄制，例如，環(huán)境可以是安靜的 教室或者嘈雜的街道，從中將獲取到標(biāo)注有噪聲的訓(xùn)練數(shù)據(jù)，以提高對低信噪比的數(shù)字語 音的識別準(zhǔn)確率，提高數(shù)字語音識別中的抗噪能力。
[0061 ] 請參閱圖4，在一實施例中，步驟130包括以下步驟：
[0062] 步驟131，按照預(yù)設(shè)長度分割每一語音段，得到每一語音段包含的若干語音幀。
[0063] 由于每一語音段的長度可能各不相同，如此將不便于聲學(xué)特征的提取，因此，在進 行訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取之前，需要先將每一語音段均分割為相同長度的語音幀。 [0064]本實施例中，預(yù)設(shè)長度為25ms，每一語音段將被分割成多個25ms的語音幀。進一步 地，在優(yōu)選的實施例中，相鄰的兩個語音幀之間還存在重疊，例如，兩個25ms的語音幀之間 存在著10ms的重疊，以此提高按照預(yù)設(shè)長度進行語音段分割的可靠性。
[0065] 步驟133,語音段包含的若干語音幀中，對每一語音幀提取梅爾頻率倒譜系數(shù)特征 和基頻特征，并通過梅爾頻率倒譜系數(shù)特征和基頻特征計算得到每一語音幀的特征向量， 進而組成每一語音段對應(yīng)的特征序列。
[0066] 可以理解，語音幀是以波形的形式存在的，波形在時域上幾乎沒有描述能力，因此 必須對波形進行變換。
[0067] 本實施例中，語音段中在得到每一語音幀之后，通過對語音幀進行梅爾頻率倒譜 系數(shù)(Mel Frequency Cepstrum Coefficient，MFCC)特征和基頻(PITCH)特征提取及計算， 把每一語音幀對應(yīng)的波形轉(zhuǎn)換為多維向量，即得到每一語音幀的特征向量，進而通過該特 征向量組成的特征序列描述語音段所包含的數(shù)字。
[0068] 語音幀的特征向量的獲取過程具體如下：
[0069] 1)對第i個語音段中第t個語音幀進行MFCC特征和PITCH特征提取，得到〇;' ；
[0070] 2)以第i個語音段為單位，計算其包含的所有T個語音幀對應(yīng)的MFCC特征和PITCH 特征的均值=去土〇/ ; Ζ ":丨
[0071] 3)計算第t個語音幀對應(yīng)的MFCC特征和PITCH特征與2)中均值的差值： 茂=〇丨，通過引入該差值作為額外特征，提高聲學(xué)特征提取的可靠性；
[0072] 4)將第t個語音幀對應(yīng)的MFCC特征和PITCH特征與其前后相鄰的多個語音幀對應(yīng) 的MFCC特征和PITCH特征進行拼接，以進一步提高聲學(xué)特征提取的可靠性，以4個為例，由此 得到拼接形成的高維特征:漢' =[α 4,3 2，在_\α
[0073] 5)采用線性判別式分析技術(shù)(Linear Discriminant Analysis，LDA)對高維特征 進行降維，以在保證提取可靠性的同時降低計算的復(fù)雜度，由此得到降維后的特征： Oi = LDA{0：)；
[0074] 6)對降維后的特征作最大線性似然變換（Maxi mum Linear Likelihood Transformation，MLLT)，以去除特征之間的相關(guān)性，從而最終得到第t個語音幀的特征向 量(漢）；
[0075] 7)將各語音幀的特征向量組合，即可得到訓(xùn)練數(shù)據(jù)中各語音段所對應(yīng)的特征序 列。
[0076] 請參閱圖5，在一實施例中，步驟150包括以下步驟：
[0077]步驟151，由訓(xùn)練數(shù)據(jù)的語音段中獲取數(shù)字對應(yīng)的單音素。
[0078] 如前所述，單音素在使用中僅考慮其本身，而不需要考慮其前后音素的上下文關(guān) 系。舉例來說，數(shù)字1對應(yīng)的單音素包括Y(聲母）、1(韻母）。
[0079] 具體地，在訓(xùn)練數(shù)據(jù)中，由存在于各語音段中的多個數(shù)字構(gòu)建得到單音素集合，由 此單音素集合即可獲取得到數(shù)字對應(yīng)的單音素。例如，訓(xùn)練數(shù)據(jù)的其中一語音段包含數(shù)字1 和數(shù)字3，則由數(shù)字1和數(shù)字3構(gòu)建的單音素集合為{Y、I、S、AN}。
[0080] 步驟153,根據(jù)該單音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模和 訓(xùn)練，得到該單音素對應(yīng)的單音素聲學(xué)模型。
[0081] 狀態(tài)是比音素更基本的語音單位，在數(shù)字語音識別過程中，若干狀態(tài)組合成一個 音素，若干音素組合成一個數(shù)字。相應(yīng)地，聲學(xué)模型的獲取過程即是使得每一個數(shù)字對應(yīng)于 不同的狀態(tài)。
[0082] 進一步地，如前所述，訓(xùn)練數(shù)據(jù)中包含多個數(shù)字的語音段首先被分割形成若干語 音幀，并以此進行聲學(xué)特征提取得出語音段所對應(yīng)的特征序列?；诖?，聲學(xué)建模即是建立 狀態(tài)與特征序列之間的對應(yīng)關(guān)系，模型訓(xùn)練則是使建立的對應(yīng)關(guān)系達到最優(yōu)，從而在數(shù)字 語音識別過程中，根據(jù)狀態(tài)與特征序列的最優(yōu)的對應(yīng)關(guān)系，為輸入的數(shù)字語音中提取得到 的特征序列對應(yīng)不同的狀態(tài)，再通過狀態(tài)組合成音素、音素組合成數(shù)字，得到數(shù)字語音的識 別結(jié)果。
[0083] 本實施例中，將根據(jù)單音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模 和訓(xùn)練，通過聲學(xué)建模將建立狀態(tài)與特征序列之間的對應(yīng)關(guān)系，再通過模型訓(xùn)練將使得所 建立的對應(yīng)關(guān)系最優(yōu)。換而言之，通過該單音素對應(yīng)的單音素聲學(xué)模型，即能夠知道語音段 所對應(yīng)的特征序列對應(yīng)的狀態(tài)。
[0084] 步驟155,通過單音素聲學(xué)模型對訓(xùn)練數(shù)據(jù)進行識別，得到二次訓(xùn)練數(shù)據(jù)。
[0085] 由于通過單音素聲學(xué)模型能夠知道語音段所對應(yīng)的特征序列對應(yīng)的狀態(tài)，因此， 通過單音素聲學(xué)模型對訓(xùn)練數(shù)據(jù)進行識別，將使得訓(xùn)練數(shù)據(jù)中語音段所對應(yīng)的特征序列被 識別成對應(yīng)的最優(yōu)的狀態(tài)序列。
[0086] 進一步地，通過該最優(yōu)的狀態(tài)序列得到對應(yīng)的單音素集合，從而使得最優(yōu)的狀態(tài) 序列被轉(zhuǎn)化為對應(yīng)的數(shù)字序列，該數(shù)字序列即為二次訓(xùn)練數(shù)據(jù)。
[0087]可以理解，該二次訓(xùn)練數(shù)據(jù)是經(jīng)過一次未包含語言模型的語音解碼網(wǎng)絡(luò)解碼得到 的識別結(jié)果。通過該二次訓(xùn)練數(shù)據(jù)將獲知語音段中每一個數(shù)字的具體時間位置，有利于為 后續(xù)的模型訓(xùn)練提供良好的基礎(chǔ)，從而有利于加快模型訓(xùn)練的收斂速度。
[0088]步驟157，根據(jù)二次訓(xùn)練數(shù)據(jù)中語音段包含的數(shù)字獲取對應(yīng)的三音素。
[0089]本實施例中，三音素是基于二次訓(xùn)練數(shù)據(jù)中語音段包含的數(shù)字構(gòu)建的三音素集合 中獲取的。例如，訓(xùn)練數(shù)據(jù)的其中一語音段包含數(shù)字1和數(shù)字3，則由數(shù)字1和數(shù)字3構(gòu)建的三 音素集合為{311^+￥-1、￥+1-5、1+5415+4^5114。其中，511^表示靜音，表示數(shù)字1的前面沒 有其他數(shù)字，Y表示數(shù)字1的聲母，I表示數(shù)字1的韻母，"+"表示連接前面音素，表示連接 后面音素?？梢钥闯觯羲丶鲜窃趩我羲丶系幕A(chǔ)上考慮了上下文關(guān)系構(gòu)建形成的。
[0090] 步驟159,根據(jù)該三音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模和 訓(xùn)練，得到該三音素對應(yīng)的聲學(xué)模型。
[0091] 如前所述，只要知道數(shù)字所對應(yīng)的究竟是哪個狀態(tài)，識別結(jié)果也就能夠得到了。
[0092] 基于此，本實施例中，將根據(jù)三音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行 聲學(xué)建模和訓(xùn)練，通過聲學(xué)建模將建立狀態(tài)與特征序列之間的對應(yīng)關(guān)系，再通過模型訓(xùn)練 將使得所建立的對應(yīng)關(guān)系最優(yōu)。換而言之，通過該三音素對應(yīng)的聲學(xué)模型，即能夠知道每一 語音幀所對應(yīng)的狀態(tài)。
[0093]通過如上所述的方法，三音素對應(yīng)的聲學(xué)模型是在單音素聲學(xué)模型的基礎(chǔ)上漸進 訓(xùn)練得到的，有利于提高數(shù)字語音的識別準(zhǔn)確率，此外，由于三音素在使用中考慮了上下文 關(guān)系，也將使得三音素對應(yīng)的聲學(xué)模型相較于單音素聲學(xué)模型能夠更加準(zhǔn)確地進行數(shù)字語 首的識別。
[0094]請參閱圖6，在一實施例中，步驟153包括以下步驟：
[0095]步驟1531，通過HMM模型對單音素進行狀態(tài)描述，得到單音素劃分的狀態(tài)。
[0096] 本實施例中，HMM(Hidden Markov Model，隱馬爾可夫模型)模型使用3狀態(tài)帶自環(huán) 無跨越的拓撲結(jié)構(gòu)。簡單地說，通過HMM模型對單音素進行狀態(tài)描述，每個單音素被劃分成3 個狀態(tài)，如圖7所示。其中，每一個狀態(tài)Suizl，2,3只能跳轉(zhuǎn)至其自身以及相鄰的下一狀態(tài) Si+1，aij表示由狀態(tài)Si跳轉(zhuǎn)至狀態(tài)Sj的轉(zhuǎn)移概率。
[0097]步驟1533,基于單音素劃分的狀態(tài)，采用GMM模型對特征序列建模得到GMM-HMM模 型。
[0098]請繼續(xù)參閱圖7，在得到單音素劃分的3個狀態(tài)之后，對于每一個狀態(tài)，將采用GMM (Gaussian Mixture Model，混合高斯模型)模型按照下述公式（1)對特征序列建模，以得到 能夠反映語音的聲學(xué)特征分布的GMM-HMM模型：
[0100] 其中，& 表示特征序列屬于狀態(tài)Si的概率，〇表示特征序列，D表示特征序列〇的 維數(shù)，Μ表示混合高斯的個數(shù)，λη表示第m個混合高斯的權(quán)重，εη表示協(xié)方差，μ η表示均值向 量。
[01 01 ]步驟1535，對GMM-HMM模型的參數(shù)進行隨機初始化，并利用最大期望算法對隨機初 始化得到的參數(shù)進行迭代優(yōu)化。
[0102] 由公式（1)中可知，只要知道4…），就知道了特征序列屬于對應(yīng)狀態(tài)的概率?？梢?理解，特征序列屬于某個狀態(tài)的概率最大，則表示其所對應(yīng)的語音幀屬于該狀態(tài)。
[0103] 因此，為了知道\(〃），就需要通過模型訓(xùn)練來獲知公式（1)中未知參數(shù)的確定值， 即GMM-HMM模型的參數(shù)的確定值。其中，GMM-HMM模型的參數(shù)包括混合高斯的權(quán)重、協(xié)方差 ￡m、均值向量和轉(zhuǎn)移概率ai j等。
[0104] 進一步地，本實施例中，通過最大期望算法（Expectat ion Maximi zat ion A1 gori thm，EM算法)對GMM-HMM模型的參數(shù)進行迭代優(yōu)化，以求取GMM-HMM模型的參數(shù)的確 定值。同時，在參數(shù)迭代優(yōu)化的初始階段，對GMM-HMM模型的參數(shù)進行了隨機初始化，以通過 隨機初始化的參數(shù)作為模型訓(xùn)練的初始的當(dāng)前訓(xùn)練參數(shù)。
[0105] 具體地，最大期望算法的每一次迭代優(yōu)化過程包括如下兩個步驟：
[0106] E步驟，基于當(dāng)前訓(xùn)練參數(shù)計算未知參數(shù)的概率分布；
[0107] Μ步驟，計算能夠使未知參數(shù)的概率分布期望最大時所對應(yīng)的參數(shù)，該參數(shù)即為優(yōu) 化后的參數(shù)。
[0108] 當(dāng)優(yōu)化后的參數(shù)無法使GMM-HMM模型收斂，則以優(yōu)化后的參數(shù)進行當(dāng)前訓(xùn)練參數(shù) 的更新，繼續(xù)迭代優(yōu)化的過程。
[0109] 當(dāng)優(yōu)化后的參數(shù)使GMM-HMM模型收斂，則判定GMM-HMM模型為單音素聲學(xué)模型。
[0110] 請繼續(xù)參閱圖7,在得到單音素聲學(xué)模型之后，通過單音素聲學(xué)模型將能夠反映出 輸入的數(shù)字語音的聲學(xué)特征的分布，使得語音幀能夠獲知對應(yīng)的狀態(tài)，進而通過狀態(tài)組合 成音素、音素組合成數(shù)字。
[0111] 請參閱圖8，在一實施例中，步驟159包括以下步驟：
[0112] 步驟1591，通過ΗΜΜ模型對三音素進行狀態(tài)描述，得到三音素劃分的狀態(tài)。
[0113] 步驟1593,基于三音素劃分的狀態(tài)，采用GMM模型對特征序列建模得到GMM-HMM模 型。
[0114] 步驟1595,根據(jù)二次訓(xùn)練數(shù)據(jù)對GMM-HMM模型的參數(shù)進行參數(shù)估計，并利用最大期 望算法對參數(shù)估計得到的參數(shù)進行迭代優(yōu)化。
[0115] 當(dāng)優(yōu)化后的參數(shù)使GMM-HMM模型收斂，則判定GMM-HMM模型為聲學(xué)模型。
[0116] 上述聲學(xué)模型的構(gòu)建過程與之前單音素聲學(xué)模型的構(gòu)建過程類似，在此不再贅 述。
[0117] 二者的區(qū)別在于聲學(xué)模型在參數(shù)迭代優(yōu)化的初始階段并沒有對未知參數(shù)進行隨 機初始化，而是基于二次訓(xùn)練數(shù)據(jù)對未知參數(shù)進行了參數(shù)估計，以通過參數(shù)估計得到的參 數(shù)作為模型訓(xùn)練的初始的當(dāng)前訓(xùn)練參數(shù)。
[0118] 具體地，由于二次訓(xùn)練數(shù)據(jù)即為最優(yōu)的狀態(tài)序列轉(zhuǎn)化形成的數(shù)字序列，根據(jù)該已 知的數(shù)字序列對未知參數(shù)進行最大似然估計，即可得出未知參數(shù)相應(yīng)的確定值。
[0119] 在參數(shù)迭代優(yōu)化的初始階段，以該參數(shù)估計得到的參數(shù)作為當(dāng)前訓(xùn)練參數(shù)，進行 未知參數(shù)的概率分布的計算，并對該未知參數(shù)的概率分布進行期望最大化求解，直至GMM-HMM模型收斂，即得到三音素對應(yīng)的聲學(xué)模型。
[0120] 通過如上所述的方法，有效地提高了模型訓(xùn)練的收斂速度，從而提高了數(shù)字語音 的識別準(zhǔn)確率，識別準(zhǔn)確率提升至少10%。
[0121] 請參閱圖9,在一實施例中，一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建裝置，包括：
[0122] 其中，訓(xùn)練數(shù)據(jù)獲取模塊410，用于獲取進行數(shù)字語音錄制所得到的訓(xùn)練數(shù)據(jù)，訓(xùn) 練數(shù)據(jù)包括若干語音段。
[0123] 聲學(xué)特征提取模塊430,用于進行訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得到每一語音段對 應(yīng)的特征序列。
[0124] 聲學(xué)模型獲取模塊450,用于根據(jù)特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字，進行以單音素聲學(xué) 模型為起始的漸進訓(xùn)練得到聲學(xué)模型。
[0125] 語言模型獲取模塊470,用于獲取語言模型，通過語言模型和訓(xùn)練得到的聲學(xué)模型 構(gòu)建語音解碼網(wǎng)絡(luò)，語言模型是通過對訓(xùn)練數(shù)據(jù)中數(shù)字的匹配關(guān)系建模得到的。
[0126] 在一實施例中，如上所述的裝置還包括：
[0127] 訓(xùn)練數(shù)據(jù)錄制模塊，用于按照預(yù)置條件進行包含多個數(shù)字的語音段錄制得到訓(xùn)練 數(shù)據(jù)，訓(xùn)練數(shù)據(jù)中多個語音段均對應(yīng)于同一個人。
[0128] 請參閱圖10,在一實施例中，聲學(xué)特征提取模塊430包括：
[0129] 其中，語音段分割單元431，用于按照預(yù)設(shè)長度分割每一語音段，得到每一語音段 包含的若干語音幀。
[0130] 特征序列生成單元433,用于語音段包含的若干語音幀中，對每一語音幀提取梅爾 頻率倒譜系數(shù)特征和基頻特征，并通過梅爾頻率倒譜系數(shù)特征和基頻特征計算得到每一語 音幀的特征向量，進而組成每一語音段對應(yīng)的特征序列。
[0131 ]請參閱圖11，在一實施例中，聲學(xué)模型獲取模塊450包括：
[0132] 其中，單音素獲取單元451，用于由訓(xùn)練數(shù)據(jù)的語音段中獲取數(shù)字對應(yīng)的單音素。
[0133] 第一模型獲取單元453,用于根據(jù)該單音素劃分的狀態(tài)對語音段所對應(yīng)的特征序 列進行聲學(xué)建模和訓(xùn)練，得到該單音素對應(yīng)的單音素聲學(xué)模型。
[0134] 識別單元455,用于通過單音素聲學(xué)模型對訓(xùn)練數(shù)據(jù)進行識別，得到二次訓(xùn)練數(shù) 據(jù)。
[0135] 三音素獲取單元457,用于根據(jù)二次訓(xùn)練數(shù)據(jù)中語音段包含的數(shù)字獲取對應(yīng)的三 音素。
[0136] 第二模型獲取單元459,用于根據(jù)該三音素劃分的狀態(tài)對語音段所對應(yīng)的特征序 列進行聲學(xué)建模和訓(xùn)練，得到該三音素對應(yīng)的聲學(xué)模型。
[0137] 請參閱圖12，在一實施例中，第一模型獲取單元453包括：
[0138] 其中，第一狀態(tài)描述單元4531，用于通過HMM模型對單音素進行狀態(tài)描述，得到單 音素劃分的狀態(tài)。
[0139] 第一建模單元4533,用于基于單音素劃分的狀態(tài)，采用GMM模型對特征序列建模得 到GMM-HMM 模型。
[0140] 第一訓(xùn)練單元4535,用于對GMM-HMM模型的參數(shù)進行隨機初始化，并利用最大期望 算法對隨機初始化得到的參數(shù)進行迭代優(yōu)化。
[0141 ]當(dāng)優(yōu)化后的參數(shù)使GMM-HMM模型收斂，則判定GMM-HMM模型為單音素聲學(xué)模型。
[0142] 請參閱圖13，在一實施例中，第二模型獲取單元459包括：
[0143] 其中，第二狀態(tài)描述單元4591，用于通過HMM模型對三音素進行狀態(tài)描述，得到三 音素劃分的狀態(tài)。
[0144] 第二建模單元4593,用于基于三音素劃分的狀態(tài)，采用GMM模型對特征序列建模得 到GMM-HMM 模型。
[0145] 第二訓(xùn)練單元4595,用于根據(jù)二次訓(xùn)練數(shù)據(jù)對GMM-HMM模型的參數(shù)進行參數(shù)估計， 并利用最大期望算法對參數(shù)估計得到的參數(shù)進行迭代優(yōu)化。
[0146] 當(dāng)優(yōu)化后的參數(shù)使GMM-HMM模型收斂，則判定GMM-HMM模型為聲學(xué)模型。
[0147] 請參閱圖14,圖14是本發(fā)明實施例提供的一種計算機設(shè)備500的結(jié)構(gòu)示意圖。上述 實施例中的由計算機設(shè)備所執(zhí)行的步驟均可以基于該圖中所示的計算機設(shè)備的結(jié)構(gòu)。
[0148] 該計算機設(shè)備500可因配置或者性能的不同而產(chǎn)生較大的差異，其包括：電源510、 接口530、至少一存儲介質(zhì)550、以及至少一中央處理器（CI^tLCentral Processing Units) 570〇
[0149] 具體地，電源510用于為計算機設(shè)備500上的各硬件設(shè)備提供工作電壓。
[0150] 接口 530包括至少一有線或無線網(wǎng)絡(luò)接口 531、至少一串并轉(zhuǎn)換接口 533、至少一輸 入輸出接口 535以及至少一 USB接口 537等，用于與外部設(shè)備通信。
[0151] 存儲介質(zhì)550作為資源存儲的載體，可以是隨機存儲介質(zhì)、磁盤或者光盤等，其上 所存儲的資源包括操作系統(tǒng)551、應(yīng)用程序553及數(shù)據(jù)555等，存儲方式可以是短暫存儲或者 永久存儲。其中，操作系統(tǒng)551用于管理與控制計算機設(shè)備500上的各硬件設(shè)備以及應(yīng)用程 序553,以實現(xiàn)中央處理器570對海量數(shù)據(jù)555的計算與處理，其可以是Windows ServerTM、 Mac 0S 乂了]?、1]11丨1了]\1、1^111^^]\1小代6830了]\1等。應(yīng)用程序553是基于操作系統(tǒng)551之上完成至 少一項特定工作的計算機程序，其可以包括至少一模塊（圖示未示出），每個模塊都可以分 別包含有對計算機設(shè)備500的一系列操作指令。數(shù)據(jù)555可以是存儲于磁盤中的訓(xùn)練數(shù)據(jù)等 等。
[0152] 中央處理器570可以包括一個或多個以上的處理器，并設(shè)置為通過總線與存儲介 質(zhì)550通信，用于計算與處理存儲介質(zhì)550中的海量數(shù)據(jù)555。
[0153]通過中央處理器570讀取存儲介質(zhì)550中存儲的一系列操作指令，并基于存儲介質(zhì) 550上的操作系統(tǒng)551在計算機設(shè)備500上執(zhí)行，進而使得上述實施例的全部或者部分步驟 可以通過在計算機設(shè)備上運行相關(guān)的計算機程序來完成。
[0154]上述內(nèi)容，僅為本發(fā)明的較佳實施例，并非用于限制本發(fā)明的實施方案，本領(lǐng)域普 通技術(shù)人員根據(jù)本發(fā)明的主要構(gòu)思和精神，可以十分方便地進行相應(yīng)的變通或修改，故本 發(fā)明的保護范圍應(yīng)以權(quán)利要求書所要求的保護范圍為準(zhǔn)。
【主權(quán)項】
1. 一種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建方法，其特征在于，包括： 獲取進行數(shù)字語音錄制所得到的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括若干語音段； 進行所述訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得到每一語音段對應(yīng)的特征序列； 根據(jù)所述特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以單音素聲學(xué)模型為起始的漸 進訓(xùn)練得到聲學(xué)模型； 獲取語言模型，通過所述語言模型和訓(xùn)練得到的聲學(xué)模型構(gòu)建語音解碼網(wǎng)絡(luò)，所述語 言模型是通過對所述訓(xùn)練數(shù)據(jù)中數(shù)字的匹配關(guān)系建模得到的。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取進行數(shù)字語音錄制所得到的訓(xùn)練 數(shù)據(jù)的步驟之前，如上所述的方法還包括： 按照預(yù)置條件進行包含多個數(shù)字的語音段錄制得到訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)中多個語 音段均對應(yīng)于同一個人。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述進行所述訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提 取，得到每一語音段對應(yīng)的特征序列的步驟包括： 按照預(yù)設(shè)長度分割每一語音段，得到每一語音段包含的若干語音幀； 所述語音段包含的若干語音幀中，對每一語音幀提取梅爾頻率倒譜系數(shù)特征和基頻特 征，并通過所述梅爾頻率倒譜系數(shù)特征和基頻特征計算得到每一語音幀的特征向量，進而 組成每一語音段對應(yīng)的特征序列。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述以所述特征序列作為模型訓(xùn)練的輸 入，并以所述訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素為建模單位，進行單音素聲學(xué)模型為起始的漸進 訓(xùn)練得到聲學(xué)模型的步驟包括： 由所述訓(xùn)練數(shù)據(jù)的語音段中獲取數(shù)字對應(yīng)的單音素； 根據(jù)該單音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模和訓(xùn)練，得到該單 音素對應(yīng)的單音素聲學(xué)模型； 通過所述單音素聲學(xué)模型對所述訓(xùn)練數(shù)據(jù)進行識別，得到二次訓(xùn)練數(shù)據(jù)； 根據(jù)所述二次訓(xùn)練數(shù)據(jù)中語音段包含的數(shù)字獲取對應(yīng)的三音素； 根據(jù)該三音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲學(xué)建模和訓(xùn)練，得到該三 音素對應(yīng)的聲學(xué)模型。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)該單音素劃分的狀態(tài)對語音段所 對應(yīng)的特征序列進行聲學(xué)建模和訓(xùn)練，得到該單音素對應(yīng)的單音素聲學(xué)模型的步驟包括： 通過HMM模型對所述單音素進行狀態(tài)描述，得到所述單音素劃分的狀態(tài)； 基于所述單音素劃分的狀態(tài)，采用GMM模型對所述特征序列建模得到GMM-HMM模型； 對所述GMM-HMM模型的參數(shù)進行隨機初始化，并利用最大期望算法對隨機初始化得到 的參數(shù)進行迭代優(yōu)化； 當(dāng)優(yōu)化后的參數(shù)使所述GMM-HMM模型收斂，則判定所述GMM-HMM模型為所述單音素聲學(xué) 模型。6. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)該三音素劃分的狀態(tài)對語音段所 對應(yīng)的特征序列進行聲學(xué)建模和訓(xùn)練，得到該三音素對應(yīng)的聲學(xué)模型的步驟包括： 通過HMM模型對所述三音素進行狀態(tài)描述，得到所述三音素劃分的狀態(tài)； 基于所述三音素劃分的狀態(tài)，采用GMM模型對所述特征序列建模得到GMM-HMM模型； 根據(jù)所述二次訓(xùn)練數(shù)據(jù)對所述GMM-HMM模型的參數(shù)進行參數(shù)估計，并利用最大期望算 法對參數(shù)估計得到的參數(shù)進行迭代優(yōu)化； 當(dāng)優(yōu)化后的參數(shù)使所述GMM-HMM模型收斂，則判定所述GMM-HMM模型為所述聲學(xué)模型。7. -種數(shù)字語音識別中語音解碼網(wǎng)絡(luò)的構(gòu)建裝置，其特征在于，包括： 訓(xùn)練數(shù)據(jù)獲取模塊，用于獲取進行數(shù)字語音錄制所得到的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包 括若干語音段； 聲學(xué)特征提取模塊，用于進行所述訓(xùn)練數(shù)據(jù)中的聲學(xué)特征提取，得到每一語音段對應(yīng) 的特征序列； 聲學(xué)模型獲取模塊，用于根據(jù)所述特征序列和訓(xùn)練數(shù)據(jù)中數(shù)字對應(yīng)的音素，進行以單 音素聲學(xué)模型為起始的漸進訓(xùn)練得到聲學(xué)模型； 語言模型獲取模塊，用于獲取語言模型，通過所述語言模型和訓(xùn)練得到的聲學(xué)模型構(gòu) 建語音解碼網(wǎng)絡(luò)，所述語言模型是通過對所述訓(xùn)練數(shù)據(jù)中數(shù)字的匹配關(guān)系建模得到的。8. 如權(quán)利要求7所述的裝置，其特征在于，所述裝置還包括： 訓(xùn)練數(shù)據(jù)錄制模塊，用于按照預(yù)置條件進行包含多個數(shù)字的語音段錄制得到訓(xùn)練數(shù) 據(jù)，所述訓(xùn)練數(shù)據(jù)中多個語音段均對應(yīng)于同一個人。9. 如權(quán)利要求7所述的裝置，其特征在于，所述聲學(xué)特征提取模塊包括： 語音段分割單元，用于按照預(yù)設(shè)長度分割每一語音段，得到每一語音段包含的若干語 音幀； 特征序列生成單元，用于所述語音段包含的若干語音幀中，對每一語音幀提取梅爾頻 率倒譜系數(shù)特征和基頻特征，并通過所述梅爾頻率倒譜系數(shù)特征和基頻特征計算得到每一 語音幀的特征向量，進而組成每一語音段對應(yīng)的特征序列。10. 如權(quán)利要求7所述的裝置，其特征在于，所述聲學(xué)模型獲取模塊包括： 單音素獲取單元，用于由所述訓(xùn)練數(shù)據(jù)的語音段中獲取數(shù)字對應(yīng)的單音素； 第一模型獲取單元，用于根據(jù)該單音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲 學(xué)建模和訓(xùn)練，得到該單音素對應(yīng)的單音素聲學(xué)模型； 識別單元，用于通過所述單音素聲學(xué)模型對所述訓(xùn)練數(shù)據(jù)進行識別，得到二次訓(xùn)練數(shù) 據(jù)； 三音素獲取單元，用于根據(jù)所述二次訓(xùn)練數(shù)據(jù)中語音段包含的數(shù)字獲取對應(yīng)的三音 素； 第二模型獲取單元，用于根據(jù)該三音素劃分的狀態(tài)對語音段所對應(yīng)的特征序列進行聲 學(xué)建模和訓(xùn)練，得到該三音素對應(yīng)的聲學(xué)模型。11. 如權(quán)利要求10所述的裝置，其特征在于，所述第一模型獲取單元包括： 第一狀態(tài)描述單元，用于通過HMM模型對所述單音素進行狀態(tài)描述，得到所述單音素劃 分的狀態(tài)； 第一建模單元，用于基于所述單音素劃分的狀態(tài)，采用GMM模型對所述特征序列建模得 到GMM-HMM 模型； 第一訓(xùn)練單元，用于對所述GMM-HMM模型的參數(shù)進行隨機初始化，并利用最大期望算法 對隨機初始化得到的參數(shù)進行迭代優(yōu)化； 當(dāng)優(yōu)化后的參數(shù)使所述GMM-HMM模型收斂，則判定所述GMM-HMM模型為所述單音素聲學(xué) 模型。12.如權(quán)利要求10所述的裝置，其特征在于，所述第二模型獲取單元包括： 第二狀態(tài)描述單元，用于通過HMM模型對所述三音素進行狀態(tài)描述，得到所述三音素劃 分的狀態(tài)； 第二建模單元，用于基于所述三音素劃分的狀態(tài)，采用GMM模型對所述特征序列建模得 到GMM-HMM 模型； 第二訓(xùn)練單元，用于根據(jù)所述二次訓(xùn)練數(shù)據(jù)對所述GMM-HMM模型的參數(shù)進行參數(shù)估計， 并利用最大期望算法對參數(shù)估計得到的參數(shù)進行迭代優(yōu)化； 當(dāng)優(yōu)化后的參數(shù)使所述GMM-HMM模型收斂，則判定所述GMM-HMM模型為所述聲學(xué)模型。
【文檔編號】G10L15/14GK105869624SQ201610188168
【公開日】2016年8月17日
【申請日】2016年3月29日
【發(fā)明人】吳富章, 錢柄樺, 李為, 李科, 吳永堅, 黃飛躍
【申請人】騰訊科技（深圳）有限公司