CN115116443B 语音识别模型的训练方法、装置、电子设备及存储介质 （深圳前海微众银行股份有限公司）

US2016155436A1,2016.0本申请提供了一种语音识别模型的训练方本对应的多个携带有所述第一文本标签的音频2对所述原始音频样本进行泛化处理，得到与所述原始音频样本对通过所述声学子模型分别对各所述音频样本进行音素预测，得到通过所述转换子模型分别对各所述音素序列进行文本转换，得到分别获取各所述转换文本与所述第一文本标签之间的误差所述通过所述转换子模型分别对各所述音素序列进行文本转换，得基于所述语义特征，对所述音素序列进行文本转换，得到对应所述基于所述候选词序列中每一个候选词的条件概率，分别确定各从所述多个候选词序列中，选取评分最高的候选词序列作为对应所述音频基于文本与音素的映射关系，对第二文本标签进行音素转换，标签的标准音素序列；基于所述目标转换文本与所述第二文本标签之间的误差，更新所通过所述更新后的转换子模型，分别对各所述音素序列及各所述偏3对所述原始音频样本进行至少一帧语音信号的更改，每一帧所述语通过所述声学子模型对所述待识别音频进行音素预测，得到标音素序列；通过所述转换子模型对所述目标音素序列进行文本转换，得到对通过所述预转换子模型对所述目标音素序列进行文本转换，得到对从所述多个候选文本中选取目标评分最高的候选文本，作为对应所述待识8.一种语音识别模型的训练装置，其特征在于，所泛化模块，用于对所述原始音频样本进行泛化处理，得到与所音素预测模块，用于通过所述声学子模型分别对各所述音频样本进行音对应各所述音频样本的音素序列；文本转换模块，用于通过所述转换子模型分别对各所述音素序列取评分最高的候选词序列作为对应所述音频样本更新模块，用于分别获取各所述转换文本与所述第一文本标签4处理器，用于执行所述存储器中存储的可执行指令时，实现权利要5[0002]人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控音识别的应用场景在不断增多。而语音识别技术在实际应用中会受到各种变化条件的挑样本的音素序列；6[0015]音素预测模块，用于通过所述声学子模型分别对各所述得到对应各所述音频样本的音素序列；[0016]文本转换模块，用于通过所述转换子模型分别对各所述确定各所述候选文本的目标评分；从所述多个候选文本中选取目标评分最高的候选文本，78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，型，例如混合高斯-隐马尔科夫模型(GMM-HMM)和深度神经网络-隐马尔科夫模型(DNN-记忆(CTC-LSTM)模型和注意力(Attentio音信号所代表的语音单元的序列。9务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布本与所述第一文本标签之间的误差，并基于得到的误差更新所述语音识别模型的模型参控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统[0075]存储器550包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存[0079]呈现模块553，用于经由一个或多个与用户接口530相关联的如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，本所对应的音素序列相较于原始音素序列可能存在音素缺失、音素错误或者音素增加等。所述音频样本的音素序列。行音素预测得到的音素序列与原始音频样本所对应的原始音素序列可文本标签内的顺序进行排序组合处理，得到相应的标准音素序列“wo3zai4gui4yang2”。[0111]服务器通过计算损失函数的值确定目标转换文本与所述第二文本标签之间的误[0113]相应的，步骤104还可以通过如下方式实现：服务器通过所述更新后的转换子模替换标准音素序列中的至少一个音素、或者随机插入至少一个音素序列至标准音素序列过任意泛化方式及多种泛化方式的组合进行泛化处理均属于本申请实施例的保护范围之[0117]相应的，步骤104还可以通过如下方式实现：服务器通过所述更新后的转换子模评分最高的候选词序列作为对应所述音频样本的候选词序列中每一个候选词的条件概率；基于所述候选词序列中每一个候选词的条件概服务器将各个候选词的条件概率的乘积作为候选词序列的对应所述待识别音频的多个候选文本及各所述候选文本的第子模型的属性值得到。可以包括模型的未更新时长(可以理解为当前时间与最近一次更新的时间间隔)的倒数或为模型属性值，基于属性值分别为预转换子模型评分和重打分子模型评分分配不同的权终端还可以接收其他设备发送的模型训练指令，将原始音频样本封装至该模型训练指令对应各所述音频样本的音素序列。将声学子模型输出的这些音素序列作为转换子模型子模型的模型参数，通过不断迭代训练不断对模型的模型参数进行更新直至达到收敛条[0185]下面继续说明本申请实施例提供的语音识别模型的训练装置555的实施为软件模[0190]更新模块5555，用于分别获取各所述转换文本与所述第对所述原始音频样本进行至少一帧语音信号的更改，每一帧所述语音信号对应一个音素；机程序被处理器执行时实现本申请实施例提供的语音识别模型保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，HyperTextMarkupLanguage)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件