语音识别的特征提取方法及装置、电子设备和存储介质

技术领域

本公开涉及语音识别技术领域，尤其涉及一种语音识别的特征提取方法及装置、电子设备和存储介质。

背景技术

语音识别技术，又称自动语音识别(Automatic Speech Recognition，ASR)，其目的是将人类的语音内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列等，即将声音转换为文字。语音识别技术的步骤一般包括特征提取、特征识别和解码等步骤。语音识别技术第一步，就是根据语音信号波形提取有效的声学特征。Fbank是语音特征参数提取方法之一，因其独特的基于倒谱的提取方式，更加的符合人类的听觉原理，因而也是最为普遍、最有效的语音特征提取算法。传统的Fbank特征提取流程一般包括预加重(Pre-emphasis)、分帧、加窗、傅里叶变换、梅尔滤波等。

特征提取过程中通常包含有傅里叶变换(Fourier Transform,FT)的操作，但是傅里叶变换的运算过程复杂且需要对应的运算库才能进行傅里叶变换的计算，例如，Fbank特征提取包含有短时傅里叶变换短时傅里叶变换(Short Time Fourier Transform,STFT)，但在语音识别模型导出成开放神经网络交换(Open Neural Network Exchange，ONNX)格式时，ONNX库并不支持STFT算子操作。相关技术中，将特征提取与模型导出分开进行，用其他运算库完成特征提取，用ONNX库完成模型的导出。

由于这种包含傅里叶变换的传统特征提取方法运算复杂且需要包含傅里叶算子的运算库，从而导致特征提取过程中运算成本高、耗时长的问题。

发明内容

本公开提供了一种语音识别的特征提取方法及装置、电子设备和存储介质。其主要目的在于解决采用傅里叶变换的特征提取方法运算复杂且需要包含傅里叶算子的运算库，从而导致特征提取过程中运算成本高、耗时长的问题。

根据本公开的第一方面，提供了一种语音识别的特征提取方法，其中，包括：

将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点；

在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量；

将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。

可选地，在将待处理语音信号输入SincNet网络之前，所述方法包括：

对原始语音数据进行预处理操作，得到所述待处理语音信号，所述预处理操作包括预加重操作，所述预加重操作用于增加语音信号中的高频分量；

响应于SincNet网络的参数设置指令，分别设置所述预设数量的滤波器的初始参数，所述初始参数包括中心频率参数及通带宽度参数。

可选地，所述将待处理语音信号输入SincNet网络，获取第一语音信号，包括：

将所述待处理语音信号分别输入所述SincNet网络对应数量的滤波器中；

基于所述滤波器的所述中心频率参数及通带宽度参数，分别获取对应的第一语音信号，所述第一语音信号的频率范围与通带宽度参数存在映射关系，所述第一语音信号的中心频率与所述滤波器的中心频率参数存在映射关系。

可选地，所述分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，包括：

按照所述采样点对应频率的排列顺序，将预设数量的采样点确定为一个语音片段；

基于所述语音片段对应的采样点数据，计算所述语音片段对应的频率的第一平均值及幅度值模平方的第二平均值，所述第一平均值与所述第二平均值一一对应；

按照所述第一平均值的排列顺序，将所述第一语音信号对应的所有第一平均值及第二平均值进行组合，得到所述第二语音信号。

可选地，所述将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号，包括：

基于所述第二语音信号对应的滤波器的中心频率参数及通带宽度参数，确定所述第二语音信号对应的频率范围；

根据所述频率范围对所有所述第二语音信号进行组合，得到所述目标特征信号。

可选地，在将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号之后，所述方法还包括：

对所述目标特征进行增强处理，得到增强后的目标特征信号。

根据本公开的第二方面，提供了一种语音识别的特征提取装置，包括：

输入单元，用于将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点；

计算单元，用于在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量；

组合单元，用于将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。

可选地，所述装置还包括：

预处理单元，用于在将待处理语音信号输入SincNet网络之前，对原始语音数据进行预处理操作，得到所述待处理语音信号，所述预处理操作包括预加重操作，所述预加重操作用于增加语音信号中的高频分量；

设置单元，用于响应于SincNet网络的参数设置指令，分别设置所述预设数量的滤波器的初始参数，所述初始参数包括中心频率参数及通带宽度参数。

可选地，所述输入单元包括：

输入模块，用于将所述待处理语音信号分别输入所述SincNet网络对应数量的滤波器中；

获取模块，用于基于所述滤波器的所述中心频率参数及通带宽度参数，分别获取对应的第一语音信号，所述第一语音信号的频率范围与通带宽度参数存在映射关系，所述第一语音信号的中心频率与所述滤波器的中心频率参数存在映射关系。

可选地，所述计算单元包括：

第一确定模块，按照所述采样点对应频率的排列顺序，将预设数量的采样点确定为一个语音片段；

计算模块，用于基于所述语音片段对应的采样点数据，计算所述语音片段对应的频率的第一平均值及幅度值模平方的第二平均值，所述第一平均值与所述第二平均值一一对应；

第一组合模块，用于按照所述第一平均值的排列顺序，将所述第一语音信号对应的所有第一平均值及第二平均值进行组合，得到所述第二语音信号。

可选地，所述组合单元包括：

第二确定模块，用于基于所述第二语音信号对应的滤波器的中心频率参数及通带宽度参数，确定所述第二语音信号对应的频率范围；

第二组合模块，用于根据所述频率范围对所有所述第二语音信号进行组合，得到所述目标特征信号。

可选地，所述装置还包括：

增强单元，用于在将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号之后，对所述目标特征进行增强处理，得到增强后的目标特征信号。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。

本公开提供的语音识别的特征提取方法及装置、电子设备和存储介质，将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点；在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量；将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。本公开提供了一种将SincNet网络作为滤波器来提取目标特征信号的特征提取方法，可直接对提取到的目标特征信号进行数据增强操作，与相关技术中采用傅里叶变换提取目标特征信号的方法相比，避免了傅里叶变换的操作，简化了计算过程，节约了计算成本，减少了计算时间。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开实施例所提供的一种语音识别的特征提取方法的流程示意图；

图2为本公开实施例提供的一种SincNet网络的滤波器组示意图；

图3为本公开实施例提供的一种目标特征信号的频谱示意图；

图4为本公开实施例提供的一种语音识别的特征提取装置的结构示意图；

图5为本公开实施例提供的另一种语音识别的特征提取装置的结构示意图；

图6为本公开实施例提供的示例电子设备300的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面参考附图描述本公开实施例的语音识别的特征提取方法、装置、电子设备和存储介质。

图1为本公开实施例所提供的一种语音识别的特征提取方法的流程示意图。

如图1所示，该方法包含以下步骤：

步骤101，将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点。

在本申请的实施例中，所述SincNet网络是用于直接处理语音信号的神经网络结构，这是一种新颖的卷积神经网络(Convolutional Neural Networks,，CNN)，SincNet基于参数化的Sinc函数，这些函数实现了带通滤波器，是对梅尔(Mel)滤波的一种卷积网络实现。所述带通滤波器(band-pass fi lter)是一个允许特定频段的信号通过同时屏蔽其他频段的信号的设备。

为了便于对所述待处理语音信号进行更好的理解，以所述待处理语音信号为一个16kHz的语音信号为例进行说明，在采样过程中，16kHz的采样率将原始语音信号划分为16000个等时间间隔的信号片段，每个信号片段内的信号幅度值(即信号强度)将被记录下来并转化为数字形式，因此，可以得到一个包含16000个采样点的数字信号序列，即所述待处理语音信号。

在一些实施例中，在将待处理语音信号输入SincNet网络之前，还需要对所述原始语音信号进行预处理操作，所述预处理操作包括对所述原始语音信号进行预加重操作。预加重是一种在发送端对输入信号高频分量进行补偿的信号处理方式。随着信号速率的增加，信号在传输过程中受损很大，为了在接收终端能得到比较好的信号波形，就需要对受损的信号进行补偿，预加重的目的是提升信号的高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱。同时，也是为了消除发生过程中声带和嘴唇的效应，来补偿语音信号受到发音系统所抑制的高频部分，也为了突出高频的共振峰。

为了便于对所述将待处理语音信号输入SincNet网络，获取第一语音信号进行更好的理解，以所述SincNet网络包括80个滤波器为例，所述滤波器为带通滤波器，请参考图2，图2为本申请实施例提供的一种SincNet网络的滤波器组示意图。如图2所示，将所述待处理语音信号输入每一个滤波器中，由于每个滤波器的中心频率参数及通带宽度参数均不相同，因此输出的每个第一语音信号的中心频率及频率范围各不相同，所述待处理语音信号在经过80个滤波器组成的滤波器组滤波之后，得到了80个所述第一语音信号，每个第一语音信号的中心频率和频率范围由与其对应的滤波器决定，若以上述包含16000个采样点的待处理语音信号为输入，则经过所述滤波器得到的第一语音信号均包含16000个采样点。

步骤102，在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量。

在获得所述第一语音信号之后，为了得到每个采样点对应的能量值，需要对所述第一语音信号的采样点的幅度值的模进行平方计算，得到所述采样点对应的幅度值的模平方(频率不可能为负，负值要舍去)，即所示第一语音信号的能量。在分别获取所述采样点对应的幅度值的模平方之后，将所述第一语音信号按照所述采样点对应频率的排列顺序，将预设数量的采样点确定为一个语音片段；例如，对于16000个采样点的第一语音信号，将所述预设数量设置为160，即按照所述采样点对应频率的排列顺序，将每160个采样点确定为一个语音片段，则所述第一语音信号被划分为100个语音片段。基于所述语音片段对应的采样点数据，所述采样点数据包括每个采样点对应的频率和幅度值的模平方，计算所述语音片段对应的频率的第一平均值及幅度值模平方的第二平均值，所述第一平均值与所述第二平均值一一对应；每个语音片段对应一个第一平均值及一个第二平均值，即一个采样点对应的频率和幅度值模平方，按照所述第一平均值的排列顺序，将所述第一语音信号对应的所有第一平均值及第二平均值进行组合，得到所述第二语音信号。这样，原本具有16000个采样点的第一语音信号经过预设算法的计算，就得到了具有100个采样点的第二语音信号，起到了降低数据量的作用。

步骤103，将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。

在得到所述第二语音信号之后，确定所述第二语音信号对应的频率范围；根据所述频率范围对所有所述第二语音信号进行组合，得到所述目标特征信号。在语音信号处理领域，需要将信号转换成对应的频谱图(spectrogram)，将语谱图上的数据作为信号的特征。为了对所述目标特征信号进行更好的理解，如图3所示，图3为本申请实施例提供的一种目标特征信号的频谱示意图。如图3所示，语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示该点的语音能量越强。

本公开提供的语音识别的特征提取方法，将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点；在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量；将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。本公开提供了一种将SincNet网络作为滤波器来提取目标特征信号的特征提取方法，可直接对提取到的目标特征信号进行数据增强操作，与相关技术中采用傅里叶变换提取目标特征信号的方法相比，避免了傅里叶变换的操作，简化了计算过程，节约了计算成本，减少了计算时间。

在一些实施例中，所述SincNet网络具有以下特征：

1.收敛快：SincNet利用了滤波器的相关知识，使得网络更加关注于滤波器参数对性能的影响。这些先验知识使得学习滤波器特性变得更加容易，收敛更快。

2.数据量少：SincNet极大地减少了语音信号的数据量。例如，对于F个长度为L的滤波器，标准CNN的数据量为F×L，而SincNet的数据量只有2F。假设滤波器的长度变为2L，则标准CNN的数据量会增加一倍，而SincNet不变。

3.计算高效：因为函数是对称的，所以在计算的时候只需要考虑滤波器的一边，可以减少50％的计算开销。

4.可解释：带通滤波器源自数字信号处理，这使得SincNet网络的滤波器具有很好的可解释性，在频率上的可解释意义。

在一些实施例中，为了对所述SincNet网络包含的滤波器进行更好地理解，在将待处理语音信号输入SincNet网络之前，响应于SincNet网络的参数设置指令，根据所述待处理语音信号的采样点数量，对每一个滤波器分别设置对应的初始参数，所述初始参数包括中心频率参数及通带宽度参数。所述中心频率是带通滤波器最重要的参数之一，是指信号通过带通滤波器后幅频特性波峰所在的频率位置。中心频率通常表示为fc，单位为赫兹(Hz)或千赫兹(kHz)。所述通带宽度是指带通滤波器在传递信号时通过的频率范围，也即是在该频率范围内信号可以通过滤波器而不受到太大影响的范围。通带宽度可以表示为Bw，单位为赫兹(Hz)或千赫兹(kHz)。因此，将所述待处理语音信号分别输入所述SincNet网络对应数量的滤波器，得到对应的第一语音信号，所述第一语音信号的频率范围与通带宽度参数存在映射关系，所述第一语音信号的中心频率与所述滤波器的中心频率参数存在映射关系。通过每个第一语音信号对应的滤波器的初始参数，就可以获得所述第一语音信号的中心频率和对应的频率范围。

在一些实施例中，通常采用池化操作实现预设算法的过程。所述池化操作的作用主要有以下几个方面：

1.减少数据量：池化操作可以将特征信号的大小降低，减少数据量，从而降低模型的计算复杂度。

2.提取重要特征：池化操作可以从输入数据中提取最显著的特征，将其保留下来，同时将其余特征舍弃。这样可以保留重要的特征，减少噪声的影响，提高模型的性能。

3.不变性：池化操作可以使模型对输入数据的变化具有一定的不变性。例如，最大池化操作可以使模型对输入数据的平移、旋转、缩放等变化具有一定的不变性。

4.防止过拟合：池化操作可以有效地减少模型的过拟合情况。过拟合是指模型在训练集上表现良好，但在测试集上表现差的情况。池化操作可以减少模型的参数量，从而降低过拟合的风险。

在一些实施例中，在得到所述目标特征之后，可直接对所述目标特征信号进行数据增强处理，所述数据增强处理的方法包括罗但不局限于SpecAugment(一种基于频谱的数据增强技术)。

综上所述，本公开实施例能达到以下效果：

1.通过SincNet网络直接获取语音信号，减少数据量，降低数据维度，舍弃了傅里叶变换的操作，降低了计算的复杂度。解决了语音信号的特征提取过程中运算成本高、耗时长的问题

2.通过对SincNet网络设置初始参数，不需要进行模型的训练也能获得目标特征信号，节省了计算时间。

与上述的语音识别的特征提取方法相对应，本发明还提出一种语音识别的特征提取装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。

图4为本公开实施例提供的一种语音识别的特征提取装置的结构示意图，如图4所示，包括：输入单元21、计算单元22、组合单元23。

输入单元21，用于将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点；

计算单元22，用于在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量；

组合单元23，用于将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。

进一步地，在本实施例一种可能的实现方式中，如图5所示，所述装置还包括：

预处理单元24，用于在将待处理语音信号输入SincNet网络之前，对原始语音数据进行预处理操作，得到所述待处理语音信号，所述预处理操作包括预加重操作，所述预加重操作用于增加语音信号中的高频分量；

设置单元25，用于响应于SincNet网络的参数设置指令，分别设置所述预设数量的滤波器的初始参数，所述初始参数包括中心频率参数及通带宽度参数。

进一步地，在本实施例一种可能的实现方式中，如图5所示，所述输入单元21包括：

输入模块211，用于将所述待处理语音信号分别输入所述SincNet网络对应数量的滤波器中；

获取模块212，用于基于所述滤波器的所述中心频率参数及通带宽度参数，分别获取对应的第一语音信号，所述第一语音信号的频率范围与通带宽度参数存在映射关系，所述第一语音信号的中心频率与所述滤波器的中心频率参数存在映射关系。

进一步地，在本实施例一种可能的实现方式中，如图5所示，所述计算单元22包括：

第一确定模块221，按照所述采样点对应频率的排列顺序，将预设数量的采样点确定为一个语音片段；

计算模块222，用于基于所述语音片段对应的采样点数据，计算所述语音片段对应的频率的第一平均值及幅度值模平方的第二平均值，所述第一平均值与所述第二平均值一一对应；

第一组合模块223，用于按照所述第一平均值的排列顺序，将所述第一语音信号对应的所有第一平均值及第二平均值进行组合，得到所述第二语音信号。

进一步地，在本实施例一种可能的实现方式中，如图5所示，所述组合单元23包括：

第二确定模块231，用于基于所述第二语音信号对应的滤波器的中心频率参数及通带宽度参数，确定所述第二语音信号对应的频率范围；

第二组合模块232，用于根据所述频率范围对所有所述第二语音信号进行组合，得到所述目标特征信号。

进一步地，在本实施例一种可能的实现方式中，如图5所示，所述装置还包括：

增强单元26，用于在将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号之后，对所述目标特征进行增强处理，得到增强后的目标特征信号。

本公开提供的语音识别的特征提取装置，将待处理语音信号输入SincNet网络，获取第一语音信号，其中，所述SincNet网络包括预设数量的滤波器，一个滤波器对应一个第一语音信号，所述第一语音信号包含预设数量的采样点；在分别获取所述采样点对应的幅度值的模平方之后，分别调用预设算法对所述第一语音信号进行计算，得到对应的第二语音信号，其中，所述第二语音信号的采样点数量小于所述第一语音信号的采样点数量；将所有所述第二语音信号按照频率范围进行组合，得到目标特征信号。本公开提供了一种将SincNet网络作为滤波器来提取目标特征信号的特征提取方法，可直接对提取到的目标特征信号进行数据增强操作，与相关技术中采用傅里叶变换提取目标特征信号的方法相比，避免了傅里叶变换的操作，简化了计算过程，节约了计算成本，减少了计算时间。

需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备300包括计算单元301，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)302中的计算机程序或者从存储单元308加载到RAM(Random AccessMemory，随机访问/存取存储器)303中的计算机程序，来执行各种适当的动作和处理。在RAM303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。I/O(Input/Output，输入/输出)接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如语音识别的特征提取方法。例如，在一些实施例中，语音识别的特征提取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述语音识别的特征提取方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Appl ication SpecificStandard Product，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(Complex Programmable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Di sc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。