一种离线语音识别方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种离线语音识别方法、装置、电子设备及存储介质。

背景技术

在很多家用设备或者是玩具中，都需要具备离线语音识别的功能，很多情况下考虑性价比的原因，一般会选择单麦离线语音的方案进行开发设计。但是单麦离线语音的方案因为其不具备降噪、易干扰等特性，经常容易出现误识别的现象，从而造成机器人等具有离线语音识别功能的设备的误动作，使得机器人等设备的功能不稳定，影响用户体验。

发明内容

本申请提供了一种离线语音识别方法、装置、电子设备及存储介质，以提高单麦离线语音识别准确率。

第一方面，本申请实施例提供了一种离线语音识别方法，该方法包括：

根据至少两个命令词语的重音节数量，从所述至少两个命令词语中选择待处理命令词语；

根据所述待处理命令词语的声纹特征和候选词语的声纹特征，从所述候选词语中确定所述待处理命令词语的干扰词语；

根据所述至少两个命令词语和所述待处理命令词语的干扰词语，对离线语音识别模型进行优化。

第二方面，本申请实施例提供了一种离线语音识别装置，该装置包括：

命令词语选择模块，用于根据至少两个命令词语的重音节数量，从所述至少两个命令词语中选择待处理命令词语；

干扰词语确定模块，用于根据所述待处理命令词语的声纹特征和候选词语的声纹特征，从所述候选词语中确定所述待处理命令词语的干扰词语；

模型优化模块，用于根据所述至少两个命令词语和所述待处理命令词语的干扰词语，对离线语音识别模型进行优化。

第三方面，本申请实施例提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请任一实施例所述的离线语音识别方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请任一实施例所述的离线语音识别方法。

本申请实施例的技术方案，通过引入重音节数量，从至少两个命令词语中选择待处理命令词语；并根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语；根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。通过上述技术方案，提高了单麦离线语音识别准确率，进而提升了产品的稳定性和可靠性，提升了用户体验。

附图说明

图1是本申请实施例一提供的一种离线语音识别方法的流程图；

图2是本申请实施例二提供的一种离线语音识别方法的流程图；

图3是本申请实施例三提供的一种离线语音识别方法的流程图；

图4是本申请实施例四提供的一种离线语音识别装置的结构示意图；

图5是本申请实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请实施例，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请实施例相关的部分而非全部结构。

实施例一

图1为本申请实施例一提供的一种离线语音识别方法的流程图，本实施例可适用于如何提高单麦离线语音识别准确率的情况。该方法可以由本申请实施例提供的离线语音识别装置来执行，该装置可采用硬件和/或软件的方式实现，并可集成于承载离线语音识别功能的电子设备中，如机器人中等。参见图1，该方法具体可以包括：

S110、根据至少两个命令词语的重音节数量，从至少两个命令词语中选择待处理命令词语。

其中，命令词语是指用于语音唤醒和控制具有离线语音识别功能的电子设备的词语，例如，杯子、绕弯儿、前进、后退、stop、Show time、Listen to me等。重音节是指词语中读音相对有力或突出的音节。

考虑到实际交互场景，在词语的重音节数量较少的情况下，容易产生误识别，为提高离线语音识别的准确率，本实施例引入重音节数量，从多个命令词语中选出重音节数量相对较少的命名词语进行处理。也就是说，所谓待处理命令词为多个命令词语中重音节数量较少，需要进行处理的命令词语。可选的，待处理命令词语的数量可以为一个或多个。

可选的，本实施例可以通过命令词重音节生成器，确定每个命令词语的重音节数量，之后可以根据每个命令词语的重音节数量，从多个命令词语中选择待处理命令词。例如可以是：针对每一命令词语，若该命令词语的重音节数量小于设定数量，则将该命令词语作为待处理命令词语。其中，设定数量是根据实际情况设定的，可灵活调整。例如，设定数量为1，上述示例中的“stop”的重音节数量为1，则将“stop”确定为待处理命令词语。

S120、根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语。

其中，声纹特征是指是用电声学仪器显示的携带言语信息的声波频谱。不同词语的声纹特征不同。候选词语为从预先构建的词语库中选择的一个或多个词语，进一步的，本实施例中候选词语的数量优选为多个；可选的，从预先构建的词语库中选择候选词语可以是将词语库中与待处理命名词语声纹相似但词意不同的词语作为候选词语。干扰词语是候选词语中的一个或多个，例如可以是候选词语中声纹特征与待处理命令词语的声纹特征最相近的词语，或者还可以是候选词语中声纹特征与待处理命令词语的声纹特征之间的相似度大于设定数值的词语。

可选的，根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语可以是：确定待处理命令词语的声纹特征和候选词语的声纹特征之间的声纹相似度；根据声纹相似度，从候选词语中确定待处理命令词语的干扰词语。本实施例中，待处理命令词语的声纹特征和候选词语的声纹特征之间的声纹相似度可以用待处理命令词语的声纹特征和候选词语的声纹特征之间的余弦相似度来表征。

具体的，针对候选词语中的每一个词语，计算待处理命令词语的声纹特征和该词语的声纹特征之间的声纹相似度；若声纹相似度在预设数值范围内，则将该词语作为待处理命令词语的干扰词语。其中，预设数值范围是根据实际情况设定的。例如，待处理命令词语为“stop”，和候选词语中的一个词语“store”，“stop”和“store”的声纹相似，但是词意不同，则将“store”作为“stop”的干扰词语。

S130、根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。

其中，离线语音识别是指让机器通过识别和理解把语音信号转变为相应的文本或命令的高科技技术，离线语音识别模型是指实现离线语音识别的一种模型识别策略。

本实施例中，将至少两个命令词语和待处理的命令词语的干扰词语导入至离线语音识别模型中，通过实际的语音测试，不断优化离线语音识别模型。对于识别准确率不能达到预设准确率的命令词语，进行优化，具体优化过程在后续实施例中具体阐述。

需要说明的是，在实际测试优化过程中，设定离线语音识别中，在比对声纹时，只要相似度高于80％，即认为是高度相似。然后在高度相似的命令词语中，选择相似度最高的命令词语作为最终的识别结果。假如离线语音模块收到了一个干扰声纹和“stop”的声纹相似度为85.6％，在没有加入“干扰词语”时，因干扰声纹和“stop”的相似度最高，则会误认为识别到“stop”，加入干扰词语“store”之后，该干扰声纹和“store”的匹配度更高，为90.6％，则此声纹识别结果为“store”，当识别成“store”时，机器不设置对应的动作或者反馈，只有识别到“stop”时，才有动作或者反馈，以此来实现降低误动作或者误反馈的概率。

本申请实施例的技术方案，通过引入重音节数量，从至少两个命令词语中选择待处理命令词语；并根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语；根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。通过上述技术方案，提高了单麦离线语音识别准确率，进而提升了产品的稳定性和可靠性，提升了用户体验。

实施例二

图2是本申请实施例二提供的一种离线语音识别方法的流程图；在上述实施例的基础上，进行了优化，具体为在操作“根据至少两个命令词语的重音节数量，从至少两个命令词语中选择待处理命令词语”之前，对命令词语进行优化处理，以避免“儿化音词”和“轻声词”导致机器误识别的问题。

如图2所示，该方法具体包括：

S210、根据拼音特征和/或声纹特征，从至少两个命令词语中确定第一合规命令词语和不合规命令词语。

其中，不合规命令词语是指命令词语中有“儿化音词语”和/或“轻声词语”的命令词语，例如“杯子、绕弯儿”。合规命令词语是指命令词语中不包含“儿化音词语”和/或“轻声词语”的命令词语。

本实施例中，根据至少两个命令词语的拼音特征和/或声纹特征，从至少两个命令词语中筛选出第一合规命令词语和不合规命令词语。例如，上述示例的杯子、绕弯儿、前进、后退、stop、Show time、Listen to me等中，杯子、绕弯儿为不合规命令词语，前进、后退、stop、Show time、Listen to me为第一合规命令词语。

S220、对不合规命令词语，进行同义转换，得到不合规命令词语关联的第二合规命令词语。

本实施例中，所谓第二合规命令词语为与不合规命令词语词义相同的词语，进一步的，第二合规命令词语中不包含“儿化音词语”和/或“轻声词语”。

在离线语音识别时，由于不合规命令词语的出现，例如“轻声词语”，会导致机器误识别的问题；同样的，儿化音的命令词语由于发音不够明显，导致声纹特征不明显，也容易产生机器误识别的情况。例如，“杯子”，在机器离线语音识别过程中，在接收到“被子”的时候，机器会识别成“杯子”。因此，为了避免上述问题，本实施例中，对不合规命令词语，进行同义转换，得到不合规命令词语关联的第二合规命令词语。例如，将“杯子”改为“纸杯”，在机器离线语音识别过程中，就可以避免接收到语音为“被子”时，识别成“杯子”的问题。

S230、将第一合规命令词语和第二合规命令词语组成新的至少两个命令词语。

本实施例中，将第一合规命令词语和第二合规命令词语组成新的至少两个命令词语，得到优化后的实际命令词语。例如，上述示例中的命令词语，优化后为：纸杯、转弯、前进、后退、stop、store、Show time、Listen to me。

S240、根据至少两个命令词语的重音节数量，从至少两个命令词语中选择待处理命令词语。

S250、根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语。

S260、根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。

本申请实施例的技术方案，在确定待处理命令词语之前，对命令词语进行优化处理，对不合规命令词语进行同义转换，得到合规命令词语，避免了使用“儿化音词”和/或“轻声词”这些命令词语而影响离线语音识别准确率，同时进一步提高了离线语音识别准确率，提升了产品的稳定性和可靠性，提升了用户体验。

实施例三

图3是本申请实施例三提供的一种离线语音识别方法的流程图；在上述实施例的基础上，进行优化，在离线语音识别模型优化之后，增加对命令词语和命令词语的干扰词语的优化过程。

如图3所示，该方法具体可以包括：

S310、根据至少两个命令词语的重音节数量，从至少两个命令词语中选择待处理命令词语。

S320、根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语。

S330、根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。

S340、若监测到离线语音识别模型的识别准确率低于设定值，则对至少两个命令词语和/或待处理命令词语的干扰词语进行优化。

在实际测试离线语音识别模型的过程中，由于命令词语的重音节不够明显等原因导致离线语音识别模型的识别准确率低，或者由于命令词语的干扰词语与命令词语太相似，导致机器将命令词语识别成干扰词语而不作响应，进而使得离线语音识别模型的识别准确率低。本实施例中，为了解决上述问题，在离线语音识别过程中，若监测到离线语音识别模型的识别准确率低于设定值，则对至少两个命令词语和/或待处理命令词语的干扰词语进行优化。其中，设定值是根据实际情况设定的，例如95％。

可选的，对待处理命令词语的干扰词语进行优化，可以是，若待处理命令词语和待处理命令词语的干扰词语之间的声纹相似度大于设定阈值，则从候选词语中重新确定待处理命令词语的干扰词语。其中，设定阈值是根据实际情况设定的，例如95％。

具体的，计算待处理命令词语和待处理命令词语的干扰词语之间的声纹相似度；若待处理命令词语和待处理命令词语的干扰词语之间的声纹相似度大于设定阈值，则根据待处理命令词语与的声纹特征和候选词语中的词语的声纹特征，从候选词语中重新确定待处理命令词语的干扰词语。

可选的，对命令词语的优化可以是，基于同义转换，从候选词语中，选择与命令词语的词意相同的其他词语代替当前的命令词语。还可以是通过收集人声，然后进行语音合成(即将命令词语的声纹和人声采集的声纹进行合成)，生成新的与命令词语的词意相同的命令词语等。

本申请实施例的技术方案，通过检测离线语音识别模型的识别准确率，若监测到离线语音识别模型的识别准确率低于设定值，则对至少两个命令词语和待处理命令词语的干扰词语进行优化，进步提高了离线语音识别准确率，提升了产品的稳定性和可靠性，提升了用户体验。

实施例四

图4是本申请实施例四提供的一种离线语音识别装置的结构示意图；本实施例可适用于如何提高单麦离线离线语音识别准确率的情况。该装置可采用硬件和/或软件的方式实现，并可集成于承载离线语音识别功能的电子设备中，如机器人中等。

如图4所示，该装置可以包括命令词语选择模块410、干扰词语确定模块420和模型优化模块430，其中，

命令词语选择模块410，用于根据至少两个命令词语的重音节数量，从至少两个命令词语中选择待处理命令词语；

干扰词语确定模块420，用于根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语；

模型优化模块430，用于根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。

本申请实施例的技术方案，通过引入重音节数量，从至少两个命令词语中选择待处理命令词语；并根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语；根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。通过上述技术方案，提高了单麦离线语音识别准确率，进而提升了产品的稳定性和可靠性，提升了用户体验。

进一步地，上述装置还包括命令词语筛选模块、第二合规命令词语确定模块和新命令词语确定模块，其中，

命令词语筛选模块，根据拼音特征和/或声纹特征，从至少两个命令词语中确定第一合规命令词语和不合规命令词语；

合规命令词语确定模块，用于对不合规命令词语，进行同义转换，得到不合规命令词语关联的第二合规命令词语；

新命令词语确定模块，用于将第一合规命令词语和第二合规命令词语组成新的至少两个命令词语。

进一步地，命令词语选择模块410具体用于：

针对每一命令词语，若该命令词语的重音节数量小于设定数量，则将该命令词语作为待处理命令词语。

进一步地，干扰词语确定模块420包括声纹相似度确定单元和干扰词语确定单元，其中，

声纹相似度确定单元，用于确定待处理命令词语的声纹特征和候选词语的声纹特征之间的声纹相似度；

干扰词语确定单元，用于根据声纹相似度，从候选词语中确定待处理命令词语的干扰词语。

进一步地，上述装置还包括优化模块，用于，

若监测到离线语音识别模型的识别准确率低于设定值，则对至少两个命令词语和待处理命令词语的干扰词语进行优化。

进一步地，优化模块包括干扰词语优化单元，该干扰词语优化单元，用于若待处理命令词语和待处理命令词语的干扰词语之间的声纹相似度大于设定阈值，则从候选词语中重新确定待处理命令词语的干扰词语。

上述实施例种提供的离线语音识别装置可执行本申请任意实施例所提供的离线语音识别方法，具备执行该方法相应的功能模块和有益效果。

实施例五

图5是本申请实施例五提供的一种电子设备的结构示意图，图5示出了适于用来实现本申请实施例实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。可选的，本实施例中的电子设备典型可以是具有离线语音识别功能的电子设备，如机器人等。

如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请实施例各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请实施例所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的离线语音识别方法。

实施例六

本申请实施例六还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本申请实施例所提供的离线语音识别方法，包括：

根据至少两个命令词语的重音节数量，从至少两个命令词语中选择待处理命令词语；

根据待处理命令词语的声纹特征和候选词语的声纹特征，从候选词语中确定待处理命令词语的干扰词语；

根据至少两个命令词语和待处理命令词语的干扰词语，对离线语音识别模型进行优化。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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、或半导体的系统、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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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系统、装置或者器件使用或者与其结合使用。

计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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申请实施例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)。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请实施例进行了较为详细的说明，但是本申请实施例不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。