[發(fā)明專利]一種基于深度學習的語音識別方法有效
| 申請?zhí)枺?/td> | 202310914137.7 | 申請日： | 2023-07-25 |
| 公開（公告）號： | CN116631410B | 公開（公告）日： | 2023-10-24 |
| 發(fā)明（設計）人： | 陳志豐;張靈芝 | 申請（專利權(quán)）人： | 陳志豐 |
| 主分類號： | G10L17/18 | 分類號： | G10L17/18;G10L15/16;G10L21/0216 |
| 代理公司： | 北京博識智信專利代理事務所(普通合伙) 16067 | 代理人： | 徐佳慧 |
| 地址： | 100015 北京市朝陽區(qū)酒仙橋*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 語音 識別 方法 | ||
1.一種基于深度學習的語音識別方法，其特征在于：該方法包括以下步驟：
步驟S1：音源采集；
步驟S2：音源預處理；
步驟S3：抗噪增強；
步驟S4：口語理解；
步驟S5：說話人識別；
步驟S6：語音識別；
在步驟S2中，所述音源預處理包括采樣率調(diào)整、音量歸一化和聲道歸一化，得到單聲道音源數(shù)據(jù)SMA；
在步驟S3中，所述抗噪增強，包括以下步驟：
步驟S31：采用時頻去噪網(wǎng)絡對所述單聲道音源數(shù)據(jù)SMA進行抗噪處理；
步驟S32：使用語音解碼數(shù)據(jù)和噪聲解碼數(shù)據(jù)，通過多種訓練損失函數(shù)，進行預測模型訓練，計算得到多種訓練損失，并得到抗噪增強預測模型；
步驟S33：通過抗噪增強預測模型，對單聲道音源數(shù)據(jù)SMA進行語抗噪增強，得到抗噪增強語音數(shù)據(jù)SAN。
2.根據(jù)權(quán)利要求1所述的一種基于深度學習的語音識別方法，其特征在于：在步驟S31中，所述采用時頻去噪網(wǎng)絡對所述單聲道音源數(shù)據(jù)SMA進行抗噪處理，包括以下步驟：
步驟S311：通過編碼器encoder，計算得到單聲道音源編碼數(shù)據(jù)ESMA，計算公式為：
；
其中，是編碼器函數(shù)，所述編碼器函數(shù)具體由短時傅里葉變換函數(shù)和ReLu激活函數(shù)構(gòu)成的可學習一維卷積組成，SMA是單聲道音源數(shù)據(jù)；
步驟S312：通過掩碼估計網(wǎng)絡MaskEstNet，計算去噪掩碼，計算公式為：
；
其中，是去噪掩碼，MaskV是語音數(shù)據(jù)掩碼，MaskN是噪聲數(shù)據(jù)掩碼，是掩碼估計網(wǎng)絡；
步驟S313：通過解碼器decoder，計算得到語音解碼數(shù)據(jù)，計算公式為：
；
其中，是語音解碼數(shù)據(jù)，是解碼器函數(shù)，所述解碼器函數(shù)是逐元素點乘運算，具體由逆短時傅里葉變換函數(shù)和可學習的一維反卷積層組成，MaskV是語音數(shù)據(jù)掩碼，是點積運算，ESMA是單聲道音源編碼數(shù)據(jù)；
步驟S314：通過解碼器decoder，計算得到噪聲解碼數(shù)據(jù)，計算公式為：
；
其中，是噪聲解碼數(shù)據(jù)，是解碼器函數(shù)，所述解碼器函數(shù)是逐元素點積運算，具體由逆短時傅里葉變換函數(shù)和可學習的一維反卷積層組成，MaskV是語音數(shù)據(jù)掩碼，是點積運算，ESMA是單聲道音源編碼數(shù)據(jù)。
3.根據(jù)權(quán)利要求2所述的一種基于深度學習的語音識別方法，其特征在于：在步驟S32中，所述使用語音解碼數(shù)據(jù)和噪聲解碼數(shù)據(jù)，通過多種訓練損失函數(shù)，進行預測模型訓練，包括以下步驟：
步驟S321：通過信噪比損失函數(shù)LSNR，在保留單聲道音源數(shù)據(jù)SMA的原始規(guī)模的基礎上進行音源增強，所述信噪比損失函數(shù)LSNR的計算公式為：
；
其中，是信噪比損失函數(shù)，θ是預測模型參數(shù)，是信噪比函數(shù)，是純凈語音數(shù)據(jù)和語音增強得到的語音解碼數(shù)據(jù)之間的信噪比；
步驟S322：通過對數(shù)均方誤差損失函數(shù)Llog-MSE，降低預測語音和真實語音之間的差異，所述對數(shù)均方誤差損失函數(shù)Llog-MSE的計算公式為：
；
其中，是對數(shù)均方誤差損失函數(shù)，θ是預測模型參數(shù)，是純凈語音數(shù)據(jù)的振幅譜，MaskV是語音數(shù)據(jù)掩碼，是點積運算，ESMA是單聲道音源編碼數(shù)據(jù)，||·||2是歐幾里得范數(shù)；
步驟S323：通過噪聲重建損失函數(shù)LNR，提高模型的魯棒性，所述噪聲重建損失函數(shù)LNR的計算公式為：
；
其中，是噪聲重建損失函數(shù)，θ是預測模型參數(shù)，是信噪比函數(shù)，是純凈語音數(shù)據(jù)和語音增強得到的語音解碼數(shù)據(jù)之間的信噪比，是純凈噪聲數(shù)據(jù)和語音增強得到的噪聲解碼數(shù)據(jù)之間的信噪比。
該專利技術資料僅供研究查看技術是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于陳志豐，未經(jīng)陳志豐許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202310914137.7/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
