语音识别的方法、服务器、存储介质和程序产品与流程

本申请涉及计算机技术，尤其涉及一种语音识别的方法、服务器、存储介质和程序产品。

背景技术：

1、在语音识别系统中，除了识别准确率外，识别速度也是一项关键的指标。目前流行的语音识别模型多是自回归transformer模型，以自回归的方式产生输出，每一时间步的输出需依赖之前时间步的输出，这使得解码输出识别结果的时间与输出识别结果的长度成正比，这导致解码输出的速度慢，语音识别的效率低。尤其在输出序列较长的语音识别场景中，语音识别的速度很慢、效率很低。

技术实现思路

1、本申请提供一种语音识别的方法、服务器、存储介质和程序产品，用以解决自回归的语音识别模型语音识别速度慢、效率低的问题。

2、第一方面，本申请提供一种语音识别方法，包括：

3、获取待识别的语音数据；

4、将所述语音数据输入语音识别模型，通过所述语音识别模型提取所述语音数据的语音特征，对所述语音特征进行连接时序分类处理，得到初步的文本序列预测结果，根据所述初步的文本序列预测结果和所述语音特征，解码生成所述语音数据的语音识别结果。

5、第二方面，本申请提供一种语音识别方法，包括：

6、响应于端侧设备对语言识别模型的调用请求，获取待识别的语音数据；

7、将所述语音数据输入语音识别模型，通过所述语音识别模型提取所述语音数据的语音特征，对所述语音特征进行连接时序分类处理，得到初步的文本序列预测结果，根据所述初步的文本序列预测结果和所述语音特征，生成所述语音数据的语音识别结果；

8、向所述端侧设备返回所述语音数据的语音识别结果。

9、第三方面，本申请提供一种服务器，包括：

10、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，以使所述服务器执行如前述任一方面所提供的方法。

11、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如前述任一方面所提供的方法。

12、第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如前述任一方面所提供的方法。

13、本申请提供的语音识别的方法、服务器、存储介质和程序产品，在对语音数据进行语音识别时，通过语音识别模型提取语音数据的语音特征，对语音特征进行连接时序分类处理，实现语音与文本的对齐，生成一个初步的文本序列预测结果，该初步的文本序列预测结果的长度也即是最终语音识别结果的长度；进一步地，根据初步的文本序列预测结果和语音特征，解码生成语音数据的语音识别结果，实现非自回归的语音识别，通过一步解码即可生成最终的语音识别结果，大大节省了解码输出语音识别结果的时间开销，提升了语音识别的速度和效率，并且可以取得较高的识别准确率。

技术特征：

1.一种语音识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述语音特征进行连接时序分类处理，得到初步的文本序列预测结果，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述连接时序分类预测结果进行后处理，得到初步的文本序列预测结果，包括：

4.根据权利要求3所述的方法，其特征在于，将所述连接时序分类预测结果中连续的重复帧合并，得到合并预测结果，包括：

5.根据权利要求2所述的方法，其特征在于，所述根据所述初步的文本序列预测结果和所述语音特征，解码生成所述语音数据的语音识别结果，包括：

6.根据权利要求1所述的方法，其特征在于，所述提取所述语音数据的语音特征，包括：

7.根据权利要求1所述的方法，其特征在于，所述语音识别模型包括：声学特征提取模块、编码模块、连接时序分类模块、后处理模块、映射模块和解码模块，

8.根据权利要求1-7中任一项所述的方法，其特征在于，还包括：

9.根据权利要求8所述的方法，其特征在于，所述对所述语音样本的语音特征进行连接时序分类处理，得到所述语音样本的初步的文本序列预测结果，包括：

10.根据权利要求8所述的方法，其特征在于，根据所述语音样本的初步的文本序列预测结果和语音特征，生成所述语音样本的预测识别结果，包括：

11.根据权利要求10所述的方法，其特征在于，所述将所述语音样本的隐层嵌入与所述语音样本的参考文本的标记序列的嵌入混合，获得所述语音样本的混合嵌入，包括：

12.根据权利要求11所述的方法，其特征在于，还包括：

13.根据权利要求1-7中任一项所述的方法，其特征在于，所述获取待识别的语音数据，包括：

14.一种语音识别方法，其特征在于，包括：

15.一种服务器，其特征在于，包括：

16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-14任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-14任一项所述的方法。

技术总结
本申请提供一种语音识别的方法、服务器、存储介质和程序产品。本申请的方法，在对语音数据进行语音识别时，通过语音识别模型提取语音数据的语音特征，对语音特征进行CTC处理，实现语音与文本的对齐，生成一个初步的文本序列预测结果，该初步的文本序列预测结果的长度也即是最终语音识别结果的长度；进一步地，根据初步的文本序列预测结果和语音特征，解码生成语音数据的语音识别结果，实现非自回归的语音识别，通过一步解码即可生成最终的语音识别结果，大大节省了解码输出语音识别结果的时间开销，提升了语音识别的速度和效率，并且可以取得较高的识别准确率。

技术研发人员：安柯宇,张仕良,李泽瑞
受保护的技术使用者：阿里巴巴（中国）有限公司
技术研发日：
技术公布日：2024/9/17