簡析三星新專利，語音識別技術(shù)的新方法

（文章來源：半導(dǎo)體投資聯(lián)盟）

語音識別技術(shù)是指通過計算裝置的分析來識別或理解如人類發(fā)出的語音等的聲學(xué)信號的技術(shù)。近年來隨著基于深度學(xué)習(xí)(deep learning)的機(jī)器學(xué)習(xí)(machine learning)技術(shù)的成熟，各行各業(yè)開始紛紛引入深度學(xué)習(xí)技術(shù)來尋求實際問題的解決。

語音識別技術(shù)的第一梯隊公司三星公司便率先引入深度學(xué)習(xí)技術(shù)并結(jié)合利用反映了識別對象語言的結(jié)構(gòu)特性的學(xué)習(xí)數(shù)組的方法來提升使用語音識別準(zhǔn)確性。上述方法在三星公司的新專利“語音識別方法”中被提出，其專利號（CN109215637A）。

三星公司提出的語音識別主要是提供兩個方面來提升識別準(zhǔn)確率的，第一是構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)聲學(xué)模型，利用深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)大的特征提取能力來獲取語音數(shù)據(jù)中的語音信息。第二個是利用了反映識別對象語言的結(jié)構(gòu)特性，從語音本質(zhì)上出發(fā)去獲取語音特征信息。接下來小編將詳細(xì)的進(jìn)行敘述三星公司的語音技術(shù)新方法。

該專利中提出的語音識別裝置如圖所示，包括學(xué)習(xí)數(shù)據(jù)獲取部、目標(biāo)標(biāo)簽構(gòu)成部和聲學(xué)模型構(gòu)建部、語音輸入部、目標(biāo)標(biāo)簽預(yù)測部以及解碼部。學(xué)習(xí)書籍獲取部主要是用戶獲取構(gòu)成目標(biāo)標(biāo)簽的原始學(xué)習(xí)數(shù)據(jù)組如最初的語音文本。目標(biāo)標(biāo)簽部從包含在原始學(xué)習(xí)數(shù)組中文本以反映識別對象語言的機(jī)構(gòu)特性的方法構(gòu)成目標(biāo)標(biāo)簽。

聲學(xué)模型構(gòu)建部主要是構(gòu)建關(guān)于深度神經(jīng)網(wǎng)絡(luò)模型的聲學(xué)模型，用于識別語音的輸入和目標(biāo)標(biāo)簽的預(yù)測輸出。解碼部主要是通過使用聲學(xué)模型對輸入的語音進(jìn)行目標(biāo)標(biāo)簽的預(yù)測輸出，根據(jù)輸出的預(yù)測來進(jìn)行解碼得到最終的語言文本。

該專利中最核心的部分是使用目標(biāo)標(biāo)簽構(gòu)成部來利用對象語言的機(jī)構(gòu)特性。目標(biāo)標(biāo)簽構(gòu)成部120可將包含在原始學(xué)習(xí)數(shù)據(jù)組310中的文本以字母為單位進(jìn)行分離并且以后述方式構(gòu)成反映了識別對象語言的結(jié)構(gòu)特性的四個級別的目標(biāo)標(biāo)簽。比如說，在識別對象語言的字母自身作為一個文字使用的英語的情況下，當(dāng)學(xué)習(xí)數(shù)據(jù)310a的文本為“ nice to meet you”時，學(xué)習(xí)數(shù)據(jù)330a的第一級別目標(biāo)標(biāo)簽可由“nice$to$meet$you”構(gòu)成。

在經(jīng)過目標(biāo)標(biāo)簽構(gòu)成部的構(gòu)造后，深度神經(jīng)網(wǎng)絡(luò)的輸入端和輸出端便有了結(jié)果。首先，是獲取原始學(xué)習(xí)數(shù)據(jù)組，通過將包含在原始學(xué)習(xí)數(shù)據(jù)中的文本信息以字母為單位進(jìn)行分離來構(gòu)成目標(biāo)標(biāo)簽，作為聲學(xué)模型的輸出端。聲學(xué)模型的輸入端便是語音數(shù)據(jù)，通過學(xué)習(xí)包含在原始學(xué)習(xí)數(shù)據(jù)中的學(xué)習(xí)用語音數(shù)據(jù)及目標(biāo)標(biāo)簽，來訓(xùn)練聲學(xué)模型。

三星公司中專利的語音識別技術(shù)屬于改進(jìn)后的端對端深度學(xué)習(xí)模型，改進(jìn)的地方在于把傳統(tǒng)的端對端的深度學(xué)習(xí)模型的語音文本輸出端改成了目標(biāo)標(biāo)簽輸出端，而這目標(biāo)標(biāo)簽輸出端能很好的體現(xiàn)要識別的對象語言的結(jié)構(gòu)特性。當(dāng)然這也給整個系統(tǒng)帶來了一定的復(fù)雜性，因為最終的聲學(xué)模型的輸出還需要經(jīng)過一個對象語言解碼端，但是該專利中的方法還是帶來了語音識別技術(shù)的準(zhǔn)確性提高。
? ? ?