-
公开(公告)号：CN110858480B
公开(公告)日：2022-05-17
申请号：CN201810928881.1
申请日：2018-08-15
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Abstract: 本发明公开了一种基于N元文法神经网络语言模型的语音识别方法，所述方法包括：步骤1)建立并训练一个n阶N元文法神经网络语言模型；步骤2)对于每一条测试语音u，利用识别器选取K个得分最高的候选结果；基于训练好的n阶N元文法神经网络语言模型重新计算K个候选结果的语言模型得分；然后重新计算K个候选结果的得分，选取得分最高的候选结果作为测试语音u的最终识别结果。本发明的语音识别方法的性能及计算效率均优于基于RNN的语言模型的语音识别方法。
-
公开(公告)号：CN109427330A
公开(公告)日：2019-03-05
申请号：CN201710790753.0
申请日：2017-09-05
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
IPC: G10L15/14
Abstract: 本发明一种基于统计语言模型得分规整的语音识别方法，所述方法包括：步骤1)建立和训练若干个基于多尺度马尔科夫假设的统计语言模型；包括：k阶统计N元文法语言模型，k-1个不同阶数的统计N元文法语言模型和k-1个不同阶数的改进的统计N元文法语言模型；步骤2)将待识别语音进行第一遍解码，得到L条候选语音s；步骤3)利用步骤1)的若干个基于多尺度马尔科夫假设的统计语言模型计算L条候选语音s的语言模型得分，结合声学模型得分计算出每条候选语音的得分；步骤4)选出得分最高的候选语音作为第二遍解码结果；该结果为最终的识别结果。本发明的方法对于识别错误具有良好的容错性，能够有效的提升语音识别的正确率。
-
公开(公告)号：CN108109624B
公开(公告)日：2021-06-08
申请号：CN201611049017.1
申请日：2016-11-23
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Abstract: 本发明提供了一种基于统计规律的中文词汇表未登录词比率的估计方法，利用本发明提供的估计方法，解决了无法直接计算中文词汇表未登录词比率的技术问题；相比于采用字错误率(CER)衡量方法，本发明的估计方法通过采用中文词汇表未登录词比率来衡量中文识别系统性能，不仅省去了解码语音数据的时间，从而缩短评价某个特定中文语音识别系统所需的时间，而且可以在中文语音识别系统搭建之初选择性能最佳的中文词汇表，进而得到性能最佳的中文语音识别系统。
-
Patent Agency Ranking
公开(公告)号：CN109427330B
公开(公告)日：2023-04-07
申请号：CN201710790753.0
申请日：2017-09-05
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
IPC: G10L15/14
Abstract: 本发明一种基于统计语言模型得分规整的语音识别方法，所述方法包括：步骤1)建立和训练若干个基于多尺度马尔科夫假设的统计语言模型；包括：k阶统计N元文法语言模型，k‑1个不同阶数的统计N元文法语言模型和k‑1个不同阶数的改进的统计N元文法语言模型；步骤2)将待识别语音进行第一遍解码，得到L条候选语音s；步骤3)利用步骤1)的若干个基于多尺度马尔科夫假设的统计语言模型计算L条候选语音s的语言模型得分，结合声学模型得分计算出每条候选语音的得分；步骤4)选出得分最高的候选语音作为第二遍解码结果；该结果为最终的识别结果。本发明的方法对于识别错误具有良好的容错性，能够有效的提升语音识别的正确率。
-
公开(公告)号：CN108109624A
公开(公告)日：2018-06-01
申请号：CN201611049017.1
申请日：2016-11-23
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Abstract: 本发明提供了一种基于统计规律的中文词汇表未登录词比率的估计方法，利用本发明提供的估计方法，解决了无法直接计算中文词汇表未登录词比率的技术问题；相比于采用字错误率(CER)衡量方法，本发明的估计方法通过采用中文词汇表未登录词比率来衡量中文识别系统性能，不仅省去了解码语音数据的时间，从而缩短评价某个特定中文语音识别系统所需的时间，而且可以在中文语音识别系统搭建之初选择性能最佳的中文词汇表，进而得到性能最佳的中文语音识别系统。
-
公开(公告)号：CN110085215B
公开(公告)日：2021-06-08
申请号：CN201810064982.9
申请日：2018-01-23
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Abstract: 本发明涉及一种基于生成对抗网络的语言模型数据增强方法，该方法包括：训练集S包含的都是正样本数据，生成模型Gθ生成的数据都是负样本数据，通过单独交替迭代训练生成模型Gθ和判别模型Dφ，迭代一定次数后，直到生成模型Gθ收敛，利用生成模型Gθ采样生成序列数据集合在上估计N元文法语言模型在训练数据集上估计N元文法语言模型最终通过插值算法得到增强的语言模型。针对现有技术中语言模型数据增强方法的存在的暴露偏差问题，本发明可以在一定程度上缓解暴露偏差问题，提高生成文本数据的质量，进而提高语言模型的性能，还可以有效提升低资源条件下N元文法语言模型的性能，以及相应语音识别系统的性能。
-
公开(公告)号：CN110858480A
公开(公告)日：2020-03-03
申请号：CN201810928881.1
申请日：2018-08-15
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Abstract: 本发明公开了一种基于N元文法神经网络语言模型的语音识别方法，所述方法包括：步骤1)建立并训练一个n阶N元文法神经网络语言模型；步骤2)对于每一条测试语音u，利用识别器选取K个得分最高的候选结果；基于训练好的n阶N元文法神经网络语言模型重新计算K个候选结果的语言模型得分；然后重新计算K个候选结果的得分，选取得分最高的候选结果作为测试语音u的最终识别结果。本发明的语音识别方法的性能及计算效率均优于基于RNN的语言模型的语音识别方法。
-
公开(公告)号：CN110085215A
公开(公告)日：2019-08-02
申请号：CN201810064982.9
申请日：2018-01-23
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Abstract: 本发明涉及一种基于生成对抗网络的语言模型数据增强方法，该方法包括：训练集S包含的都是正样本数据，生成模型Gθ生成的数据都是负样本数据，通过单独交替迭代训练生成模型Gθ和判别模型Dφ，迭代一定次数后，直到生成模型Gθ收敛，利用生成模型Gθ采样生成序列数据集合在上估计N元文法语言模型 在训练数据集上估计N元文法语言模型 最终通过插值算法得到增强的语言模型。针对现有技术中语言模型数据增强方法的存在的暴露偏差问题，本发明可以在一定程度上缓解暴露偏差问题，提高生成文本数据的质量，进而提高语言模型的性能，还可以有效提升低资源条件下N元文法语言模型的性能，以及相应语音识别系统的性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.053 seconds)
