本發(fā)明涉及信息處理技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的語音特征提取方法及裝置。

背景技術(shù)：

人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語音識(shí)別、圖像識(shí)別、自然語言處理和專家系統(tǒng)等。其中，人工智能最重要的方面就是語音識(shí)別技術(shù)。

隨著語音搜索業(yè)務(wù)的不斷普及，越來越多的人開始使用自己的語音來搜索所需要的信息，語音搜索的比例逐年提高。在基于語音搜索的過程，首先需要對(duì)語音進(jìn)行識(shí)別，然后基于識(shí)別結(jié)果進(jìn)行搜索。目前，多采用神經(jīng)網(wǎng)絡(luò)對(duì)語音進(jìn)行識(shí)別。

但是，現(xiàn)有基于聲學(xué)模型的語音識(shí)別中，在聲學(xué)模型中并沒有設(shè)置專門的特征提取層(layers)，而是使用全連接(Full Connect，簡(jiǎn)稱FC)層進(jìn)行語音的特征提取，導(dǎo)致現(xiàn)有的語音識(shí)別的準(zhǔn)確率較差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。

為此，本發(fā)明的第一個(gè)目的在于提出一種基于人工智能的語音特征提取方法，用于解決現(xiàn)有基于神經(jīng)網(wǎng)絡(luò)的語音識(shí)別中，由于沒有設(shè)置專門的特征提取層，而是使用FC層進(jìn)行語音特征的提取，導(dǎo)致現(xiàn)有的語音識(shí)別的準(zhǔn)確率較差的問題。

本發(fā)明的第二個(gè)目的在于提出一種基于人工智能的語音特征提取裝置。

本發(fā)明的第三個(gè)目的在于提出另一種基于人工智能的語音特征提取裝置。

本發(fā)明的第四個(gè)目的在于提出一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

本發(fā)明的第五個(gè)目的在于提出一種計(jì)算機(jī)程序產(chǎn)品。

為達(dá)上述目的，本發(fā)明第一方面實(shí)施例提出了一種基于人工智能的語音特征提取方法，包括：

對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到所述待識(shí)別語音的語譜圖；

利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

本發(fā)明實(shí)施例的基于人工智能的語音特征提取方法，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，將連續(xù)的待識(shí)別語音轉(zhuǎn)換成語譜圖進(jìn)行表示，由于Inception卷積結(jié)構(gòu)為可以精準(zhǔn)識(shí)別圖像特征的有效的圖像識(shí)別方式，進(jìn)而利用Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行識(shí)別，提取出待識(shí)別語音較為準(zhǔn)確的語音特征，進(jìn)而可以提高語音識(shí)別的準(zhǔn)確率。由于Inception卷積結(jié)構(gòu)可以提取語音特征，從而可以在聲學(xué)模型中可以將Inception卷積結(jié)構(gòu)作為單獨(dú)的語音特征提取層使用，進(jìn)而克服現(xiàn)有技術(shù)中由于聲學(xué)模型中并沒有設(shè)置專門的特征提取層，使得語音識(shí)別準(zhǔn)確率較差的問題。

為達(dá)上述目的，本發(fā)明第二方面實(shí)施例提出了一種基于人工智能的語音特征提取裝置，包括：

語譜圖獲取模塊，用于對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到所述待識(shí)別語音的語譜圖；

特征提取模塊，用于利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

本發(fā)明實(shí)施例的基于人工智能的語音特征提取裝置，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，將連續(xù)的待識(shí)別語音轉(zhuǎn)換成語譜圖進(jìn)行表示，由于Inception卷積結(jié)構(gòu)為可以精準(zhǔn)識(shí)別圖像特征的有效的圖像識(shí)別方式，進(jìn)而利用Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行識(shí)別，提取出待識(shí)別語音較為準(zhǔn)確的語音特征，進(jìn)而可以提高語音識(shí)別的準(zhǔn)確率。由于Inception卷積結(jié)構(gòu)可以提取語音特征，從而可以在聲學(xué)模型中可以將Inception卷積結(jié)構(gòu)作為單獨(dú)的語音特征提取層使用，進(jìn)而克服現(xiàn)有技術(shù)中由于聲學(xué)模型中并沒有設(shè)置專門的特征提取層，使得語音識(shí)別準(zhǔn)確率較差的問題。

為達(dá)上述目的，本發(fā)明第三方面實(shí)施例提出了另一種基于人工智能的語音特征提取裝置，包括：處理器；用于存儲(chǔ)所述處理器可執(zhí)行指令的存儲(chǔ)器；其中，所述處理器被配置為：對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到所述待識(shí)別語音的語譜圖，利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

為了實(shí)現(xiàn)上述目的，本發(fā)明第四方面實(shí)施例提出了一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，當(dāng)所述存儲(chǔ)介質(zhì)中的指令由服務(wù)器端的處理器被執(zhí)行時(shí)，使得服務(wù)器端能夠執(zhí)行一種基于人工智能的語音特征提取方法，所述方法包括：

對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到所述待識(shí)別語音的語譜圖；

利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

為了實(shí)現(xiàn)上述目的，本發(fā)明第五方面實(shí)施例提出了一種計(jì)算機(jī)程序產(chǎn)品，當(dāng)所述計(jì)算機(jī)程序產(chǎn)品中的指令處理器執(zhí)行時(shí)，執(zhí)行一種基于人工智能的語音特征提取方法，所述方法包括：

對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到所述待識(shí)別語音的語譜圖；

利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明上述的和/或附加的方面和優(yōu)點(diǎn)從下面結(jié)合附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為本發(fā)明實(shí)施例提供的一種基于人工智能的語音特征提取方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的待識(shí)別語音的語譜圖；

圖3為本發(fā)明實(shí)施例提供的另一種基于人工智能的語音特征提取方法的流程示意圖；

圖4為本發(fā)明實(shí)施例提供的第一個(gè)卷積模塊的結(jié)構(gòu)示意圖；

圖5為本發(fā)明實(shí)施例提供的第二個(gè)卷積模塊的結(jié)構(gòu)示意圖；

圖6為本發(fā)明實(shí)施例提供的第三個(gè)卷積模塊的結(jié)構(gòu)示意圖；

圖7為本發(fā)明實(shí)施例提供的第四個(gè)卷積模塊的結(jié)構(gòu)示意圖；

圖8為本發(fā)明實(shí)施例提供的一種Inception卷積結(jié)構(gòu)的應(yīng)用示意圖；

圖9為本發(fā)明實(shí)施例提供的一種基于人工智能的語音特征提取裝置的結(jié)構(gòu)示意圖；

圖10為本發(fā)明實(shí)施例提供的另一種基于人工智能的語音特征提取裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

下面參考附圖描述本發(fā)明實(shí)施例的基于人工智能的語音特征提取方法及裝置。

圖1為本發(fā)明實(shí)施例提供的一種基于人工智能的語音特征提取方法的流程示意圖。該基于人工智能的語音特征提取方法包括以下步驟：

S101、對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到待識(shí)別語音的語譜圖。

具體地，按照預(yù)設(shè)的周期對(duì)待識(shí)別語音進(jìn)行采樣，得到該待識(shí)別語音的各語音幀。本實(shí)施例中，預(yù)先設(shè)置有濾波器組，每個(gè)濾波器組中預(yù)設(shè)個(gè)數(shù)的濾波器，為不同的濾波器設(shè)置不同的濾波頻率。進(jìn)一步地，利用包括預(yù)設(shè)個(gè)數(shù)的濾波器的濾波器組，對(duì)每個(gè)語音幀進(jìn)行濾波，由于濾波器組中每個(gè)濾波器的濾波不同，經(jīng)過濾波器組對(duì)語音幀進(jìn)行濾波后，可以得到每個(gè)語音幀所包括的各頻譜分量。

進(jìn)一步地，在獲取到每個(gè)語音幀的各頻譜分量后，針對(duì)每個(gè)語音幀進(jìn)行快速傅里葉變換，得到各語音幀的頻譜值，通過該頻譜值可以表征出該語音幀的短時(shí)平均能量。然后利用得到的各語音幀的頻譜值生成待識(shí)別語音的語譜圖。其中，待識(shí)別語音的語譜圖的橫坐標(biāo)為語音幀所對(duì)應(yīng)的時(shí)間，語譜圖的縱坐標(biāo)為語音幀所含的頻率分量，語譜圖的坐標(biāo)點(diǎn)值為頻譜值。

例如，可以預(yù)設(shè)10ms作為一個(gè)采樣的周期，每10ms形成一個(gè)語音幀。設(shè)置一個(gè)包括40個(gè)濾波器的濾波器組，通過濾波器組每個(gè)10ms的語音幀進(jìn)行濾波，得到每個(gè)語音幀的filter bank特征。由于濾波器組包括40個(gè)濾波器，則經(jīng)過濾波器組后每個(gè)語音幀可以提取出一個(gè)40個(gè)filter-bank特征，那么一段連續(xù)的待識(shí)別語音就可以根據(jù)提取到的40個(gè)filter-bank特征，形成一個(gè)2緯的圖像格式，即形成一張待識(shí)別語音的語譜圖，如圖2所示。

S102、利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

本實(shí)施例中，為了能夠提高語音識(shí)別的準(zhǔn)確性，可以在聲學(xué)識(shí)別模型中可以增加一個(gè)圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，利用該Inception卷積結(jié)構(gòu)對(duì)待識(shí)別語音的語譜圖進(jìn)行識(shí)別，以得到待識(shí)別語音的語音特征。具體地，Inception卷積結(jié)構(gòu)中包括多個(gè)卷積模塊，每個(gè)卷積模塊中包括多個(gè)卷積層和一個(gè)池化層。其中，池化層用于在時(shí)域和/或頻域進(jìn)行降采樣。由于生成語譜圖時(shí)按照預(yù)設(shè)的周期對(duì)待識(shí)別語音進(jìn)行采樣，也就是說，在形成語譜圖時(shí)已經(jīng)在時(shí)域?qū)ΥR(shí)別語音進(jìn)行了一次降采樣，本實(shí)施例中，各池化層在時(shí)域上的總降采樣率小于在頻域上的總降采樣率。

在時(shí)域上的總降采樣率是根據(jù)對(duì)待識(shí)別語音進(jìn)行語音分類時(shí)的粒度確定的。例如，語音分類時(shí)的粒度可以音素粒度和字粒度等。不同的分類粒度在Inception卷積結(jié)構(gòu)中設(shè)置的總降采樣率不同。例如，以音素為粒度時(shí)，Inception卷積結(jié)構(gòu)中時(shí)域的總降采樣率優(yōu)選為1/4。而以字為粒度時(shí)，Inception卷積結(jié)構(gòu)中時(shí)域的總降采樣率優(yōu)選為1/8。

進(jìn)一步地，Inception卷積結(jié)構(gòu)中，后一個(gè)卷積模塊中過濾器的個(gè)數(shù)為前一個(gè)卷積模塊中過濾器的整數(shù)倍。例如，Inception卷積結(jié)構(gòu)中包括4個(gè)卷積模塊，則第2個(gè)卷積模塊中濾波器的個(gè)數(shù)為第1個(gè)卷積模塊中濾波器的整數(shù)倍，第3個(gè)卷積模塊的濾波器的個(gè)數(shù)為第2個(gè)卷積模塊中濾波器的整數(shù)倍，第4個(gè)卷積模塊的濾波器的個(gè)數(shù)為第3個(gè)卷積模塊中濾波器的整數(shù)倍。例如，當(dāng)?shù)?個(gè)卷積模塊中濾波器的個(gè)數(shù)為64時(shí)，則第2個(gè)卷積模塊中濾波器的個(gè)數(shù)為128。以此類推，第3個(gè)卷積模塊中濾波器的個(gè)數(shù)為256，第4個(gè)卷積模塊中濾波器的個(gè)數(shù)為512。

進(jìn)一步地，當(dāng)為每個(gè)卷積模塊確定出濾波器的個(gè)數(shù)后，可以按照每個(gè)卷積模塊中設(shè)置的濾波器的個(gè)數(shù)，構(gòu)建該卷積模塊的卷積有向無環(huán)(Directed Acyclic Graph，簡(jiǎn)稱DAG)圖，然后按照構(gòu)建的DAG圖連接每個(gè)卷積模塊所包括的各層。

將Inception卷積結(jié)構(gòu)中每個(gè)卷積模塊中各層按照DAG圖連接后，可以依次對(duì)卷積模型進(jìn)行連接，利用連接完成的Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行語音特征提取。

本實(shí)施例提供的基于人工智能的語音特征提取方法，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到待識(shí)別語音的語譜圖，利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)語譜圖進(jìn)行特征提取，得到待識(shí)別語音的語音特征。本實(shí)施例中，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，將連續(xù)的待識(shí)別語音轉(zhuǎn)換成語譜圖進(jìn)行表示，由于Inception卷積結(jié)構(gòu)為可以精準(zhǔn)識(shí)別圖像特征的有效的圖像識(shí)別方式，進(jìn)而利用Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行識(shí)別，提取出待識(shí)別語音較為準(zhǔn)確的語音特征，進(jìn)而可以提高語音識(shí)別的準(zhǔn)確率。由于Inception卷積結(jié)構(gòu)可以提取語音特征，從而可以在聲學(xué)模型中可以將Inception卷積結(jié)構(gòu)作為單獨(dú)的語音特征提取層使用，進(jìn)而克服現(xiàn)有技術(shù)中由于聲學(xué)模型中并沒有設(shè)置專門的特征提取層，使得語音識(shí)別準(zhǔn)確率較差的問題。

圖3為本發(fā)明實(shí)施例提供的另一種基于人工智能的語音特征提取方法的流程示意圖。該另一種基于人工智能的語音特征提取方法包括以下步驟：

S201、預(yù)先對(duì)Inception卷積結(jié)構(gòu)所包括的卷積模塊進(jìn)行設(shè)置。

本實(shí)施例中，預(yù)先設(shè)置一個(gè)Inception卷積結(jié)構(gòu)，該Inception卷積結(jié)構(gòu)可以包括多個(gè)卷積模塊，每個(gè)卷積模塊包括一個(gè)分路層、多個(gè)卷積核不同的卷積層、一個(gè)池化層和一個(gè)特征拼接層。預(yù)先可以為每個(gè)卷積模塊設(shè)置不同個(gè)數(shù)的濾波器，以及每個(gè)卷積模塊所包括的每個(gè)卷積層的卷積核、池化層的尺寸和卷積步長(zhǎng)進(jìn)行設(shè)置。

其中，池化層用于在語譜圖在時(shí)域和/或頻域進(jìn)行降采樣。由于生成語譜圖時(shí)按照預(yù)設(shè)的周期對(duì)待識(shí)別語音進(jìn)行采樣，也就是說，在形成語譜圖時(shí)已經(jīng)在時(shí)域?qū)ΥR(shí)別語音進(jìn)行了一次降采樣，本實(shí)施例中，各池化層在時(shí)域上的總降采樣率小于在頻域上的總降采樣率。

優(yōu)選地，Inception卷積結(jié)構(gòu)包括4個(gè)卷積模塊。第一個(gè)卷積模塊和第二個(gè)卷積模塊中均包括：一個(gè)分路層、4個(gè)卷積核為1*1的卷積層、1個(gè)卷積核為3*3的卷積層和1個(gè)卷積核為5*1的卷積層和1個(gè)卷積核為1*5的卷積層、池化層和特征拼接層，其中，1個(gè)卷積核為5*1的卷積層和1個(gè)卷積核為1*5的卷積層構(gòu)成一個(gè)卷積核5*5的卷積層，池化層的尺度為2*2，卷積步長(zhǎng)為1。

第三個(gè)卷積模塊和第四個(gè)卷積模塊中均包括：一個(gè)分路層、4個(gè)卷積核為1*1的卷積層、1個(gè)卷積核為3*3的卷積層和1個(gè)卷積核為7*1的卷積層和1個(gè)卷積核為1*7的卷積層、池化層和特征拼接層，其中，所述1個(gè)卷積核為7*1的卷積層和1個(gè)卷積核為1*7的卷積層構(gòu)成一個(gè)卷積核7*7的卷積層，所述池化層的尺度(scale)為2*2，卷積步長(zhǎng)(stride)為1*1。

將第一個(gè)卷積模塊中濾波器的個(gè)數(shù)設(shè)置成64，將第二個(gè)卷積模塊中濾波器的個(gè)數(shù)設(shè)置成128，將第三個(gè)卷積模塊中濾波器的個(gè)數(shù)設(shè)置成256，將第四個(gè)卷積模塊中濾波器的個(gè)數(shù)設(shè)置成512。

進(jìn)一步地，為每個(gè)卷積模塊中池化層在時(shí)域以及頻域的降采樣率進(jìn)行設(shè)置。第一個(gè)卷積模塊中的池化層在時(shí)域和頻域上都做1/2的降采樣。第二個(gè)卷積模塊中的池化層在時(shí)域和頻域上都做1/2的降采樣。第三個(gè)卷積模塊中的池化層頻域上都做1/2的降采樣。第四個(gè)卷積模塊中的池化層在頻域上做1/2的降采樣。本實(shí)施例中，各池化層在時(shí)域上的總降采樣率小于在頻域上的總降采樣率。

S202、對(duì)經(jīng)過設(shè)置的Inception卷積結(jié)構(gòu)進(jìn)行訓(xùn)練。

經(jīng)過上述設(shè)置后，可以采用大量的樣本語譜圖對(duì)設(shè)置的Inception卷積結(jié)構(gòu)進(jìn)行訓(xùn)練，以得到一個(gè)穩(wěn)定的Inception卷積結(jié)構(gòu)。

圖4為本發(fā)明實(shí)施例提供的第一個(gè)卷積模塊的結(jié)構(gòu)示意圖。圖4中，第一個(gè)卷積模塊包括1個(gè)分路層、4個(gè)卷積核為1*1的濾波器個(gè)數(shù)為16的卷積層，圖4中分別標(biāo)記為conv16_1×1_1、conv16_1×1_2、conv16_1×1_3，conv16_1×1_4；1個(gè)卷積核為3*3的濾波器個(gè)數(shù)為16的卷積層，圖4中標(biāo)記為conv16_3×3；1個(gè)卷積核為5*1和卷積核為1*5的濾波器個(gè)數(shù)為16的卷積層，圖4中分別標(biāo)記為conv16_5×1、conv16_1×5；其中，該1個(gè)卷積核為5*1濾波器個(gè)數(shù)為16的卷積層和卷積核為1*5的濾波器個(gè)數(shù)為16的卷積層，就可以構(gòu)成1個(gè)5*5的濾波器個(gè)數(shù)為16的卷積層。進(jìn)一步地，第一個(gè)卷積模塊還包括1個(gè)池化層和1個(gè)特征拼接層。其中，該池化層的尺寸為2*2，卷積步長(zhǎng)為1*1,圖4中標(biāo)記為pooling_2×2_1×1。第一個(gè)卷積模塊中的池化層在時(shí)域和頻域上都做1/2的降采樣。

分路層將接收到的輸入分路成4路。圖4中，第1路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為3*3的卷積層，輸入到特征拼接層；第2路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為5*1的卷積層，再經(jīng)過一個(gè)1*5的卷積層，輸入到特征拼接層；第3路經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層；第4路經(jīng)過1個(gè)池化層，再經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接。

圖5為本發(fā)明實(shí)施例提供的第二個(gè)卷積模塊的結(jié)構(gòu)示意圖。圖5中，第二個(gè)卷積模塊包括1個(gè)分路層、4個(gè)卷積核為1*1的濾波器個(gè)數(shù)為32的卷積層、圖5中分別標(biāo)記為conv32_1×1_1、conv32_1×1_2、conv32_1×1_3，conv32_1×1_4；1個(gè)卷積核為3*3的濾波器個(gè)數(shù)為32的卷積層，圖5中標(biāo)記為conv32_3×3；1個(gè)卷積核為5*1和卷積核為1*5的濾波器為32的卷積層，圖5中分別標(biāo)記為conv32_5×1、conv32_1×5；其中，該1個(gè)卷積核為5*1濾波器個(gè)數(shù)為32的卷積層和卷積核為1*5的濾波器個(gè)數(shù)為32的卷積層，就可以構(gòu)成1個(gè)5*5的濾波器個(gè)數(shù)為32的卷積層。進(jìn)一步地，第二個(gè)卷積模塊還包括1個(gè)池化層和1個(gè)特征拼接層。其中，該池化層的尺寸為2*2，卷積步長(zhǎng)為1*1,圖5中標(biāo)記為pooling_2×2_1×1。第二個(gè)卷積模塊中的池化層在時(shí)域和頻域上都做1/2的降采樣。

分路層將接收到的輸入分路成4路。圖5中，第1路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為3*3的卷積層，輸入到特征拼接層；第2路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為5*1的卷積層，再經(jīng)過一個(gè)1*5的卷積層，輸入到特征拼接層；第3路經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層；第4路經(jīng)過1個(gè)池化層，再經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層。

圖6為本發(fā)明實(shí)施例提供的第三個(gè)卷積模塊的結(jié)構(gòu)示意圖。圖6中，第三個(gè)卷積模塊包括1個(gè)分路層、4個(gè)卷積核為1*1的濾波器個(gè)數(shù)為64的卷積層，圖6中分別標(biāo)記為conv64_1×1_1、conv64_1×1_2、conv64_1×1_3，conv64_1×1_4；1個(gè)卷積核為3*3的濾波器個(gè)數(shù)為64的卷積層，圖6中標(biāo)記為conv64_3×3；1個(gè)卷積核為7*1和卷積核為1*7的濾波器個(gè)數(shù)為64的卷積層，圖6中分別標(biāo)記為conv64_7×1、conv64_1×7；其中，該1個(gè)卷積核為7*1濾波器個(gè)數(shù)為64的卷積層和卷積核為1*7的濾波器個(gè)數(shù)為64的卷積層，就可以構(gòu)成1個(gè)7*7的濾波器個(gè)數(shù)為64的卷積層。進(jìn)一步地，第三個(gè)卷積模塊還包括1個(gè)池化層和1個(gè)特征拼接層。其中，該池化層的尺寸為2*2，卷積步長(zhǎng)為1*1，圖6中標(biāo)記為pooling_2×2_1×1。第三個(gè)卷積模塊中的池化層只在頻域上做1/2的降采樣。

分路層將接收到的輸入分路成4路。圖6中，第1路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為3*3的卷積層，輸入到特征拼接層；第2路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為7*1的卷積層，再經(jīng)過一個(gè)1*7的卷積層，輸入到特征拼接層；第3路經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層；第4路經(jīng)過1個(gè)池化層，再經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層。

圖7為本發(fā)明實(shí)施例提供的第四個(gè)卷積模塊的結(jié)構(gòu)示意圖。圖7中，第四個(gè)卷積模塊包括1個(gè)分路層、4個(gè)卷積核為1*1的濾波器個(gè)數(shù)為128的卷積層，圖7中分別標(biāo)記為conv128_1×1_1、conv128_1×1_2、conv128_1×1_3，conv128_1×1_4；1個(gè)卷積核為3*3的濾波器個(gè)數(shù)為128的卷積層，圖7中標(biāo)記為conv128_3×3；1個(gè)卷積核為7*1和卷積核為1*7的濾波器個(gè)數(shù)為128的卷積層，圖7中分別標(biāo)記為conv128_7×1、conv128_1×7；其中，該1個(gè)卷積核為7*1濾波器個(gè)數(shù)為128的卷積層和卷積核為1*7的濾波器個(gè)數(shù)為128的卷積層，就可以構(gòu)成1個(gè)7*7的濾波器個(gè)數(shù)為128的卷積層。進(jìn)一步地，第四個(gè)卷積模塊還包括1個(gè)池化層和1個(gè)特征拼接層。其中，該池化層的尺寸為2*2，卷積步長(zhǎng)為1*1，圖7中標(biāo)記為pooling_2×2_1×1。第四個(gè)卷積模塊中的池化層只在頻域上做1/2的降采樣。

分路層將接收到的輸入分路成4路。圖7中，第1路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為3*3的卷積層，輸入到特征拼接層，第2路經(jīng)過1個(gè)卷積核為1*1的卷積層，然后經(jīng)過卷積核為7*1的卷積層，再經(jīng)過一個(gè)1*7的卷積層，輸入到特征拼接層；第3路經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層；第4路經(jīng)過1個(gè)池化層，再經(jīng)過1個(gè)卷積核為1*1的卷積層，輸入到特征拼接層。

可選地，第三個(gè)卷積模塊卷積核為7*1和卷積核為1*7的濾波器個(gè)數(shù)為64的卷積層，以及第四個(gè)卷積模塊中卷積核為7*1和卷積核為1*7的濾波器個(gè)數(shù)為128的卷積層，可以將卷積核設(shè)置為5*1和1*5。上述對(duì)Inception卷積結(jié)構(gòu)中各預(yù)先設(shè)置的參數(shù)不能作為限制本發(fā)明的條件。

進(jìn)一步地，第一個(gè)卷積模塊的特征拼接層的輸出輸入到第二個(gè)卷積模塊的分路層，第二卷積模塊的特征拼接層的輸出輸入到第三個(gè)卷積模塊的分路層，第三卷積模塊的特征拼接層的輸出輸入到第四個(gè)卷積模塊的分路層。

S203、對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到待識(shí)別語音的語譜圖。

關(guān)于語譜圖的獲取過程，可參見上述實(shí)施例中相關(guān)內(nèi)容的記載，此處不再贅述。

S204、利用Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行特征提取，得到待識(shí)別語音的語音特征。

在獲取到待識(shí)別語音的語譜圖后，將該語譜圖輸入到Inception卷積結(jié)構(gòu)，該Inception卷積結(jié)構(gòu)可以對(duì)語譜圖進(jìn)行識(shí)別，從該語譜圖中提取待識(shí)別語音的語音特征。

S205、將提取到的語音特征輸入全連接層進(jìn)行語音分類處理。

在提取出語音特征后，可以將語音特征輸入到下一層即FC層，通過該FC層對(duì)語音特征進(jìn)行非線性映射，對(duì)待識(shí)別語音進(jìn)行分類處理，識(shí)別出待識(shí)別語音對(duì)應(yīng)的類型。

圖8為本發(fā)明實(shí)施例提供的一種Inception卷積結(jié)構(gòu)的應(yīng)用示意圖。如圖8所示，輸入層將語譜圖輸入到第一個(gè)卷積模塊的分路層，經(jīng)過卷積層處理后進(jìn)入特征拼接層，第一個(gè)卷積特征模塊中的特征拼接層的輸出輸入到第二個(gè)卷積模塊的分路層，以此類推第二卷積模塊的特征拼接層的輸出輸入到第三個(gè)卷積模塊的分路層，第三卷積模塊的特征拼接層的輸出輸入到第四個(gè)卷積模塊的分路層。第四個(gè)卷積模塊的特征拼接層的輸出輸入到全連接層進(jìn)行語音分類處理，然后經(jīng)過輸出層最后輸出待識(shí)別語音對(duì)應(yīng)的類型。

本實(shí)施例提供的Inception卷積結(jié)構(gòu)中使用了4次池化層(pooling)進(jìn)行降采樣，但是在時(shí)域上降采樣的次數(shù)通常比頻域上少，例如，第一個(gè)卷積模塊和第二個(gè)卷積模塊在時(shí)域上分別降了1次，將時(shí)域?qū)椴蓸又芷诘?/4。例如，語音識(shí)別中通常采用10ms為幀移，即采樣周期是10ms，因此，經(jīng)過時(shí)域的降采樣之后，采樣周期變大到40ms。而在頻域上降了4次，頻率將為采樣頻率的1/16。在時(shí)域上的總降采樣率是根據(jù)對(duì)所述待識(shí)別語音進(jìn)行語音分類時(shí)的粒度確定的，例如以音素為建模單元的聲學(xué)模型中，總共1/4的時(shí)域降采樣是合適的，在以字為建模單元的模型中，1/8是合適的。

本實(shí)施例提供的基于人工智能的語音特征提取方法，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到待識(shí)別語音的語譜圖，利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)語譜圖進(jìn)行特征提取，得到待識(shí)別語音的語音特征。本實(shí)施例中，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，將連續(xù)的待識(shí)別語音轉(zhuǎn)換成語譜圖進(jìn)行表示，由于Inception卷積結(jié)構(gòu)為可以精準(zhǔn)識(shí)別圖像特征的有效的圖像識(shí)別方式，進(jìn)而利用Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行識(shí)別，提取出待識(shí)別語音較為準(zhǔn)確的語音特征，進(jìn)而可以提高語音識(shí)別的準(zhǔn)確率。由于Inception卷積結(jié)構(gòu)可以提取語音特征，從而可以在聲學(xué)模型中可以將Inception卷積結(jié)構(gòu)作為單獨(dú)的語音特征提取層使用，進(jìn)而克服現(xiàn)有技術(shù)中由于聲學(xué)模型中并沒有設(shè)置專門的特征提取層，使得語音識(shí)別準(zhǔn)確率較差的問題。

圖9為本發(fā)明實(shí)施例提供的一種基于人工智能的語音特征提取裝置的結(jié)構(gòu)示意圖。該基于人工智能的語音特征提取裝置包括：語譜圖獲取模塊11和特征提取模塊12。

其中，語譜圖獲取模塊11，用于對(duì)待識(shí)別語音進(jìn)行頻譜分析，得到所述待識(shí)別語音的語譜圖。

特征提取模塊12，用于利用圖像識(shí)別算法中的Inception卷積結(jié)構(gòu)，對(duì)所述語譜圖進(jìn)行特征提取，得到所述待識(shí)別語音的語音特征。

進(jìn)一步地，語譜圖獲取模塊11，具體用于對(duì)所述待識(shí)別語音所包括的各語音幀進(jìn)行快速傅里葉變換，得到各語音幀的頻譜值，利用各語音幀的頻譜值，生成所述待識(shí)別語音的所述語譜圖；所述語譜圖的橫坐標(biāo)為所述語音幀所對(duì)應(yīng)的時(shí)間，所述語譜圖的縱坐標(biāo)為所述語音幀所含的頻率分量，所述語譜圖的坐標(biāo)點(diǎn)值為所述頻譜值。

進(jìn)一步地，所述基于人工智能的語音特征提取裝置還包括：采樣模塊13。

采樣模塊13，用于按照預(yù)設(shè)的周期對(duì)所述待識(shí)別語音進(jìn)行采樣，得到各語音幀，利用包括預(yù)設(shè)個(gè)數(shù)的濾波器的濾波器組，對(duì)每個(gè)語音幀進(jìn)行濾波，得到每個(gè)語音幀所包括的各頻譜分量。

進(jìn)一步地，Inception卷積結(jié)構(gòu)包括多個(gè)卷積模塊，每個(gè)卷積模塊包括一個(gè)分路層、多個(gè)卷積層、一個(gè)池化層和特征拼接層；所述池化層用于在時(shí)域和/或頻域進(jìn)行降采樣；各池化層在時(shí)域上的總降采樣率小于在頻域上的總降采樣率。

進(jìn)一步地，在時(shí)域上的總降采樣率是根據(jù)對(duì)所述待識(shí)別語音進(jìn)行語音分類時(shí)的粒度確定的。

進(jìn)一步地，所述Inception卷積結(jié)構(gòu)中，后一個(gè)卷積模塊中過濾器的個(gè)數(shù)為前一個(gè)卷積模塊中過濾器的整數(shù)倍。

進(jìn)一步地，所述Inception卷積結(jié)構(gòu)包括4個(gè)卷積模塊，其中，所述第一個(gè)卷積模塊和第二個(gè)卷積模塊中均包括：一個(gè)分路層、4個(gè)卷積核為1*1的卷積層、1個(gè)卷積核為3*3的卷積層和1個(gè)卷積核為5*1的卷積層和1個(gè)卷積核為1*5的卷積層、所述池化層和所述特征拼接層，其中，所述1個(gè)卷積核為5*1的卷積層和1個(gè)卷積核為1*5的卷積層構(gòu)成一個(gè)卷積核5*5的卷積層，所述池化層的尺度為2*2，卷積步長(zhǎng)為1*1；

所述第三個(gè)卷積模塊和第四個(gè)卷積模塊中均包括：一個(gè)所述分路層、4個(gè)卷積核為1*1的卷積層、1個(gè)卷積核為3*3的卷積層和1個(gè)卷積核為7*1的卷積層和1個(gè)卷積核為1*7的卷積層、所述池化層和所述特征拼接層，其中，所述1個(gè)卷積核為7*1的卷積層和1個(gè)卷積核為1*7的卷積層構(gòu)成一個(gè)卷積核7*7的卷積層，所述池化層的尺度為2*2，卷積步長(zhǎng)為1*1。

進(jìn)一步地，所述基于人工智能的語音特征提取裝置還包括：預(yù)設(shè)模塊14和訓(xùn)練模塊15。

預(yù)設(shè)模塊14，用于預(yù)先對(duì)所述Inception卷積結(jié)構(gòu)中所包括的各卷積模塊進(jìn)行設(shè)置。

訓(xùn)練模塊15，用于對(duì)經(jīng)過設(shè)置的Inception卷積結(jié)構(gòu)進(jìn)行訓(xùn)練。

進(jìn)一步地，所述基于人工智能的語音特征提取裝置還包括：分類處理模塊16。

分類處理模塊16，用于將提取到的語音特征輸入全連接層進(jìn)行語音分類處理。

本實(shí)施例中，通過對(duì)待識(shí)別語音進(jìn)行頻譜分析，將連續(xù)的待識(shí)別語音轉(zhuǎn)換成語譜圖進(jìn)行表示，由于Inception卷積結(jié)構(gòu)為可以精準(zhǔn)識(shí)別圖像特征的有效的圖像識(shí)別方式，進(jìn)而利用Inception卷積結(jié)構(gòu)對(duì)語譜圖進(jìn)行識(shí)別，提取出待識(shí)別語音較為準(zhǔn)確的語音特征，進(jìn)而可以提高語音識(shí)別的準(zhǔn)確率。由于Inception卷積結(jié)構(gòu)可以提取語音特征，從而可以在聲學(xué)模型中可以將Inception卷積結(jié)構(gòu)作為單獨(dú)的語音特征提取層使用，進(jìn)而克服現(xiàn)有技術(shù)中由于聲學(xué)模型中并沒有設(shè)置專門的特征提取層，使得語音識(shí)別準(zhǔn)確率較差的問題。

圖10為本發(fā)明實(shí)施例提供的另一種基于人工智能的語音特征提取裝置的結(jié)構(gòu)示意圖。該基于人工智能的語音特征提取裝置包括：

通信接口21、存儲(chǔ)器22、處理器23及存儲(chǔ)在存儲(chǔ)器22上并可在處理器22上運(yùn)行的計(jì)算機(jī)程序。

處理器23執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1-9中任一所述的基于人工智能的語音特征提取方法。

通信接口21，用于存儲(chǔ)器22和處理器23之間的通信。

存儲(chǔ)器22，用于存放可在處理器23上運(yùn)行的計(jì)算機(jī)程序。

存儲(chǔ)器22可能包含高速RAM存儲(chǔ)器，也可能還包括非易失性存儲(chǔ)器(non-volatilememory)，例如至少一個(gè)磁盤存儲(chǔ)器。

處理器23，用于執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述實(shí)施例所述的基于人工智能的語音特征提取方法。

如果通信接口21、存儲(chǔ)器22和處理器23獨(dú)立實(shí)現(xiàn)，則通信接口21、存儲(chǔ)器22和處理器23可以通過總線相互連接并完成相互間的通信。所述總線可以是工業(yè)標(biāo)準(zhǔn)體系結(jié)構(gòu)(Industry Standard Architecture，簡(jiǎn)稱為ISA)總線、外部設(shè)備互連(Peripheral Component，簡(jiǎn)稱為PCI)總線或擴(kuò)展工業(yè)標(biāo)準(zhǔn)體系結(jié)構(gòu)(Extended Industry Standard Architecture，簡(jiǎn)稱為EISA)總線等。所述總線可以分為地址總線、數(shù)據(jù)總線、控制總線等。為便于表示，圖5中僅用一條粗線表示，但并不表示僅有一根總線或一種類型的總線。

可選的，在具體實(shí)現(xiàn)上，如果通信接口21、存儲(chǔ)器22和處理器23集成在一塊芯片上實(shí)現(xiàn)，則通信接口21、存儲(chǔ)器22和處理器23可以通過內(nèi)部接口完成相互間的通信。

處理器23可能是一個(gè)中央處理器(Central Processing Unit，簡(jiǎn)稱為CPU)，或者是特定集成電路(Application Specific Integrated Circuit，簡(jiǎn)稱為ASIC)，或者是被配置成實(shí)施本發(fā)明實(shí)施例的一個(gè)或多個(gè)集成電路。

在本說明書的描述中，參考術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個(gè)或更多個(gè)用于實(shí)現(xiàn)定制邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實(shí)施方式的范圍包括另外的實(shí)現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時(shí)的方式或按相反的順序，來執(zhí)行功能，這應(yīng)被本發(fā)明的實(shí)施例所屬技術(shù)領(lǐng)域的技術(shù)人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認(rèn)為是用于實(shí)現(xiàn)邏輯功能的可執(zhí)行指令的定序列表，可以具體實(shí)現(xiàn)在任何計(jì)算機(jī)可讀介質(zhì)中，以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備(如基于計(jì)算機(jī)的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設(shè)備取指令并執(zhí)行指令的系統(tǒng))使用，或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用。就本說明書而言，"計(jì)算機(jī)可讀介質(zhì)"可以是任何可以包含、存儲(chǔ)、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用的裝置。計(jì)算機(jī)可讀介質(zhì)的更具體的示例(非窮盡性列表)包括以下：具有一個(gè)或多個(gè)布線的電連接部(電子裝置)，便攜式計(jì)算機(jī)盤盒(磁裝置)，隨機(jī)存取存儲(chǔ)器(RAM)，只讀存儲(chǔ)器(ROM)，可擦除可編輯只讀存儲(chǔ)器(EPROM或閃速存儲(chǔ)器)，光纖裝置，以及便攜式光盤只讀存儲(chǔ)器(CDROM)。另外，計(jì)算機(jī)可讀介質(zhì)甚至可以是可在其上打印所述程序的紙或其他合適的介質(zhì)，因?yàn)榭梢岳缤ㄟ^對(duì)紙或其他介質(zhì)進(jìn)行光學(xué)掃描，接著進(jìn)行編輯、解譯或必要時(shí)以其他合適方式進(jìn)行處理來以電子方式獲得所述程序，然后將其存儲(chǔ)在計(jì)算機(jī)存儲(chǔ)器中。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲(chǔ)在存儲(chǔ)器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實(shí)現(xiàn)。如，如果用硬件來實(shí)現(xiàn)和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來實(shí)現(xiàn)：具有用于對(duì)數(shù)據(jù)信號(hào)實(shí)現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現(xiàn)場(chǎng)可編程門陣列(FPGA)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。

此外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理模塊中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)模塊中。上述集成的模塊既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。

上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤或光盤等。盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。