【技術實現步驟摘要】
本專利技術屬于語音識別，具體為一種用于ai智能體的交互用戶語音識別方法。
技術介紹
1、近年來，隨著人工智能技術的迅猛發展，語音識別技術在ai智能體領域得到了廣泛的應用。ai智能體作為一種能夠通過人機語音交互進行操作的智能設備，已經逐漸成為人們生活中不可或缺的一部分。語音識別技術作為智能音箱的核心技術，無疑在該領域起到了引領作用。首先，語音識別技術為ai智能體提供了便捷的用戶交互方式，大大提升了用戶的使用體驗和操作便捷性，使ai智能體得到了更廣泛的應用。
2、然而，在ai智能體領域，語音識別技術還面臨一些挑戰。首先，語音識別技術的準確率是一個重要的問題。目前，雖然語音識別技術已經取得了顯著的進展，但仍然存在一些誤識別的情況。這主要是出于環境噪聲、口音、語速等因素導致的，這些因素都會對語音信導的質量產生影響，進而影響語音識別技術的準確性。其次，語音識別技術的實時性也是一個挑戰。ai智能體要求語音識別技術在極短的時間內完成對語音指令的識別和處理，以實現用戶與設備的即時交互。然而，由于語音識別技術需要完成大量的計算和處理，實時性成為了一個具有挑戰性的問題。如何提高語音識別技術的處理速度，保證系統的實時性；因此，針對目前的狀況，現需對其進行改進。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供一種用于ai智能體的交互用戶語音識別方法，有效的解決了，在ai智能體領域，語音識別技術存的誤識別和實時性低的問題。
2、為實現上述目的，本專利技術提供如下
3、步驟一：建立深度學習系統，基于timit、librispeech和switchboard語音數據集為系統提供音頻增強和噪聲抑制訓練；基于卷積神經網絡、循環神經網絡和長短時記憶網絡提高系統捕捉語音信號的時序特征的性能；基于循環神經網絡語言模型和transformer模型訓練系統學習到更豐富的語義信息；建立端到端模型將聲學特征映射到文本輸出，提高了語音識別的效率和準確性；
4、步驟二：建立跨語語言知識遷移系統，采用特征轉化法將源語種的語音特征轉化為目標語種的特征表示，減少語音識別中的語種差異性，利用遷移學習法來將從原始語種中學到的模型參數、特征知識遷移到目標語種中,在目標語種上進行微調，配合數據增強技術，在跨語言知識遷移中，通過將源語種的數據進行變換、擴充，生成目標語種的訓練數據，從而提高目標語種上的語音識別性能，以增加數據的多樣性和覆蓋度；
5、步驟三：建立噪聲抑制系統，采用倒頻譜和領域自適應mfcc算法提取噪聲環境下的語音信號特征，通過循環神經網絡和卷積神經網絡建立噪聲模型，通過噪聲模型去除噪聲，建立聲學模型和統計模型學習語音信號和噪聲信號之間的關系，利用聲學特征進行語音信號的增強，通過人工合成不同噪聲強度和類型的數據，擴充訓練集，提高模型的魯棒性；
6、步驟四：建立聲紋識別系統，采集個體的語音樣本,通過聲紋特征提取技術將語音信號轉化為聲紋特征向量，對采集到的聲紋特征數據進行訓練，并通過機器學習算法和模型優化技術建立聲紋模型，通過比對測試語音與已建立的聲紋模型，利用聲紋識別算法對輸入語音進行識別和驗證；
7、步驟五：建立云計算系統，將ai智能體的交互用戶語音識別系統中的語音輸入模塊、語音識別模塊和文本輸出模塊部署到不同的云服務器上，并利用云服務提供商的api進行模塊間的通信和數據傳輸，通過模擬和實際的語音輸入來測試系統的識別準確性和響應速度，并根據測試結果進行系統參數的調優和優化，通過設置身份驗證和授權機制，限制非法用戶的訪問，采用aes、rsa加密算法對數據進行加密存儲，采用數據脫敏和去標識化技術，保護用戶的隱私信息，通過實時監測語音識別系統的操作記錄和網絡流量信息，并采用侵檢測系統和入侵防御系統，發現并處理安全漏洞和異常行為。
8、優選的，所述步驟一提出的端到端模型使用梅爾頻譜系數作為聲學特征來描述語音信號的頻譜分布，采用隱馬爾科夫模型處理建模語音信號的時序關系，采用深度神經網絡處理特征之間的非線性關系。
9、優選的，所述步驟一提出的卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法。卷積神經網絡具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類；所述循環神經網絡是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點(循環單元)按鏈式連接的遞歸神經網絡，所述循環神經網絡具有記憶性、參數共享并且圖靈完備，將循環神經網絡引入卷積神經網絡構筑的循環神經網絡可以處理包含序列輸入的ai智能體視覺問題；所述長短時記憶網絡是一種時間循環神經網絡。
10、優選的，所述步驟三提出的倒頻譜算法是一種二次分析技術，對功率譜的對數值進行傅立葉逆變換的結果，能將原來頻譜圖上成族的邊頻帶譜線簡化為單根譜線，以便提取、分析原頻譜圖上肉眼難以識別的周期性信號，進行多段平均的功率譜取對數后，功率譜中與調制邊頻帶無關的噪聲和其他信號也都得到較大的權系數而放大，降低了信噪比。
11、優選的，所述步驟三提出的領域自適應mfcc算法是用fft將時域信號轉化成頻域，之后對其對數能量譜用依照mel刻度分布的三角濾波器組進行卷積，最后對各個濾波器的輸出構成的向量進行離散余弦變換dct，取前n個系數。
12、優選的，所述步驟五提出的api允許不同的應用程序、服務和系統之間能夠共享信息與功能，以約定好的api接口實現互聯互通，降低系統耦合度。
13、與現有技術相比，本專利技術的有益效果是：1、本專利技術，采用深度學習系統可以使語音識別系統更好地捕捉語音信號的時序特征，增加語義信息的學習內容，簡化聲學特征映射到文本輸出處理流程，以此可以有效提高了語音識別的效率和準確性；通過建立跨語語言知識遷移系統，利用特征轉化、遷移學習和數據增強法可以有效提高語音識別系統的性能和泛化能力；建立噪聲抑制系統，通過采用倒頻譜和領域自適應mfcc算法，能夠更好地適應噪聲環境下的語音信號特征，結合噪聲模型、聲學模型和統計模型，通過學習語音信號和噪聲信號之間的關系，利用聲學特征進行語音信號的增強。
14、2、本專利技術，通過建立聲紋識別系統，通過聲紋特征提取、聲學模型訓練及識別步驟，系統能夠實現對語音的精確識別和驗證。在建立和改進該系統時，應綜合考慮聲紋特征選擇、數據質量與數量、模型訓練算法關鍵技術要點，并結合系統應用場景進行優化，以提高系統的性能和實用性。
15、3、本專利技術，基于云計算的語音識別系統的部署與安全策略是確保系統性能和用戶隱私的關鍵。通過選擇合適的云計算平臺、規劃和配置資源部署和集成系統、測試和調優系統步驟，可以有效地部署語音識別系統。同時，通過訪問控制、數據加密與隱私保護、安全監測與洞修復以及威脅檢測與預防等安全策略，可以提高系統的安全性和穩定性。
本文檔來自技高網...【技術保護點】
1.一種用于AI智能體的交互用戶語音識別方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種用于AI智能體的交互用戶語音識別方法，其特征在于：所述步驟一提出的端到端模型使用梅爾頻譜系數作為聲學特征來描述語音信號的頻譜分布，采用隱馬爾科夫模型處理建模語音信號的時序關系，采用深度神經網絡處理特征之間的非線性關系。
3.根據權利要求2所述的一種用于AI智能體的交互用戶語音識別方法，其特征在于：所述步驟一提出的卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法。卷積神經網絡具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類；所述循環神經網絡是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點(循環單元)按鏈式連接的遞歸神經網絡，所述循環神經網絡具有記憶性、參數共享并且圖靈完備，將循環神經網絡引入卷積神經網絡構筑的循環神經網絡可以處理包含序列輸入的AI智能體視覺問題；所述長短時記憶網絡是一種時間循環神經網絡。
4.根據權利要求1所述的一種用于AI智能體的交互用戶語音識別方法，其特征在于：所述步驟三提
5.根據權利要求1所述的一種用于AI智能體的交互用戶語音識別方法，其特征在于：所述步驟三提出的領域自適應MFCC算法是用FFT將時域信號轉化成頻域，之后對其對數能量譜用依照Mel刻度分布的三角濾波器組進行卷積，最后對各個濾波器的輸出構成的向量進行離散余弦變換DCT，取前N個系數。
6.根據權利要求1所述的一種用于AI智能體的交互用戶語音識別方法，其特征在于：所述步驟五提出的API允許不同的應用程序、服務和系統之間能夠共享信息與功能，以約定好的API接口實現互聯互通，降低系統耦合度。
...【技術特征摘要】
1.一種用于ai智能體的交互用戶語音識別方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種用于ai智能體的交互用戶語音識別方法，其特征在于：所述步驟一提出的端到端模型使用梅爾頻譜系數作為聲學特征來描述語音信號的頻譜分布，采用隱馬爾科夫模型處理建模語音信號的時序關系，采用深度神經網絡處理特征之間的非線性關系。
3.根據權利要求2所述的一種用于ai智能體的交互用戶語音識別方法，其特征在于：所述步驟一提出的卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法。卷積神經網絡具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類；所述循環神經網絡是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點(循環單元)按鏈式連接的遞歸神經網絡，所述循環神經網絡具有記憶性、參數共享并且圖靈完備，將循環神經網絡引入卷積神經網絡構筑的循環神經網絡可以處理包含序列輸入的ai智能體視覺問題；所述長短時記憶網絡是一種時間循環神經網絡。
【專利技術屬性】
技術研發人員：管浩，
申請(專利權)人：成都天翼空間科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。