【技术实现步骤摘要】
本专利技术属于语音识别，具体为一种用于ai智能体的交互用户语音识别方法。
技术介绍
1、近年来，随着人工智能技术的迅猛发展，语音识别技术在ai智能体领域得到了广泛的应用。ai智能体作为一种能够通过人机语音交互进行操作的智能设备，已经逐渐成为人们生活中不可或缺的一部分。语音识别技术作为智能音箱的核心技术，无疑在该领域起到了引领作用。首先，语音识别技术为ai智能体提供了便捷的用户交互方式，大大提升了用户的使用体验和操作便捷性，使ai智能体得到了更广泛的应用。
2、然而，在ai智能体领域，语音识别技术还面临一些挑战。首先，语音识别技术的准确率是一个重要的问题。目前，虽然语音识别技术已经取得了显著的进展，但仍然存在一些误识别的情况。这主要是出于环境噪声、口音、语速等因素导致的，这些因素都会对语音信导的质量产生影响，进而影响语音识别技术的准确性。其次，语音识别技术的实时性也是一个挑战。ai智能体要求语音识别技术在极短的时间内完成对语音指令的识别和处理，以实现用户与设备的即时交互。然而，由于语音识别技术需要完成大量的计算和处理，实时性成为了一个具有挑战性的问题。如何提高语音识别技术的处理速度，保证系统的实时性；因此，针对目前的状况，现需对其进行改进。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供一种用于ai智能体的交互用户语音识别方法，有效的解决了，在ai智能体领域，语音识别技术存的误识别和实时性低的问题。
2、为实现上述目的，本专利技术提供如下
3、步骤一：建立深度学习系统，基于timit、librispeech和switchboard语音数据集为系统提供音频增强和噪声抑制训练；基于卷积神经网络、循环神经网络和长短时记忆网络提高系统捕捉语音信号的时序特征的性能；基于循环神经网络语言模型和transformer模型训练系统学习到更丰富的语义信息；建立端到端模型将声学特征映射到文本输出，提高了语音识别的效率和准确性；
4、步骤二：建立跨语语言知识迁移系统，采用特征转化法将源语种的语音特征转化为目标语种的特征表示，减少语音识别中的语种差异性，利用迁移学习法来将从原始语种中学到的模型参数、特征知识迁移到目标语种中,在目标语种上进行微调，配合数据增强技术，在跨语言知识迁移中，通过将源语种的数据进行变换、扩充，生成目标语种的训练数据，从而提高目标语种上的语音识别性能，以增加数据的多样性和覆盖度；
5、步骤三：建立噪声抑制系统，采用倒频谱和领域自适应mfcc算法提取噪声环境下的语音信号特征，通过循环神经网络和卷积神经网络建立噪声模型，通过噪声模型去除噪声，建立声学模型和统计模型学习语音信号和噪声信号之间的关系，利用声学特征进行语音信号的增强，通过人工合成不同噪声强度和类型的数据，扩充训练集，提高模型的鲁棒性；
6、步骤四：建立声纹识别系统，采集个体的语音样本,通过声纹特征提取技术将语音信号转化为声纹特征向量，对采集到的声纹特征数据进行训练，并通过机器学习算法和模型优化技术建立声纹模型，通过比对测试语音与已建立的声纹模型，利用声纹识别算法对输入语音进行识别和验证；
7、步骤五：建立云计算系统，将ai智能体的交互用户语音识别系统中的语音输入模块、语音识别模块和文本输出模块部署到不同的云服务器上，并利用云服务提供商的api进行模块间的通信和数据传输，通过模拟和实际的语音输入来测试系统的识别准确性和响应速度，并根据测试结果进行系统参数的调优和优化，通过设置身份验证和授权机制，限制非法用户的访问，采用aes、rsa加密算法对数据进行加密存储，采用数据脱敏和去标识化技术，保护用户的隐私信息，通过实时监测语音识别系统的操作记录和网络流量信息，并采用侵检测系统和入侵防御系统，发现并处理安全漏洞和异常行为。
8、优选的，所述步骤一提出的端到端模型使用梅尔频谱系数作为声学特征来描述语音信号的频谱分布，采用隐马尔科夫模型处理建模语音信号的时序关系，采用深度神经网络处理特征之间的非线性关系。
9、优选的，所述步骤一提出的卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类；所述循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络，所述循环神经网络具有记忆性、参数共享并且图灵完备，将循环神经网络引入卷积神经网络构筑的循环神经网络可以处理包含序列输入的ai智能体视觉问题；所述长短时记忆网络是一种时间循环神经网络。
10、优选的，所述步骤三提出的倒频谱算法是一种二次分析技术，对功率谱的对数值进行傅立叶逆变换的结果，能将原来频谱图上成族的边频带谱线简化为单根谱线，以便提取、分析原频谱图上肉眼难以识别的周期性信号，进行多段平均的功率谱取对数后，功率谱中与调制边频带无关的噪声和其他信号也都得到较大的权系数而放大，降低了信噪比。
11、优选的，所述步骤三提出的领域自适应mfcc算法是用fft将时域信号转化成频域，之后对其对数能量谱用依照mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换dct，取前n个系数。
12、优选的，所述步骤五提出的api允许不同的应用程序、服务和系统之间能够共享信息与功能，以约定好的api接口实现互联互通，降低系统耦合度。
13、与现有技术相比，本专利技术的有益效果是：1、本专利技术，采用深度学习系统可以使语音识别系统更好地捕捉语音信号的时序特征，增加语义信息的学习内容，简化声学特征映射到文本输出处理流程，以此可以有效提高了语音识别的效率和准确性；通过建立跨语语言知识迁移系统，利用特征转化、迁移学习和数据增强法可以有效提高语音识别系统的性能和泛化能力；建立噪声抑制系统，通过采用倒频谱和领域自适应mfcc算法，能够更好地适应噪声环境下的语音信号特征，结合噪声模型、声学模型和统计模型，通过学习语音信号和噪声信号之间的关系，利用声学特征进行语音信号的增强。
14、2、本专利技术，通过建立声纹识别系统，通过声纹特征提取、声学模型训练及识别步骤，系统能够实现对语音的精确识别和验证。在建立和改进该系统时，应综合考虑声纹特征选择、数据质量与数量、模型训练算法关键技术要点，并结合系统应用场景进行优化，以提高系统的性能和实用性。
15、3、本专利技术，基于云计算的语音识别系统的部署与安全策略是确保系统性能和用户隐私的关键。通过选择合适的云计算平台、规划和配置资源部署和集成系统、测试和调优系统步骤，可以有效地部署语音识别系统。同时，通过访问控制、数据加密与隐私保护、安全监测与洞修复以及威胁检测与预防等安全策略，可以提高系统的安全性和稳定性。
本文档来自技高网...【技术保护点】
1.一种用于AI智能体的交互用户语音识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种用于AI智能体的交互用户语音识别方法，其特征在于：所述步骤一提出的端到端模型使用梅尔频谱系数作为声学特征来描述语音信号的频谱分布，采用隐马尔科夫模型处理建模语音信号的时序关系，采用深度神经网络处理特征之间的非线性关系。
3.根据权利要求2所述的一种用于AI智能体的交互用户语音识别方法，其特征在于：所述步骤一提出的卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类；所述循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络，所述循环神经网络具有记忆性、参数共享并且图灵完备，将循环神经网络引入卷积神经网络构筑的循环神经网络可以处理包含序列输入的AI智能体视觉问题；所述长短时记忆网络是一种时间循环神经网络。
4.根据权利要求1所述的一种用于AI智能体的交互用户语音识别方法，其特征在于：所述步骤三提
5.根据权利要求1所述的一种用于AI智能体的交互用户语音识别方法，其特征在于：所述步骤三提出的领域自适应MFCC算法是用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。
6.根据权利要求1所述的一种用于AI智能体的交互用户语音识别方法，其特征在于：所述步骤五提出的API允许不同的应用程序、服务和系统之间能够共享信息与功能，以约定好的API接口实现互联互通，降低系统耦合度。
...【技术特征摘要】
1.一种用于ai智能体的交互用户语音识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种用于ai智能体的交互用户语音识别方法，其特征在于：所述步骤一提出的端到端模型使用梅尔频谱系数作为声学特征来描述语音信号的频谱分布，采用隐马尔科夫模型处理建模语音信号的时序关系，采用深度神经网络处理特征之间的非线性关系。
3.根据权利要求2所述的一种用于ai智能体的交互用户语音识别方法，其特征在于：所述步骤一提出的卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类；所述循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络，所述循环神经网络具有记忆性、参数共享并且图灵完备，将循环神经网络引入卷积神经网络构筑的循环神经网络可以处理包含序列输入的ai智能体视觉问题；所述长短时记忆网络是一种时间循环神经网络。
【专利技术属性】
技术研发人员：管浩，
申请(专利权)人：成都天翼空间科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。