（文章來源：半導體投資聯盟）

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

語音識別技術的第一梯隊公司三星公司便率先引入深度學習技術并結合利用反映了識別對象語言的結構特性的學習數組的方法來提升使用語音識別準確性。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確率的，第一是構建的深度神經網絡聲學模型，利用深度神經網絡的強大的特征提取能力來獲取語音數據中的語音信息。第二個是利用了反映識別對象語言的結構特性，從語音本質上出發(fā)去獲取語音特征信息。接下來小編將詳細的進行敘述三星公司的語音技術新方法。

該專利中提出的語音識別裝置如圖所示，包括學習數據獲取部、目標標簽構成部和聲學模型構建部、語音輸入部、目標標簽預測部以及解碼部。學習書籍獲取部主要是用戶獲取構成目標標簽的原始學習數據組如最初的語音文本。目標標簽部從包含在原始學習數組中文本以反映識別對象語言的機構特性的方法構成目標標簽。

聲學模型構建部主要是構建關于深度神經網絡模型的聲學模型，用于識別語音的輸入和目標標簽的預測輸出。解碼部主要是通過使用聲學模型對輸入的語音進行目標標簽的預測輸出，根據輸出的預測來進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標簽構成部來利用對象語言的機構特性。目標標簽構成部120可將包含在原始學習數據組310中的文本以字母為單位進行分離并且以后述方式構成反映了識別對象語言的結構特性的四個級別的目標標簽。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，當學習數據310a的文本為“ nice to meet you”時，學習數據330a的第一級別目標標簽可由“nice$to$meet$you”構成。

在經過目標標簽構成部的構造后，深度神經網絡的輸入端和輸出端便有了結果。首先，是獲取原始學習數據組，通過將包含在原始學習數據中的文本信息以字母為單位進行分離來構成目標標簽，作為聲學模型的輸出端。聲學模型的輸入端便是語音數據，通過學習包含在原始學習數據中的學習用語音數據及目標標簽，來訓練聲學模型。

三星公司中專利的語音識別技術屬于改進后的端對端深度學習模型，改進的地方在于把傳統(tǒng)的端對端的深度學習模型的語音文本輸出端改成了目標標簽輸出端，而這目標標簽輸出端能很好的體現要識別的對象語言的結構特性。當然這也給整個系統(tǒng)帶來了一定的復雜性，因為最終的聲學模型的輸出還需要經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的準確性提高。
? ? ?