阅读说明：本技术 语音识别方法、装置、电子设备和计算机可读存储介质 (Speech recognition method, speech recognition device, electronic equipment and computer-readable storage medium ) 是由 王超 冯大航 陈孝良 常乐 于 2019-09-17 设计创作，主要内容包括：本公开公开了一种语音识别方法,其特征在于,包括：接收输入语音信号；确定所述输入语音信号的语谱图；从所述语谱图中提取M个备选区域,M为正整数；确定所述M个备选区域的特征向量；根据所述M个备选区域的特征向量识别所述输入语音信号。本公开实施例提供的语音识别方法、装置、电子设备和计算机可读存储介质,能够从输入语音信号的语谱图中确定备选区域,并根据备选区域对所述输入语音信号进行识别,不仅性能优异,还能够识别出所述输入语音信号的有效区域。(The present disclosure discloses a voice recognition method, which is characterized by comprising: receiving an input voice signal; determining a spectrogram of the input speech signal; extracting M candidate regions from the spectrogram, wherein M is a positive integer; determining feature vectors of the M candidate regions; and identifying the input voice signal according to the feature vectors of the M candidate regions. The voice recognition method, the voice recognition device, the electronic equipment and the computer-readable storage medium provided by the embodiment of the disclosure can determine the candidate region from the spectrogram of the input voice signal, recognize the input voice signal according to the candidate region, have excellent performance and can also recognize the effective region of the input voice signal.)

语音识别方法、装置、电子设备和计算机可读存储介质

技术领域

本公开涉及信息处理领域，尤其涉及一种语音识别方法、装置、电子设备及计算机可读存储介质。

背景技术

随着语音识别技术的进步，与语音识别相关的应用愈发丰富，例如智能音箱设备可以根据用户的语音与用户进行交互，还可以接入互联网作为各种应用的接口。

智能音箱需要基于语音识别技术被唤醒(keyword spotting，KWS)和/或识别用户的各种语音命令。现有的语音识别技术经历了多次迭代，例如包括模板匹配的方法，将输入语音和模板语音的特征进行对比，基于对比结果确定是否唤醒或识别，还例如采用隐式马尔科夫模型-高斯混合模型(HMM-GMM)模型将输入语音识别为关键词类或非关键词类后来确定是否唤醒或识别。

但是现有的语音识别方式对于输入的复杂语音，其性能比较常规，并且无法识别输入语音的有效区域。

发明内容

本公开实施例提供语音识别方法，装置，电子设备，和计算机可读存储介质，能够从输入语音信号的语谱图中确定备选区域，并根据备选区域对所述输入语音信号进行识别，不仅性能优异，还能够识别出所述输入语音信号的有效区域。

第一方面，本公开实施例提供一种语音识别方法，其特征在于，包括：接收输入语音信号；确定所述输入语音信号的语谱图；从所述语谱图中提取M个备选区域，M为正整数；确定所述M个备选区域的特征向量；根据所述M个备选区域的特征向量识别所述输入语音信号。

进一步的，确定所述M个备选区域的特征向量，包括：通过神经网络确定所述M个备选区域的特征向量，所述神经网络与目标语音信号对应。

进一步的，根据所述M个备选区域的特征向量识别所述输入语音信号，包括：通过所述神经网络根据所述M个备选区域的特征向量识别所述输入语音信号。

进一步的，根据所述M个备选区域的特征向量识别所述输入语音信号，包括：将所述M个备选区域的特征向量输入支持向量机，以确定所述M个备选区域的目标匹配值，所述支持向量机与所述目标语音信号对应；根据所述M个备选区域的目标匹配值识别所述输入语音信号。

进一步的，根据所述M个备选区域的目标匹配值识别所述语音信号，包括：确定所述M个备选区域中包括第一备选区域，所述第一备选区域的目标匹配值满足预设条件；根据所述第一备选区域识别所述语音信号。

进一步的，所述M个备选区域与M个起止时间段一一对应；根据所述M个备选区域的特征向量识别所述输入语音信号，包括：根据与所述M个备选区域对应的起止时间段和所述M个备选区域的特征向量确定所述输入语音信号中与所述预设语音信号匹配的起止时间段。

进一步的，确定所述输入语音信号的语谱图，包括：将所述输入语音信号拆分为N个帧，N为正整数；提取所述N个帧中的每一个帧的Q个频率特征值，Q为正整数；将N*Q个频率特征值作为所述语谱图。

进一步的，提取所述N个帧中的每一个帧的Q个频率特征值，包括：通过快速傅里叶变换对所述N个帧进行预处理，得到所述N个帧中的每一个帧的Q个初始特征值；对所述N个帧中的每一个帧的Q个初始特征值的幅值进行log运算，得到所述N个帧中的每一个帧的Q个频率特征值。

进一步的，从所述语谱图中提取M个备选区域，包括：通过选择性搜索方式从所述语谱图中提取所述M个备选区域，所述M个备选区域中的每一个包括时间上连续的帧。

第二方面，本公开实施例提供一种语音识别装置，其特征在于，包括：接收模块，用于接收输入语音信号；确定模块，用于确定所述输入语音信号的语谱图；提取模块，用于从所述语谱图中提取M个备选区域，M为正整数；所述确定模块，还用于确定所述M个备选区域的特征向量；识别模块，用于根据所述M个备选区域的特征向量识别所述输入语音信号。

进一步的，所述确定模块还用于：通过神经网络确定所述M个备选区域的特征向量，所述神经网络与目标语音信号对应。

进一步的，所述识别模块还用于括：通过所述神经网络根据所述M个备选区域的特征向量识别所述输入语音信号。

进一步的，所述识别模块还用于：将所述M个备选区域的特征向量输入支持向量机，以确定所述M个备选区域的目标匹配值，所述支持向量机与所述目标语音信号对应；根据所述M个备选区域的目标匹配值识别所述输入语音信号。

进一步的，所述识别模块还用于：确定所述M个备选区域中包括第一备选区域，所述第一备选区域的目标匹配值满足预设条件；根据所述第一备选区域识别所述语音信号。

进一步的，所述M个备选区域与M个起止时间段一一对应；所述识别模块还用于：根据与所述M个备选区域对应的起止时间段和所述M个备选区域的特征向量确定所述输入语音信号中与所述预设语音信号匹配的起止时间段。

进一步的，所述确定模块还用于：将所述输入语音信号拆分为N个帧，N为正整数；提取所述N个帧中的每一个帧的Q个频率特征值，Q为正整数；将N*Q个频率特征值作为所述语谱图。

进一步的，所述确定模块还用于：通过快速傅里叶变换对所述N个帧进行预处理，得到所述N个帧中的每一个帧的Q个初始特征值；对所述N个帧中的每一个帧的Q个初始特征值的幅值进行log运算，得到所述N个帧中的每一个帧的Q个频率特征值。

进一步的，所述提取模块还用于：通过选择性搜索方式从所述语谱图中提取所述M个备选区域，所述M个备选区域中的每一个包括时间上连续的帧。

第三方面，本公开实施例提供一种电子设备，包括：存储器，用于存储计算机可读指令；以及与所述存储器耦合的一个或多个处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现前述第一方面中的任一所述语音识别方法。

第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述第一方面中的任一所述语音识别方法。

本公开公开了一种语音识别方法、装置、电子设备和计算机可读存储介质。其中所述语音识别方法，其特征在于，包括：接收输入语音信号；确定所述输入语音信号的语谱图；从所述语谱图中提取M个备选区域，M为正整数；确定所述M个备选区域的特征向量；根据所述M个备选区域的特征向量识别所述输入语音信号。本公开实施例提供的语音识别方法、装置、电子设备和计算机可读存储介质，能够从输入语音信号的语谱图中确定备选区域，并根据备选区域对所述输入语音信号进行识别，不仅性能优异，还能够识别出所述输入语音信号的有效区域。

上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的语音识别方法实施例的流程图；

图2为本公开提供的确定输入语音信号的语谱图的可选实施例的流程图；

图3为本公开的提供的可选实施例涉及的语音信号的语谱图的示意图；

图4为本公开提供的一种卷积神经网络模型示意图；

图5为本公开实施例提供的语音识别装置实施例的结构示意图；

图6为根据本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图示中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本实施例提供的该语音识别方法可以由一个语音识别装置来执行，该装置可以实现为软件，可以实现为硬件，还可以实现为软件和硬件的组合，例如所述语音识别装置包括计算机设备，从而通过该计算机设备来执行本实施例提供的该语音识别方法，如本领域技术人员所理解的，计算机设备可以是台式或便携计算机设备，还可以是移动终端设备等。作为所述语音识别装置的一种具体形式的示例，所述语音识别装置包括智能音箱。

图1为本公开实施例提供的语音识别方法实施例的流程图，如图1所示，本公开实施例的语音识别方法包括如下步骤：

步骤S101，接收输入语音信号；

在步骤S101中，所述语音识别装置接收输入语音信号，以对所述输入语音信号进行识别。例如，所述输入语音信号包括所述语音识别装置所接收的用户的语音所形成的采样信号，在该示例中，该用户的语音被所述语音识别装置例如其包括的麦克风接收并记录为采样文件，该采样文件即该输入语音信号的保存媒介。

步骤S102，确定所述输入语音信号的语谱图；

在步骤S102中，所述语音识别装置确定在步骤S101中接收的所述输入语音信号的语谱图。如同本领域技术人员所理解的，所述语谱图的横坐标表征时间特征，纵坐标表征频率特征，通过语谱图能够反映输入语音信号的时频特征。

图2所示为确定输入语音信号的语谱图的一个可选的实施例的流程图，参见图2，步骤S102：确定所述输入语音信号的语谱图，包括：

步骤S201，将所述输入语音信号拆分为N个帧，N为正整数；

在步骤201中，可以首先对所述输入语音信号进行分帧操作以将所述输入语音信号拆分为N个帧，N为正整数。如同本领域技术人员所了解的，在步骤S101中接收的所述输入语音信号的时间长短可能存在不一致，而输入语音信号在10毫秒(ms)到30ms的时间长度内较为平稳，因此可选的，可以以25ms作为帧长，以10ms作为帧移来确定所述N的值，从而实现对所述输入语音信号进行分帧的操作。作为示例，例如所述输入语音信号的时间长度为Lms，那么在步骤S201中，可以将长度为Lms的所述输入语音信号拆分为N帧，其中

作为更具体的示例，所述输入语音信号的时间长度L＝1025ms，在步骤S201中可以将其拆分为101帧。

步骤S202，提取所述N个帧中的每一个帧的Q个频率特征值，Q为正整数；

在步骤S202中，可以对分帧操作后得到的N个帧中的每一个帧进行处理以提取该每一个帧的Q个频率特征值，其中Q为正整数。

可选的，可以通过快速傅里叶变换得到每一个帧的Q个频率特征值。例如，通过512点的快速傅里叶变换对分帧后的一个帧进行处理以得到该一个帧的257(Q＝257)个频率特征值；还例如，可以通过256点的快速傅里叶变换对分帧后的一个帧进行处理以得到该一个帧的129(Q＝129)个频率特征值。值得说明的是，本公开对于通过快速傅里叶变换确定所述输入语音信号的帧的特征值所关联的计算方法不做限定，任何现有的或将来的通过快速傅里叶变换量化输入语音信号的帧的频率特征值的计算方式均可以应用到本公开实施例。可选的，步骤S202：提取所述N个帧中的每一个帧的Q个频率特征值，包括：通过快速傅里叶变换对所述N个帧进行预处理，得到所述N个帧中的每一个帧的Q个初始特征值；对所述N个帧中的每一个帧的Q个初始特征值的幅值进行log运算，得到所述N个帧中的每一个帧的Q个频率特征值。以512点的快速傅里叶变换为例，对所述输入语音信号的N个帧中的一个帧进行快速傅里叶变换，得到的初始特征值即频谱是共轭对称的，其幅值相同，因此仅保留一半，外加一个零频信号，故得到257个幅值，对幅值进行log运算得到257个频率特征值。

步骤S203，将N*Q个频率特征值作为所述语谱图。

在步骤S203中，将在步骤S202中提取的N个帧的Q个特征值按照所述N个帧对应的时间的先后顺序排列，即形成了所述输入语音信号的语谱图。图3所示为通过步骤S102或步骤S201-S203所确定的输入语音信号的语谱图的示意图，参照前述示例，在步骤S101中接收的所述输入语音信号的时间长度L为1025ms，在步骤S201中将其根据25ms的帧长和10ms的帧拆分为101个帧，然后在步骤S202中通过512点的快速傅里叶变换对所述101个帧进行处理，得到所述101个帧中的每一个帧的257个频率特征值，在步骤S203中，将所述101*257个频率特征值作为所述输入语音信号的语谱图，该语谱图的横坐标表征时间、对应了所述输入语音信号的101个帧，该语谱图的纵坐标表征频率特征、对应了每个帧的257个频率特征值。

步骤S103，从所述语谱图中提取M个备选区域，M为正整数；

在步骤S103中，所述语音识别装置确定从步骤S102确定的所述语谱图中提取M个备选区域。可选的，所述M个备选区域与M个起止时间段一一对应，也就是说所述M个备选区域中的每个备选区域包括开始时间和截止时间，每个备选区域包括从该开始时间到该截止时间之间的区域，这意味着，所述M个备选区域中的每个备选区域在时间上连续(或者说所述M个备选区域中的每个备选区域在横坐标上连续)。作为一个示例，如前所述，所述语谱图的横坐标表征时间特征，纵坐标表征频率特征，对于所述M个备选区域中的一个备选区域，该一个备选区域的开始时间对应于所述语谱图的第一横坐标，该第一备选区域的截止时间对应所述语谱图的第二横坐标，该一个备选区域包括所述语谱图的该第一横坐标到该第二横坐标之间的全部区域。可选的，可以通过随机的方式从所述语谱图中提取所述M个备选区域。作为又一个示例，所述语谱图的横坐标为连续的帧号，代表时间上连续的帧，例如包括编号0-99的100个帧，通过随机的方式截取M个备选区域，每个备选区域包括一定数量的编号连续的帧，例如M个备选区域中的第一个备选区域包括编号1-5的帧，第二个备选区域包括编号2-8的帧，…，第M个备选区域包括编号11-20的帧，其中，各备选区域可能存在重叠，例如第一个备选区域和第二备选区域在编号为2-5的帧上重叠。

对于通过步骤S201-S203拆分为N个帧并对每个帧提取了Q个特征值的实施例，可以从所述N*Q个频率特征值构成的语谱图中提取所述M个备选区域。可选的，在步骤S103中可以通过选择性搜索方式从所述语谱图中提取所述M个备选区域，所述M个备选区域中的每一个包括时间上连续的帧。作为示例，对于前述101*257个频率特征值所构成的语谱图，在步骤S103中从101*257的语谱图中提取了3个备选区域，分别为101个帧中的第2-4个帧所对应的区域(包括3*257个频率特征值)，第5-10个帧所对应的区域(包括6*257个频率特征值)，第17-48个帧所对应的区域(包括32*257个频率特征值)。

步骤S104，确定所述M个备选区域的特征向量；

在步骤S104中，所述语音识别装置确定在步骤S103中提取的M个备选区域的特征向量。

由前述示例可知，所述M个备选区域例如包括与一个或多个连续帧对应的多个频率特征值，在步骤S104中可以对所述M个备选区域的频率特征值进一步进行处理，以提取所述M个备选区域的特征向量。在一个可选的实施例中，例如为了降低噪声，可以通过权重系数对所述M个备选区域中的每个备选区域的频率特征值进行频域增强，将经过频域增强处理的频率特征值作为所述M个备选区域的特征向量。

步骤S105，根据所述M个备选区域的特征向量识别所述输入语音信号。

在步骤S105中，所述语音识别装置根据所述M个备选区域的特征向量来识别所述输入语音信号。可选的，根据所述M个备选区域的特征向量识别所述输入语音信号，包括根据所述M个备选区域的特征向量确定所述输入语音信号是否与目标语音信号相匹配，其中，所述目标语音信号可以是预设的语音信号，当确定所述输入语音信号与所述目标语音信号相匹配时，所述语音识别装置可以执行相应的操作(例如所述语音识别装置包括智能音箱，作为一个示例，所述目标语音信号包括唤醒词所对应的语音信号，当确定所述输入语音信号与所述目标语音信号相匹配时，则执行智能音箱的唤醒操作；作为又一个示例，所述目标语音信号包括预设指令所对应的语音信号，当确定所述输入语音信号与所述目标语音信号相匹配时，智能音箱则执行所述预设指令，例如所述预设指令包括控制智能音箱播放预设音频的指令，那么，在确定所述输入语音信号与所述目标语音信号相匹配时，所述智能音箱播放所述预设音频)。进一步的，所述语音识别装置还可以确定所述M个备选区域中与所述目标语音信号相匹配的备选区域所对应的起止时间段，以指示所述输入语音信号中的哪部分与所述目标语音信号相匹配，或者指示所述输入信号中的有效区域。

通过本公开实施例提供的语音识别方法，能够从输入语音信号的语谱图中确定备选区域，并根据备选区域对所述输入语音信号进行识别，不仅性能优异，还能够识别出所述输入语音信号的有效区域。

在一个可选的实施例中，对于步骤S104：确定所述M个备选区域的特征向量，可以包括：通过神经网络确定所述M个备选区域的特征向量，其中所述神经网络与目标语音信号对应。

神经网络、例如深度神经网络(deep neural networks,DNN)是深度学习技术的代表，随着神经网络技术的不断发展，存在多种类型和/或结构的神经网络。以DNN中较具代表性的卷积神经网络(convolutional neural networks,CNN)为例，在训练CNN的过程中，对于存在监督的深度学习，在CNN的结构确定的前提下，可以将带有标签信息的训练集合输入到CNN，对于训练集合的训练数据，在经过CNN提取特征向量并输出结果后，会将输出的结果与该训练数据的标签信息进行比对以确定损失函数，进而根据损失函数调整CNN的参数，如此不断迭代，直到CNN对输入的训练数据能够输出正确的或者满足精度要求的结果，则意味着CNN训练完毕，训练完毕的CNN，其参数已经被固定，进而通过训练完毕的CNN对输入的数据进行计算，能够得到对该输入数据的正确计算结果。

图4所示为典型的卷积神经网络的框架图。典型的CNN的框架包括卷积层、非线性层、池化层、以及完全连接层。

卷积层主要用于从输入图像中提取图像特征，可以通过一个或多个过滤器(也称特征探测器)按照预设的步长从输入图像中提取图像特征。如本领域技术人员所理解的，例如语谱图包括N*Q个频率特征值，可以将所述语谱图近似的理解为一个N*Q的图像，在卷积层中，例如通过5*5的过滤器按照步长为1提取所述N*Q的语谱图的图像特征可以得到卷积层所输出的图像特征矩阵。

卷积层之后可以连接非线性层和/或池化层，其中非线性层用于对卷积层输出的图像特征进行二次特征提取，池化层可以采用平均池化的方式或者最大池化的方式对卷积层或非线性层的输出结果进行处理，能够降低图像特征的维度，减少运算次数。

CNN的最后为完全连接层，完全连接层的最后一层为输出层，完全连接层接收之前的层的图像特征向量，并对所述图像特征向量进行层层处理，最终，经过处理的图像特征向量输入到输出层，在输出层中通过激活函数对该图像特征进行计算，并将计算结果映射到输出层所包括的多个输出项目。

具体到本公开的上述可选的实施例，所述CNN与目标语音信号对应，也就是说，用于训练所述CNN的训练集合，包括大量与目标语音信号对应的语音信号的语谱图，和与所述目标语音信号不对应的语音信号的语谱图，其中，与目标语音信号对应的语音信号或其语谱图可以包括“对应”的标签，与所述目标语音信号不对应的语音信号或其语谱图可以包括“不对应”的标签，从而所述“对应”和“不对应”的标签构成监督数据，将所述训练集合输入到CNN的卷积层，经过卷积层的处理后将结果依次输入到非线性层和/或池化层，最终经过完全连接层给出计算结果，该完全连接层可以包括两个输出项目，该两个输出项目分别与“对应”的标签和“不对应”的标签相对应，在训练的过程中，将根据完全连接层给出的输出结果构造损失函数，不断的迭代以确定所述CNN的参数，直至CNN训练完毕，该CNN与所述目标语音信号对应。在步骤S104中，可以通过该训练完毕的CNN确定所述M个备选区域的特征向量，例如，将所述M个备选区域分别输入所述CNN后，经过CNN处理至完全连接层时，将所述M个备选区域在完全连接层的输入向量作为所述M个备选区域的特征向量。

值得说明的是，本公开实施例对所采用的DNN乃至CNN的结构不做限定，任何现有的或将来的DNN乃至CNN均能够应用于本公开的实施例。例如，其中的CNN包括但不限于MobileNetV2，AlexNet，googleNet，VGGNet，DenseNet等。

对应于上述可选实施例，当通过所述神经网络(例如DNN乃至CNN)确定所述M个备选区域的特征向量后，可选的，步骤S105：根据所述M个备选区域的特征向量识别所述输入语音信号，包括：通过所述神经网络根据所述M个备选区域的特征向量识别所述输入语音信号。以通过所述CNN识别所述输入语音信号为例，例如，所述M个备选区域的特征向量包括输入到所述CNN的完全连接层的特征向量，进一步的，所述CNN的完全连接层可以对所述输入的M个备选区域的特征向量计算出输出结果，该输出结果指示了所述M个备选区域(的语谱图)中的哪些与所述目标语音信号(的语谱图)对应或者匹配，哪些与所述目标语音信号(的语谱图)不对应或者不匹配，也就是说，所述CNN根据所述M个备选区域的特征向量识别了所述输入语音信号。

在又一个可选的实施例中，步骤S105：根据所述M个备选区域的特征向量识别所述输入语音信号，包括：将所述M个备选区域的特征向量输入支持向量机(SVM)，以确定所述M个备选区域的目标匹配值，所述SVM与所述目标语音信号对应；根据所述M个备选区域的目标匹配值识别所述输入语音信号。其中，所述SVM与所述目标语音信号对应，也就是说，用于训练所述SVM的训练集合，包括大量与目标语音信号对应的语音信号的特征向量，和与所述目标语音信号不对应的语音信号的特征向量，其中，与目标语音信号对应的语音信号或其特征向量可以包括“对应”的标签，与所述目标语音信号不对应的语音信号或其特征向量可以包括“不对应”的标签，从而所述“对应”和“不对应”的标签构成监督数据，进而基于监督数据完成对SVM的训练。可选的，用于训练所述SVM的训练集合与训练所述CNN的训练集合相同，也就是说，将用于训练所述CNN的训练集合，经过所述CNN提取特征向量后，可以用于训练所述SVM。

在上述可选的实施例中，通过所述神经网络确定所述M个备选区域的特征向量后，将所述M个备选区域的特征向量输入到训练完毕的SVM，所述SVM给出各个备选区域的目标匹配值，所述目标匹配值反映了输入的M个备选区域(的特征向量)与“对应”标签的匹配程度和/或与“不对应”标签的匹配程度，例如对于M个备选区域中的一个备选区域，所述SVM给出了与“对应”标签相匹配的程度为0.51，这可以意味着该一个备选区域有51％的概率与所述目标语音信号匹配。

可选的，根据所述M个备选区域的目标匹配值识别所述语音信号，包括：确定所述M个备选区域中包括第一备选区域，所述第一备选区域的目标匹配值满足预设条件；根据所述第一备选区域识别所述语音信号。例如所述预设条件包括目标匹配值大于或等于预设参数，预设参数例如是0.5，那么如果所述M个备选区域中存在一个或多个第一备选区域，该一个或多个第一备选区域的目标匹配值均大于或等于0.5，也就是说所述输入语音信号的语谱图中的M个备选区域中存在一个或多个与所述目标语音信号匹配的备选区域，进而识别所述输入语音信号，例如确定所述输入语音信号与所述目标语音信号匹配。

可选的，根据所述M个备选区域的特征向量识别所述输入语音信号，包括：根据与所述M个备选区域对应的M个起止时间段和所述M个备选区域的特征向量确定所述输入语音信号中与所述预设语音信号匹配的起止时间段。在该可选的实施例中，可以基于前述神经网络的方法，或者基于前述神经网络和支持向量机的方法，根据所述M个备选区域的特征向量确定所述M个备选区域中与所述预设语音信号匹配的一个或多个第一备选区域，并且，由于所述M个备选区域分别与M个起止时间段一一对应，还可以根据与所述一个或多个第一备选区域对应的起止时间段确定与所述目标语音信号匹配的起止时间段。作为示例，对于只存在一个第一备选区域的情况，可以直接将该一个第一备选区域的起止时间段确定为所述输入语音信号中与所述预设语音信号匹配的起止时间段；对于存在多个第一备选区域的情况，如果各第一备选区域是离散的，可以将所述离散的多个第一备选区域对应的起止时间段的并集确定为所述输入语音信号中与所述预设语音信号匹配的起止时间段，如果存在重叠的第一备选区域，在确定所述输入语音信号中与所述预设语音信号匹配的起止时间段时需要去掉重叠部分。通过上述方式，能够识别出所述输入语音信号中与所述目标语音信号对应的时间信息或位置信息，例如识别出所述输入语音信号中的哪部分与目标语音信号匹配，相应的，可以识别出所述输入语音信号中的哪部分与目标语音信号不匹配，这不但提高了单条输入语音中包括多个目标语音、以及单条输入语音中包括重叠的目标语音的识别概率，而且有助于后续的分析和处理，例如可以使用所述输入语音信号中与所述目标语音不对应的部分构造反向集以用于训练CNN和/或SVM。

图5所示为本公开实施例提供的语音识别装置500实施例的结构示意图，如图5所示，所述语音识别装置500包括：接收模块501，确定模块502，提取模块503，识别模块504。

其中，所述接收模块501，用于接收输入语音信号；所述确定模块502，用于确定所述输入语音信号的语谱图；所述提取模块503，用于从所述语谱图中提取M个备选区域，M为正整数；所述确定模块502，还用于确定所述M个备选区域的特征向量；所述识别模块504，用于根据所述M个备选区域的特征向量识别所述输入语音信号。

图5所示装置可以执行图1和/或图2所示实施例的方法，本实施例未详细描述的部分，可参考对图1和/或图2所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1和/或图2所示实施例中的描述，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线或通信线路604彼此相连。输入/输出(I/O)接口605也连接至总线或通信线路604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例中的语音识别方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。