1.一种基于多路卷积网络的端到端语音识别方法，其特征在于，包括如下步骤：步骤1：通过重采样的方式将所有语音数据的采样率全部转化为aHz；wav＝resampel(wav，a)步骤2：对重采样后的语音数据wav进行语音预处理；采用Fbank的输出模式；第一步为预加重处理，将语音信号通过一个高通滤波器对语音信号中低频波段进行滤波；第二步将通过高通滤波器的语音信号进行分帧处理，把不定长的音频切分成固定长度的小段，得到分帧后的语音信号，然后设置一个滑动汉明窗函数对这些分帧语音信号进行傅里叶变换，将语音数据从时域信号转变成频域信号，最后将获取的频域信号通过对数梅尔谱滤波完成Fbank的计算；wav_frame＝hamming(wav,10ms)wav_data＝fft(wav_frame)wav Fbank ＝log_mel(wav_data)步骤3：经过步骤2对语音数据进行Fbank处理后的得到一个频谱特征为80维的语音数据wav Fbank [batch_size,wav_input,80]，其中barch_size表示每批处理的数据量大小，wav_input表示输入的语音长度；将所有的语音数据都进行长度填充，使wav_input的维度达到200：wav_data′[batch_size,200,80]＝padding(wav_data[batch_size,wav_input,80])步骤4：将步骤3得到的语音数据输入到多路卷积网络MCNN中；语音数据分别输入到三个通道，三个通道的结构相同；先进入第一层二维卷积CNN层中，其中每个卷积层都附带一个批次归一化BatchNorm2d和Relu激活函数，每个CNN都有16个滤波器组，每个滤波器内核大小为3*3，步长为1；第一层二维卷积CNN层输出之后再输入到第二层与第一层完全相同的二维卷积层中，再输入2维最大池化层Maxpool，接下来输入失活率为0.3的Dropout层，语音数据的参数变为[1,100,40,16]，四个参数中第一个为bitchsize大小，第二个为音频长度，第三个为音频的特征维度，第四个为卷积层的滤波器大小；然后继续输入第三层Conv2D二维卷积层中，相比第一层只改变卷积层中滤波器组的数量为32，输出语音数据的参数变为[1,50,20,32]；再经过两个卷积层后，最后进入第六层Conv2D二维卷积层中，相比第一层只改变卷积层中滤波器组的数量为64个，输出语音数据的参数为[1,25,10,64]；最后进入reshape层中重新合并语音数据wav_data[1,25,640]；wav_data′ i ＝Maxpool(BatchNorm2d(Relu(Conv2D(wav_data′)),epsolon＝0.0002),pool_size＝[2,2])wav_data i ＝reshape(1,25,640)(wav_data′ i )i＝1,2,3表示3个通道；步骤5：将三个通道输出的语音数据进行合并Merge操作，保持输入的语音长度维度不变，将频谱特征的维度进行合并输出，再进入全连接层FC中，第一层全连接层Dense1的input＝1920、output＝1024，第二层全连接层Dense2的input＝1024，output＝512，第三层全连接层Dense3的input＝512、output＝320，其中每两个全连接层之间都附带一个批次归一化BatchNorm2d和Relu激活函数，最终输出wav_data″[1,25,320]；wav_data″＝FC(Merge(wav_data 1 ，wav_data 2 ，wav_data 3 ))步骤6：构建基于Transformer模型的语音识别网络，包括编码器和解码器，其中编码器和解码器都由多头注意力机制MHA实现；编码器和解码器均由一个多头注意力机制和一个位置前馈网络FFN模块组成，在每个子层后都使用残差连接和层归一化；将经过多路卷积网络MCNN层输出的数据传入Transformer模型中，其中编码器会将输入的语音数据wav″ data ＝(X 1 ,X 2 ,…,X T )通过多头注意力机制映射到隐空间状态(h 1 ,h 2 ,…,h N )；然后解码器通过提供的文本标签label(Y 1 ,Y 2 ,…,Y L )联合编码器层输出隐空间状态(h 1 ,h 2 ,…,h N )解码，最终预测得到目标序列pre_label T (Y 1 ,Y 2 ,…,Y L )；wav_data″′(h 1 ,h 2 ,…,h N )＝Encoder(X 1 ,X 2 ,…,X T )pre_label T (Y 1 ,Y 2 ,…,Y L )＝Decoder((Y 1 ,Y 2 ,…,Y L-1 ),(h 1 ,h 2 ,…,h N ))步骤7：将编码器所获取的隐状态转移矩阵(h 1 ,h 2 ,…,h N )输入到CTC结构中，利用CTC的前后向算法强制语音和标签序列之间的单调对齐，其中CTC采用贪心搜索greedy_search的方法：pre_label C (Y 1 ,Y 2 ,…,Y L )＝CTC_greedy_search((Y 1 ,Y 2 ,…,Y L-1 ),(h 1 ,h 2 ,…,h N ))L MTL ＝λL CTC +(1-λ)L attention其中λ为超参数，L CTC 表示CTC损失函数，L attention 表示注意力损失函数，L MTL 表示两者相加的多任务损失函数。
2.根据权利要求1所述的一种基于多路卷积网络的端到端语音识别方法，其特征在于，所述a＝16000。
3.根据权利要求1所述的一种基于多路卷积网络的端到端语音识别方法，其特征在于，所述步骤2中将不定长的音频切分成固定长度的小段，每个小段的长度为10-30ms。
