1.一种基于深度卷积神经网络的外部语料库语音识别方法，其特征在于包括如下步骤：步骤1、获取语音标注数据和互联网语料库

1-1.所述的语音标注数据为一段话的录音数据，通过人工提取的方式对语音标注数据进行解析，获取该语音标注数据对应的汉字序列、拼音序列和音素序列；

1-2.每个汉字都有拼音，而一个拼音可能对应多个汉字；具体的:将一个拼音拆分成声母和韵母；同理的，再将声韵母拆分成音素，多个音素对应一个声韵母；

1-3.获取该语音标注数据时，必须符合如下约束：首先，根据语音信号数据，标注对应的汉字序列数据；

然后，对汉字序列进行逐字注音；

最后，将每个拼音拆分成音素；

其中，语音标注数据为输入数据，汉字序列、拼音序列、音素序列为输出数据；

所述的互联网语料库为现有的公开的数据库；

步骤2、利用语音标注数据的平均能量对该语音标注数据进行清洗；

步骤3、对语音标注数据进行特征抽取和标准化；

步骤4、构建神经网络模型；

步骤5、将待测试的语音数据输入构建的神经网络模型，完成识别后输出识别文本数据；

步骤2所述的利用语音标注数据的平均能量对该语音标注数据进行清洗，具体实现如下：

2-1.计算语音标注数据的平均能量，语音标注数据的平均能量的计算公式；

其中，x为语音信号数据，x(m)为语音信号数据的第m个采样点，采样率n使用16000；N为窗大小，取值为320；

2-2.清洗语音标注数据信号中的静音部分；

步骤3所述的对语音标注数据进行特征抽取和标准化，具体实现如下：

3-1.对清洗后的语音标注数据进行预加重、分帧、加窗的操作，计算梅尔频率倒谱系数特征；对当前帧中M个点的梅尔频率倒谱特征进行描述并整合，将整合后的描述集合作为当前帧的梅尔频率倒谱特征集；

3-2.再将当前帧的前三帧和后三帧的梅尔频率倒谱特征集进行组合，组合生成当前帧的基本特征；

3-3.由于梅尔频率倒谱特征的数值差异大，因此需要对训练集中的每一个基本特征计算其均值和方差，并对每一个基本特征进行标准化，具体实现如下：其中，ft，i表示第i个基本特征在t时刻的取值； 为第i个基本特征在所有时刻上的均值；σi表示第i个基本特征在所有时刻上的方差； 为第i个基本特征标准化后在t时刻的取值；

步骤4所述的构建神经网络模型，具体实现如下：

所需构建的神经网络模型：维数为40*7的输入块，由特征数为27,54,108构成的3层卷积块、步长为2的最大值池化，特征数为108,216的2层卷积块；

所述卷积块为1*3,3*1,1*5,5*1，1*1二维卷积构成；由特征数为512,512,256,256,256构成的5层核大小为3的一维全卷积、隐节点数为256的3层BiLSTM构成的时序特征提取块；

由节点数为70的音素输出层、节点数为1170的拼音输出层、节点数为6500的汉字输出层构成的输出模块；

将构建的神经网络模型采用leaky relu激活函数，静态特征提取块和时序特征提取块中的各层均有resnet残差学习连接，加速训练速度。

2.根据权利要求1所述的一种基于深度卷积神经网络的外部语料库语音识别方法，其特征在于步骤3所述的M为40。