语音识别的方法、语音识别模型的训练方法、装置及设备与流程

本公开涉及计算机技术领域，尤其涉及人工智能、语音技术、深度学习等领域，具体涉及一种语音识别的方法、语音识别模型的训练方法、装置、设备以及存储介质。

背景技术：

通常的语音识别模型的训练流程包括2个步骤，一个是收集文本语料，训练语言模型。另外一个是收集语音数据，进行标注后，训练声学模型。上述过程中，需要分别训练模型，训练周期比较长，成本比较高。在实际进行语音识别的过程中，由于模型的差异，会导致识别结果的精准程度受到影响。

技术实现要素：

本公开提供了一种语音识别的方法、语音识别模型的训练方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种语音识别的方法，该方法可以包括以下步骤：

确定待识别语音信息的特征，待识别语音信息的特征用于表征待识别语音信息中各音素之间的关系；

利用待识别语音信息的特征，确定各音素对应的候选文字；

利用候选文字的特征以及待识别语音信息的特征，生成与待识别语音信息对应的目标文本信息，候选文字的特征用于表征任一候选文字与该候选文字前向的其他候选文字之间的关系。

根据本公开的第二方面，提供了一种语音识别模型的训练方法，该方法可以包括以下步骤：

利用待训练的第一网络，分别提取语音信息样本的特征和文字信息样本的特征；语音信息样本的特征用于表征语音信息样本中各音素之间的关系，文字信息样本的特征用于表征文字信息样本中各文字之间的关系；

利用待训练的第二网络，根据语音信息样本的特征以及文字信息样本的特征，得到预测文本；

利用预测文本和文字信息样本的差异，对第一网络的参数和第二网络的参数进行联动调整，直至预测文本和文字信息样本的差异在允许范围内。

根据本公开的第三方面，提供了一种语音识别的装置，该装置可以包括：

待识别语音信息的特征提取模块，用于确定待识别语音信息的特征，待识别语音信息的特征用于表征待识别语音信息中各音素之间的关系；

候选文字确定模块，用于利用待识别语音信息的特征，确定各音素对应的候选文字；

目标文本信息确定模块，用于利用候选文字的特征以及待识别语音信息的特征，生成与待识别语音信息对应的目标文本信息，候选文字的特征用于表征任一候选文字与该候选文字前向的其他候选文字之间的关系。

根据本公开的第四方面，提供了一种语音识别模型的训练装置，该装置可以包括：

特征提取模块，用于利用待训练的第一网络，分别提取语音信息样本的特征和文字信息样本的特征；语音信息样本的特征用于表征语音信息样本中各音素之间的关系，文字信息样本的特征用于表征文字信息样本中各文字之间的关系；

预测文本确定模块，用于利用待训练的第二网络，根据语音信息样本的特征以及文字信息样本的特征，得到预测文本；

训练模块，用于利用预测文本和文字信息样本的差异，对第一网络的参数和第二网络的参数进行联动调整，直至预测文本和文字信息样本的差异在允许范围内。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术可以利用待识别语音信息进行特征提取，以确定待识别语音信息中各音素之间的关系，进而可以利用音素之间的关系确定候选文本，并根据候选文本的特征和语音信息的特征得到最终文本，可以提高语音信息识别的准确性。

另外，在训练过程中，第一网络和第二网络作为端到端的联合网络，利用语音信息样本和文字信息样本对端到端的网络进行联合训练，可以使端到端网络更为准确的实现语音识别。并且，由于是联合训练，训练周期短，复杂程度大大下降。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开语音识别的方法的流程图；

图2是根据本公开确定待识别语音信息的特征的流程图；

图3是根据本公开确定各音素对应的候选文字的流程图；

图4是根据本公开确定候选文字的特征的确定方式的流程图；

图5是根据本公开确定目标文本信息的流程图；

图6是根据本公开语音识别模型的训练方法的流程图；

图7是根据本公开得到预测文本的流程图；

图8是根据本公开语音识别的装置的示意图；

图9是根据本公开语音识别模型的训练装置的示意图；

图10是用来实现本公开实施例的语音识别的方法和/或语音识别模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，本公开涉及一种语音识别的方法，该方法可以包括以下步骤：

s101：确定待识别语音信息的特征，待识别语音信息的特征用于表征待识别语音信息中各音素之间的关系；

s102：利用待识别语音信息的特征，确定各音素对应的候选文字；

s103：利用候选文字的特征以及待识别语音信息的特征，生成与待识别语音信息对应的目标文本信息，候选文字的特征用于表征任一候选文字与该候选文字前向的其他候选文字之间的关系。

本公开的上述方案的执行主体可以是安装在智能设备中的应用程序，也可以是应用程序的云端服务器等。智能设备可以包括手机、电视、音箱等。上述方案的场景可以是对用户发出的语音信息进行识别，得到对应的目标文本信息。

待识别语音信息可以是通过智能设备的收音模块所采集到的语音信号等。

待识别语音信息的特征可以通过神经网络模型得到。例如，可以通过多头自注意力神经网络(multi-headselfattention)确定待识别语音信息的不同维度的属性特征，将属性特征作为待识别语音信息的特征。另外，还可以通过前馈神经网络(feedforwardnetwork)或长短期记忆网络(longshort-termmemory)等确定待识别语音信息的各音素之间的位置关系特征。将位置关系特征作为待识别语音信息的特征。在当前实施方式中，神经网络模型可以包括上述任意一个神经网络，也可以包括多个神经网络。

利用待识别语音信息的特征，可以确定待识别语音信息中各音素所对应的候选文字。

示例性地，可以根据待识别语音信息的特征直接确定出各音素所对应的候选文字。另外，还可以进一步根据候选文字之间的语序逻辑等，对候选文字进行进一步约束。以实现缩小候选文字的可选范围，或者可以实现对候选文字的排序，优先输出排序在先的候选文字。

最终，利用每个音素对应的候选文字，即可确定出与待识别语音信息对应的目标文本信息。

通过上述方案，可以利用待识别语音信息进行特征提取，以确定待识别语音信息中各音素之间的关系。即，本公开可以利用声音信息以及音素之间的关系得到最终文本，可以提高语音信息识别的准确性。

在一种实施方式中，步骤s101可以具体包括以下子步骤：

s1011：确定待识别语音信息的向量表示；

s1012：基于向量表示，确定待识别语音信息在不同维度的属性特征；

s1013：基于属性特征，确定待识别语音信息的特征。

待识别语音信息的特征可以包括第一特征和第二特征。其中，第一特征可以对应低级别特征，用于以向量形式表征待识别语音信息。提取待识别语音信息的第一特征可以通过对待识别语音信息进行线性变换的方式获得。例如，可以通过对识别语音信息进行如短时傅里叶变换、离散余弦变换等提取待识别语音信息的第一特征。

在得到待识别语音信息的第一特征的情况下，可以对第一特征进行进一步处理，以得到用于表征待识别语音信息在不同维度的属性特征。

例如，可以利用多头自注意力网络对向量进行处理，以得到待识别语音信息在不同维度的属性特征。示例性地，不同纬度可以对应待识别语音信息的音量、语速、语调等维度。

进一步的，利用待识别语音信息在不同维度的属性特征，可以进行进一步的处理，得到待识别语音信息的特征。即，得到用于表征待识别语音信息中各音素之间的关系的特征。

如图2所示，在一种实施方式中，步骤s1013可以具体包括以下子步骤：

s201：将向量表示以及待识别语音信息在不同维度的属性特征进行融合处理，得到第一融合处理结果；

s202：确定待识别语音信息的各音素之间的位置关系，利用第一融合处理结果以及各音素之间的位置关系，生成各音素之间的位置关系特征；

s203：将第一融合处理结果，以及各音素之间的位置关系特征进行融合处理，得到第二融合处理结果，将第二融合处理结果作为待识别语音信息的特征。

可以利用全连接层、归一化层等处理方式，将向量表示以及待识别语音信息在不同维度的属性特征进行融合处理，得到第一融合处理结果。

其次，可以对待识别语音信息的各音素的位置进行标记。利用结合位置的前馈神经网络，基于各音素的位置，利用第一融合处理结果生成各音素之间的位置关系特征。

最后，可以再次利用全连接层、归一化层等方式，将第一融合处理结果，以及各音素之间的位置关系特征进行融合处理，得到第二融合处理结果。即可得到待识别语音信息的特征。

通过上述方案，可以确定待识别语音信息中各音素之间的关系。为后续进行语音识别提供多维度的数据支持。

如图3所示，在一种实施方式中，步骤s102可以进一步包括以下子步骤：

s301：对于待识别语音信息中的第i个音素，确定第i-1个音素对应的每个候选文字的特征；i为正整数；

s302：从待识别语音信息的特征中确定第i个音素的特征，利用第i个音素的特征，以及第i-1个音素对应的每个候选文字的特征，确定第i个音素对应的至少一个候选文字。

示例性地，待识别语音信息的发音为“中国欢迎你”。则可以根据每个音素的特征，依次识别出每个音素对应的候选文字。

对于第一个音素，可以利用第一个音素的特征直接得到候选文字。例如，可以得出的候选文字包括“中”、“忠”等。

在识别第二个音素时，可以利用第二个音素的特征，以及第一个音素对应的候选文字的特征得到候选文字。例如，利用第二个音素的特征得到的候选文字包括“国”、“过”、“果”等。通过利用第一个音素对应的候选文字，可以组成“中国”、“中过”、“中果”、“忠国”、“忠国”、“忠果”等词组。利用相邻音素对应候选文字的约束，可以确定“中国”、“中过”、“忠国”等候选文字的概率较高，而其他候选文字(例如“果”)的概率较低。进一步地，对于概率低于阈值的候选文字，可以直接忽略。

通过上述方案，利用前一个音素对应的候选文字可以对当前音素对应的文字进行约束，从而可以适当缩小当前音素对应候选文字的范围，从而提高准确度。

如图4所示，在一种实施方式中，候选文字的特征的确定方式包括以下子步骤：

s401：对于任意候选文字，确定该候选文字的向量表示；

s402：对该候选文字的向量表示进行处理，得到该候选文字的特征。

候选文字的向量可以是利用词嵌入(wordembedding)技术或词向量(word2vec)技术提取出的特征。候选文字的向量可以对应低级别特征。

对候选文字的向量进行处理，得到候选文字的特征的方式可以与前述对待识别语音信息的向量进行处理的方式类似。例如，对候选文字的向量进行处理可以包括以下几个过程：

首先，可以利用多头自注意力网络，对候选文字的向量进行处理，以得到出候选文字在不同维度的属性特征。示例性地，不同纬度可以对应候选文字的语义、拼音、词性等维度。

其次，可以利用全连接层、归一化层等方式，将候选文字的向量，以及候选文字在不同维度的属性特征进行融合处理，得到第一融合处理结果。

再次，可以对候选文字的位置，以及在其前向的其他候选文字的位置进行标记。利用结合位置的前馈神经网络，基于各候选文字的位置，利用第一融合处理结果生成各候选文字之间的位置关系特征。

最后，可以利用全连接层、归一化层等方式，将第一融合处理结果，以及各候选文字之间的位置关系特征进行融合处理，得到第二融合处理结果。即可得到候选文字的特征。

通过上述方案，可以得到候选文字之间的位置关系特征。

如图5所示，在一种实施方式中，步骤s103可以进一步包括以下子步骤：

s501：将候选文字的特征和待识别语音信息的特征进行拼接，得到拼接结果；

s502：对拼接结果进行线性仿射变换，得到变换结果；

s503：对变换结果进行数据筛选，将筛选后的数据进行全连接计算，得到合并处理结果；

s504：利用合并处理结果，得到与待识别语音信息对应的目标文本信息。

拼接的方式可以是特征合并，例如将候选文字的特征和待识别语音信息的特征置于同一特征集合中，以得到拼接结果。

线性仿射变换可以是对拼接结果进行如平移、旋转、放缩等变换操作，目的是可以得到更多的特征数据，以增加泛化能力。

可以根据实际需求，设置数据筛选的阈值，将不小于对应阈值的数据保留，删除小于对应阈值的数据。

对筛选后保留的数据，可以进行全连接计算，以得到最终的合并处理结果。由于合并处理结果和文字或词组之间的映射关系是预先学习的，因此，可以利用最终的合并处理结合，可以得到与合并处理结果对应的文本。即，可以得到与待识别语音信息对应的目标文本信息。

上述识别过程可以以音素为单位，即每个音素可以对应输出至少一个单字或一个词组。上述输出结果可以是概率的形式，例如，第一个音素输出“中”的概率为a％、输出“忠”的概率为b％等。

最终，可以利用每个音素输出文字概率的乘积或和为最大值时所对应的文本为最终文本。

通过上述方案，可以结合音素和候选文字的特征联合进行识别，从而提高文本识别的准确度。

在一种实施方式中，在确定待识别语音信息的特征之前，还包括：对待识别语音信息进行预处理，以降低噪声。

噪声可以是除待识别语音信息以外的其他声音信息。例如可以是车辆(行驶或鸣笛)的声音、其他对话的声音、音乐的声音等。在提取待识别语音信息的特征之前，通过预处理的工作，可以降低其他声音信息对待识别语音信息的干扰。

如图6所示，本公开涉及一种语音识别模型的训练方法，该方法可以包括以下步骤：

s601：利用待训练的第一网络，分别提取语音信息样本的特征和文字信息样本的特征；语音信息样本的特征用于表征语音信息样本中各音素之间的关系，文字信息样本的特征用于表征文字信息样本中各文字之间的关系；

s602：利用待训练的第二网络，根据语音信息样本的特征以及文字信息样本的特征，得到预测文本；

s603：利用预测文本和文字信息样本的差异，对第一网络的参数和第二网络的参数进行联动调整，直至预测文本和文字信息样本的差异在允许范围内。

文字信息样本可以是根据语音信息样本进行标注的。在得到文字信息样本后，还可以对文字信息样本进行预处理。

预处理可以包括文本清洗、去除特殊符号以及规整数字单位符号等处理。

文本清洗可以是清除语病或形式错误等。

特殊符号可以是百分号、运算符号等。

规整数字单位符号可以是将数字单位符合进行统一化、标准化处理等。

对于语音信息样本，第一网络可以包括线性变换算法网络，例如可以是短时傅里叶变换、离散余弦变换等。通过上述算法，可以得到以向量形式表征的语音信息样本。

对于文字信息样本，第一网络可以包括词嵌入网络或词向量网络等，得到以向量形式表征的文字信息样本。

另外，第一网络还可以通过多头自注意力神经网络确定语音信息样本以及文字信息样本的不同维度的属性特征。另外，还可以通过前馈神经网络或长短期记忆网络等确定待识别语音信息样本的各音素之间的位置关系特征，以及文字信息样本中各文字的位置关系特征。

第二网络可以是根据语音信息样本的特征以及文字信息样本的特征，得到预测文本。

可以利用损失函数，计算预测文本与文字信息样本的差异。利用该差异在待训练的第一网络和待训练的第二网络中的每一层进行反向传播，每一层的参数都会根据这个差异进行调整，直到第二网络的输出收敛或达到预期的效果才结束。

通过上述方案，第一网络和第二网络作为端到端的联合网络。利用语音信息样本和文字信息样本对端到端的网络进行联合训练，可以使端到端网络较为准确的实现语音识别。并且，由于是联合训练，训练周期短，复杂程度大大下降。

在一种实施方式中，第一网络可以包括以下子网络：

向量提取网络，用于提取向量表示；向量表示包括语音信息样本的向量表示，和/或，文字信息样本的向量表示；

多头自注意力网络，用于根据接收到的向量表示，确定不同维度的属性特征；第一特征包括语音信息样本的第一特征，或文字信息样本的第一特征；

第一特征融合网络，用于将向量表示，以及不同维度的属性特征进行融合处理，得到第一融合处理结果；

位置关系网络，用于确定各元素之间的位置关系，利用第一融合处理结果以及各元素之间的位置关系生成各元素之间的位置关系特征；元素包括语音信息样本包含的音素，和/或，文字信息样本包含的文字；

第二特征融合网络，用于将第一融合处理结果，以及各元素之间的位置关系特征进行融合处理，得到第二融合处理结果；其中，语音信息样本的特征和/或文字信息样本的特征包括第二融合处理结果。

第一网络的整体架构可以包括向量提取网络、多头自注意力网络、第一特征融合网络、位置关系网络和第二特征融合网络。可以通过第一网络，对语音信息样本以及文字信息样本分开处理。即，第一网络可以包括并行的两条支路，将语音信息样本输入第一路第一网络，将文字信息样本输入第二路第一网络。

其中，对于语音信息样本而言，不同纬度可以对应语音信息样本的音量、语速、语调等维度。对于文字信息样本而言，不同纬度可以对应文字信息样本中各单字或词组的语义、拼音、词性等维度。

通过上述方案，可以利用相同架构分别处理语音信息样本和文字信息样本。

如图7所示，在一种实施方式中，步骤s602可以进一步包括以下子步骤：

s701：将语音信息样本的特征和文字信息样本的特征进行拼接，得到拼接结果；

s702：对拼接结果进行线性仿射变换，得到变换结果；

s703：对变换结果进行数据筛选，将筛选后的数据进行全连接计算，得到合并处理结果；

s704：利用合并处理结果，得到预测文本。

拼接的方式可以是特征合并，例如将语音信息样本的特征和文字信息样本的特征置于同一特征集合中，以得到拼接结果。

线性仿射变换可以是对拼接结果进行如平移、旋转、放缩等变换操作，目的是可以得到更多的特征数据，以增加泛化能力。

可以根据实际需求，设置数据筛选的阈值，将不小于对应阈值的数据保留，删除小于对应阈值的数据。

对筛选后保留的数据，可以进行全连接计算，以得到最终的合并处理结果。利用最终的合并处理结合，可以得到与合并处理结果对应的文本。即，可以得到预测文本。

在一种实施方式中，在提取语音信息样本的特征之前，还包括：对语音信息样本进行预处理，以降低噪声。

噪声可以是除语音信息样本以外的其他声音信息。在提取待识别语音信息的特征之前，通过预处理的步骤，可以降低其他声音信息对待识别语音信息的干扰。

在一种实施方式中，还包括：对预处理后的语音信息样本进行数据增强处理，以对处理后的语音信息样本进行数据扩充。

数据增强处理可以包括将预处理后的语音信息样本拷贝成多份，分别对每份拷贝进行不同数据增强处理。例如，可以是改变语速、增加混响或者将语音信息样本进行不同的方言处理。

通过对语音信息样本进行数据增强处理，可以对语音信息样本进行数据扩充。从而利用不同数据对模型进行训练，增强模型的泛化能力。

如图8所示，本公开涉及一种语音识别的装置，用于实现上述任一语音识别的方法，该装置可以包括：

待识别语音信息的特征提取模块801，用于确定待识别语音信息的特征，待识别语音信息的特征用于表征待识别语音信息中各音素之间的关系；

候选文字确定模块802，用于利用待识别语音信息的特征，确定各音素对应的候选文字；

目标文本信息确定模块803，用于利用候选文字的特征以及待识别语音信息的特征，生成与待识别语音信息对应的目标文本信息，候选文字的特征用于表征任一候选文字与该候选文字前向的其他候选文字之间的关系。

在一种实施方式中，待识别语音信息的特征提取模块801，可以进一步包括：

向量确定子模块，用于确定待识别语音信息的向量；

属性特征提取子模块，用于基于向量表示，确定待识别语音信息在不同维度的属性特征；

特征确定子模块，用于确定待识别语音信息的特征。

在一种实施方式中，特征确定子模块可以进一步包括：

第一融合处理单元，用于将向量表示以及待识别语音信息在不同维度的属性特征进行融合处理，得到第一融合处理结果；

位置关系特征确定单元，用于确定待识别语音信息的各音素之间的位置关系，利用第一融合处理结果以及各音素之间的位置关系生成各音素之间的位置关系特征；

第二融合处理单元，用于将第一融合处理结果，以及各音素之间的位置关系特征进行融合处理，得到第二融合处理结果；

将第二融合处理结果作为待识别语音信息的第二特征。

在一种实施方式中，候选文字确定模块802可以进一步包括：

候选文字特征确定子模块，对于待识别语音信息中的第i个音素，用于确定第i-1个音素对应的每个候选文字的特征；i为正整数；

候选文字确定执行子模块，用于从待识别语音信息的特征中获取第i个音素的特征，利用第i个音素的特征以及第i-1个音素对应的每个候选文字的特征，确定第i个音素所对应的至少一个候选文字。

在一种实施方式中，候选文字特征确定子模块可以进一步包括：

候选文字的向量确定单元，用于对于任意候选文字，确定该候选文字的向量表示；

候选文字的特征确定单元，用于对该候选文字的向量表示进行处理，得到该候选文字的特征；候选文字的特征用于表征候选文字与候选文字前向的其他候选文字之间的关系。

在一种实施方式中，目标文本信息确定模块803可以进一步包括：

特征拼接子模块，用于将候选文字的特征和待识别语音信息的特征进行拼接，得到拼接结果；

特征变换子模块，用于对拼接结果进行线性仿射变换，得到变换结果；

特征筛选子模块，用于对变换结果进行数据筛选，将筛选后的数据进行全连接计算，得到合并处理结果；

目标文本信息生成子模块，用于利用合并处理结果，得到与待识别语音信息对应的目标文本信息。

在一种实施方式中，还可以包括预处理模块，用于对待识别语音信息进行预处理，以降低噪声。

如图9所示，本公开涉及一种语音识别模型的训练装置，用于实现上述任一语音识别模型的训练方法，该装置可以包括：

特征提取模块901，用于利用待训练的第一网络，分别提取语音信息样本的特征和文字信息样本的特征；语音信息样本的特征用于表征语音信息样本中各音素之间的关系，文字信息样本的特征用于表征文字信息样本中各文字之间的关系；

预测文本确定模块902，用于利用待训练的第二网络，根据语音信息样本的特征以及文字信息样本的特征，得到预测文本；

训练模块903，用于利用预测文本和文字信息样本的差异，对第一网络的参数和第二网络的参数进行联动调整，直至预测文本和文字信息样本的差异在允许范围内。

在一种实施方式中，第一网络可以进一步包括：

向量提取网络，用于提取向量表示；向量表示包括语音信息样本的向量表示，和/或文字信息样本的向量表示；

多头自注意力网络模块，用于根据接收到的向量表示，确定不同维度的属性特征；

第一特征融合网络模块，用于将向量表示，以及不同维度的属性特征进行融合处理，得到第一融合处理结果；

位置关系网络模块，用于确定各元素之间的位置关系，利用第一融合处理结果以及各元素之间的位置关系生成各元素之间的位置关系特征；元素包括语音信息样本包含的音素，和/或，文字信息样本包含的文字；

第二特征融合网络模块，用于第一融合处理结果，以及各元素之间的位置关系特征进行融合处理，得到第二融合处理结果，将第二融合处理结果作为第二特征；其中，语音信息样本的特征和/或文字信息样本的特征包括第二融合处理结果。

在一种实施方式中，预测文本确定模块902可以进一步包括：

特征拼接子模块，用于将语音信息样本的特征和文字信息样本的特征进行拼接，得到拼接结果；

特征变换子模块，用于对拼接结果进行线性仿射变换，得到变换结果；

特征筛选子模块，用于对变换结果进行数据筛选，将筛选后的数据进行全连接计算，得到合并处理结果；

预测文本生成子模块，用于利用合并处理结果，得到预测文本。

在一种实施方式中，还包括，预处理模块，用于对语音信息样本进行预处理，以降低噪声。

在一种实施方式中，还包括，数据增强处理模块，用于对预处理后的语音信息样本进行数据增强处理，以对处理后的语音信息样本进行数据扩充。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图10示出了可以用来实施本公开的实施例的电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图10所示，电子设备1000包括计算单元1010，其可以根据存储在只读存储器(rom)1020中的计算机程序或者从存储单元1080加载到随机访问存储器(ram)1030中的计算机程序来执行各种适当的动作和处理。在ram1030中，还可存储设备1000操作所需的各种程序和数据。计算单元1010、rom1020以及ram1030通过总线1040彼此相连。输入输出(i/o)接口1050也连接至总线1040。

电子设备1000中的多个部件连接至i/o接口1050，包括：输入单元1060，例如键盘、鼠标等；输出单元1070，例如各种类型的显示器、扬声器等；存储单元1080，例如磁盘、光盘等；以及通信单元1090，例如网卡、调制解调器、无线通信收发机等。通信单元1090允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1010可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1010的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1010执行上文所描述的各个方法和处理，例如语音识别的方法和/或语音识别模型的训练方法。例如，在一些实施例中，语音识别的方法和/或语音识别模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1080。在一些实施例中，计算机程序的部分或者全部可以经由rom1020和/或通信单元1090而被载入和/或安装到电子设备1000上。当计算机程序加载到ram1030并由计算单元1010执行时，可以执行上文描述的语音识别的方法和/或语音识别模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1010可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音识别的方法和/或语音识别模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他音素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。