模型的训练方法、语音识别方法、装置、介质及设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种模型的训练方法、语音识别方法、装置、介质及设备。


背景技术：

2.随着深度学习的兴起，各种完全依赖于神经网络进行端到端建模的方法逐渐兴起。在进行语音识别时，由于输入的语音数据和输出的文本数据的长度不同，可以通过对齐算法进行序列对齐映射的方式进行语音识别。相关技术中，为了提高模型对语音识别的准确度，通常会采用多任务学习的方式对模型进行训练，然而在相关技术中，通常是基于对齐算法的预测知识作用于编码模块，仅可以在对数据进行编码的过程中应用到该学习到的知识，难以实现对多任务学习的知识的综合应用，影响语音识别模型的训练效率。


技术实现要素：

3.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种语音识别模型的训练方法，所述语音识别模型包括编码器、cif预测子模型和ctc预测子模型，所述方法包括：
5.根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，所述声学向量序列包含所述训练语音数据的每一音频帧的声学向量；
6.根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量；
7.根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率；
8.根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失；
9.在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
10.可选地，所述根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，包括：
11.将所述声学向量序列输入所述cif预测子模型，获得预测信息量序列，其中，所述预测信息量序列包含每一所述音频帧对应的预测信息量；
12.对所述预测信息量序列中的每一所述音频帧对应的预测信息量进行归一化处理，获得每一所述音频帧对应的目标信息量，以获得所述信息量序列。
13.可选地，所述根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，包括：
14.将所述声学向量序列输入所述ctc预测子模型，获得每一所述音频帧对应的预测
概率分布；
15.针对每一所述音频帧，将该音频帧对应的预测概率分布中对应于目标字符的概率之和，确定为所述音频帧的文本概率；
16.对每一所述音频帧对应的文本概率进行归一化处理，获得所述音频帧对应的目标文本概率，以获得所述目标概率序列。
17.可选地，所述根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失，包括：
18.根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失；
19.基于所述距离损失和所述语音识别模型的预测损失，确定所述目标损失，其中，所述预测损失包括cif预测子模型对应的数量损失和交叉熵损失以及所述ctc模型对应的对齐损失中的一者或多者，所述cif预测子模型对应的数量损失是基于所述cif预测子模型输出的预测字符的数量、和所述训练语音数据对应的训练文本的字符数量确定的。
20.可选地，通过以下公式根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失：
[0021][0022]
其中，l
kl
用于表示所述距离损失；
[0023]
p
u
用于表示第u个音频帧对应的目标文本概率；
[0024]
α
u
用于表示第u个音频帧对应的目标信息量。
[0025]
第二方面，提供一种语音识别方法，所述方法包括：
[0026]
接收待识别的语音数据；
[0027]
将所述语音数据输入语音识别模型，获得所述语音数据对应的目标文本，其中，所述语音识别模型是基于第一方面任一项所述的语音识别模型的训练方法进行训练获得的。
[0028]
第三方面，提供一种语音识别模型的训练装置，所述语音识别模型包括编码器、cif预测子模型和ctc预测子模型，所述装置包括：
[0029]
编码模块，用于根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，所述声学向量序列包含所述训练语音数据的每一音频帧的声学向量；
[0030]
第一处理模块，用于根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量；
[0031]
第二处理模块，用于根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率；
[0032]
第一确定模块，用于根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失；
[0033]
更新模块，用于在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
[0034]
第四方面，提供一种语音识别装置，所述装置包括：
[0035]
接收模块，用于接收待识别的语音数据；
是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0050]
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0051]
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0052]
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0053]
图1所示，为基于本公开的一种实施方式提供的语音识别模型的训练方法的流程图，该语音识别模型可以包括编码器、cif预测子模型和ctc预测子模型，所述方法可以包括：
[0054]
在步骤11中，根据编码器对训练语音数据进行编码，获得训练语音数据对应的声学向量序列，所述声学向量序列所述训练语音数据的每一音频帧的声学向量。
[0055]
通常情况下，可以将每秒的语音数据切分为多个音频帧，从而基于音频帧进行数据处理，示例地，可以将每秒的语音数据切分为100个音频帧进行处理。相应地，通过该编码器对该训练语音数据的音频帧进行编码，获得的声学向量序列h可以表示为：
[0056]
h:{h1,h2,
…
,h
u
}，其中，u用于表示该训练语音数据中的从语音开始至语音末尾的音频帧的数量，即该声学向量序列的长度。
[0057]
在步骤12中，根据声学向量序列和cif预测子模型，获得训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量。
[0058]
其中，如上文所述，可以将每秒的语音数据切分成100个音频帧进行处理，每一音频帧对应的信息量可以用于表征该音频帧所包含的信息的多少。
[0059]
示例地，该cif(continuous integrate
‑
and
‑
fire，连续整合发放)预测子模型可以包含一维卷积层、全连接层以及输出单元，则计算声学向量序列中的每一音频帧的声学向量对应的信息量，可以将以音频帧的声学向量hu为中心的窗口，输入到该一维卷积层之后输入至sigmoid激活的全连接层至输出单元，从而获得该音频帧的信息量wu，进而获得该信息量序列。
[0060]
在步骤13中，根据声学向量序列和ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率。
[0061]
其中，ctc(connectionist temporal classification)模型其可以理解为基于神经网络的时序类分类。在该ctc预测子模型中可以对给定的长度的声学向量序列确定任意长度的文本序列，在该ctc预测子模型中，针对输入的声学向量序列会存在一个与之对应相同长度的对齐序列，通过该对齐序列映射至文本序列。相应地，在本公开实施例中，可以将该声学向量序列对应至对齐序列前每一维度上的概率分布确定该为维度的音频帧的预测概率分布，进而可以基于该预测概率分布确定该目标文本概率。
[0062]
其中，为了保证从对齐序列至文本序列输出时对连续的相同字符合并的准确性，在ctc模型中引入了空字符，该空字符没有含义，在其映射到输出的文本序列时会被移除，在ctc模型中对重复字符进行合并时，会对该空字符之间的连续重复字符进行合并，通过该
空字符分隔的重复字符不会被合并，从而保证语音识别获得的识别文本的准确性。
[0063]
在ctc模型中的概率预测中可以确定出每一音频帧对应于多个识别字符的概率的分布，其中包含多个真实字符和一个空字符。
[0064]
在步骤14中，根据信息量序列和目标概率序列，确定语音识别模型的目标损失。
[0065]
其中，信息量序列中每一音频帧的信息量可以用于表征该音频帧的包含的信息量的多少，该目标概率序列中每一音频帧对应的目标文本概率分布包含各个真实字符对应的概率。针对每一音频帧而言，若该音频帧中对应的真实字符的概率较大，则该音频帧中包含的信息量应该较大，若该音频帧中对应的空字符的概率较大，则该音频帧中包含的信息量应该较小。因此，在本公开实施例中，通过根据信息量序列和目标概率序列进行损失计算，从而可以显示表征信息量序列和目标概率序列之间的关系，以在一定程度上保证两者的匹配性。
[0066]
在步骤15中，在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
[0067]
作为示例，该更新条件可以为目标损失大于预设的损失阈值，此时表示语音识别模型的识别准确性不足。作为另一示例，该更新条件可以是迭代次数小于预设的次数阈值，此时认为语音识别模型迭代次数较少，其识别准确性不足。相应地，在满足更新条件的情况下，可以根据该目标损失对该语音识别模型的模型参数进行更新，如对语音识别模型中的编码器、cif预测子模型和ctc预测子模型的参数进行更新。其中，基于确定出的损失对模型参数进行更新的方式可以采用本领域中常用的更新方式，在此不再赘述。
[0068]
在不满足该更新条件的情况下，则可以认为该语音识别模型的识别精确性达到训练要求，此时可以停止训练过程，获得训练完成的语音识别模型。
[0069]
在上述技术方案中，可以根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，之后可以根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，并根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列；从而根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失，以在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。由此，通过上述技术方案，在对语音识别模型进行训练的过程中，不仅可以将多任务学习到的知识应用于语音识别模型，还可以直接确定多个预测子模型预测出的信息量序列和目标概率序列之间的一致性，从而可以保证模型的损失的准确性，实现对多任务学习的知识的综合应用，以便基于准确的损失对模型参数进行调整，从而可以提高模型更新的准确度，进而保证语音识别模型的训练效率和准确性，并且可以在一定程度上提高训练所得的语音识别模型的准确性，提升用户使用体验。
[0070]
在一种可能的实施例中，在步骤12中，根据声学向量序列和cif预测子模型，获得训练语音数据对应的信息量序列的示例性实现方式如下，该步骤可以包括：
[0071]
将所述声学向量序列输入所述cif预测子模型，获得预测信息量序列，其中，所述预测信息量序列包含每一所述音频帧对应的预测信息量。
[0072]
如上文所示，可以将该cif预测子模型输出的信息量作为该预测信息量，从而可以基于该cif预测子模型快速获得该预测信息量序列。基于cif预测子模型确定输入的序列的信息量的计算方式已在上文进行详述。
[0073]
之后，对所述预测信息量序列中的每一所述音频帧对应的预测信息量进行归一化处理，获得每一所述音频帧对应的目标信息量，以获得所述信息量序列。
[0074]
在本公开实施例中，考虑到针对同一语音数据，其每一音频帧对应的信息量和每一音频帧中对应真实标签的概率应该是正相关的，因此，在本公开实施例中，为了明确构建该信息量序列和目标概率序列之间的关系，可以通过对输出的预测信息量序列中每一音频帧对应的预测信息量进行归一化处理，从而可以将信息量序列中的各个信息量之间的关系映射到同一标准下，便于后续对目标损失的确定的准确性，为后续进行准确的损失计算提供有效的数据支持。
[0075]
在一种可能的实施例中，在步骤13中，根据声学向量序列和ctc预测子模型，获得目标概率序列的示例性事项方式如下，该步骤可以包括：
[0076]
将所述声学向量序列输入所述ctc预测子模型，获得每一所述音频帧对应的预测概率分布。
[0077]
示例地，针对音频帧的预测概率分布可以表示为{∈:p1；s1:p2；s2:p3；,,,；s
n
‑1:p
n
}。其中，p1,p2至p
n
的累加和为1，每一音频帧对应于n个字符维度，该n个字符包含一个空字符∈和n
‑
1个真实字符。
[0078]
针对每一所述音频帧，将该音频帧对应的预测概率分布中对应于目标字符的概率之和，确定为所述音频帧的文本概率。
[0079]
其中，如上文所述在ctc模型针对每一音频帧的概率分布中都会存在对空字符的预测概率，而空字符并没有实际的含义。因此，在本公开实施例中，该目标字符可以是上文所述真实字符，在确定用于与信息量序列进行比较的目标概率序列时，采用每一音频帧中针对每一真实字符的概率和作为该音频帧的文本概率，以表征该音频帧对应于真实字符的概率。
[0080]
对每一所述音频帧对应的文本概率进行归一化处理，获得所述音频帧对应的目标文本概率，以获得所述目标概率序列。
[0081]
同样地，针对每一所述音频帧，在确定出每一音频帧的文本概率后，每一音频帧对应的概率量级则会出现差别，在该实施例中，为了保证各个音频帧对应的文本概率的综合考量和统一标准，可以对每一音频帧对应的文本概率进行归一化处理，以获得所述音频帧对应的目标文本概率，从而可以将目标概率序列中的各个文本概率之间的关系映射到同一标准下，便于后续对目标损失的确定的准确性，为后续进行准确的损失计算提供有效的数据支持。
[0082]
在一种可能的实施例中，在步骤14中，根据信息量序列和目标概率序列，确定语音识别模型的目标损失的示例性实现方式如下，该步骤可以包括：
[0083]
根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失。
[0084]
作为示例，在确定出信息量序列和目标概率序列之后，可以计算两个序列之间的mse(mean square error)作为该距离损失。作为另一示例，也可以计算上述两个序列之间的欧式距离作为该距离损失。
[0085]
作为另一示例，可以通过以下公式根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失：
[0086][0087]
其中，l
kl
用于表示所述距离损失；
[0088]
p
u
用于表示第u个音频帧对应的目标文本概率；
[0089]
α
u
用于表示第u个音频帧对应的目标信息量。
[0090]
其中，可以通过上述公式确定出信息量序列和目标概率序列中的kl距离。kl距离是kullback
‑
leibler差异，也可以称为相对熵(relative entropy)，可以用于衡量相同事件空间里的两个概率分布的差异情况。当该两个概率分布完全相同时，相对熵为0，即kl距离为零。因此，在本公开实施例中，可以通过将信息量序列和目标概率序列的kl距离作为模型的损失之一以对模型参数进行更新，从而可以使得模型向两者距离更加接近的方向调整，即使得两者对应的概率分布更加接近，更加一致，从而保证对语音识别模型的参数更新的准确性，提高语音识别模型训练的效率和准确性。
[0091]
基于所述距离损失和所述语音识别模型的预测损失，确定所述目标损失，其中，所述预测损失包括cif预测子模型对应的数量损失和交叉熵损失以及所述ctc模型对应的对齐损失中的一者或多者，所述cif预测子模型对应的数量损失是基于所述cif预测子模型输出的预测字符的数量、和所述训练语音数据对应的训练文本的字符数量确定的。
[0092]
其中，cif预测子模型对应的交叉熵损失可以是ce loss，ctc模型对应的对齐损失可以是ctc loss，其中，ce loss和ctc loss的计算方式为本领域中的常用计算方式，在此不再赘述。
[0093]
在cif预测子模型中，默认每一预测字符对应的信息量是相同的，因此在本公开实施例中，可以将音频帧对应的信息量序列中的信息量从左到右的方式进行累加，信息量累加至预设阈值时，认为此时该累加的信息量对应的音频帧形成为一个预测字符，一个预测字符对应于一个或多个音频帧。其中，该预设阈值可以根据实际应用场景和经验进行设置，示例地该预设阈值可以设置为1，本公开对此不进行限定。
[0094]
在一种可能的实施例中，可以通过如下方式根据所述信息量序列对所述声学向量序列中所述音频帧的声学向量进行合并：
[0095]
按照信息量序列中的序列顺序，依次获取一音频帧i的信息量wi；
[0096]
若wi小于预设阈值β，则获取下一音频帧作为当前的音频帧，即i＝i 1，并对遍历到的音频帧的信息量进行累加，若累加和大于该预设阈值，可以认为此时出现了字符边界，即该当前遍历到的音频帧中部分属于当前的预测字符，另一部分属于下一预测字符。
[0097]
示例地，若w1 w2大于β，则可以认为此时出现了字符边界，即第1个音频帧和第2个音频帧的部分可以对应于一个预测字符，该预测字符的边界处于第2个音频帧中。此时可以将该第2个音频帧的信息量切分为两部分，即一部分信息量属于当前的预测字符，剩余一部分的信息量属于下一预测字符。
[0098]
相应地，第2个音频帧的信息量w2中属于当前的预测字符的信息量w21可以表示为：w21＝β
‑
w1；属于下一预测字符的信息量w22可以表示为：w22＝w1
‑
w21。
[0099]
之后继续遍历音频帧的信息量，并从该第2个音频帧的剩余一部分的信息量继续进行信息量的累加，即将第2个音频帧中的信息量w22和第3个音频帧中的信息量w3进行累加，直至累加至预设阈值β，获得下一预测字符对应的音频帧。针对后续的音频帧的信息量
以此类推，通过上述方式进行合并，获得该多个音频帧对应的各个预测字符。
[0100]
基于此，在确定出该语音数据中预测字符和音频帧的对应关系后，针对每一预测字符，可以将该预测字符对应的每一音频帧的声学向量的加权和确定为该预测字符对应的声学向量。其中，该预测字符对应的每一音频帧的声学向量的权重为该音频帧在该预测字符中对应的信息量。若该音频帧全部属于该预测字符，则该音频帧的声学向量的权重为该音频帧的信息量，若该音频帧部分属于该预测字符，则该音频帧的声学向量的权重为该音频帧中该部分的信息量。之后，可以基于每一预测字符对应的声学向量确定该预测字符对应的真实字符。
[0101]
因此，在本实施例中，可以将上述过程中确定出的预测字符的数量，和该训练语音数据对应的目标文本中的真实字符的数量之差，确定出该cif预测子模型对应的数量损失。
[0102]
综上所述，在分别确定出上述损失之后，基于所述距离损失和所述语音识别模型的预测损失，确定所述目标损失时，可以将确定出的各个损失进行加权求和，其中，用于进行计算的预测损失和每一预测损失对应的权重可以预先设置，从而在确定出预测损失后，将该预测损失和距离损失的加权和确定为目标损失。
[0103]
由此，通过上述技术方案，在该目标损失中可以包含用于表征信息量序列和目标概率序列之间的概率分布的差异性的距离损失，同时可以能够结合cif子模型的损失以及ctc预测子模型的损失，使得确定出的目标损失可以表征该语音识别模型中更全面的损失，从而可以基于准确的目标损失对该语音识别模型进行更新，提高语音识别模型的训练效率和准确性，提升用户使用体验。
[0104]
本公开还提供一种语音识别方法，所述方法可以包括：
[0105]
接收待识别的语音数据；
[0106]
将所述语音数据输入语音识别模型，获得所述语音数据对应的目标文本，其中，所述语音识别模型是基于上文任一所述的语音识别模型的训练方法进行训练获得的。
[0107]
通过上述技术方案，在语音识别模型的训练过程中，可以将多任务学习到的知识应用于语音识别模型，基于训练语音数据中的每一音频帧的信息量和音频帧对识别字符的概率分布确定模型的目标损失，可以保证模型的损失的准确性，实现对多任务学习的知识的综合应用，以便基于准确的损失对模型参数进行调整，可以提高模型更新的准确度，并保证语音识别模型的训练效率和准确性，并且可以在一定程度上提高训练所得的语音识别模型的准确性，从而可以有效提高识别出的目标文本的准确性，提高用户使用体验。
[0108]
本公开还提供一种语音识别模型的训练装置，所述语音识别模型包括编码器、cif预测子模型和ctc预测子模型，如图2所示，所述装置10包括：
[0109]
编码模块100，用于根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，所述声学向量序列包含所述训练语音数据的每一音频帧的声学向量；
[0110]
第一处理模块200，用于根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量；
[0111]
第二处理模块300，用于根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率；
[0112]
第一确定模块400，用于根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失；
[0113]
更新模块500，用于在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
[0114]
可选地，所述第一处理模块包括：
[0115]
第一输入子模块，用于将所述声学向量序列输入所述cif预测子模型，获得预测信息量序列，其中，所述预测信息量序列包含每一所述音频帧对应的预测信息量；
[0116]
第一处理子模块，用于对所述预测信息量序列中的每一所述音频帧对应的预测信息量进行归一化处理，获得每一所述音频帧对应的目标信息量，以获得所述信息量序列。
[0117]
可选地，所述第二处理模块包括：
[0118]
第二输入子模块，用于将所述声学向量序列输入所述ctc预测子模型，获得每一所述音频帧对应的预测概率分布；
[0119]
第一确定子模块，用于针对每一所述音频帧，将该音频帧对应的预测概率分布中对应于目标字符的概率之和，确定为所述音频帧的文本概率；
[0120]
第二处理子模块，用于对每一所述音频帧对应的文本概率进行归一化处理，获得所述音频帧对应的目标文本概率，以获得所述目标概率序列。
[0121]
可选地，所述确定模块包括：
[0122]
第二确定子模块，用于根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失；
[0123]
第三确定子模块，用于基于所述距离损失和所述语音识别模型的预测损失，确定所述目标损失，其中，所述预测损失包括cif预测子模型对应的数量损失和交叉熵损失以及所述ctc模型对应的对齐损失中的一者或多者，所述cif预测子模型对应的数量损失是基于所述cif预测子模型输出的预测字符的数量、和所述训练语音数据对应的训练文本的字符数量确定的。
[0124]
可选地，通过以下公式根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失：
[0125][0126]
其中，l
kl
用于表示所述距离损失；
[0127]
p
u
用于表示第u个音频帧对应的目标文本概率；
[0128]
α
u
用于表示第u个音频帧对应的目标信息量。
[0129]
本公开还提供一种语音识别装置，所述装置包括：
[0130]
接收模块，用于接收待识别的语音数据；
[0131]
第二确定模块，用于根据所述语音数据和语音识别模型，确定所述语音数据对应的目标文本，其中，所述语音识别模型是基于上述任一所述的语音识别模型的训练方法进行训练获得的。
[0132]
下面参考图3，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。本公开实施例中的终端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3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。
[0133]
如图3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604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0134]
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、摄像头、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3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。
[0135]
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，其包括承载在非暂态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。
[0136]
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可以是——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。
[0137]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0138]
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。
[0139]
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：根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，所述声学向量序列包含所述训练语音数据的每一音频帧的声学向量；根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量；根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率；根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失；在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
[0140]
或者，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：接收待识别的语音数据；将所述语音数据输入语音识别模型，获得所述语音数据对应的目标文本，其中，所述语音识别模型是基于上文所述的语音识别模型的训练方法进行训练获得的。
[0141]
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但不限于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)。
[0142]
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。
[0143]
描述于本公开实施例中所涉及到的模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，编码模块还可以被描述为“根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列的模块”。
[0144]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等
等。
[0145]
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。
[0146]
根据本公开的一个或多个实施例，示例1提供了一种语音识别模型的训练方法，所述语音识别模型包括编码器、cif预测子模型和ctc预测子模型，所述方法包括：
[0147]
根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，所述声学向量序列包含所述训练语音数据的每一音频帧的声学向量；
[0148]
根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量；
[0149]
根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率；
[0150]
根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失；
[0151]
在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
[0152]
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，包括：
[0153]
将所述声学向量序列输入所述cif预测子模型，获得预测信息量序列，其中，所述预测信息量序列包含每一所述音频帧对应的预测信息量；
[0154]
对所述预测信息量序列中的每一所述音频帧对应的预测信息量进行归一化处理，获得每一所述音频帧对应的目标信息量，以获得所述信息量序列。
[0155]
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，包括：
[0156]
将所述声学向量序列输入所述ctc预测子模型，获得每一所述音频帧对应的预测概率分布；
[0157]
针对每一所述音频帧，将该音频帧对应的预测概率分布中对应于目标字符的概率之和，确定为所述音频帧的文本概率；
[0158]
对每一所述音频帧对应的文本概率进行归一化处理，获得所述音频帧对应的目标文本概率，以获得所述目标概率序列。
[0159]
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失，包括：
[0160]
根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失；
[0161]
基于所述距离损失和所述语音识别模型的预测损失，确定所述目标损失，其中，所
述预测损失包括cif预测子模型对应的数量损失和交叉熵损失以及所述ctc模型对应的对齐损失中的一者或多者，所述cif预测子模型对应的数量损失是基于所述cif预测子模型输出的预测字符的数量、和所述训练语音数据对应的训练文本的字符数量确定的。
[0162]
根据本公开的一个或多个实施例，示例5提供了示例4的方法，通过以下公式根据所述信息量序列和所述目标概率序列之间的目标距离，确定语音识别模型对应的距离损失：
[0163][0164]
其中，l
kl
用于表示所述距离损失；
[0165]
p
u
用于表示第u个音频帧对应的目标文本概率；
[0166]
α
u
用于表示第u个音频帧对应的目标信息量。
[0167]
根据本公开的一个或多个实施例，示例6提供了一种语音识别方法，所述方法包括：
[0168]
接收待识别的语音数据；
[0169]
将所述语音数据输入语音识别模型，获得所述语音数据对应的目标文本，其中，所述语音识别模型是基于示例1
‑
5中任一示例所述的语音识别模型的训练方法进行训练获得的。
[0170]
根据本公开的一个或多个实施例，示例7提供了一种语音识别模型的训练装置，所述语音识别模型包括编码器、cif预测子模型和ctc预测子模型，所述装置包括：
[0171]
编码模块，用于根据所述编码器对训练语音数据进行编码，获得所述训练语音数据对应的声学向量序列，所述声学向量序列包含所述训练语音数据的每一音频帧的声学向量；
[0172]
第一处理模块，用于根据所述声学向量序列和所述cif预测子模型，获得所述训练语音数据对应的信息量序列，其中，所述信息量序列包含每一所述音频帧的目标信息量；
[0173]
第二处理模块，用于根据所述声学向量序列和所述ctc预测子模型，获得目标概率序列，其中，所述目标概率序列中包含每一所述音频帧对应的目标文本概率；
[0174]
第一确定模块，用于根据所述信息量序列和所述目标概率序列，确定所述语音识别模型的目标损失；
[0175]
更新模块，用于在满足更新条件的情况下，根据所述目标损失对所述语音识别模型的模型参数进行更新。
[0176]
根据本公开的一个或多个实施例，示例8提供了一种语音识别装置，所述装置包括：
[0177]
接收模块，用于接收待识别的语音数据；
[0178]
第二确定模块，用于根据所述语音数据和语音识别模型，确定所述语音数据对应的目标文本，其中，所述语音识别模型是基于示例1
‑
5中任一示例所述的语音识别模型的训练方法进行训练获得的。
[0179]
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1
‑
6中任一示例所述方法的步骤。
[0180]
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：
[0181]
存储装置，其上存储有计算机程序；
[0182]
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1
‑
6中任一示例所述方法的步骤。
[0183]
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。
[0184]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0185]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。