语音识别模型的获取方法、装置、电子设备以及存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及自然语音理解、语音技术、智能客服、语音转写领域，具体涉及一种语音识别模型的获取方法、装置、电子设备以及存储介质。


背景技术：

2.相关技术中通用的语音识别方法，大多数都是先对音频说话人进行分离，然后对分离后的音频进行语音转写，得到区分后的对应的说话人的文字。
3.但是，现有的说话人辨识系统和语音转写系统对说话人重叠的情况，语音的分离效果和识别精度不理想，而且需要提前设置好说话人个数，来确定网络的分支数，在说话人数量变化的情况下语音识别的效果不好。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本公开提供了一种用于语音识别模型的获取方法、语音识别方法、装置、电子设备以及存储介质。
6.根据本公开的一方面，提供了一种语音识别模型的获取方法，包括：获取多组标签数据，其中，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合，上述音频样本数据中包含多个上述样本对象的对话内容；使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型。
7.可选的，上述方法还包括：采用多层时延神经网络对上述音频样本数据进行特征向量提取处理，并经过多次训练迭代，提取得到上述样本对象的第一特征向量；选取预设数量的上述第一特征向量；依据被选取的第一特征向量生成上述样本对象集合。
8.可选的，通过如下方式训练得到上述语音识别模型：采用上述神经网络模型中的对象特征编码器，提取上述音频样本数据中的多个第二特征向量；采用内容特征编码器提取上述音频样本数据中的多个第三特征向量；基于上述第二特征向量和上述第三特征向量，对上述神经网络模型进行训练得到上述语音识别模型。
9.可选的，上述采用上述神经网络模型中的对象特征编码器，提取上述音频样本数据中的多个第二特征向量包括：对上述神经网络模型中的上述音频样本数据进行分帧处理，得到多个音频帧；提取多个上述音频帧中的每个音频帧的正态分布特征，其中，上述正态分布特征包括：静态特征，一阶差分特征，二阶差分特征；将多个上述音频帧的正态分布特征输入至上述对象特征编码器，得到多个上述第二特征向量。
10.可选的，上述基于上述第二特征向量和上述第三特征向量，对上述神经网络模型进行训练得到上述语音识别模型，包括：采用上述神经网络模型中的注意力模块计算每个上述第二特征向量对应的第一重要性系数，以及每个上述第三特征向量对应的第二重要性系数；基于上述第二特征向量和上述第一重要性系数计算得到第四特征向量，基于上述第
三特征向量以及上述第二重要性系数计算得到第五特征向量；基于上述第四特征向量和上述第五特征向量，对上述神经网络模型进行训练得到上述语音识别模型。
11.可选的，上述方法还包括：采用上述神经网络模型中的目标查询模型对第一解码文本和上述第四特征向量进行处理，得到上述样本对象的第六特征向量；采用上述注意力模块计算上述第六特征向量与上述样本对象集合中多个样本对象之间的相关程度值；基于上述相关程度值确定上述样本对象集合的第七特征向量。
12.可选的，上述基于上述第四特征向量和上述第五特征向量，对上述神经网络模型进行训练得到上述语音识别模型，包括：获取上述神经网络模型中的语义解码器对第一解码文本进行处理，输出的第八特征向量；采用上述神经网络模型中的内容解码器，对上述第五特征向量、上述第七特征向量和上述第八特征向量进行解码处理，得到第二解码文本，其中，上述第二解码文本为在上述第一解码文本下一时刻的解码文本；采用最小分类误差算法计算上述第一解码文本与上述第二解码文本之间的交叉熵损失，以更新上述神经网络模型的网络参数，得到上述语音识别模型。
13.根据本公开的一方面，提供了一种语音识别方法，包括：获取待识别音频数据，其中，上述待识别音频数据中包含多个目标对象的对话内容；将上述待识别音频数据输入至语音识别模型，其中，上述语音识别模型为使用多组标签数据通过机器学习训练神经网络模型得到，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合；接收上述语音识别模型返回的语音识别处理结果，其中，上述语音识别处理结果区分了每个上述目标对象的音频内容，以及与上述音频内容对应的文字信息。
14.可选的，上述获取待识别音频数据包括：获取初始音频数据；对上述初始音频数据进行预处理，得到上述待识别音频数据，其中，上述预处理包括以下至少之一：去除静音、数据增强、改变音频速率、时间弯折、频率掩盖、文本语料处理。
15.根据本公开的另一方面，提供了一种语音识别模型的获取装置，包括：获取单元，用于获取多组标签数据，其中，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合，上述音频样本数据中包含多个上述样本对象的对话内容；训练单元，用于使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型。
16.根据本公开的另一方面，提供了一种语音识别装置，包括：获取模块，用于获取待识别音频数据，其中，上述待识别音频数据中包含多个目标对象的对话内容；传输模块，用于将上述待识别音频数据输入至语音识别模型，其中，上述语音识别模型为使用多组标签数据通过机器学习训练神经网络模型得到，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合；接收模块，用于接收上述语音识别模型返回的语音识别处理结果，其中，上述语音识别处理结果区分了每个上述目标对象的音频内容，以及与上述音频内容对应的文字信息。
17.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；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行任一项上述的语音识别模型的获取方法，或者上述的语音识别方法。
18.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，其中，上述计算机指令用于使上述计算机执行任一项上述的语音识别模型的获取方法，或者上述的语音识别方法。
19.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，上述计算机程序在被处理器执行时实现任一项上述的语音识别模型的获取方法，或者上述的语音识别方法。
20.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
21.附图用于更好地理解本方案，不构成对本公开的限定。其中：
22.图1是根据本公开第一实施例的语音识别模型的获取方法的步骤流程示意图；
23.图2是根据本公开第一实施例的多说话人分离的语音识别系统结构示意图；
24.图3是根据本公开第一实施例的语音识别方法的步骤流程示意图；
25.图4是根据本公开第二实施例的语音识别模型的获取装置的结构示意图；
26.图5是根据本公开第二实施例的语音识别装置的结构示意图；
27.图6示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。
具体实施方式
28.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。
29.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.实施例1
31.根据本公开实施例，提供了一种语音识别模型的获取方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.图1是根据本公开第一实施例的语音识别模型的获取方法的步骤流程示意图，如图1所示，该方法包括如下步骤：
33.步骤s102，获取多组标签数据，其中，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集
合，上述音频样本数据中包含多个上述样本对象的对话内容；
34.步骤s104，使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型。
35.在本公开实施例中，通过获取多组标签数据,并提取上述多组标签数据中样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合；并使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型。
36.需要说明的是，上述样本对象集合，即说话人向量集合，是通过对多个样本对象对应的音频样本数据进行特征向量提取处理得到的。
37.在本公开实施例中，通过获取多组标签数据，其中，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合，上述音频样本数据中包含多个上述样本对象的对话内容；使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型。
38.通过本公开实施例，采用获取多组标签数据，其中，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合，上述音频样本数据中包含多个上述样本对象的对话内容；使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型的方法；进一步提升了说话人特征提取的准确性；在识别的时候也利用了语义以及说话人的信息，来辅助内容的识别与说话人的辨认，此外，系统整体是端到端的架构，且训练与测试的目标一致，降低了不匹配可能带来的误差。
39.由于用于训练语音识别模型的多组标签数据中，上述音频样本数据中包含多个上述样本对象的对话内容；在得到语音识别模型之后，本公开实施例可以采用语音识别模型准确提取待识别音频数据中不同的说话人特征向量数据，达到了区分不同说话人的音频内容，以及与上述音频内容对应的文字信息的目的，从而实现了利用特征向量数据辅助音频数据的识别与说话人的辨认，提升语音识别模型的语音识别准确性和语音分离精度的技术效果，进而解决了相关技术中的语音识别模型存在语音识别效果差的技术问题。
40.作为一种可选的实施例，上述语音识别模型即为一种多说话人分离的语音识别模型，主要包括两个部分：联合语义信息的说话人分离的端到端模块，以及结合声纹特征以及语义特征的端到端语音识别模块。
41.可选的，如图2所示的多说话人分离的语音识别系统结构示意图，x表示网络模块输入的待识别音频；d表示预先训练好的说话人向量集合，每一条代表一个说话人，d
n
代表对应的说话人向量；β
n
，k表示关于q
n
特征与说话人集合d里面第k个特征相似性的系数，α
n
表示各个特征向量的重要性大小；h
enc
表示内容特征向量，h
spk
表示说话人特征向量；y表示解码输出的文本结果，y
n
表示当前解码的文本结果，y
n
‑1表示上一时刻解码的文本结果，c
n
表示内容上下文特征向量，p
n
表示说话人的高级特征向量，u
n
表示语义特征向量，q
n
表示说话人查询向量。
42.可选的，在联合语义信息的说话人分离的端到端模块中，说话人特征编码器speakerencoder由5层多层时延神经网络tdnn(time delay neural network)构成，说话人查询模型speakerqueryrnn由1层长短期记忆网络lstm构成，说话人集合注意力模型inventoryattention由一个单头注意力模块层attention构成。
43.可选的，该端到端模块可以将音频中的说话人特征给准确的刻画出来，音频经过说话人特征编码器得到多个说话人特征向量h
spk
，再经过注意力模块计算各个向量的重要性，相加求和得到向量p
n
，联合语音识别内容解码模型decoderout，得到文本信息，通过说话人查询模型得到说话人查询向量q
n
，此时结合给定的说话人向量集合d，通过注意力模块计算说话人查询向量q
n
与说话人向量集合d样本间的相关性大小，最终根据系数合成的说话人特征向量d
n
；d集合是提前训练好的，是通过多层时延神经网络，经过多次训练迭代，然后提取中间的隐含层作为说话人的特征向量，该集合是由代表性的m个说话人组成；整个集合可以通过不同的系数来合成不同说话人特点的特征向量d
n
，因此在实际使用过程中，不需要提前设置说话人个数，来确定网络的分支数。
44.需要说明的是，上述注意力模块计算各个向量的重要性过程中，根据注意力机制计算每个向量对特征的重要性系数，即该向量对特征的影响，具体采用0.1等浮点系数进行表示，将该系数乘对应的特征向量h，得到的乘积相加求和得到p
n
；在合成最终的说话人特征向量d
n
的过程中，采用注意力机制计算说话人查询向量q
n
的相似性系数，并将该系数乘以d集合中对应的向量，得到说话人特征向量d
n
。
45.可选的，在结合声纹特征以及语义特征的端到端语音识别模块中，音频内容特征编码器asrencoder由5层长短期记忆网络blstm构成，语义解码模型decoderrnn由2层lstm构成，内容解码模型decoderout由1层lstm构成，注意力模块由多头构成。
46.可选的，该模块核心是将音频中的文本内容给准确的识别出来，音频经过音频内容特征编码器asrencoder得到多个内容特征向量h
enc
，再经过注意力模块计算各个向量的重要性，相加求和得到向量c
n
，联合语义网络语义解码模型输出的向量u
n
以及说话人特征向量d
n
，共同解码出来文本信息y
n
，文本信息里面的sc标记是指说话人变化点speaker change，eos表示end of sentence句子结束点；整个网络训练的损失函数为mce(minimum cross entropy，最小交叉熵)；选用长短期记忆网络blstm构建，可以学习到时间跨度更大的特征的相关性，注意力模块是关注各个特征间的重要性的关系，突出强化更重要的特征，提取出鉴别性更强的特征。
47.需要说明的是，上述注意力模块计算各个向量的重要性，相加求和得到向量c
n
指的是，对c
n
向量、u
n
向量以及说话人向量d
n
进行拼接、加权求和，共同解码得到文本信息y
n
。
48.在一种可选的实施例中，上述方法还包括：
49.步骤s202，采用多层时延神经网络对上述音频样本数据进行特征向量提取处理，并经过多次训练迭代，提取得到上述样本对象的第一特征向量；
50.步骤s204，选取预设数量的上述第一特征向量；
51.步骤s206，依据被选取的第一特征向量生成上述样本对象集合。
52.在本公开实施例中，采用多层时延神经tdnn网络对采集到的上述音频样本数据进行特征向量提取处理，提取完成后经过多次训练迭代，提取得到上述样本对象的第一特征向量；选取预设数量的上述第一特征向量；依据被选取的第一特征向量生成上述样本对象集合。
53.需要说明的是，上述样本对象集合是提前训练好的，该集合是由代表性的m个说话人组成；整个集合可以通过不同的系数来合成不同说话人特点的特征向量，因此在实际使用过程中，不需要提前设置说话人个数，来确定网络的分支数。
54.在一种可选的实施例中，通过如下方式训练得到上述语音识别模型：
55.步骤s302，采用上述神经网络模型中的对象特征编码器，提取上述音频样本数据中的多个第二特征向量；
56.步骤s304，采用内容特征编码器提取上述音频样本数据中的多个第三特征向量；
57.步骤s306，基于上述第二特征向量和上述第三特征向量，对上述神经网络模型进行训练得到上述语音识别模型。
58.在本公开实施例中，采用神经网络模型中的对象特征编码器(说话人特征编码器)speakerecoder和内容特征编码器asrrencoder提取上述音频样本数据中的第二特征向量，即说话人特征向量h
spk
，以及第三特征向量，即内容特征向量h
enc
；并基于上述第二特征向量和上述第三特征向量，对上述神经网络模型进行训练得到上述语音识别模型。
59.在一种可选的实施例中，上述采用上述神经网络模型中的对象特征编码器，提取上述音频样本数据中的多个第二特征向量包括：
60.步骤s402，对上述神经网络模型中的上述音频样本数据进行分帧处理，得到多个音频帧；
61.步骤s404，提取多个上述音频帧中的每个音频帧的正态分布特征，其中，上述正态分布特征包括：静态特征，一阶差分特征，二阶差分特征；
62.步骤s406，将多个上述音频帧的正态分布特征输入至上述对象特征编码器，得到多个上述第二特征向量。
63.在本公开实施例中，对音频进行分帧，每个音频帧中提取正态分布特征，将多个上述音频帧的正态分布特征输入至上述对象特征编码器，得到多个上述第二特征向量，即说话人特征向量h
spk
。
64.需要说明的是，对音频进行分帧，每帧提取特征，比如80维的语音特征参数mfcc，plp或fbank等，经过一阶二阶差分，然后再正则化，即正态分布规整，这样每帧音频提取到80*3维的特征，分别称为静态，一阶差分，二阶差分特征。
65.在一种可选的实施例中，上述基于上述第二特征向量和上述第三特征向量，对上述神经网络模型进行训练得到上述语音识别模型，包括：
66.步骤s502，采用上述神经网络模型中的注意力模块计算每个上述第二特征向量对应的第一重要性系数，以及每个上述第三特征向量对应的第二重要性系数；
67.步骤s504，基于上述第二特征向量和上述第一重要性系数计算得到第四特征向量，基于上述第三特征向量以及上述第二重要性系数计算得到第五特征向量；
68.步骤s506，基于上述第四特征向量和上述第五特征向量，对上述神经网络模型进行训练得到上述语音识别模型。
69.在本公开实施例中，采用上述神经网络模型中的注意力模块计算每个说话人特征向量以及内容特征向量对应的第一重要性系数和第二重要性系数；基于说话人特征向量以及第一重要性系数计算得到第四特征向量p
n
，即说话人的高级特征向量，基于内容特征向量以及第二重要性系数计算得到第五特征向量c
n
，即内容上下文特征向量；基于上述第四特征向量和上述第五特征向量，对上述神经网络模型进行训练得到上述语音识别模型。
70.需要说明的是，上述第一重要性系数对应说话人特征向量的重要性系数，上述第二重要性系数对应内容特征向量的重要性系数。
71.在一种可选的实施例中，上述方法还包括：
72.步骤s602，采用上述神经网络模型中的目标查询模型对第一解码文本和上述第四特征向量进行处理，得到上述样本对象的第六特征向量；
73.步骤s604，采用上述注意力模块计算上述第六特征向量与上述样本对象集合中多个样本对象之间的相关程度值；
74.步骤s606，基于上述相关程度值确定上述样本对象集合的第七特征向量。
75.在本公开实施例中，采用上述神经网络模型中的目标查询模型(说话人查询模型)对上一时刻解码的文本结果和说话人的高级特征向量；进行处理，得到上述样本对象的第六特征向量，即说话人查询向量q
n
。
76.可选的，采用上述注意力模块计算说话人查询向量与上述样本对象集合中多个样本对象之间的相关程度值；采用注意力机制计算说话人查询向量q
n
的相似性系数，并将该系数乘以d集合中对应的向量，得到第七特征向量，即说话人特征向量d
n
。
77.在一种可选的实施例中，上述基于上述第四特征向量和上述第五特征向量，对上述神经网络模型进行训练得到上述语音识别模型，包括：
78.步骤s702，获取上述神经网络模型中的语义解码器对第一解码文本进行处理，输出的第八特征向量；
79.步骤s704，采用上述神经网络模型中的内容解码器，对上述第五特征向量、上述第七特征向量和上述第八特征向量进行解码处理，得到第二解码文本，其中，上述第二解码文本为在上述第一解码文本下一时刻的解码文本；
80.步骤s706，采用最小分类误差算法计算上述第一解码文本与上述第二解码文本之间的交叉熵损失，以更新上述神经网络模型的网络参数，得到上述语音识别模型。
81.在本公开实施例中，获取上述神经网络模型中的语义解码模型decoderrnn对上一时刻解码的文本y
n
‑1结果进行处理，输出的第八特征向量，即语义特征向量u
n
；采用上述神经网络模型中的内容解码模型decoderout，对上述第五特征向量c
n
、上述第七特征向量d
n
和上述第八特征向量u
n
进行解码处理，得到第二解码文本y
n
，其中，上述第二解码文本为在上述上一时刻解码的文本y
n
‑1的下一时刻的解码文本；通过最小分类误差算法mce计算最小的交叉熵损失loss，反向传递误差，更新网络参数，得到上述语音识别模型。
82.图3是根据本公开第一实施例的语音识别方法的步骤流程示意图，如图3所示，该方法包括如下步骤：
83.步骤s802，获取待识别音频数据，其中，上述待识别音频数据中包含多个目标对象的对话内容；
84.步骤s804，将上述待识别音频数据输入至语音识别模型，其中，上述语音识别模型为使用多组标签数据通过机器学习训练神经网络模型得到，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合；
85.步骤s806，接收上述语音识别模型返回的语音识别处理结果，其中，上述语音识别处理结果区分了每个上述目标对象的音频内容，以及与上述音频内容对应的文字信息。
86.在本公开实施例中，通过获取待识别音频数据,并将上述待识别音频数据传输至语音识别模型，采用上述语音识别模型对上述待识别音频数据进行处理得到语音识别处理
结果。
87.需要说明的是，上述待识别音频数据中包含多个目标对象的对话内容；上述语音识别模型为使用多组标签数据通过机器学习训练神经网络模型得到，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合；上述语音识别处理结果区分了每个上述目标对象的音频内容，以及与上述音频内容对应的文字信息。
88.在一种可选的实施例中，上述获取待识别音频数据包括：
89.步骤s902，获取初始音频数据；
90.步骤s904，对上述初始音频数据进行预处理，得到上述待识别音频数据，其中，上述预处理包括以下至少之一：去除静音、数据增强、改变音频速率、时间弯折、频率掩盖、文本语料处理。
91.在本公开实施例中，收集一定量的多人对话的音频数据，即网络模块的输入音频，该多人对话的音频数据中包含少量的混叠，对音频进行说话人标注，并得到对应的文本内容，然后对音频进行预处理，包括去除静音，进行数据增强，例如混叠其他音量低的人声，环境噪声，改变音频速率，进行时间弯折，频率掩盖等；对初始音频数据进行对象标注处理，得到初始音频数据的文本语料；对文本语料进行预处理，例如，对文本语料进行清洗符号归一化，包括：去除特殊符号，如@*％等，规整数字单位符号，例如：150、2010年、kg等，以及分词，然后对语义解码模型进行预训练。
92.由于用于训练语音识别模型的多组标签数据中，上述音频样本数据中包含多个上述样本对象的对话内容；在得到语音识别模型之后，本公开实施例可以采用语音识别模型准确提取待识别音频数据中不同的说话人特征向量数据，达到了区分不同说话人的音频内容，以及与上述音频内容对应的文字信息的目的，从而实现了利用特征向量数据辅助音频数据的识别与说话人的辨认，提升语音识别模型的语音识别准确性和语音分离精度的技术效果，进而解决了相关技术中的语音识别模型存在语音识别效果差的技术问题。
93.实施例2
94.根据本公开实施例，还提供了一种用于实施上述语音识别方法的装置实施例，图4是根据本公开第二实施例的语音识别模型的获取装置的结构示意图，如图4所示，上述语音识别模型的获取装置，包括：获取单元40和训练单元42，其中：
95.获取单元40，用于获取多组标签数据，其中，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合，上述音频样本数据中包含多个上述样本对象的对话内容；
96.训练单元42，用于使用多组标签数据通过机器学习训练神经网络模型，得到语音识别模型。
97.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
98.此处需要说明的是，上述获取单元40和训练单元42对应于实施例1中的步骤s102至步骤s104，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
99.需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
100.上述的语音识别装置还可以包括处理器和存储器，上述获取单元40和训练单元42等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
101.根据本公开实施例，还提供了一种用于实施上述语音识别方法的装置实施例，图5是根据本公开第二实施例的语音识别装置的结构示意图，如图5所示，上述语音识别装置，包括：获取模块50、传输模块52和接收模块54，其中：
102.获取模块50，用于获取待识别音频数据，其中，上述待识别音频数据中包含多个目标对象的对话内容；
103.传输模块52，用于将上述待识别音频数据输入至语音识别模型，其中，上述语音识别模型为使用多组标签数据通过机器学习训练神经网络模型得到，上述多组标签数据中的每组数据包括：样本对象的音频样本数据，以及对上述音频样本数据进行特征向量提取处理得到的样本对象集合；
104.接收模块54，用于接收上述语音识别模型返回的语音识别处理结果，其中，上述语音识别处理结果区分了每个上述目标对象的音频内容，以及与上述音频内容对应的文字信息。
105.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
106.此处需要说明的是，上述获取模块50、传输模块52和接收模块54对应于实施例1中的步骤s802至步骤s806，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
107.需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
108.上述的语音识别装置还可以包括处理器和存储器，上述获取模块50、传输模块52和接收模块54等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
109.处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
110.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
111.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。
112.图6示出了可以用来实施本公开的实施例的示例电子设备800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/或者要求的本公开的实现。
113.如图6所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
114.设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。
115.计算单元801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801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801执行上文所描述的各个方法和处理，例如方法获取待识别音频数据。例如，在一些实施例中，方法获取待识别音频数据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808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的方法获取待识别音频数据的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法获取待识别音频数据。
116.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。
117.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。
118.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。
119.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。
120.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。
121.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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
122.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，本发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。
123.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因素，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。