本公開涉及人工智能，特別涉及一種語音識別模型的訓練方法、語音識別方法及相關裝置。

背景技術：

1、近年來，語音識別技術飛速發(fā)展并得到了廣泛應用。語音識別技術通?；谡Z音識別模型來實現(xiàn)。相關技術中，為了使語音識別模型的訓練任務變得簡單，通常采用端到端的訓練方式。該訓練方式使用包括了大量語音-文本平行語料的訓練集，對語音識別模型進行監(jiān)督訓練，以使語音識別模型直接學習語音到文本的映射。然而，通過端到端方式訓練得到的語音識別模型，其識別準確度并不高。

技術實現(xiàn)思路

1、本公開提供一種語音識別模型的訓練方法、語音識別方法及相關裝置。

2、第一方面，本公開提供了一種語音識別模型的訓練方法，所述方法包括：對第一樣本語音進行音素特征提取，得到所述第一樣本語音的音素特征，所述音素特征用于表示第一樣本語音的每個音頻幀對應的發(fā)音音素；根據(jù)所述音素特征的時序信息，對所述音素特征進行注意力處理，得到音素時序特征；對所述音素時序特征進行解碼，得到第一文本；根據(jù)所述音素特征和所述第一樣本語音的音素標簽，確定第一損失值；根據(jù)所述第一文本和所述第一樣本語音的第一文本標簽，確定第二損失值；根據(jù)所述第一損失值和所述第二損失值，訓練所述語音識別模型。

3、第二方面，本公開提供了一種語音識別方法，所述語音識別方法包括：通過語音識別模型，對待識別語音進行語音識別，得到目標文本；其中，所述語音識別模型是根據(jù)上述語音識別模型的訓練方法訓練得到的。

4、第三方面，本公開提供了一種語音識別模型的訓練裝置，所述裝置包括：第一提取模塊，用于對第一樣本語音進行音素特征提取，得到所述第一樣本語音的音素特征，所述音素特征用于表示第一樣本語音的每個音頻幀對應的發(fā)音音素；第二提取模塊，用于根據(jù)所述音素特征的時序信息，對所述音素特征進行注意力處理，得到音素時序特征；解碼模塊，用于對所述音素時序特征進行解碼，得到第一文本；第一確定模塊，用于根據(jù)所述音素特征和所述第一樣本語音的音素標簽，確定第一損失值；第二確定模塊，用于根據(jù)所述第一文本和所述第一樣本語音的第一文本標簽，確定第二損失值；訓練模塊，用于根據(jù)所述第一損失值和所述第二損失值，訓練所述語音識別模型。

5、第四方面，本公開提供了一種語音識別裝置，所述語音識別裝置包括：語音識別模塊，用于通過語音識別模型，對待識別語音進行語音識別，得到目標文本；其中，所述語音識別模型是根據(jù)上述語音識別模型的訓練方法訓練得到的。

6、第五方面，本公開提供了一種電子設備，該電子設備包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的一個或多個計算機程序，一個或多個所述計算機程序被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行上述的語音識別模型的訓練方法或語音識別方法。

7、第六方面，本公開提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中，所述計算機程序在被處理器執(zhí)行時實現(xiàn)上述的語音識別模型的訓練方法或語音識別方法。

8、第七方面，本公開提供了一種計算機程序產(chǎn)品，其包括計算機可讀代碼，或者承載有計算機可讀代碼的非易失性計算機可讀存儲介質(zhì)，當所述計算機可讀代碼在電子設備的處理器中運行時，所述電子設備中的處理器執(zhí)行上述的語音識別模型的訓練方法或語音識別方法。

9、本公開實施例的語音識別模型的訓練方法，能夠?qū)Φ谝粯颖菊Z音進行音素特征提取，得到第一樣本語音的音素特征，并根據(jù)音素特征的時序信息，對音素特征進行注意力處理，得到音素時序特征；然后對音素時序特征進行解碼，得到第一文本；之后根據(jù)音素特征和第一樣本語音的音素標簽，確定第一損失值，并根據(jù)第一文本和第一樣本語音的第一文本標簽，確定第二損失值；然后根據(jù)第一損失值和第二損失值，訓練語音識別模型，從而能夠根據(jù)第一損失值(通過音素特征及第一樣本語音的音素標簽確定)及第二損失值(通過第一文本及第一樣本語音的第一文本標簽確定)，來訓練語音識別模型。通過這種訓練方式，語音識別模型既能學習到語音到文本的映射，又能學習到音頻幀與音素之間的對應關系，不僅提高了語音識別模型的收斂速度，而且提高了語音識別模型的識別準確度。

10、應當理解，本部分所描述的內(nèi)容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種語音識別模型的訓練方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的方法，其特征在于，訓練所述語音識別模型包括多個訓練輪次，所述方法還包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述根據(jù)所述第一損失值和所述第二損失值，訓練所述語音識別模型，包括：

4.根據(jù)權利要求3所述的方法，其特征在于，所述方法還包括：

5.根據(jù)權利要求4所述的方法，其特征在于，所述方法還包括：

6.根據(jù)權利要求1至5中任意一項所述的方法，其特征在于，所述根據(jù)所述音素特征和所述第一樣本語音的音素標簽，確定第一損失值，包括：

7.一種語音識別方法，其特征在于，包括：

8.一種語音識別模型的訓練裝置，其特征在于，所述裝置包括：

9.一種語音識別裝置，其特征在于，所述裝置包括：

10.一種電子設備，其特征在于，包括：

11.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序在被處理器執(zhí)行時實現(xiàn)如權利要求1-6中任一項所述的語音識別模型的訓練方法，或者執(zhí)行如權利要求7所述的語音識別方法。

12.一種計算機程序產(chǎn)品，其特征在于，包括計算機可讀代碼，或者承載有計算機可讀代碼的非易失性計算機可讀存儲介質(zhì)，當所述計算機可讀代碼在電子設備的處理器中運行時，所述電子設備中的處理器執(zhí)行如權利要求1-6中任一項所述的語音識別模型的訓練方法，或者執(zhí)行如權利要求7所述的語音識別方法。

技術總結(jié)
本公開提供了一種語音識別模型的訓練方法、語音識別方法及相關裝置，所述語音識別模型的訓練方法包括：對第一樣本語音進行音素特征提取，得到所述第一樣本語音的音素特征；根據(jù)所述音素特征的時序信息，對所述音素特征進行注意力處理，得到音素時序特征；對所述音素時序特征進行解碼，得到第一文本；根據(jù)所述音素特征和所述第一樣本語音的音素標簽，確定第一損失值；根據(jù)所述第一文本和所述第一樣本語音的第一文本標簽，確定第二損失值；根據(jù)所述第一損失值和所述第二損失值，訓練所述語音識別模型。本公開實施例能夠提高語音識別模型的識別準確度。

技術研發(fā)人員：李承翰
受保護的技術使用者：馬上消費金融股份有限公司
技術研發(fā)日：
技術公布日：2024/12/23