语音识别方法、装置、系统、电子设备及存储介质与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200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。如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230。其中，存储单元存储有程序代码，程序代码可以被处理单元1210执行，使得处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元1210可以执行上述方法实施例的如下步骤：获取目标对象输入的待识别语音数据；根据待识别语音数据的语音类别，提取待识别语音数据的fbank语音特征；将待识别语音数据的fbank语音特征输入至已训练好的融合语音识别模型中，输出得到待识别语音数据的语音识别结果，其中，已训练好的融合语音识别模型为基于知识蒸馏对已训练好的在线语音识别模型和已训练好的离线语音识别模型进行模型融合得到。存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)12201和/或高速缓存存储单元12202，还可以进一步包括只读存储单元(rom)12203。存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204，这样的程序模块12205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1200也可以与一个或多个外部设备1240(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1250进行。并且，电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。本公开中的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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

背景技术：

1、语音识别是指对对象提供的语音数据进行识别，得到相应的文本数据。语音识别一般分为实时语音识别和非实时语音识别。非实时语音识别是指系统在对象说完一句话或一段话后再进行识别，而实时语音识别是指系统在对象还在说话的时候便同步进行识别，在实时语音识别场景下识别速度和延时往往成为其实际落地的瓶颈。

2、语音识别技术已成为众多厂商发展数字化转型与应用人工智能技术的基础ai能力常用的端到端语音识别服务场景包括：在线识别和离线识别。当需要离线系统提供在线识别功能时，修改核心模型的结构来满足在线识别的准确率和延迟要求会引入很多困难。所以，实时系统和离线系统通常分别进行开发、训练和维护，导致无法同时实现在线语音和离线语音的识别。

3、基于此，如何实现在线语音和离线语音两种场景下的语音识别成为了亟需解决的技术问题。

4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种语音识别方法、装置、系统、存储介质及电子设备，至少在一定程度上克服相关技术中现有语音识别系统应用场景单一，无法同时对在线和离线两种场景下的语音进行识别的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供一种语音识别方法，包括：获取目标对象输入的待识别语音数据；根据所述待识别语音数据的语音类别，提取所述待识别语音数据的fbank语音特征；将所述待识别语音数据的fbank语音特征输入至已训练好的融合语音识别模型中，输出得到所述待识别语音数据的语音识别结果，其中，所述已训练好的融合语音识别模型为基于知识蒸馏对已训练好的在线语音识别模型和已训练好的离线语音识别模型进行模型融合得到。

4、在本公开的一个实施例中，根据所述待识别语音数据的语音类别，提取所述待识别语音数据的fbank语音特征，包括：判断所述待识别语音数据的语音类别，其中，所述语音类别包括在线语音数据和离线语音数据；当所述待识别语音数据的语音类别为在线语音数据时，提取所述待识别语音数据的在线语音特征，其中，所述在线语音特征为表示实时性语音的特征；当所述待识别语音数据的语音类别为离线语音数据时，提取所述待识别语音数据的离线语音特征，其中，所述离线语音特征为表示非实时性语音的特征。

5、在本公开的一个实施例中，通过以下步骤获取所述已训练好的融合语音识别模型，包括：获取语音数据训练样本，其中，所述语音数据训练样本中包含多个语音数据以及每个语音数据对应的数据标签；提取所述语音数据训练样本中每个语音数据的fbank语音特征，得到fbank语音特征集；基于fbank语音特征集，对初始化语音识别模型进行训练，得到已训练好的在线语音识别模型和已训练好的离线语音识别模型；利用知识蒸馏对所述已训练好的在线语音识别模型和所述已训练好的离线语音识别模型进行模型融合，得到所述已训练好的融合语音识别模型。

6、在本公开的一个实施例中，在获取语音数据训练样本后，所述方法还包括：对所述语音数据训练样本进行batch拆分，得到多个拆分后的语音数据；对每个所述拆分后的语音数据进行数据格式的合规性校验。

7、在本公开的一个实施例中，基于所述fbank语音特征集，对初始化语音识别模型进行训练，得到已训练好的在线语音识别模型和已训练好的离线语音识别模型，包括：从所述fbank语音特征集中确定第一语音特征和第二语音特征，其中，所述第一语音特征为离线语音特征，所述第二语音特征为在线语音特征；将所述第一语音特征以及第一语音特征对应的第一数据标签输入至初始化语音识别模型中，在所述初始化语音识别模型经过预设次数的epoch训练后，获取所述初始化语音识别模型输出的第一输出结果，基于预设离线损失函数、第一数据标签和第一输出结果计算得到第一损失值，基于所述第一损失值调整所述初始化语音识别模型的网络参数，得到所述已训练好的离线语音识别模型；将所述第二语音特征以及第二语音特征对应的第二数据标签输入至所述已训练好的离线语音识别模型中，在所述已训练好的离线语音识别模型经过预设次数的epoch训练后，获取所述已训练好的离线语音识别模型输出的第二输出结果，基于预设在线损失函数、第二数据标签和第二输出结果计算得到第二损失值，基于所述第二损失值调整所述已训练好的离线语音识别模型的网络参数，得到所述已训练好的在线语音识别模型。

8、在本公开的一个实施例中，利用知识蒸馏对所述已训练好的在线语音识别模型和所述已训练好的离线语音识别模型进行模型融合，得到所述已训练好的融合语音识别模型，包括：根据所述已训练好的在线语音识别模型的网络参数，和所述已训练好的离线语音识别模型的网络参数，建立融合语音识别模型；基于预设离线损失函数、预设在线损失函数和预设联合损失函数以及各自对应的权重，确定蒸馏损失函数；从所述fbank语音特征集中选取第三语音特征，将第三语音特征输入至所述已训练好的离线语音识别模型中，输出得到第三离线识别结果，将第三语音特征输入至所述已训练好的在线语音识别模型中，输出得到第三在线识别结果，根据所述第三离线识别结果、所述第三在线识别结果、第三语音特征对应的第三数据标签以及所述蒸馏损失函数，计算得到第三损失值；根据所述第三损失值，调整所述融合语音识别模型的网络参数，得到已训练好的融合语音识别模型。

9、根据本公开的另一个方面，提供一种语音识别装置，包括：语音数据获取模块，用于获取目标对象输入的待识别语音数据；语音特征提取模块，用于根据所述待识别语音数据的语音类别，提取所述待识别语音数据的fbank语音特征；识别结果输出模块，用于将所述待识别语音数据的fbank语音特征输入至已训练好的融合语音识别模型中，输出得到所述待识别语音数据的语音识别结果，其中，所述已训练好的融合语音识别模型为基于知识蒸馏对已训练好的在线语音识别模型和已训练好的离线语音识别模型进行模型融合得到。

10、在本公开的一个实施例中，上述语音特征提取模块，还用于判断所述待识别语音数据的语音类别，其中，所述语音类别包括在线语音数据和离线语音数据；当所述待识别语音数据的语音类别为在线语音数据时，提取所述待识别语音数据的在线语音特征，其中，所述在线语音特征为表示实时性语音的特征；当所述待识别语音数据的语音类别为离线语音数据时，提取所述待识别语音数据的离线语音特征，其中，所述离线语音特征为表示非实时性语音的特征。

11、在本公开的一个实施例中，上述装置还包括融合模型训练模块，该融合模型训练模块，用于获取语音数据训练样本，其中，所述语音数据训练样本中包含多个语音数据以及每个语音数据对应的数据标签；提取所述语音数据训练样本中每个语音数据的fbank语音特征，得到fbank语音特征集；基于fbank语音特征集，对初始化语音识别模型进行训练，得到已训练好的在线语音识别模型和已训练好的离线语音识别模型；利用知识蒸馏对所述已训练好的在线语音识别模型和所述已训练好的离线语音识别模型进行模型融合，得到所述已训练好的融合语音识别模型。

12、在本公开的一个实施例中，上述装置还包括数据预处理模块，该数据预处理模块模块，用于对所述语音数据训练样本进行batch拆分，得到多个拆分后的语音数据；对每个所述拆分后的语音数据进行数据格式的合规性校验。

13、在本公开的一个实施例中，上述融合模型训练模块，还用于从所述fbank语音特征集中确定第一语音特征和第二语音特征，其中，所述第一语音特征为离线语音特征，所述第二语音特征为在线语音特征；将所述第一语音特征以及第一语音特征对应的第一数据标签输入至初始化语音识别模型中，在所述初始化语音识别模型经过预设次数的epoch训练后，获取所述初始化语音识别模型输出的第一输出结果，基于预设离线损失函数、第一数据标签和第一输出结果计算得到第一损失值，基于所述第一损失值调整所述初始化语音识别模型的网络参数，得到所述已训练好的离线语音识别模型；将所述第二语音特征以及第二语音特征对应的第二数据标签输入至所述已训练好的离线语音识别模型中，在所述已训练好的离线语音识别模型经过预设次数的epoch训练后，获取所述已训练好的离线语音识别模型输出的第二输出结果，基于预设在线损失函数、第二数据标签和第二输出结果计算得到第二损失值，基于所述第二损失值调整所述已训练好的离线语音识别模型的网络参数，得到所述已训练好的在线语音识别模型。

14、在本公开的一个实施例中，上述融合模型训练模块，还用于根据所述已训练好的在线语音识别模型的网络参数，和所述已训练好的离线语音识别模型的网络参数，建立融合语音识别模型；基于预设离线损失函数、预设在线损失函数和预设联合损失函数以及各自对应的权重，确定蒸馏损失函数；从所述fbank语音特征集中选取第三语音特征，将第三语音特征输入至所述已训练好的离线语音识别模型中，输出得到第三离线识别结果，将第三语音特征输入至所述已训练好的在线语音识别模型中，输出得到第三在线识别结果，根据所述第三离线识别结果、所述第三在线识别结果、第三语音特征对应的第三数据标签以及所述蒸馏损失函数，计算得到第三损失值；根据所述第三损失值，调整所述融合语音识别模型的网络参数，得到已训练好的融合语音识别模型。

15、根据本公开的再一个方面，提供一种语音识别系统，包括：数据获取模块，用于获取语音数据训练样本，其中，所述语音数据训练样本中包含多个语音数据以及每个语音数据对应的数据标签；模型训练模块，用于基于所述语音数据训练样本，对初始化语音识别模型进行训练，得到已训练好的在线语音识别模型和已训练好的离线语音识别模型；知识蒸馏模块，用于基于知识蒸馏对所述已训练好的在线语音识别模型和所述已训练好的离线语音识别模型进行模型融合，得到已训练好的融合语音识别模型；所述数据获取模块，还用于获取目标对象输入的待识别语音数据；特征提取模块，用于根据所述待识别语音数据的语音类别，提取所述待识别语音数据的fbank语音特征；结果输出模块，用于将所述待识别语音数据的fbank语音特征输入至已训练好的融合语音识别模型中，输出得到所述待识别语音数据的语音识别结果。

16、在本公开的一个实施例中，上述特征提取模块，还用于判断所述待识别语音数据的语音类别，其中，所述语音类别包括在线语音数据和离线语音数据；当所述待识别语音数据的语音类别为在线语音数据时，提取所述待识别语音数据的在线语音特征，其中，所述在线语音特征为表示实时性语音的特征；当所述待识别语音数据的语音类别为离线语音数据时，提取所述待识别语音数据的离线语音特征，其中，所述离线语音特征为表示非实时性语音的特征。

17、在本公开的一个实施例中，上述模型训练模块，还用于提取所述语音数据训练样本中每个语音数据的fbank语音特征，得到fbank语音特征集；基于fbank语音特征集，对初始化语音识别模型进行训练，得到已训练好的在线语音识别模型和已训练好的离线语音识别模型；

18、在本公开的一个实施例中，上述模型训练模块，还用于从所述fbank语音特征集中确定第一语音特征和第二语音特征，其中，所述第一语音特征为离线语音特征，所述第二语音特征为在线语音特征；将所述第一语音特征以及第一语音特征对应的第一数据标签输入至初始化语音识别模型中，在所述初始化语音识别模型经过预设次数的epoch训练后，获取所述初始化语音识别模型输出的第一输出结果，基于预设离线损失函数、第一数据标签和第一输出结果计算得到第一损失值，基于所述第一损失值调整所述初始化语音识别模型的网络参数，得到所述已训练好的离线语音识别模型；将所述第二语音特征以及第二语音特征对应的第二数据标签输入至所述已训练好的离线语音识别模型中，在所述已训练好的离线语音识别模型经过预设次数的epoch训练后，获取所述已训练好的离线语音识别模型输出的第二输出结果，基于预设在线损失函数、第二数据标签和第二输出结果计算得到第二损失值，基于所述第二损失值调整所述已训练好的离线语音识别模型的网络参数，得到所述已训练好的在线语音识别模型。

19、在本公开的一个实施例中，上述知识蒸馏模块，还用于根据所述已训练好的在线语音识别模型的网络参数，和所述已训练好的离线语音识别模型的网络参数，建立融合语音识别模型；基于预设离线损失函数、预设在线损失函数和预设联合损失函数以及各自对应的权重，确定蒸馏损失函数；从所述fbank语音特征集中选取第三语音特征，将第三语音特征输入至所述已训练好的离线语音识别模型中，输出得到第三离线识别结果，将第三语音特征输入至所述已训练好的在线语音识别模型中，输出得到第三在线识别结果，根据所述第三离线识别结果、所述第三在线识别结果、第三语音特征对应的第三数据标签以及所述蒸馏损失函数，计算得到第三损失值；根据所述第三损失值，调整所述融合语音识别模型的网络参数，得到已训练好的融合语音识别模型。

20、在本公开的一个实施例中，上述系统还包括数据拆分验证模块，该数据拆分验证模块，用于对所述语音数据训练样本进行batch拆分，得到多个拆分后的语音数据；对每个所述拆分后的语音数据进行数据格式的合规性校验。

21、根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的语音识别方法。

22、根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的语音识别方法。

23、本公开的实施例所提供的一种语音识别方法、装置、系统、存储介质及电子设备，其中，语音识别方法包括：获取目标对象输入的待识别语音数据，根据所述待识别语音数据的语音类别，提取所述待识别语音数据的fbank语音特征，将待识别语音数据的fbank语音特征输入至由已训练好的在线语音识别模型和已训练好的离线语音识别模型进行模型融合得到融合语音识别模型中，输出得到待识别语音数据的语音识别结果。本公开可同时适用于在线和离线两种场景下的语音识别，提高了语音识别的效率以及准确率。

24、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。