自动语音识别模型建立方法、语音识别方法及相关设备与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明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10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。其中，存储单元存储有程序代码，程序代码可以被处理单元1010执行，使得处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元1010可以执行如图2中所示的获取训练数据集中的多个训练样本，作为训练样本组；根据第一自动语音识别模型对各个训练样本进行处理，得到各个训练样本的第一语义信息，其中，第一自动语音识别模型根据训练数据集中的训练样本以及对应的标签训练得到；获取目标领域的多个语音数据；根据第一自动语音识别模型对各个语音数据进行处理，得到各个语音数据的第二语义信息；根据第一语义信息和第二语义信息，计算训练样本组的各个训练样本和多个语音数据的语义相似度；根据训练样本组的各个训练样本和多个语音数据的语义相似度，构造待训练的第二自动语音识别模型；选择目标领域的部分语音数据作为验证集，对第二自动语音识别模型进行训练，若满足预设训练停止条件，则将第二自动语音识别模型作为目标自动语音识别模型。例如，处理单元1010可以执行如图7中所示的获取目标领域的待识别语音；通过目标自动语音识别模型处理待识别语音，获得待识别语音的预测语义结果，其中，目标自动语音识别模型通过上述的自动语音识别模型建立方法得到。存储单元1020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)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(rom)10203。存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/使用工具10204，这样的程序模块10205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1030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1000也可以与一个或多个外部设备1040(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系统交互的设备通信，和/或与使得该电子设备1000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/生成(i/o)接口1050进行。并且，系统还可以通过网络适配器1060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10所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图10中未示出，可以结合电子设备1000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。在本公开的示例性实施例中，还提供了一种计算机程序产品，计算机程序产品包括计算机程序或计算机指令，计算机程序或计算机指令由处理器加载并执行，以使计算机实现上述实施例公开的方法的步骤。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，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、自动语音识别(automatic speech recognition，asr)技术是一种将语音转换为相应文本的技术，广泛应用于多种产品中，以支持各种业务应用程序，例如手机助手、智能家具、客服机器人、会议记录等，成为生活中不可或缺的一部分。近年来，端到端(end toend，e2e)模式的asr系统取得显著的进展，显著降低了基准数据集上的单词错误率(worderror rate，wer)。

2、在相关技术中，当asr系统的应用场景和环境发生变化时，通过收集和标注足够的目标领域的数据，在基础模型(根据基准数据集训练得到的模型)的基础上进行微调，以适应目标领域的数据。然而，上述基础模型的自适应能力差，采用目标领域的标注数据进行微调的方式，时间成本和人力成本高。

3、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、本公开提供一种自动语音识别模型建立方法、语音识别方法及相关设别，至少在一定程度上克服相关技术中自动语音识别模型的自适应能力差，模型微调时间成本和人力成本高的问题。

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：获取训练数据集中的多个训练样本，作为训练样本组；根据第一自动语音识别模型对各个训练样本进行处理，得到所述各个训练样本的第一语义信息，其中，所述第一自动语音识别模型根据所述训练数据集中的训练样本以及对应的标签训练得到；获取目标领域的多个语音数据；根据所述第一自动语音识别模型对各个语音数据进行处理，得到各个语音数据的第二语义信息；根据所述第一语义信息和所述第二语义信息，计算所述训练样本组的各个训练样本和所述多个语音数据的语义相似度；根据所述训练样本组的各个训练样本和所述多个语音数据的语义相似度，构造待训练的第二自动语音识别模型；选择目标领域的部分语音数据作为验证集，对所述第二自动语音识别模型进行训练，若满足预设训练停止条件，则将所述第二自动语音识别模型作为目标自动语音识别模型。

4、在一个可行的实施例中，所述根据所述第一语义信息和所述第二语义信息，计算所述训练样本组的各个训练样本和所述多个语音数据的语义相似度，包括：根据所述第一语义信息和所述第二语义信息，计算训练样本组的各个训练样本和目标领域的各个语音数据的语义相似度；计算训练样本组的各个训练样本和所述目标领域的多个语音数据的语义相似度的平均值，得到所述训练样本组的各个训练样本和所述多个语音数据的语义相似度。

5、在一个可行的实施例中，所述根据所述训练样本组的各个训练样本和所述多个语音数据的语义相似度，构造待训练的第二自动语音识别模型，包括：以所述训练样本组的各个训练样本和所述多个语音数据的语义相似度为权重，将所述训练样本组的各个训练样本的损失函数加权求和，得到所述第二自动语音识别模型的损失函数。

6、在一个可行的实施例中，所述满足预设训练停止条件，包括：若训练时长达到预设时长阈值且所述第二自动语音识别模型的损失函数的值小于或等于第一预设损失阈值，或训练次数达到预设次数阈值且所述第二自动语音识别模型的损失函数的值小于或等于第一预设损失阈值，则判定满足所述预设训练停止条件。

7、在一个可行的实施例中，所述方法还包括：若所述第二自动语音识别模型的损失函数的值大于第二预设损失阈值，则在所述训练数据集中获取新的多个训练样本，重新构造待训练的第二自动语音识别模型，直至满足所述预设训练停止条件，所述第二预设损失阈值大于第一预设损失阈值。

8、在一个可行的实施例中，所述第一自动语音识别模型包括编码网络模型和解码网络模型，其中，所述编码网络模型用于提取输入的语音信息的声学特征，输出所述语音信息的文字标签序列，所述解码网络模型用于输出所述语音信息的语义信息，所述第一自动语音识别模型的损失函数为编码网络模型的损失函数和解码网络模型的损失函数的加权求和。

9、在一个可行的实施例中，所述第一自动语音识别模型包括基于神经网络的时序类分类ctc网络和注意力解码网络的网络模型、听参加拼写las网络模型、序列到序列的网络seq2seq网络模型中的一种或多种。

10、根据本公开的另一个方面，还提供了语音识别方法，包括：获取目标领域的待识别语音；通过目标自动语音识别模型处理所述待识别语音，获得所述待识别语音的预测语义结果，其中，所述目标自动语音识别模型通过上述的自动语音识别模型建立方法得到。

11、根据本公开的另一个方面，还提供了一种自动语音识别模型建立装置，包括：第一获取模块，用于获取训练数据集中的多个训练样本，作为训练样本组；第一处理模块，用于根据第一自动语音识别模型对各个训练样本进行处理，得到所述各个训练样本的第一语义信息，其中，所述第一自动语音识别模型根据所述训练数据集中的训练样本以及对应的标签训练得到；第二获取模块，用于获取目标领域的多个语音数据；第二处理模块，用于根据所述第一自动语音识别模型对各个语音数据进行处理，得到各个语音数据的第二语义信息；相似度计算模块，用于根据所述第一语义信息和所述第二语义信息，计算所述训练样本组的各个训练样本和所述多个语音数据的语义相似度；模型构造模块，用于根据所述训练样本组的各个训练样本和所述多个语音数据的语义相似度，构造待训练的第二自动语音识别模型；模型训练模块，用于选择目标领域的部分语音数据作为验证集，对所述第二自动语音识别模型进行训练，若满足预设训练停止条件，则将所述第二自动语音识别模型作为目标自动语音识别模型。

12、根据本公开的另一个方面，还提供了一种语音识别装置，包括：第三获取模块，用于获取目标领域的待识别语音；自动语音识别模块，用于通过目标自动语音识别模型处理所述待识别语音，获得所述待识别语音的预测语义结果，其中，所述目标自动语音识别模型通过上述的自动语音识别模型建立装置得到。

13、根据本公开的另一个方面，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自动语音识别模型建立方法，或执行上述的语音识别方法。

14、根据本公开的另一个方面，提供了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自动语音识别模型建立方法，或实现上述的语音识别方法。

15、根据本公开的又一个方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令由处理器加载并执行，以使计算机实现上述的自动语音识别模型建立方法，或实现上述的语音识别方法。

16、在本公开实施方式中，获取训练数据集中的多个训练样本，作为训练样本组；根据第一自动语音识别模型对各个训练样本进行处理，得到各个训练样本的第一语义信息，第一自动语音识别模型根据训练数据集中的训练样本以及对应的标签训练得到；获取目标领域的多个语音数据；根据第一自动语音识别模型对各个语音数据进行处理，得到各个语音数据的第二语义信息；根据第一语义信息和第二语义信息，计算训练样本组的各个训练样本和多个语音数据的语义相似度；根据训练样本组的各个训练样本和多个语音数据的语义相似度，构造待训练的第二自动语音识别模型；选择目标领域的部分语音数据作为验证集，对第二自动语音识别模型进行训练，若满足预设训练停止条件，则将第二自动语音识别模型作为目标自动语音识别模型，从而根据第一自动语音识别模型对训练样本和目标领域的语音数据处理得到的语义信息的相似度，构建适用于目标领域的语音数据的自动语音识别模型，一方面，无需人工标注数据，有效降低时间成本和人力成本，提升模型在目标领域语音上的识别能力；另一方面，无需更改第一自动语音识别模型的模型参数，既能提升在目标领域的语音识别精度，又能确保在原本的训练样本集上的语音识别精度。

17、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。