流式语音识别模型的训练方法、装置、设备和存储介质与流程

1.本公开涉及计算机技术领域，具体涉及语音识别、深度学习等人工智能领域，尤其涉及一种流式语音识别模型的训练方法、装置、设备和存储介质。

背景技术：

2.语音识别是指将语音转换为文本。语音识别可以分为流式语音识别和非流式语音识别。非流式语音识别是等待整条语音输入后再进行语音识别，一次性输出整条语音输入对应的文本。流式语音识别是实时对输入的语音进行语音识别，实时输出语音识别结果。

技术实现要素：

3.本公开提供了一种流式语音识别模型的训练方法、装置、设备和存储介质。
4.根据本公开的一方面，提供了一种流式语音识别模型的训练方法，所述流式语音识别模型包括潜在特征提取模型和上下文特征提取模型，所述方法包括：基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号；采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征；对所述潜在特征进行掩码处理，以获得掩码后的潜在特征；采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征；基于所述上下文特征，构建损失函数；基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。
5.根据本公开的另一方面，提供了一种流式语音识别模型的训练装置，所述流式语音识别模型包括潜在特征提取模型和上下文特征提取模型，所述装置包括：获取模块，用于基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号；第一特征提取模块，用于采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征；掩码处理模块，用于对所述潜在特征进行掩码处理，以获得掩码后的潜在特征；第二特征提取模块，用于采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征；构建模块，用于基于所述上下文特征，构建损失函数；调整模块，用于基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。
6.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；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
7.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，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
8.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，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
9.根据本公开的技术方案，可以提高语音识别准确度。
10.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
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是根据本公开第一实施例的示意图；
13.图2是本公开实施例中流式语音识别模型的组成示意图；
14.图3是用来实现本公开实施例的语音识别模型的训练方法的应用场景的示意图；
15.图4是根据本公开第二实施例的示意图；
16.图5是图4对应的系统架构图；
17.图6是根据本公开第三实施例的示意图；
18.图7是用来实现本公开实施例的语音识别模型的训练方法的电子设备的示意图。
具体实施方式
19.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。
20.相关技术中，流式语音识别模型通常采用训练方式，即将语音和文本作为样本对进行训练。但是，其存在字准较低的问题。
21.为了提高语音识别准确度，本公开提供如下实施例。
22.图1是根据本公开第一实施例的示意图。本实施例提供一种流式语音识别模型的训练方法，所述流式语音识别模型包括潜在特征提取模型和上下文特征提取模型，所述方法包括：
23.101、基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号。
24.102、采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征。
25.103、对所述潜在特征进行掩码处理，以获得掩码后的潜在特征。
26.104、采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征。
27.105、基于所述上下文特征，构建损失函数。
28.106、基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。
29.本实施例中，整体上，损失函数是基于上下文特征(context representations)构建的，上下文特征是基于语音信号获得的，由于只是利用了语音信号而不需要语音信号对
应的样本，因此，本实施例的训练方法不同于通常训练方法，可以称为预训练方法。
30.在通常训练方法中，如采用语音及其文本进行流式语音识别模型的训练时，由于文本是需要标注的数据，标注成本很高，相比之下，未标注的数据是容易获得的。为此，本实施例的预训练方法由于并不需要标注的文本，因此，可以较为容易的获得大规模的语音样本，基于大规模的语音样本训练得到流式语音识别模型。
31.如图2所示，流式语音识别模型200包括：潜在特征(latent representations)提取模型201和上下文特征提取模型202。其中，由于是应用到语音识别领域，潜在特征可以具体是潜在语音特征(latent speech representations)。潜在特征提取模型201的输入为语音信号，输出为潜在特征。上下文特征提取模型202的输入为掩码后的潜在特征，输出为上下文特征。
32.由于是应用到流式语音识别领域，潜在特征提取模型201输入的语音信号可以具体是前缀语音信号，而不是整条语音信号。
33.前缀语音信号与时刻对应，当前时刻的前缀语音信号包括：整条语音信号中的当前时刻之前的语音信号。“之前”包括当前时刻。
34.例如，整条语音信号可以用x表示，x＝{x1,x2,...,xn}，n为正整数，xi表示第i个时刻的语音信号，i＝1,2...,n。
35.针对第i个时刻，其前缀语音信号包括：{x1,x2,...,xi}；
36.其中，当前时刻的前缀语音信号包括整条语音信号中的当前时刻之前的语音信号，可以是指只包括当前时刻之前的语音信号；或者，还可以是指除了包括当前时刻之前的语音信号，还包括当前时刻之后预设时间差内的语音信号。其中，“之后”不包括当前时刻。
37.依然以第i个时刻为例，其前缀语音信号可以是：{x1,x2,...,xi}；或者，
38.假设预设时间差为一个时间周期，则第i个时刻的前缀语音信号还可以是：{x1,x2,...,xi，x
i+1
}。
39.可以理解的是，针对超出部分，可以认为是空。例如，针对第i＝n个时刻，x
i+1
可以设置为空。
40.获得前缀语音信号后，可以基于前缀语音信号训练流式语音识别模型，即，采用前缀语音信号的相关特征构建损失函数，采用所构建的损失函数调整模型参数。其中，调整模型参数时可以采用通常的反向传播(back propagation，bp)算法进行模型参数的调整，直至达到预定的迭代次数后训练结束，将训练结束时的模型参数作为最终的模型参数。
41.本实施例中，通过对前缀语音信号进行处理，以获得上下文特征，基于上下文特征构建损失函数，基于损失函数调整模型参数，由于不需要标注语音信号对应的文本，实现了将预训练应用到流式语音识别模型的训练过程，从而可以提高语音识别准确度。
42.为了更好地理解本公开实施例，对本公开实施例所适用的一种应用场景进行说明。
43.图3是用来实现本公开实施例的语音识别模型的训练方法的应用场景的示意图。本实施例以在服务器中进行语音识别为例。
44.如图3所示，应用场景可以包括：用户设备301和服务器302。用户设备301与服务器302之间采用通信网络进行交互。用户设备可以包括移动设备(如，手机、便携式电脑等)、智能家居设备(如，智能音箱、智能电视等)、智能可穿戴式设备(如，智能手表、智能手环等)
等。服务器可以为本地服务器或者云端服务器。通信网络可以是广域网、局域网、因特网或任何其它公用或专用网络或上述各项组合。
45.语音识别时，用户设备301可以将语音信号发送给服务器302，服务器302采用语音识别模型对语音信号进行识别，以获得语音识别结果，语音识别结果是语音信号对应的文本，之后，服务器302将语音识别结果反馈给用户设备301，用户设备301可以通过用户界面(user interface，ui)将语音识别结果展示给用户。
46.针对流式语音识别，服务器302采用的语音识别模型可以称为流式语音识别模型。流式语音识别时，是实时对语音信号进行语音识别，实时输出语音识别结果。
47.例如，针对“我想我可能饿了”这条语音信号，如图3所示，会逐字进行语音识别结果的输出。
48.可以理解的是，本实施例以服务器进行语音识别为例，但是若用户设备具有语音识别能力，也可以在用户设备本地进行语音识别。
49.结合图3所示的应用场景，对本公开实施例进行说明如下。
50.图4是根据本公开第二实施例的示意图，图5是图4对应的系统架构图。
51.如图4所示，本实施例的方法包括：
52.401、基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号。
53.其中，可以在所述整条语音样本中，选取所述当前时刻之前的语音信号，作为当前时刻的前缀语音信号；或者，可以在所述整条语音样本中，选择所述当前时刻之前的语音信号，以及所述当前时刻之后的预设时间差内的语音信号，作为当前时刻的前缀语音信号。
54.示例性地，假设当前时刻第i时刻，当前时刻的前缀语音信号是指：{x1,x2,...,xi，x
i+1
}。
55.本实施例中，由于流式语音识别是逐字识别，不需要等到整条语音信号输入完毕再进行识别，因此，通过前缀语音信号包括当前时刻之前的语音信号，而不是整条语音信号，可以适用于流式语音识别场景，提高语音识别的响应速度。通过当前时刻的前缀语音信号还包括当前时刻之后的一段语音信号，可以参考当前时刻的未来信息，从而可以提高语音识别的准确度。
56.402、采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征。
57.其中，参见图5，以潜在特征提取模型为卷积神经网络(convolutional neural network，cnn)模型为例。
58.前缀语音信号输入到cnn模型后，经过cnn模型的处理，可以输出潜在特征。
59.其中，前缀特征用z表示，与前缀语音信号x＝{x1,x2,...,xi，x
i+1
}对应，潜在特征z＝{z1,z2,...,zi，z
i+1
}。
60.通常情况下，语音识别都是基于时频分析后的语音谱完成的，而其中语音时频谱是具有结构特点的。要想提高语音识别率，就是需要克服语音信号所面临各种各样的多样性，包括说话人的多样性(说话人自身、以及说话人间)，环境的多样性等。由于cnn提供在时间和空间上的平移不变性卷积，将卷积神经网络的思想应用到语音识别中，可以利用卷积的不变性来克服语音信号本身的多样性。从这个角度来看，可以认为是将整个语音信号分
析得到的时频谱当作一张图像一样来处理，采用图像中广泛应用的深层卷积网络对其进行识别。因此，本实施例中采用cnn提取语音信号的特征，可以克服语音信号的多样性特征，提高语音识别准确度。
61.403、对所述潜在特征进行掩码处理，以获得掩码后的潜在特征。
62.其中，由于潜在特征是一个向量，即，包括多个元素的向量，在掩码处理时，具体可以是随机选择一个潜在特征进行掩码处理。
63.例如，潜在特征是z＝{z1,z2,...,zi，z
i+1
}，假设随机选择的一个潜在特征是zi，则掩码后的潜在特征是：z’＝{z1,z2,...,[mask]，z
i+1
}。其中[msak]是掩码字符，掩码字符例如是随机生成的字符。具体地，可以采用相关技术中的掩码处理方式确定，例如，可以采用双向transformer的encoder(bidirectional encoder representations from transformers，bert)中的掩码方式生成[mask]。
[0064]
本实施例中，通过随机选择一个潜在特征进行掩码处理，由于是随机选择的，可以提高语音识别模型的泛化能力。
[0065]
404、采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征。
[0066]
其中，参见图5，以上下文特征提取模型为transformer模型为例。
[0067]
掩码后的潜在特征z’输入到transformer模型后，经过transformer模型的处理，可以输出上下文特征c。
[0068]
其中，与上述的前缀语音信号、前缀特征对应，上下文特征c可以表示为：c＝{c1,c2,...,ci，c
i+1
}。
[0069]
可以理解的是，在具体使用transformer模型时可以采用transformer模型的各种变种，例如，采用编码器和解码器结构，或者，只采用编码器结构，或者，只采用解码器结构等。
[0070]
transformer模型可以很好地解决序列到序列(sequence to sequence)问题，可以在减少计算量和提高并行效率的同时还取得了更好的语音识别结果。因此，本实施例通过采用transformer模型提取特征，可以在减少计算量和提高并行效率的同时还取得了更好的语音识别结果。
[0071]
405、对所述潜在特征进行量化处理，以获得量化特征。
[0072]
其中，量化特征可以用q表示，q＝{q1,q2,...,qi，q
i+1
}。
[0073]
量化处理可以具体是指乘积量化(product quantization)，乘积量化是指笛卡尔积(cartesian product)，意思是指把原来的向量空间分解为若干个低维向量空间的笛卡尔积，并对分解得到的低维向量空间分别做量化(quantization)。这样每个向量就能由多个低维空间的量化码本(code)组合表示，这里的量化是把连续空间量化成有限空间。另外，为了保证可导性，量化后还可以进行gumble softmax操作。乘积量化以及gumble softmax操作的具体内容可以参见相关技术。
[0074]
可以理解的是，404与405无时序限定关系。
[0075]
406、基于所述上下文特征和所述量化特征，构建损失函数。
[0076]
其中，如图5所示，损失函数l是基于上下文特征c和量化特征q构建的。
[0077]
具体地，上下文特征具体是使用被掩码的潜在特征所对应的上下文特征。即，随机
掩码的一个潜在特征是zi，则构建损失函数所使用的上下文特征是zi，对应的上下文特征ci。
[0078]
损失函数的目标是：使得被掩码的潜在特征所对应的上下文特征尽量与被掩码的潜在特征所对应的量化特征一致，即，尽量使得ci＝qi。
[0079]
具体地，损失函数可以是对比损失函数(contrastive loss)，对比学习的核心思想是将正样本距离拉近，正样本与负样本距离拉远，为此，可以采用反映这一思想的计算公式。
[0080]
例如，对比损失函数
[0081]
其中，τ是超参数，为预设值；k是当前时刻对应的量化特征的总数；sim()是相似度计算函数，可以是余弦相似度，或者，欧式距离等。
[0082]
另外，损失函数中还可以参考其他因素，例如，损失函数l＝l1+l2，l1是对比损失函数，l2是基于量化特征q构建的函数等，具体也可以参见针对量化特征的损失函数的构建内容。
[0083]
本实施例中，基于上下文特征和量化特征构建损失函数，可以不需要标注数据，提高语音识别效果。
[0084]
407、基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。
[0085]
其中，可以采用通常的模型参数调整方式，例如，可以采用bp算法进行模型参数的调整，直至达到预定的迭代次数后训练结束，将训练结束时的模型参数作为最终的模型参数。
[0086]
本实施例中，流式语音识别模型以包括cnn模型和transformer模型为例，可以理解的是，也可以采用其他结构，比如均采用cnn模型，或者，采用cnn模型和循环神经网络(recurrent neural network,rnn)模型等。
[0087]
本实施例中，基于整条语音样本获取当前时刻的前缀语音信号，可以适用于流式语音识别，提高语音识别效率；采用cnn模型提取前缀语音信号的潜在特征，可以利用cnn模型能够有效解决多样性的优势，提高语音识别效果；采用transformer模型提取上下文特征，可以利用transformer模型的优势，提高语音识别效果；通过对潜在特征进行量化处理，可以将无线的连续空间转换为有限的离散空间，让特征的鲁棒性更强，不会受少量扰动的影响，从而提高特征的表征能力；通过基于上下文特征和量化特征构建对比损失函数，可以实现自监督学习，在构建损失函数时不需要语音对应的文本，降低对标注数据的依赖性，实现了预训练，提升语音识别准确度。
[0088]
图6是根据本公开第三实施例的示意图，本实施例提供一种流式语音识别模型的训练装置。如图6所示，所述流式语音识别模型包括潜在特征提取模型和上下文特征提取模型，所述流式语音识别模型的训练装置600包括：获取模块601、第一特征提取模块602、掩码处理模块603、第二特征提取模块604、构建模块605和调整模块606。
[0089]
获取模块601用于基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号；第一特征
提取模块602用于采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征；掩码处理模块603用于对所述潜在特征进行掩码处理，以获得掩码后的潜在特征；第二特征提取模块604用于采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征；构建模块605用于基于所述上下文特征，构建损失函数；调整模块606用于基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。
[0090]
本实施例中，通过对前缀语音信号进行处理，以获得上下文特征，基于上下文特征构建损失函数，基于损失函数调整模型参数，由于不需要标注语音信号对应的文本，实现了将预训练应用到流式语音识别模型的训练过程，从而可以提高语音识别准确度。
[0091]
一些实施例中，所述构建模块605进一步用于：对所述潜在特征进行量化处理，以获得量化特征；基于所述上下文特征和所述量化特征，构建损失函数。
[0092]
本实施例中，基于上下文特征和量化特征构建损失函数，可以不需要标注数据，提高语音识别效果。
[0093]
一些实施例中，所述获取模块601进一步用于：在所述整条语音样本中，选取所述当前时刻之前的语音信号，作为当前时刻的前缀语音信号；或者，在所述整条语音样本中，选取所述当前时刻之前的语音信号，以及所述当前时刻之后的预设时间差内的语音信号，作为当前时刻的前缀语音信号。
[0094]
本实施例中，由于流失语音识别是逐字识别，不需要等到整条语音信号输入完毕再进行识别，因此，通过前缀语音信号包括当前时刻之前的语音信号，而不是整条语音信号，可以适用于流式语音识别场景，提高语音识别的响应速度。通过当前时刻的前缀语音信号还包括当前时刻之后的一段语音信号，可以参考当前时刻的未来信息，从而可以提高语音识别的准确度。
[0095]
一些实施例中，所述掩码处理模块603进一步用于：随机选择一个潜在特征进行掩码处理。
[0096]
本实施例中，通过随机选择一个潜在特征进行掩码处理，由于是随机选择的，可以提高语音识别模型的泛化能力。
[0097]
一些实施例中，所述潜在特征提取模型为：cnn模型；和/或，所述上下文特征提取模型为：transformer模型。
[0098]
通常情况下，语音识别都是基于时频分析后的语音谱完成的，而其中语音时频谱是具有结构特点的。要想提高语音识别率，就是需要克服语音信号所面临各种各样的多样性，包括说话人的多样性(说话人自身、以及说话人间)，环境的多样性等。由于cnn提供在时间和空间上的平移不变性卷积，将卷积神经网络的思想应用到语音识别中，可以利用卷积的不变性来克服语音信号本身的多样性。从这个角度来看，可以认为是将整个语音信号分析得到的时频谱当作一张图像一样来处理，采用图像中广泛应用的深层卷积网络对其进行识别。因此，本实施例中采用cnn提取语音信号的特征，可以克服语音信号的多样性特征，提高语音识别准确度。
[0099]
transformer模型可以很好地解决序列到序列(sequence to sequence)问题，可以在减少计算量和提高并行效率的同时还取得了更好的语音识别结果。因此，本实施例通过采用transformer模型提取特征，可以在减少计算量和提高并行效率的同时还取得了更
好的语音识别结果。
[0100]
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
[0101]
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
[0102]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0103]
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。
[0104]
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备700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、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700还可以表示各种形式的移动装置，诸如，个人数字助理、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。
[0105]
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0106]
电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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。
[0107]
计算单元701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701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701执行上文所描述的各个方法和处理，例如流式语音识别模型的训练方法。例如，在一些实施例中，流式语音识别模型的训练方法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708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的流式语音识别模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行流式语音识别模型的训练方法。
[0108]
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(soc)、复杂可编程逻辑设备(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。
[0109]
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。
[0110]
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。
[0111]
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。
[0112]
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。
[0113]
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。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。
[0114]
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。
[0115]
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。

技术特征：

1.一种流式语音识别模型的训练方法，所述流式语音识别模型包括潜在特征提取模型和上下文特征提取模型，所述方法包括：基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号；采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征；对所述潜在特征进行掩码处理，以获得掩码后的潜在特征；采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征；基于所述上下文特征，构建损失函数；基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。2.根据权利要求1所述的方法，其中，所述基于所述上下文特征，构建损失函数，包括：对所述潜在特征进行量化处理，以获得量化特征；基于所述上下文特征和所述量化特征，构建损失函数。3.根据权利要求1所述的方法，其中，所述基于整条语音样本，获取当前时刻的前缀语音信号，包括：在所述整条语音样本中，选取所述当前时刻之前的语音信号，作为当前时刻的前缀语音信号；或者，在所述整条语音样本中，选取所述当前时刻之前的语音信号，以及所述当前时刻之后的预设时间差内的语音信号，作为当前时刻的前缀语音信号。4.根据权利要求1所述的方法，其中，所述对所述潜在特征进行掩码处理，以获得掩码后的潜在特征，包括：随机选择一个潜在特征进行掩码处理。5.根据权利要求1-4任一项所述的方法，其中，所述潜在特征提取模型为：卷积神经网络cnn模型；和/或，所述上下文特征提取模型为：transformer模型。6.一种流式语音识别模型的训练装置，所述流式语音识别模型包括潜在特征提取模型和上下文特征提取模型，所述装置包括：获取模块，用于基于整条语音样本，获取当前时刻的前缀语音信号，所述当前时刻的前缀语音信号包括：所述整条语音样本中的所述当前时刻之前的语音信号；第一特征提取模块，用于采用所述潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理，以输出潜在特征；掩码处理模块，用于对所述潜在特征进行掩码处理，以获得掩码后的潜在特征；第二特征提取模块，用于采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理，以输出上下文特征；构建模块，用于基于所述上下文特征，构建损失函数；调整模块，用于基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。
7.根据权利要求6所述的装置，其中，所述构建模块进一步用于：对所述潜在特征进行量化处理，以获得量化特征；基于所述上下文特征和所述量化特征，构建损失函数。8.根据权利要求6所述的装置，其中，所述获取模块进一步用于：在所述整条语音样本中，选取所述当前时刻之前的语音信号，作为当前时刻的前缀语音信号；或者，在所述整条语音样本中，选取所述当前时刻之前的语音信号，以及所述当前时刻之后的预设时间差内的语音信号，作为当前时刻的前缀语音信号。9.根据权利要求6所述的装置，其中，所述掩码处理模块进一步用于：随机选择一个潜在特征进行掩码处理。10.根据权利要求6-9任一项所述的装置，其中，所述潜在特征提取模型为：卷积神经网络cnn模型；和/或，所述上下文特征提取模型为：transformer模型。11.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。

技术总结

本公开提供了一种流式语音识别模型的训练方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及语音识别、深度学习等人工智能领域。流式语音识别模型的训练方法包括：基于整条语音样本，获取当前时刻的前缀语音信号；采用潜在特征提取模型，对输入的所述当前时刻的前缀语音信号进行特征提取处理；对潜在特征进行掩码处理，以获得掩码后的潜在特征；采用所述上下文特征提取模型，对输入的所述掩码后的潜在特征进行特征提取处理；基于所述上下文特征，构建损失函数；基于所述损失函数，调整所述潜在特征提取模型的模型参数和所述上下文特征提取模型的模型参数。本公开可以提高语音识别准确度。识别准确度。识别准确度。