CN111597825A - 语音翻译方法、装置、可读介质及电子设备 - Google Patents

Abstract

本公开涉及一种语音翻译方法、装置、可读介质及电子设备，包括获取待翻译的第一语音数据，第一语音数据为第一语言；在不进行语音识别和语音合成的情况下，将第一语音数据转换为与第一语音数据对应的第二语音数据，第二语音数据为第二语言。通过上述技术方案，能够在不进行语音识别和语音合成的情况下，实现将输入的语音直接映射为另一语言的语音的功能，这样不仅能够使得语音翻译方法的部署更加简单，而且能大大提高语音翻译的速度，实现不同语言的同声传译。

Description

语音翻译方法、装置、可读介质及电子设备

技术领域

本公开涉及计算机领域，具体地，涉及一种语音翻译方法、装置、可读介质及电子设备。

背景技术

在现有技术中，对于语音的翻译把以语音识别、语音合成为主的语音技术和传统的文本机器翻译技术结合起来，从而实现能够将一种语言中的语音直接转换为另一种语言的语音，使得不同语种的用户能够方便用语音来进行即时对话。

语音翻译的应用场景较为复杂，现在主流的机器同传解决方法是通常是通过多个环节串联起来实现的，包括语音识别、文本翻译、语音合成以及多个容错模块，即，先将待翻译的语音识别为待翻译的文本，然后根据目标语言将该待翻译的文本翻译为目标语言的目标文本，然后再根据得到的目标文本进行语音合成。

因此，现有语音翻译的实现在装置部署上十分复杂，而且过长的时延很难实现降低。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音翻译方法，所述方法包括：

获取待翻译的第一语音数据，所述第一语音数据为第一语言；

在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

第二方面，本公开提供一种语音翻译模型的训练方法，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述方法包括：

将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

第三方面，本公开提供一种语音翻译装置，所述装置包括：

获取模块，用于获取待翻译的第一语音数据，所述第一语音数据为第一语言；

翻译模块，用于在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

第四方面，本公开提供一种语音翻译模型训练装置，其特征在于，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述装置包括：

训练数据配置模块，将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

所述训练数据配置模块还用于将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

所述训练数据配置模块还用于将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

训练模块，用于根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述方法的步骤。

第六方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述方法的步骤。

通过上述技术方案，能够实现在不进行语音识别和语音合成的情况下，将输入的语音直接映射为另一语言的语音的功能，这样不仅能够使得语音翻译方法的部署更加简单，而且能大大提高语音翻译的速度，实现不同语言的同声传译。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

在附图中：

图1是根据本公开一示例性实施例示出的一种语音翻译方法的流程图。

图2是根据本公开又一示例性实施例示出的一种语音翻译方法的流程图。

图3示出了一种预设语音翻译模型训练时的模型结构示意图。

图4是一种对所述预设语音翻译模型训练的训练方法的流程图。

图5示出了又一种预设语音翻译模型训练时的模型结构示意图。

图6是又一种对所述预设语音翻译模型训练的训练方法的流程图。

图7示出了又一种预设语音翻译模型训练时的模型结构示意图。

图8是又一种对所述预设语音翻译模型训练的训练方法的流程图。

图9是又一种对所述预设语音翻译模型训练的训练方法的流程图。

图10是根据本公开一示例性实施例示出的一种语音翻译装置的结构框图。

图11是根据本公开一示例性实施例示出的一种语音翻译模型训练装置的结构框图。

图12示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据本公开一示例性实施例示出的一种语音翻译方法的流程图。如图1所示，所述方法包括步骤101和步骤102。

在步骤101中，获取待翻译的第一语音数据，所述第一语音数据为第一语言。该第一语音数据的获取可以是通过任一声音采集设备来实现。

在步骤102中，在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

也即，在需要对语音进行翻译时，无需先对待翻译的语音进行语音识别成文本，将文本翻译成目标语言的文本，然后再根据翻译得到的文本合成目标语音，而是直接对该第一语音数据进行转换即可。

在将该语音翻译方法应用至终端中时，步骤101和步骤102可以都在终端上执行，也可以是终端执行该步骤101，并将该步骤101中获取到的第一语音数据发送给服务器，以使服务器来执行该步骤102，服务器在执行完该步骤102，得到该第二语音数据之后，可以再将该第二语音数据发送给终端。

通过上述技术方案，能够在不进行语音识别和语音合成的情况下，实现将输入的语音直接映射为另一语言的语音的功能，这样不仅能够使得语音翻译方法的部署更加简单，而且能大大提高语音翻译的速度，实现不同语言的同声传译。

其中，将该第一语言的第一语音数据直接转换为第二语言的第二语音数据时，可以通过例如已经训练好的预设语音翻译模型，如图2所示。

在步骤201中，将所述所述第一语音数据输入预设语音翻译模型中，以得到与所述第一语音数据对应的第二语音数据。

所述预设语音翻译模型中已存在训练得到的该第一语言的第一语音数据与第二语言的第二语音数据之间的映射关系，因此在输入第一语言的该第一语音数据之后，便能够直接将映射得到的第二语言的第二语音数据输出。

该预设语音翻译模型的训练，可以是直接根据第一语言的第一语音训练数据，和与该第一语音训练数据语义相同的第二语言的第二语音训练数据来进行训练，例如，该第一语言可以为中文，第二语言可以为英文，该第一语音训练数据和该第二语音训练数据则可以分别为一句话的中文语音和英文数据，例如该第一语音训练数据中可以包括对应文本为“你好吗”的中文语音数据，该第二语音训练数据中则可以包括对应文本为“how areyou”的英文语音数据。

另外，在上述预设语音翻译模型的训练基础上，为了提高语音翻译模型的翻译性能，进一步可以采用知识蒸馏的方法对该预设语音翻译模型进行训练。

具体的，可以在对该预设语音翻译模型进行训练的过程中，引入预设语音合成模型来参与训练，从而使该预设语音合成模型的输出能够指导该预设语音翻译模型的输出更加精确。

例如，图3示出了一种预设语音翻译模型10训练时的模型结构示意图，包括预设语音合成模型20和预设语音翻译模型10，该预设语音合成模型20中包括文本编码器3和语音解码器4，该预设语音翻译模型10中包括语音编码器1和语音解码器2。

具体的，对所述预设语音翻译模型10进行训练的方法如图4所示，包括步骤401至步骤404。

在步骤401中，将所述第一语音训练数据作为所述预设语音翻译模型10的输入数据。

在步骤402中，将与所述预设语音翻译模型10的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型10和预设语音合成模型20的目标输出数据。

在步骤403中，将与所述预设语音翻译模型10的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型20的输入数据。

在步骤404中，根据目标损失函数对所述预设语音翻译模型10进行训练。

例如，若该语音翻译模型是用于将中文语音翻译为英文语音，且输入该预设语音翻译模型10的该第一语音训练数据为“你好吗”的中文语音数据，则该预设语音翻译模型10和该预设语音合成模型20的目标输出数据即为第二语音训练数据：“how are you”的英文语音数据，作为该预设语音合成模型20的输入数据的第一文本训练数据即为“how areyou”的英文文本数据。

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型10，所述第二损失函数对应所述预设语音合成模型20，所述第三损失函数表征所述预设语音合成模型20的第一输出数据与所述预设语音翻译模型10的第二输出数据之间的偏差。

在一种可能的实施方式中，该预设语音合成模型20的第一输出数据可以为该语音解码器4中softmax层输出的第一概率值，该预设语音翻译模型10的第二输出数据可以为该语音解码器2中softmax层输出的第二概率值。该第一输出数据与该第二输出数据之间的偏差即可以为该第一概率值和该第二概率值之间的距离。

该目标损失函数即为最终的训练目标，该目标损失函数的值越小，模型训练效果越好。该预设语音合成模型20可以是预训练好的模型，仅在训练过程中使用该第一输出数据来指导该预设语音翻译模型10的输出。由于该预设语音合成模型20的输入数据为与该预设语音翻译模型10的输入数据语义相同的第一文本训练数据，因此该预设语音合成模型20的第一输出数据与该预设语音翻译模型10的第二输出数据应该相同，由此，可以使用该预设语音合成模型20来辅助该预设语音翻译模型10进行训练，以训练得到更加精准的预设语音翻译模型10。

计算该目标损失函数时，第一损失函数、第二损失函数以及第三损失函数分别所占的权重可以是预设的固定参数，也可以是可变参数，在对该预设语音翻译模型10进行训练的过程中得到，随着训练的进行可以相应的不断变化，以使该预设语音合成模型20对该预设语音翻译模型10的指导效果更好。

在一种可能的实施方式中，在上述预设语音翻译模型10的训练基础上，为了提高语音翻译模型的翻译性能，进一步还可以采用一致性评估的方法对该预设语音翻译模型10进行训练。

具体的，可以在对该预设语音翻译模型10进行训练的过程中，引入预设语音识别模型来参与训练，从而使该预设语音识别模型的输出能够更好地对该预设语音翻译模型10的输出进行约束。

例如，图5示出了又一种预设语音翻译模型10训练时的模型结构示意图，除了包括预设语音合成模型20和预设语音翻译模型10之外，还包括预设语音识别模型30，该预设语音识别模型30与所述预设语音翻译模型10共用语音编码器1，另外还包括文本解码器5。

具体的，对所述预设语音翻译模型10进行训练的方法如图6所示，除了包括如图4所示的步骤401至步骤404之外，还包括步骤601和步骤602，其中，所述预设语音翻译模型10的训练数据还包括所述第一语言的第二文本训练数据。

在步骤601中，将所述预设语音翻译模型10的输入数据作为预设语音识别模型30的输入数据。

在步骤602中，将与所述预设语音翻译模型10的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型30的目标输出数据。

例如，若该语音翻译模型是用于将中文语音翻译为英文语音，且输入该预设语音翻译模型10的该第一语音训练数据为“你好吗”的中文语音数据，则该预设语音识别模型30的输入数据也为该“你好吗”的中文语音数据，且作为该预设语音识别模型30的目标输出数据的第二文本训练数据为“你好吗”的中文文本数据。

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型30，所述第五损失函数表征所述预设语音识别模型30的第三输出数据与所述预设语音翻译模型10的所述第二输出数据之间的语义偏差。

由于该预设语音识别模型30的第三输出数据所对应的目标输出数据，为与该预设语音翻译模型10的输入数据语义相同的第二文本训练数据，而该预设语音翻译模型10的第二输出数据的目标输出数据，为与其输入数据语义相同的第二语音训练数据，因此，在训练过程中，在得到该预设语音翻译模型10的第二输出数据之后，需要将该第二输出数据转换为语义不变的第一语言的文本数据，继而根据该由第二输出数据转换得到的第一语言的文本数据和该预设语音识别模型30输出的第三输出数据来确定该预设语音识别模型30的第三输出数据与该预设语音翻译模型10的第二输出数据之间的语义偏差，也即该第五损失函数。

其中，该语义偏差是以单句为单位的偏差，上述所述预设语音合成模型20的第一输出数据与所述预设语音翻译模型10的第二输出数据之间的偏差可以是以单词为单位的偏差。该语义偏差可以通过语义相似度来进行表示，语义相似度越高，语义偏差越小。

该预设语音识别模型30可以是预训练好的模型，仅在训练过程中使用该第三输出数据来对该预设语音翻译模型10的输出进行约束，或者该预设语音识别模型30也可以是待训练的模型，在对该预设语音翻译模型10进行训练的过程中，同时也对该预设识别模型进行训练，也即采用多任务训练。多任务训练指的是将多个相关任务放在一起进行训练的机器学习方法，在训练过程中，这多个相关任务的任务模型之间共享一些模型参数，比如，可以共享模型底层的部分参数等，用以共享各个任务所学到的信息，具体来讲，可以将多个相关的任务同时并行学习，并通过梯度同时反向传播的方式，调整多个相关任务之间的共享模型参数，以实现对多任务模型同时进行训练时。

由于该预设语音识别模型30的输入数据与该预设语音翻译模型10的输入数据相同，因此该预设语音识别模型30的第三输出数据与该预设语音翻译模型10的第二输出数据的语义应该相同，由此，可以使用该预设语音识别模型30的第三输出数据对该预设语音翻译模型10的输出进行约束，以训练得到更加精准的预设语音翻译模型10。

计算该目标损失函数时，该第四损失函数和该第五损失函数分别所占的权重同样也既可以是预设的固定参数，也可以是可变参数，在对该预设语音翻译模型10进行训练的过程中得到，随着训练的进行可以相应的不断变化，以使该预设语音识别模型30对该预设语音翻译模型10的指导效果更好。

在一种可能的实施方式中，在为了提高语音翻译模型的翻译性能，采用一致性评估的方法对该预设语音翻译模型10进行训练的情况下，还可以在对该预设语音翻译模型10进行训练的过程中，引入预设语音到文本翻译模型来参与训练，从而使该预设语音到文本翻译模型的输出能够更好地对该预设语音翻译模型10的输出进行约束。

例如，如图7所示，还包括预设语音到文本翻译模型40，该预设语音到文本翻译模型40与所述预设语音翻译模型10和该预设语音识别模型30共用语音编码器1，另外还包括文本解码器6。

具体的，对所述预设语音翻译模型10进行训练的方法如图8所示，还包括步骤801和步骤802。

在步骤801中，将预设语音翻译模型10的输入数据作为预设语音到文本翻译模型40的输入数据。

在步骤802中，将与预设语音翻译模型10的输入数据语义相同的第一文本训练数据作为预设语音到文本翻译模型40的目标输出数据。

例如，若该语音翻译模型是用于将中文语音翻译为英文语音，且输入该预设语音翻译模型10的该第一语音训练数据为“你好吗”的中文语音数据，则该预设语音到文本翻译模型40的输入数据也为该“你好吗”的中文语音数据，且作为该预设语音到文本翻译模型40的目标输出数据的第一文本训练数据为“how are you”的英文文本数据。

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数和第七损失函数按权重求和计算得到，所述第六损失函数对应所述预设语音到文本翻译模型40，所述第七损失函数表征所述预设语音到文本翻译模型40的第四输出数据与所述预设语音翻译模型10的所述第二输出数据之间的语义偏差。

由于该预设语音到文本翻译模型40的第四输出数据所对应的目标输出数据，为与该预设语音翻译模型10的输入数据语义相同的第一文本训练数据，而该预设语音翻译模型10的第二输出数据的目标输出数据，为与其输入数据语义相同的第二语音训练数据，因此，在训练过程中，在得到该预设语音翻译模型10的第二输出数据之后，需要将该第二输出数据识别为文本数据，继而根据该由第二输出数据识别得到的文本数据和该预设语音到文本翻译模型40输出的第四输出数据来确定该预设语音到文本翻译模型40的第四输出数据与该预设语音翻译模型10的第二输出数据之间的语义偏差，也即该第七损失函数。

该预设语音到文本翻译模型40可以是预训练好的模型，仅在训练过程中使用该第四输出数据来对该预设语音翻译模型10的输出进行约束，或者该预设语音识别模型30也可以是待训练的模型，在对该预设语音翻译模型10进行训练的过程中，同时也对该预设识别模型进行训练。

由于该预设语音到文本翻译模型40的输入数据与该预设语音翻译模型10的输入数据相同，因此该预设语音到文本翻译模型40的第四输出数据与该预设语音翻译模型10的第二输出数据的语义应该相同，由此，可以使用该预设语音到文本翻译模型40的第四输出数据对该预设语音翻译模型10的输出进行约束，以训练得到更加精准的预设语音翻译模型10。

计算该目标损失函数时，该第六损失函数和该第七损失函数分别所占的权重同样也既可以是预设的固定参数，也可以是可变参数，在对该预设语音翻译模型10进行训练的过程中得到，随着训练的进行可以相应的不断变化，以使该预设语音到文本翻译模型40对该预设语音翻译模型10的指导效果更好。

在一种可能的实施方式中，所述目标损失函数还通过第八损失函数计算得到，所述第八损失函数表征所述预设语音到文本翻译模型40的所述第四输出数据与所述预设语音识别模型30的所述第三输出数据之间的语义偏差。也即，该目标损失函数可以通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、所述第六损失函数、所述第七损失函数和所述第八损失函数按权重求和计算得到。

其中，由于该预设语音到文本翻译模型40的第四输出数据所对应的目标输出数据，为与该预设语音翻译模型10的输入数据语义相同的第一文本训练数据，而该预设语音识别模型30的第三输出数据的目标输出数据，为与该预设语音翻译模型10的输入数据语义相同的第二文本训练数据，因此，在训练过程中，在得到该预设语音到文本翻译模型40的第四输出数据和该语音识别模型的第三输出数据之后，需要先将该第四输出数据翻译为第一语言的文本数据，或者，先将该第三输出数据翻译为第二语言的文本数据，然后再根据由第四输出数据翻译得到的文本数据和该第三输出数据来确定该第四输出数据与该第三输出数据之间的语义偏差，或者，根据该由第三输出数据翻译得到的文本数据和该第四输出数据来确定该第四输出数据与该第三输出数据之间的语义偏差，也即该第八损失函数。

这样，就能够通过该预设语音到文本翻译模型40与该预设语音识别模型30之间互相的约束，间接地实现对该预设语音翻译模型10的输出进行约束的目的，以训练得到更加精准的预设语音翻译模型10。

在一种可能的实施方式中，在为了提高语音翻译模型的翻译性能，采用知识蒸馏的方法对该预设语音翻译模型10进行训练的情况下，若该预设语音到文本翻译模型40为待训练的模型，则还可以在对该预设语音翻译模型10进行训练的过程中，引入预设文本翻译模型来参与训练，从而使该预设文本翻译模型的输出能够指导该预设语音到文本翻译模型40的输出，进而训练得到效果更好的预设语音翻译模型10。

例如，如图7所示，还包括预设文本翻译模型50，该预设文本翻译模型50中包括文本编码器7以及文本解码器8。

具体的，对所述预设语音翻译模型10进行训练的方法如图9所示，还包括步骤901和步骤902。

在步骤901中，将与所述预设语音翻译模型10的输入数据语义相同的所述第二文本训练数据作为预设文本翻译模型50的输入数据。

在步骤902中，将与所述预设语音翻译模型10的输入数据语义相同的所述第一文本训练数据作为所述预设文本翻译模型50的目标输出数据。

例如，若该语音翻译模型是用于将中文语音翻译为英文语音，且输入该预设语音翻译模型10的该第一语音训练数据为“你好吗”的中文语音数据，则作为该预设文本翻译模型50的输入数据的第二文本训练数据为该“你好吗”的中文文本数据，且作为该预设文本翻译模型50的目标输出数据的第二文本训练数据为“how are you”的英文文本数据。

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数、所述第七损失函数、所述第八损失函数、第九损失函数和第十损失函数按权重求和计算得到，所述第九损失函数对应所述预设文本翻译模型50，所述第十损失函数表征所述预设文本翻译模型50的第五输出数据与所述预设语音到文本翻译模型40的所述第四输出数据之间的偏差。

在一种可能的实施方式中，该预设文本翻译模型50的第五输出数据可以为该文本解码器8中softmax层输出的第三概率值，该预设语音到文本翻译模型40的第四输出数据可以为该文本解码器6中softmax层输出的第四概率值。该第五输出数据与该第四输出数据之间的偏差即可以为该第三概率值和该第四概率值之间的距离。

该预设文本翻译模型50可以是预训练好的模型，仅在训练过程中使用该第一输出数据来指导该预设语音到文本翻译模型40的输出。由于该预设文本翻译模型50的输入数据为与该预设语音到文本翻译模型40的输入数据语义相同的第二文本训练数据，因此该预设文本翻译模型50的第五输出数据与该预设语音到文本翻译模型40的第四输出数据应该相同，由此，可以使用该预设文本翻译模型50来辅助该预设语音到文本翻译模型40进行训练，以提高该预设语音到文本翻译模型40的精度，进而训练得到更加精准的预设语音翻译模型10。

计算该目标损失函数时，该第九损失函数和该第十损失函数分别所占的权重同样也既可以是预设的固定参数，也可以是可变参数，在对该预设语音翻译模型10进行训练的过程中得到，随着训练的进行可以相应的不断变化，以使该预设语音到文本翻译模型40对该预设语音翻译模型10的指导效果更好。

本公开还单独提供一种语音翻译模型的训练方法，所述方法包括以上所述语音翻译方法中该语音翻译模型所使用的训练方法。

图10是根据本公开又一示例性实施例示出的一种语音翻译装置100的结构框图。如图10所示，所述装置包括：获取模块101，用于获取待翻译的第一语音数据，所述第一语音数据为第一语言；翻译模块102，用于在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

通过上述技术方案，能够在不进行语音识别和语音合成的情况下，实现将输入的语音直接映射为另一语言的语音的功能，这样不仅能够使得语音翻译方法的部署更加简单，而且能大大提高语音翻译的速度，实现不同语言的同声传译。

在一种可能的实施方式中，该翻译模块20还用于将所述所述第一语音数据输入预设语音翻译模型中，以得到与所述第一语音数据对应的第二语音数据，所述预设语音翻译模型为基于所述第一语言的第一语音训练数据和所述第二语言的第二语音训练数据训练得到。

在一种可能的实施方式中，所述预设语音翻译模型的训练数据还包括所述第二语言的第一文本训练数据；

所述预设语音翻译模型是通过如下方式进行训练的：

将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

在一种可能的实施方式中，所述预设语音翻译模型的训练数据还包括所述第一语言的第二文本训练数据，所述预设语音翻译模型进一步通过如下方式进行训练：

将所述预设语音翻译模型的输入数据作为预设语音识别模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型，所述第五损失函数表征所述预设语音识别模型的第三输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

在一种可能的实施方式中，所述预设语音翻译模型进一步通过如下方式进行训练：

将所述预设语音翻译模型的输入数据作为预设语音到文本翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设语音到文本翻译模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数和第七损失函数按权重求和计算得到，所述第六损失函数对应所述预设语音到文本翻译模型，所述第七损失函数表征所述预设语音到文本翻译模型的第四输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

在一种可能的实施方式中，所述目标损失函数还通过第八损失函数计算得到，所述第八损失函数表征所述预设语音到文本翻译模型的所述第四输出数据与所述预设语音识别模型的所述第三输出数据之间的语义偏差。

在一种可能的实施方式中，所述预设语音翻译模型进一步通过如下方式进行训练：

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为预设文本翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设文本翻译模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数、所述第七损失函数、所述第八损失函数、第九损失函数和第十损失函数按权重求和计算得到，所述第九损失函数对应所述预设文本翻译模型，所述第十损失函数表征所述预设文本翻译模型的第五输出数据与所述预设语音到文本翻译模型的所述第四输出数据之间的偏差。

在一种可能的实施方式中，所述权重在对所述预设语音翻译模型进行训练的过程中训练得到。

图11是根据本公开一示例性实施例示出的一种语音翻译模型训练装置200。如图11所示，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述装置200包括：训练数据配置模块201，将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；所述训练数据配置模块201还用于将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；所述训练数据配置模块201还用于将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；训练模块202，用于根据目标损失函数对所述预设语音翻译模型进行训练；其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

在一种可能的实施方式中，所述预设语音翻译模型的训练数据还包括所述第一语言的第二文本训练数据，所述训练数据配置模块201还用于：将所述预设语音翻译模型的输入数据作为预设语音识别模型的输入数据；将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型的目标输出数据；其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型，所述第五损失函数表征所述预设语音识别模型的第三输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

在一种可能的实施方式中，所述训练数据配置模块201还用于：将所述预设语音翻译模型的输入数据作为预设语音到文本翻译模型的输入数据；将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设语音到文本翻译模型的目标输出数据；其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数和第七损失函数按权重求和计算得到，所述第六损失函数对应所述预设语音到文本翻译模型，所述第七损失函数表征所述预设语音到文本翻译模型的第四输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

在一种可能的实施方式中，所述目标损失函数还通过第八损失函数计算得到，所述第八损失函数表征所述预设语音到文本翻译模型的所述第四输出数据与所述预设语音识别模型的所述第三输出数据之间的语义偏差。

在一种可能的实施方式中，所述训练数据配置模块201还用于：将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为预设文本翻译模型的输入数据；将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设文本翻译模型的目标输出数据；其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数、所述第七损失函数、所述第八损失函数、第九损失函数和第十损失函数按权重求和计算得到，所述第九损失函数对应所述预设文本翻译模型，所述第十损失函数表征所述预设文本翻译模型的第五输出数据与所述预设语音到文本翻译模型的所述第四输出数据之间的偏差。

在一种可能的实施方式中，所述权重在对所述预设语音翻译模型进行训练的过程中训练得到。

下面参考图12，其示出了适于用来实现本公开实施例的电子设备1200的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例，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可以包括处理装置(例如中央处理器、图形处理器等)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储装置1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中，还存储有电子设备1200操作所需的各种程序和数据。处理装置1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

通常，以下装置可以连接至I/O接口1205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1206；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1207；包括例如磁带、硬盘等的存储装置1208；以及通信装置1209。通信装置1209可以允许电子设备1200与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1209从网络上被下载和安装，或者从存储装置1208被安装，或者从ROM 1202被安装。在该计算机程序被处理装置1201执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。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是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待翻译的第一语音数据，所述第一语音数据为第一语言；将所述第一语音数据输入预设语音翻译模型中，以得到与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待翻译的第一语音数据的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

根据本公开的一个或多个实施例，示例1提供了一种语音翻译方法，所述方法包括：

获取待翻译的第一语音数据，所述第一语音数据为第一语言；

在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据包括：

将所述所述第一语音数据输入预设语音翻译模型中，以得到与所述第一语音数据对应的第二语音数据，所述预设语音翻译模型为基于所述第一语言的第一语音训练数据和所述第二语言的第二语音训练数据训练得到。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述预设语音翻译模型的训练数据中还包括所述第二语言的第一文本训练数据；

所述预设语音翻译模型是通过如下方式进行训练的：

将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述预设语音翻译模型的训练数据还包括所述第一语言的第二文本训练数据，所述预设语音翻译模型进一步通过如下方式进行训练：

将所述预设语音翻译模型的输入数据作为预设语音识别模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型，所述第五损失函数表征所述预设语音识别模型的第三输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

根据本公开的一个或多个实施例，示例5提供了一种语音翻译模型的训练方法，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述方法包括：

将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述预设语音翻译模型的训练数据还包括所述第一语言的第二文本训练数据，所述方法还包括：

将所述预设语音翻译模型的输入数据作为预设语音识别模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型，所述第五损失函数表征所述预设语音识别模型的第三输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述预设语音翻译模型的训练方法还包括：

将所述预设语音翻译模型的输入数据作为预设语音到文本翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设语音到文本翻译模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数和第七损失函数按权重求和计算得到，所述第六损失函数对应所述预设语音到文本翻译模型，所述第七损失函数表征所述预设语音到文本翻译模型的第四输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述目标损失函数还通过第八损失函数计算得到，所述第八损失函数表征所述预设语音到文本翻译模型的所述第四输出数据与所述预设语音识别模型的所述第三输出数据之间的语义偏差。

根据本公开的一个或多个实施例，示例9提供了示例8的方法，所述预设语音翻译模型的训练方法还包括：

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为预设文本翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设文本翻译模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数、所述第七损失函数、所述第八损失函数、第九损失函数和第十损失函数按权重求和计算得到，所述第九损失函数对应所述预设文本翻译模型，所述第十损失函数表征所述预设文本翻译模型的第五输出数据与所述预设语音到文本翻译模型的所述第四输出数据之间的偏差。

根据本公开的一个或多个实施例，示例10提供了示例5-9中任一示例的方法，所述权重在对所述预设语音翻译模型进行训练的过程中训练得到。

根据本公开的一个或多个实施例，示例11提供了一种语音翻译装置，所述装置包括：

获取模块，用于获取待翻译的第一语音数据，所述第一语音数据为第一语言；

翻译模块，用于在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

根据本公开的一个或多个实施例，示例12提供了一种语音翻译模型训练装置，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述装置包括：

训练数据配置模块，将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

所述训练数据配置模块还用于将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

所述训练数据配置模块还用于将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

训练模块，用于根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

根据本公开的一个或多个实施例，示例13提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现权利要求1-10中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例14提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-10中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (14)

1.一种语音翻译方法，其特征在于，所述方法包括：

获取待翻译的第一语音数据，所述第一语音数据为第一语言；

在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据包括：

将所述第一语音数据输入预设语音翻译模型中，以得到与所述第一语音数据对应的第二语音数据，所述预设语音翻译模型为基于所述第一语言的第一语音训练数据和所述第二语言的第二语音训练数据训练得到。

3.根据权利要求2所述的方法，其特征在于，所述预设语音翻译模型的训练数据中还包括所述第二语言的第一文本训练数据；

所述预设语音翻译模型是通过如下方式进行训练的：

将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

4.根据权利要求3所述的方法，其特征在于，所述预设语音翻译模型的训练数据还包括所述第一语言的第二文本训练数据，所述预设语音翻译模型进一步通过如下方式进行训练：

将所述预设语音翻译模型的输入数据作为预设语音识别模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型，所述第五损失函数表征所述预设语音识别模型的第三输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

5.一种语音翻译模型的训练方法，其特征在于，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述方法包括：

将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

6.根据权利要求5所述的方法，其特征在于，所述预设语音翻译模型的训练数据还包括所述第一语言的第二文本训练数据，所述方法还包括：

将所述预设语音翻译模型的输入数据作为预设语音识别模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为所述预设语音识别模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、第四损失函数和第五损失函数按权重求和计算得到，所述第四损失函数对应所述预设语音识别模型，所述第五损失函数表征所述预设语音识别模型的第三输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

将所述预设语音翻译模型的输入数据作为预设语音到文本翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设语音到文本翻译模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数和第七损失函数按权重求和计算得到，所述第六损失函数对应所述预设语音到文本翻译模型，所述第七损失函数表征所述预设语音到文本翻译模型的第四输出数据与所述预设语音翻译模型的所述第二输出数据之间的语义偏差。

8.根据权利要求7所述的方法，其特征在于，所述目标损失函数还通过第八损失函数计算得到，所述第八损失函数表征所述预设语音到文本翻译模型的所述第四输出数据与所述预设语音识别模型的所述第三输出数据之间的语义偏差。

9.根据权利要求8所述的方法，其特征在于，所述预设语音翻译模型的训练方法还包括：

将与所述预设语音翻译模型的输入数据语义相同的所述第二文本训练数据作为预设文本翻译模型的输入数据；

将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为所述预设文本翻译模型的目标输出数据；

其中，所述目标损失函数通过对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数、所述第五损失函数、第六损失函数、所述第七损失函数、所述第八损失函数、第九损失函数和第十损失函数按权重求和计算得到，所述第九损失函数对应所述预设文本翻译模型，所述第十损失函数表征所述预设文本翻译模型的第五输出数据与所述预设语音到文本翻译模型的所述第四输出数据之间的偏差。

10.根据权利要求5至9中任一权利要求所述的方法，其特征在于，所述权重在对所述预设语音翻译模型进行训练的过程中训练得到。

11.一种语音翻译装置，其特征在于，所述装置包括：

获取模块，用于获取待翻译的第一语音数据，所述第一语音数据为第一语言；

翻译模块，用于在不进行语音识别和语音合成的情况下，将所述第一语音数据转换为与所述第一语音数据对应的第二语音数据，所述第二语音数据为第二语言。

12.一种语音翻译模型训练装置，其特征在于，所述语音翻译模型的训练数据包括第一语言的第一语音训练数据，第二语言的第二语音训练数据和第二语言的第一文本训练数据，所述装置包括：

训练数据配置模块，将所述第一语音训练数据作为所述预设语音翻译模型的输入数据；

所述训练数据配置模块还用于将与所述预设语音翻译模型的输入数据语义相同的所述第二语音训练数据作为所述预设语音翻译模型和预设语音合成模型的目标输出数据；

所述训练数据配置模块还用于将与所述预设语音翻译模型的输入数据语义相同的所述第一文本训练数据作为预设语音合成模型的输入数据；

训练模块，用于根据目标损失函数对所述预设语音翻译模型进行训练；

其中，所述目标损失函数通过对第一损失函数、第二损失函数和第三损失函数按权重求和计算得到，所述第一损失函数对应所述预设语音翻译模型，所述第二损失函数对应所述预设语音合成模型，所述第三损失函数表征所述预设语音合成模型的第一输出数据与所述预设语音翻译模型的第二输出数据之间的偏差。

13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-10中任一项所述方法的步骤。

14.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-10中任一项所述方法的步骤。

Images