CN112183120B - 语音翻译方法、装置、设备和存储介质 - Google Patents
语音翻译方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112183120B CN112183120B CN202010987456.7A CN202010987456A CN112183120B CN 112183120 B CN112183120 B CN 112183120B CN 202010987456 A CN202010987456 A CN 202010987456A CN 112183120 B CN112183120 B CN 112183120B
- Authority
- CN
- China
- Prior art keywords
- text
- decoder
- voice
- source language
- translation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013519 translation Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 7
- 230000000873 masking effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 210000005266 circulating tumour cell Anatomy 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010002953 Aphonia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/42—Data-driven translation
- G06F40/47—Machine-assisted translation, e.g. using translation memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
- G10L2015/025—Phonemes, fenemes or fenones being the recognition units
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种语音翻译方法、装置、设备和存储介质。该方法包括:通过端到端语音翻译模型的编码器提取待处理语音的语义特征;通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;通过所述端到端语音翻译模型的解码器,根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;拆分所述文本序列,得到所述待处理语音对应的目标语言文本。该方法能够缓解解码器的解码压力以及改善解码器的解码性能,从而提高了端到端语音翻译模型的预测性能。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种语音翻译方法、装置、设备和存储介质。
背景技术
随着神经网络的不断发展以及数据的爆炸式增长,端到端语音翻译技术应运而生。端到端语音翻译建立了源语言语音信号到目标语言文本的映射关系,进而实现了从原始语音到目标译文的翻译。但是,目前的端到端语音翻译模型的预测性能仍达不到期望要求。
发明内容
本发明提供一种语音翻译方法、装置、设备和存储介质,以提高语音翻译的预测性能。
第一方面,本发明实施例提供了一种语音翻译方法,包括:
通过端到端语音翻译模型的编码器提取待处理语音的语义特征;
通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;
通过所述端到端语音翻译模型的解码器,根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;
拆分所述文本序列,得到所述待处理语音对应的目标语言文本。
第二方面,本发明实施例还提供了一种语音翻译装置,包括:
编码模块,用于通过端到端语音翻译模型的编码器提取待处理语音的语义特征;
第一解码模块,用于通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;
第二解码模块,用于根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;
拆分模块,用于拆分所述文本序列,得到所述待处理语音对应的目标语言文本。
第三方面,本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本发明第一方面提供的语音翻译方法的步骤。
第四方面,本发明实施例还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本发明第一方面提供的语音翻译方法的步骤。
本发明实施例提供的语音翻译方法、装置、设备和存储介质,电子设备通过端到端语音翻译模型的编码器提取待处理语音的语义特征,通过端到端语音翻译模型的解码器,从语义特征中解码出对应的源语言文本,以及通过端到端语音翻译模型的解码器,根据源语言文本解码上述语义特征,得到对应的文本序列,接着拆分该文本序列,得到待处理语音对应的目标语言文本。在对待处理语音的语义特征解码时,端到端语音翻译模型的解码器能够先从语义特征中解码出源语言文本,再基于已知的源语言文本继续解码语义特征,即通过连续解码机制实现了先预测较为简单的源语言文本,再预测相对较难的目标语言文本,缓解了解码器的解码压力;并且在预测目标语言文本时,对应的源语言文本是已知的,改善了解码器的解码性能,从而提高了端到端语音翻译模型的预测性能。
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。
图1为本发明实施例提供的语音翻译方法的一种流程示意图;
图2为本发明实施例提供的语音翻译过程的一种原理示意图;
图3为本发明实施例提供的语音翻译方法的另一种流程示意图;
图4为本发明实施例提供的端到端语音翻译模型的训练过程的一种流程示意图;
图5为本发明实施例提供的语音翻译装置的一种结构示意图;
图6为本发明实施例提供的一种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。
传统的语音到文本翻译通常使用自动语音识别和机器翻译的管道式系统。然而,管道式系统具有长延迟、参数冗余、误差积累以及语音特征损失等缺点。
近年来,端到端语音翻译技术受到了广泛的关注,该端到端语音翻译能够直接将源语言形式的语音翻译成目标语言形式的文本,有效地避免了传统的管道式系统所存在的技术问题。但是,端到端语音翻译仍然面临着诸多问题,其预测性能仍达不到期望要求。为此,本发明实施例提供的技术方案,能够改善端到端语音翻译模型的预测性能。
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互任意组合。
需要说明的是,下述方法实施例的执行主体可以是语音翻译装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选的,该电子设备可以为客户端,包括但不限于智能手机、平板电脑、电子书阅读器以及车载终端等。当然,该电子设备也可以为独立的服务器或者服务器集群,本发明实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。
图1为本发明实施例提供的语音翻译方法的一种流程示意图。本实施例涉及的是电子设备如何基于端到端语音翻译模型将源语言形式的语音翻译成目标语言形式的文本的具体过程。如图1所示,该方法可以包括:
S101、通过端到端语音翻译模型的编码器提取待处理语音的语义特征。
其中,待处理语音为需要进行语音到文本翻译的语音。待处理语音可以为任意一种源语言,翻译后的文本为对应的另外一种目标语言。如源语言为英语,对应的目标语言可以为法语。可选的,在S101之前,电子设备还需要获取源语言的待处理语音。作为一种示例,电子设备可以从数据库中选取需要进行语音到文本翻译的待处理语音,也可以通过其上安装的翻译软件获取用户输入的待处理语音,本实施例对待处理语音的获取方式不做限定。
上述端到端语音翻译模型可以是预先训练好的多层神经网络,其可以包括编码器和解码器。根据实际需要,编码器和解码器可以是多种不同的网络结构,作为一种示例,可以采用一个循环神经网络(Recurrent Neural Network,RNN)作为编码器,另外一个RNN作为解码器。当然,编码器和解码器也可以为其它形式的网络结构,如卷积神经网络(Convolutional Neural Networks,CNN)。编码器可以对输入的内容进行特征提取,得到特征向量。即,电子设备将待处理语音输入至端到端语音翻译模型中,通过端到端语音翻译模型的编码器提取该待处理语音的语义特征。其中,该语义特征包含了待处理语音的所有信息,作为待处理语音的高维中间表示。
可选的,在将待处理语音输入至端到端语音翻译模型之前,电子设备还可以对待处理语音进行语谱图、log-Mel滤波器组、离散余弦变换等处理,从而提取梅尔倒谱系数得到音频特征,将得到的低维音频特征作为端到端语音翻译模型的输入。通过端到端语音翻译模型的编码器对该低维的音频特征进行编码处理,得到待处理语音的语义特征。
S102、通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本。
其中,如上述所述的端到端语音翻译模型的编码器对输入的内容进行特征提取,得到特征向量,编码器根据上下文信息对特征向量进行解码,得到对应的输出文本。为了提高端到端语音翻译模型的解码器的解码性能,本发明实施例引入了连续解码机制,即在解码的过程中,解码器先预测较为简单的源语言文本,在预测相对较难的目标语言文本。这样,在得到待处理语音的语义特征之后,电子设备将语义特征输入至端到端语音翻译模型的解码器中,解码器对语义特征进行解码,解码出对应的源语言文本。
参见图2,假设待处理语音的源语言为英语,翻译后的文本的目标语言为法语,若待处理语音为“see you”,电子设备将该待处理语音输入至端到端语音翻译模型201中,通过端到端语音翻译模型201的编码器202提取该待处理语音的语义特征,并将得到的语义特征输入至端到端语音翻译模型201的解码器203中,通过解码器203从该语义特征中解码出对应的源语言文本“see you”。
S103、通过所述端到端语音翻译模型的解码器,根据所述源语言文本解码所述语义特征,得到对应的文本序列。
具体的,在解码出语义特征对应的源语言文本之后,端到端语音翻译模型的解码器继续对语义特征进行二次解码,在二次解码的过程中,由于源语言文本是已知的,此时,电子设备便可以将源语言文本作为后续解码的参考,继续根据源语言文本解码待处理语音的语义特征,从而得到待处理语音对应的文本序列。其中,该文本序列包括源语言文本和源语言文本对应的目标语言文本,源语言文本和目标语言文本之间通过任务标识符连接。相比解码器同时解码多个任务,本发明实施例引入的连续解码机制,缓解了解码器的解码压力。同时,在预测待处理语音对应的文本序列时,由于待处理语音对应的源语言文本是已知的,因此,结合已知的源语言文本继续解码待处理语音的语义特征,能够提高解码的准确性。
继续参见图2,电子设备将解码器203解码出的源语言文本“see you”作为解码语义特征的参考,继续通过解码器203,并结合源语言文本“see you”对语义特征进行二次解码,从而解码出待处理语音对应的文本序列“see you<st>Au revoir”。
S104、拆分所述文本序列,得到所述待处理语音对应的目标语言文本。
其中,由于源语言文本和源语言文本对应的目标语言文本之间通过任务标识符连接,因此,电子设备便可以根据任务标识符对解码器输出的文本序列进行拆分,从而得到待处理语音对应的目标语言文本。
继续参见图2,假设源语言文本和目标语言文本之间的连接标识符为“<st>”,此时,电子设备便可以基于该连接标识符对解码器203输出的文本序列“see you<st>Aurevoir”进行拆分,从而将待处理语音“see you”翻译成目标语言文本“Au revoir”。
本发明实施例提供的语音翻译方法,电子设备通过端到端语音翻译模型的编码器提取待处理语音的语义特征,通过端到端语音翻译模型的解码器,从语义特征中解码出对应的源语言文本,以及通过端到端语音翻译模型的解码器,根据源语言文本解码上述语义特征,得到对应的文本序列,接着拆分该文本序列,得到待处理语音对应的目标语言文本。在对待处理语音的语义特征解码时,端到端语音翻译模型的解码器能够先从语义特征中解码出源语言文本,再基于已知的源语言文本继续解码语义特征,即通过连续解码机制实现了先预测较为简单的源语言文本,再预测相对较难的目标语言文本,缓解了解码器的解码压力;并且在预测目标语言文本时,对应的源语言文本是已知的,改善了解码器的解码性能,从而提高了端到端语音翻译模型的预测性能。
在实际应用中,由于待处理语音的音频特征的长度远远大于对应的源语言文本的长度,此情况不利于端到端语音翻译模型的编码器对待处理语音的语义特征的提取。为此,可以参照下述实施例所述的过程进行待处理语音的语义特征的提取。在上述实施例的基础上,可选的,如图3所示,上述S101可以包括:
S301、通过所述第一编码器提取待处理语音的声学特征。
具体的,端到端语音翻译模型的编码器可以包括第一编码器和第二编码器,以分别提取所输入的待处理语音的不同特征。例如,第一编码器用于提取待处理语音的声学特征,第二编码器用于提取待处理语音的语义特征。第一编码器和第二编码器的网络结构可以根据实际需要进行构建。作为一种可选的实施方式,第一编码器和第二编码器都可以是一个RNN网络。作为另一种可选的实施方式,第一编码器和第二编码器均可以由转换网络(Transformer)实现。其中,转换网络可以包括多层多头自注意力模块,其还可以包括线性层以及softmax层等。
电子设备将待处理语音输入至第一编码器,通过第一编码器的多头自注意力模块对待处理语音进行声学编码,从而提取到待处理语音的高维声学特征表示。可选的,在将待处理语音输入至第一编码器之前,电子设备还可以对待处理语音的音频特征进行下采样以及线性层等处理。其中,下采样是指对输入的音频特征进行时域的降维。为了简化端到端语音翻译模型,可以采用手动降采样的方式进行下采样,即每三帧音频采一帧的方式。当然,也可以采用其它下采样方式,本实施例对此不做限定。线性层可以将下采样后的音频的频域特征维度映射到网络的隐层维度。
S302、检测所述声学特征中的空白帧和重复帧,并剔除所述空白帧以及合并所述重复帧,得到收缩后的声学特征。
具体的,由于第一编码器提取出的待处理语音的声学特征中可能存在空白帧和重复帧。其中,空白帧可以理解是没有内容信息的音频帧,重复帧可以理解是内容信息重复的音频帧。为了避免空白帧和重复帧带来的语义干扰,可以在第一编码器和第二编码器之间增加声学单元收缩层。通过声学单元收缩层检测声学特征中的空白帧和重复帧,并从声学特征中剔除检测到的空白帧,以及将重复帧进行合并,从而得到收缩后的声学特征。可以理解的是,对待处理语音的声学特征经过空白帧的剔除以及重复帧的合并操作之后,得到的收缩后的声学特征相比处理前的声学特征的长度会大大缩短,从而利于后续第二编码器进行高层语义特征的提取。
作为一种可选的实施方式,电子设备可以基于时序分类损失函数的概率分布的尖峰特性,检测所述声学特征中的空白帧和重复帧。
其中,时序分类损失函数(Connectionist Temporal Classification,CTC)引入了blank(该帧没有预测值),每个预测的分类对应一整段语音中的一个spike(尖峰),其它不是尖峰的位置认为是blank。对于一段语音,CTC最后输出的是spike的序列,并不关心每个音素持续了多长时间。因此,对于待处理语音,电子设备可以基于CTC的概率分布的尖峰特征,检测待处理语音的声学特征中的空白帧和重复帧。
S303、通过所述第二编码器提取所述收缩后的声学特征中的语义特征。
具体的,在对待处理语音的声学特征进行收缩处理后,电子设备将收缩后的声学特征输入至第二编码器中,以通过第二编码器提取收缩后的声学特征中的高层语义特征。其中,该第二编码器可以包括多层自注意力模块,通过堆叠的多层自注意力模块提取收缩后的声学特征中的高层语义特征。
在本实施例中,在通过端到端语音翻译模型的编码器提取待处理语音的语义特征的过程中,电子设备可以对第一编码器提取出的待处理语音的声学特征进行收缩处理,即剔除声学特征中的空白帧以及合并声学特征中的重复帧,减少空白帧和重复帧的干扰,便于第二编码器进行高层语义特征的提取,从而提高了编码器的编码性能,进而进一步提高了整个端到端语音翻译模型的预测性能。
在实际应用中,由于端到端语音翻译模型的训练数据较为匮乏,导致端到端语音翻译模型的训练非常耗时耗力。为此,在一个实施例中,还提供了一种端到端语音翻译模型的训练过程,能够充分利用数据源较为丰富的机器翻译数据,从而提高解码器的解码性能。在上述实施例的基础上,可选的,如图4所示,该端到端语音翻译模型的训练过程可以包括:
S401、根据文本翻译样本,预先训练所述端到端语音翻译模型的解码器,得到初始解码器。
其中,虽然语音识别平行数据能够提高端到端语音翻译模型的预测性能,但是,由于现阶段语音识别平行数据较为匮乏,导致端到端语音翻译模型的训练非常耗时耗力,且预测性能仍达不到期望要求。然而,机器翻译平行数据的样本数量较多,如何利用样本数量较多的机器翻译平行数据来训练端到端语音翻译模型,是值得本领域技术人员思考的技术问题。
在本发明实施例中,由于端到端语音翻译模型的解码器引入了连续解码机制,即解码器先解码语义特征中的源语言样本,再基于源语言样本解码语义特征对应的文本序列。因此,在解码器的连续解码结构下,便可以充分利用机器翻译数据,这样,电子设备便可以基于机器翻译数据(即文本翻译样本)对端到端语音翻译模型的解码器进行预训练。
可选的,上述文本翻译样本可以包括源语言样本文本和源语言样本文本对应的目标语言样本文本。通过大量的源语言样本文本和源语言样本文本对应的目标语言样本文本对端到端语音翻译模型的解码器进行预训练,使得解码器收敛得更好。为此,可选的,电子设备根据文本翻译样本,预先训练端到端语音翻译模型的解码器,得到初始解码器的过程可以为:
S4011、拼接所述源语言样本文本和所述目标语言样本文本,得到拼接样本序列。
其中,为了便于区分源语言样本文本和源语言样本文本对应的目标语言样本文本,电子设备可以通过预设的任务标识符拼接源语言样本文本和目标语言样本文本,从而得到拼接样本序列。
S4012、将所述源语言样本文本以及全零向量作为所述端到端语音翻译模型的解码器的输入,将所述拼接样本序列作为期望输出,基于掩蔽的交叉熵损失函数对所述解码器进行预训练,得到初始解码器。
其中,所述掩蔽的交叉熵损失函数用于掩蔽所述全零向量对应的源语言预测文本的预测损失。不同于端到端语音翻译模型的训练,预训练阶段没有相应的音频特征作为输入。为了和后续对端到端语音翻译模型的解码器的参数微调保持一致,可以使用一个全零向量作为端到端语音翻译模型的编码器的输出,即将该全零向量作为待处理语音的语义特征输入至解码器中。同时,为了使解码器在已知源语言样本文本的前提下,只关注目标语言预测样本的预测,可以使用掩蔽的交叉熵损失函数作为解码器的目标函数,以掩蔽掉全零向量对应的源语言预测文本的预测损失。
这样,电子设备便可以将源语言样本文本以及全零向量输入至端到端语音翻译模型的解码器中,根据源语言样本文本预测全零向量对应的预测样本序列,并基于掩蔽的交叉熵损失函数计算预测样本序列和拼接样本序列之间的损失值,基于该损失值对解码器的参数进行调整,直至达到掩蔽的交叉熵损失函数的收敛条件,从而得到初始解码器。
S402、基于所述初始解码器初始化所述端到端语音翻译模型的解码器。
其中,在得到初始解码器之后,电子设备可以基于初始解码器的参数的参数值初始化端到端语音翻译模型的解码器的参数,即将端到端语音翻译模型的解码器的参数的初始值设置为初始解码器对应参数的参数值。通过这种预训练方式,可以避免模型训练早期的长时间缓慢学习阶段,从而极大地削减了模型训练时间。同时,也可以避免大量繁琐的超参数调优。
S403、对初始化后的所述端到端语音翻译模型进行训练。
其中,电子设备采用联合优化的方法对初始化后的端到端语音翻译模型进行整体训练。由于端到端语音翻译模型包括编码器和解码器,编码器又包括第一编码器和第二编码器,因此,该端到端语音翻译模型的损失函数的损失值为第一编码器对应的第一损失值、第二编码器对应的第二损失值以及解码器对应的第三损失值的加权和,基于第一损失值、第二损失值以及第三损失值的加权和对端到端语音翻译模型的参数进行调整,直至达到损失函数的收敛条件,从而得到端到端语音翻译模型。
可选的,在对上述端到端语音翻译模型进行训练的过程中,第一编码器的训练过程可以为:将所述端到端语音翻译模型的训练样本集中的样本语音作为所述第一编码器的输入,将所述样本语音对应的样本音素序列作为期望输出,基于时序分类损失函数对所述第一编码器进行训练。
其中,端到端语音翻译模型的训练样本集包括多个训练样本,每个训练样本包括样本语音、样本语音对应的样本音素序列以及样本语音对应的样本文本序列。电子设备可以将训练样本中的样本语音输入至第一编码器中,得到第一编码器的实际输出,即得到实际音素序列。
同时,电子设备可以将该训练样本中的样本语音对应的样本音素序列作为第一编码器的期望输出,基于CTC损失函数计算第一编码器的实际输出与期望输出的差值,作为端到端语音翻译模型的第一损失值,并结合第一损失值、上述第二损失值以及第三损失值的加权和对第一编码器的参数进行调整,从而实现对第一编码器的训练。在第一编码器的训练过程中,引入CTC损失函数作为训练的辅助监督信号,通过CTC损失函数对第一解码器的softmax层的输出进行监督;同时,以音素序列作为CTC损失函数的优化目标,之所以使用音素序列,是因为音素的建模单元少,而且音素是根据发音词典选出来的,本身更接近语音的发音信息,从而使得模型更容易学习从语音到音素的映射关系,保留了样本语音中更多的声学信息,提高了编码器的编码性能。
在本实施例中,电子设备可以基于解码器的连续解码机制,对端到端语音翻译模型的解码器进行预训练,再基于预训练后得到的初始解码器初始化端到端语音翻译模型的解码器,以及对初始化后的端到端语音翻译模型进行训练。采用该训练方式,能够充分利用样本数量较多的机器翻译平行数据,从而提高解码器的解码性能,进一步提高了端到端语音翻译模型的预测性能。同时,也避免了模型训练早期的长时间缓慢学习阶段,从而极大地削减了模型训练时间,提高了端到端语音翻译模型的训练效率。
图5为本发明实施例提供的语音翻译装置的一种结构示意图。如图5所示,该装置可以包括:编码模块501、第一解码模块502、第二解码模块503和拆分模块504。
具体的,编码模块501用于通过端到端语音翻译模型的编码器提取待处理语音的语义特征;
第一解码模块502用于通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;
第二解码模块503用于根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;
拆分模块504用于拆分所述文本序列,得到所述待处理语音对应的目标语言文本。
本发明实施例提供的语音翻译装置,电子设备通过端到端语音翻译模型的编码器提取待处理语音的语义特征,通过端到端语音翻译模型的解码器,从语义特征中解码出对应的源语言文本,以及通过端到端语音翻译模型的解码器,根据源语言文本解码上述语义特征,得到对应的文本序列,接着拆分该文本序列,得到待处理语音对应的目标语言文本。在对待处理语音的语义特征解码时,端到端语音翻译模型的解码器能够先从语义特征中解码出源语言文本,再基于已知的源语言文本继续解码语义特征,即通过连续解码机制实现了先预测较为简单的源语言文本,再预测相对较难的目标语言文本,缓解了解码器的解码压力;并且在预测目标语言文本时,对应的源语言文本是已知的,改善了解码器的解码性能,从而提高了端到端语音翻译模型的预测性能。
在上述实施例的基础上,可选的,所述编码器包括第一编码器和第二编码器,编码模块501可以包括:第一编码单元、声学收缩单元和第二编码单元;
具体的,第一编码单元用于通过所述第一编码器提取待处理语音的声学特征;
声学收缩单元用于检测所述声学特征中的空白帧和重复帧,并剔除所述空白帧以及合并所述重复帧,得到收缩后的声学特征;
第二编码单元用于通过所述第二编码器提取所述收缩后的声学特征中的语义特征。
在上述实施例的基础上,可选的,该装置还可以包括:预训练模块、初始化模块和端到端训练模块;
具体的,预训练模块用于根据文本翻译样本,预先训练所述端到端语音翻译模型的解码器,得到初始解码器;
初始化模块用于基于所述初始解码器初始化所述端到端语音翻译模型的解码器;
端到端训练模块用于对初始化后的所述端到端语音翻译模型进行训练。
可选的,所述文本翻译样本包括源语言样本文本和所述源语言样本文本对应的目标语言样本文本。
在上述实施例的基础上,可选的,预训练模块具体用于拼接所述源语言样本文本和所述目标语言样本文本,得到拼接样本序列;将所述源语言样本文本以及全零向量作为所述端到端语音翻译模型的解码器的输入,将所述拼接样本序列作为期望输出,基于掩蔽的交叉熵损失函数对所述解码器进行预训练,得到初始解码器,其中,所述掩蔽的交叉熵损失函数用于掩蔽所述全零向量对应的源语言预测文本的预测损失。
在上述实施例的基础上,可选的,所述第一编码器的训练过程,包括:将所述端到端语音翻译模型的训练样本集中的样本语音作为所述第一编码器的输入,将所述样本语音对应的样本音素序列作为期望输出,基于时序分类损失函数对所述第一编码器进行训练。
在上述实施例的基础上,可选的,声学收缩单元具体用于基于时序分类损失函数的概率分布的尖峰特性,检测所述声学特征中的空白帧和重复帧。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的电子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6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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置606;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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609从网络上被下载和安装,或者从存储装置606被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,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:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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单元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,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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。
上述实施例中提供的语音翻译装置、设备以及存储介质可执行本发明任意实施例所提供的语音翻译方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的语音翻译方法。
根据本公开的一个或多个实施例,提供一种语音翻译方法,包括:
通过端到端语音翻译模型的编码器提取待处理语音的语义特征;
通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;
通过所述端到端语音翻译模型的解码器,根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;
拆分所述文本序列,得到所述待处理语音对应的目标语言文本。
可选的,所述编码器包括第一编码器和第二编码器,根据本公开的一个或多个实施例,提供了如上的语音翻译方法,还包括:通过所述第一编码器提取待处理语音的声学特征;检测所述声学特征中的空白帧和重复帧,并剔除所述空白帧以及合并所述重复帧,得到收缩后的声学特征;通过所述第二编码器提取所述收缩后的声学特征中的语义特征。
根据本公开的一个或多个实施例,提供了如上的语音翻译方法,还包括:根据文本翻译样本,预先训练所述端到端语音翻译模型的解码器,得到初始解码器;基于所述初始解码器初始化所述端到端语音翻译模型的解码器;对初始化后的所述端到端语音翻译模型进行训练。
可选的,所述文本翻译样本包括源语言样本文本和所述源语言样本文本对应的目标语言样本文本。
根据本公开的一个或多个实施例,提供了如上的语音翻译方法,还包括:拼接所述源语言样本文本和所述目标语言样本文本,得到拼接样本序列;将所述源语言样本文本以及全零向量作为所述端到端语音翻译模型的解码器的输入,将所述拼接样本序列作为期望输出,基于掩蔽的交叉熵损失函数对所述解码器进行预训练,得到初始解码器,其中,所述掩蔽的交叉熵损失函数用于掩蔽所述全零向量对应的源语言预测文本的预测损失。
根据本公开的一个或多个实施例,提供了如上的语音翻译方法,还包括:将所述端到端语音翻译模型的训练样本集中的样本语音作为所述第一编码器的输入,将所述样本语音对应的样本音素序列作为期望输出,基于时序分类损失函数对所述第一编码器进行训练。
根据本公开的一个或多个实施例,提供了如上的语音翻译方法,还包括:基于时序分类损失函数的概率分布的尖峰特性,检测所述声学特征中的空白帧和重复帧。
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。
Claims (7)
1.一种语音翻译方法,其特征在于,包括:
通过端到端语音翻译模型的编码器提取待处理语音的语义特征;
通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;
通过所述端到端语音翻译模型的解码器,根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;
拆分所述文本序列,得到所述待处理语音对应的目标语言文本;
其中,所述端到端语音翻译模型的训练过程,包括:
拼接源语言样本文本和所述源语言样本文本对应的目标语言样本文本,得到拼接样本序列;
将所述源语言样本文本以及全零向量作为所述端到端语音翻译模型的解码器的输入,将所述拼接样本序列作为期望输出,基于掩蔽的交叉熵损失函数对所述解码器进行预训练,得到初始解码器,其中,所述掩蔽的交叉熵损失函数用于掩蔽所述全零向量对应的源语言预测文本的预测损失;
基于所述初始解码器初始化所述端到端语音翻译模型的解码器;
对初始化后的所述端到端语音翻译模型进行训练。
2.根据权利要求1所述的方法,其特征在于,所述编码器包括第一编码器和第二编码器,所述通过端到端语音翻译模型的编码器提取待处理语音的语义特征,包括:
通过所述第一编码器提取待处理语音的声学特征;
检测所述声学特征中的空白帧和重复帧,并剔除所述空白帧以及合并所述重复帧,得到收缩后的声学特征;
通过所述第二编码器提取所述收缩后的声学特征中的语义特征。
3.根据权利要求2所述的方法,其特征在于,所述第一编码器的训练过程,包括:
将所述端到端语音翻译模型的训练样本集中的样本语音作为所述第一编码器的输入,将所述样本语音对应的样本音素序列作为期望输出,基于时序分类损失函数对所述第一编码器进行训练。
4.根据权利要求2所述的方法,其特征在于,所述检测所述声学特征中的空白帧和重复帧,包括:
基于时序分类损失函数的概率分布的尖峰特性,检测所述声学特征中的空白帧和重复帧。
5.一种语音翻译装置,其特征在于,包括:
编码模块,用于通过端到端语音翻译模型的编码器提取待处理语音的语义特征;
第一解码模块,用于通过所述端到端语音翻译模型的解码器,从所述语义特征中解码出对应的源语言文本;
第二解码模块,用于根据所述源语言文本解码所述语义特征,得到对应的文本序列,所述文本序列包括所述源语言文本和所述源语言文本对应的目标语言文本;
拆分模块,用于拆分所述文本序列,得到所述待处理语音对应的目标语言文本;
其中,所述装置还包括:
预训练模块,用于拼接源语言样本文本和所述源语言样本文本对应的目标语言样本文本,得到拼接样本序列;将所述源语言样本文本以及全零向量作为所述端到端语音翻译模型的解码器的输入,将所述拼接样本序列作为期望输出,基于掩蔽的交叉熵损失函数对所述解码器进行预训练,得到初始解码器,其中,所述掩蔽的交叉熵损失函数用于掩蔽所述全零向量对应的源语言预测文本的预测损失;
初始化模块,用于基于所述初始解码器初始化所述端到端语音翻译模型的解码器;
端到端训练模块,用于对初始化后的所述端到端语音翻译模型进行训练。
6.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987456.7A CN112183120B (zh) | 2020-09-18 | 2020-09-18 | 语音翻译方法、装置、设备和存储介质 |
PCT/CN2021/116232 WO2022057637A1 (zh) | 2020-09-18 | 2021-09-02 | 语音翻译方法、装置、设备和存储介质 |
US18/245,802 US20240028841A1 (en) | 2020-09-18 | 2021-09-02 | Speech translation method, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987456.7A CN112183120B (zh) | 2020-09-18 | 2020-09-18 | 语音翻译方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183120A CN112183120A (zh) | 2021-01-05 |
CN112183120B true CN112183120B (zh) | 2023-10-20 |
Family
ID=73955233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987456.7A Active CN112183120B (zh) | 2020-09-18 | 2020-09-18 | 语音翻译方法、装置、设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240028841A1 (zh) |
CN (1) | CN112183120B (zh) |
WO (1) | WO2022057637A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183120B (zh) * | 2020-09-18 | 2023-10-20 | 北京字节跳动网络技术有限公司 | 语音翻译方法、装置、设备和存储介质 |
CN112800782B (zh) * | 2021-01-29 | 2023-10-03 | 中国科学院自动化研究所 | 融合文本语义特征的语音翻译方法、系统、设备 |
CN112908341B (zh) * | 2021-02-22 | 2023-01-03 | 哈尔滨工程大学 | 基于多任务自注意力机制的语言学习者声纹识别方法 |
CN113129868B (zh) * | 2021-03-12 | 2022-02-25 | 北京百度网讯科技有限公司 | 获取语音识别模型的方法、语音识别的方法及对应装置 |
CN113299274B (zh) * | 2021-05-18 | 2024-03-01 | 平安科技(深圳)有限公司 | 白话文与文言文互译及语音合成方法、装置、设备及介质 |
CN113408305B (zh) * | 2021-06-30 | 2023-03-24 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、设备和存储介质 |
CN113505611B (zh) * | 2021-07-09 | 2022-04-15 | 中国人民解放军战略支援部队信息工程大学 | 在生成对抗中获得更好的语音翻译模型的训练方法和系统 |
CN113571044A (zh) * | 2021-07-28 | 2021-10-29 | 北京有竹居网络技术有限公司 | 语音信息处理方法、装置和电子设备 |
CN114048758A (zh) * | 2021-11-10 | 2022-02-15 | 北京有竹居网络技术有限公司 | 训练方法、语音翻译方法、设备和计算机可读介质 |
CN115831089B (zh) * | 2021-12-27 | 2023-12-01 | 北京百度网讯科技有限公司 | 声学特征的确定方法、装置、设备、介质及产品 |
CN114822498B (zh) * | 2022-03-29 | 2024-06-07 | 北京有竹居网络技术有限公司 | 语音翻译模型的训练方法、语音翻译方法、装置及设备 |
CN115312029B (zh) * | 2022-10-12 | 2023-01-31 | 之江实验室 | 一种基于语音深度表征映射的语音翻译方法及系统 |
CN117056709A (zh) * | 2023-10-11 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 时序预测模型的训练方法、装置和存储介质及电子设备 |
CN117094329B (zh) * | 2023-10-13 | 2024-02-02 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种用于解决语音歧义的语音翻译方法及装置 |
CN117113091B (zh) * | 2023-10-24 | 2024-02-13 | 中国科学院自动化研究所 | 语音翻译模型训练方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231062A (zh) * | 2018-01-12 | 2018-06-29 | 科大讯飞股份有限公司 | 一种语音翻译方法及装置 |
CN111326157A (zh) * | 2020-01-20 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 文本生成方法、装置、电子设备和计算机可读介质 |
CN111368559A (zh) * | 2020-02-28 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 语音翻译方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10249294B2 (en) * | 2016-09-09 | 2019-04-02 | Electronics And Telecommunications Research Institute | Speech recognition system and method |
CN112183120B (zh) * | 2020-09-18 | 2023-10-20 | 北京字节跳动网络技术有限公司 | 语音翻译方法、装置、设备和存储介质 |
-
2020
- 2020-09-18 CN CN202010987456.7A patent/CN112183120B/zh active Active
-
2021
- 2021-09-02 US US18/245,802 patent/US20240028841A1/en active Pending
- 2021-09-02 WO PCT/CN2021/116232 patent/WO2022057637A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231062A (zh) * | 2018-01-12 | 2018-06-29 | 科大讯飞股份有限公司 | 一种语音翻译方法及装置 |
CN111326157A (zh) * | 2020-01-20 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 文本生成方法、装置、电子设备和计算机可读介质 |
CN111368559A (zh) * | 2020-02-28 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 语音翻译方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022057637A1 (zh) | 2022-03-24 |
CN112183120A (zh) | 2021-01-05 |
US20240028841A1 (en) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183120B (zh) | 语音翻译方法、装置、设备和存储介质 | |
CN112786006B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
CN111933110B (zh) | 视频生成方法、生成模型训练方法、装置、介质及设备 | |
CN111326157B (zh) | 文本生成方法、装置、电子设备和计算机可读介质 | |
CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
CN112786011B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
CN110097870B (zh) | 语音处理方法、装置、设备和存储介质 | |
CN112528637B (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN112786008B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN111368559A (zh) | 语音翻译方法、装置、电子设备及存储介质 | |
US20240029709A1 (en) | Voice generation method and apparatus, device, and computer readable medium | |
CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN111489735B (zh) | 语音识别模型训练方法及装置 | |
CN111370019A (zh) | 声源分离方法及装置、神经网络的模型训练方法及装置 | |
CN111292719A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
CN114554238B (zh) | 直播语音同传方法、装置、介质及电子设备 | |
CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
CN111312223B (zh) | 语音分割模型的训练方法、装置和电子设备 | |
CN111128131B (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
CN111312224B (zh) | 语音分割模型的训练方法、装置和电子设备 | |
CN116884402A (zh) | 语音转文本的方法、装置、电子设备及存储介质 | |
CN113986958B (zh) | 文本信息的转换方法、装置、可读介质和电子设备 | |
CN112651231B (zh) | 口语信息处理方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |