CN113284484B - 模型训练方法及装置、语音识别方法和语音合成方法 - Google Patents

Abstract

本公开提供了一种模型训练方法及装置、语音识别方法和语音合成方法，涉及人工智能领域，尤其涉及语音技术领域。实现方案为：获取第一样本数据，其中，第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；将第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据；基于第一原始数据和第一结果数据，计算第一损失值；以及基于第一损失值，调整待训练模型的参数。

Description

模型训练方法及装置、语音识别方法和语音合成方法

技术领域

本公开涉及人工智能技术领域，尤其涉及语音技术领域，具体涉及一种模型训练方法及装置、语音识别方法及装置、语音合成方法及装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。随着人工智能技术的日渐成熟，人们也希望能够通过直接对话的方式与计算机进行交流和传递信息，因此语音识别、语音合成也随之成为自然语言处理领域中的两大主题。通过语音识别实现语音转文字以及通过语音合成实现文字合成语音等各种形式的需求日渐扩大，比如：语音输入法的使用量呈现飞速的增长。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种模型训练方法及装置、语音识别方法及装置、语音合成方法及装置、计算机设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种模型训练方法，包括：获取第一样本数据，其中，第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；将第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据；基于第一原始数据和第一结果数据，计算第一损失值；以及基于第一损失值，调整待训练模型的参数。

根据本公开的一方面，提供了一种语音识别方法，包括：将待识别语音数据输入语音识别模型，其中，语音识别模型为根据上述训练方法对待训练模型进行训练而得到；以及基于语音识别模型的输出数据，确定对待识别语音数据的识别结果。

根据本公开的一方面，提供了一种语音合成方法，包括：将待合成文本数据输入语音合成模型，其中，语音合成模型为根据上述训练方法对待训练模型进行训练而得到；以及基于语音合成模型的输出数据，确定对待合成文本数据的合成结果。

根据本公开的一方面，提供了一种模型训练装置，包括：第一获取单元，被配置用于获取第一样本数据，其中，第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；第二获取单元，被配置用于将第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据；第一计算单元，被配置用于基于第一原始数据和第一结果数据，计算第一损失值；以及第一调整单元，被配置用于基于第一损失值，调整待训练模型的参数。

根据本公开的一方面，提供了一种语音识别装置，包括：第一输入单元，被配置用于将待识别语音数据输入语音识别模型，其中，语音识别模型为根据上述的训练方法对待训练模型进行训练而得到；以及第一确定单元，被配置用于基于语音识别模型的输出数据，确定对待识别语音数据的识别结果。

根据本公开的一方面，提供了一种语音合成装置，包括：第二输入单元，被配置用于将待合成文本数据输入语音合成模型，其中，语音合成模型为根据上述的训练方法对待训练模型进行训练而得到；以及第二确定单元，被配置用于基于语音合成模型的输出数据，确定对待合成文本数据的合成结果。

根据本公开的一方面，提供了一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的方法。

根据本公开的一方面，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，计算机指令用于使计算机执行上述的方法。

根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述的方法。

根据本公开的一个或多个实施例，可以不依赖具有标签的训练样本而实现对待训练模型的训练，降低了模型训练的训练成本，提升了训练效率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的模型训练方法的流程图；

图3示出了根据本公开的实施例的一种模型训练方法的示意图；

图4示出了根据本公开的实施例的另一种模型训练方法的示意图；

图5A示出了根据本公开的实施例的另一种模型训练方法的原理示意图；

图5B示出了根据本公开的实施例的另一种模型训练方法的原理示意图；

图6示出了根据本公开的实施例的语音识别方法的流程图；

图7示出了根据本公开的实施例的语音合成方法的流程图；

图8示出了根据本公开的实施例的模型训练装置的结构框图；

图9示出了根据本公开的实施例的语音识别装置的结构框图；

图10示出了根据本公开的实施例的语音合成装置的结构框图；

图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在相关技术中，模型的训练往往依赖于大量的具有准确标签的训练样本。具有训练样本的数量越多，训练样本的标签越准确，对模型的训练效果越好。然而，收集训练样本的过程往往包括原始样本收集、清洗、标注等多个步骤，需要投入大量的人力和时间成本。

基于此，本公开提出一种模型训练方法，借助于辅助模型的输入和输出数据，对待训练模型的参数进行调整。将完成第一初始训练的辅助模型所输出的第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据，基于输入辅助模型的第一原始数据和第一结果数据，可以计算第一损失值，并根据该第一损失值，调整待训练模型的参数。在本公开的模型训练方法中，输入辅助模型中的第一原始数据在训练过程中扮演了第一样本数据的“标签”的角色，而无需对第一原始数据进行标签标注，待训练模型基于第一样本数据及其“标签”(即第一原始数据)进行训练，能够不依赖具有标签的训练样本而实现对待训练模型的训练，降低了模型训练的训练成本，提升了训练效率。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行模型训练、语音识别或语音合成的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取模型的输入数据，例如，本公开中的第一原始数据、待识别语音数据和待识别文本数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2是示出根据本公开示例性实施例的一种模型训练方法，如图2所示，该方法可以包括：步骤S201、获取第一样本数据，其中，第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；步骤S202、将第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据；步骤S203、基于第一原始数据和第一结果数据，计算第一损失值；以及步骤S204、基于第一损失值，调整待训练模型的参数。由此，能够不依赖具有标签的训练样本而实现对待训练模型的训练，降低了模型训练的训练成本，提升了训练效率。

图3是示出根据本公开示例性实施例的一种模型训练方法的示意图。如图3所示，将不具有标签的第一原始数据A输入辅助模型，以得到辅助模型所输出的第一样本数据B；将第一样本数据B输入待训练模型中，以得到待训练模型所输出的第一结果数据A’；基于第一原始数据A和第一结果数据A’计算第一损失值Loss1，并基于第一损失值Loss1，反向调整待训练模型的参数。

针对步骤S201，其中，第一初始训练可以为有标签训练，也可以为无标签训练，在此不作限定。

根据一些实施例，完成第一初始训练的辅助模型可以为经过预设数量的训练样本训练的辅助模型。

根据一些实施例，完成第一初始训练的辅助模型可以为能够满足预设的处理能力的辅助模型。

在一种实施方式中，可以根据测试集的测试结果，确定辅助模型是否满足预设的处理能力，其中，响应于辅助模型满足预设的处理能力，可以确定辅助模型完成第一初始训练，响应于辅助模型不满足预设的处理能力，可以确定辅助模型未完成第一初始训练。

在一种实施方式中，预设的处理能力可以包括预设的准确率阈值。

在此基础上，可以依次执行步骤S202-S204，以调整待训练模型的参数。

需要注意的是，在步骤S204中，可以不基于第一损失值调整辅助模型的参数。可以理解的是，也可以基于第一损失值调整辅助模型的参数。

可以理解，在对待训练模型的训练过程中，步骤S201-S204的步骤可以被迭代多次，以使待训练模型的参数不断被调整更新。

训练完成的待训练模型与辅助模型互为对偶模型，可以用于执行相反的处理任务。例如，待训练模型可以为英译汉模型和汉译英模型中的一个，辅助模型为英译汉模型和汉译英模型中的另一个。又如，待训练模型可以为图像识别模型和图像合成模型中的一个，辅助模型可以为图像识别模型和图像合成模型中的另一个。又如，待训练模型可以为语音识别模型和语音合成模型中的一个，辅助模型为语音识别模型和语音合成模型中的另一个。基于此，可以在不依赖于样本标签的情况下，实现对特定功能的模型的训练。

根据一些实施例，在将第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据之前，对待训练模型执行第二初始训练，以确定所述待训练模型的初始参数。

通过对待训练模型执行第二初始训练，可以使得待训练模型在第一样本数据输入之前就与辅助模型具有一定程度的对偶性，换言之，使得待训练模型具有一定的任务处理能力，并且待训练模型所针对的处理任何与辅助模型所针对的处理任务相反。在第二初始训练的基础上，对待训练模型执行基于待训练模型的对偶模型(即辅助模型)的上述对偶训练，能够有效提升对待训练模型的训练效率和训练效果。

其中，第二初始训练可以为有标签训练，也可以为无标签训练，在此不作限定。在一种实施方式中，第二初始训练可以采用与上述第一初始训练类似的训练方式，在此不再赘述。

根据一些实施例，将第一结果数据输入辅助模型，以得到辅助模型所输出的第二结果数据；基于第一样本数据和第二结果数据，计算第二损失值；以及基于第二损失值，调整辅助模型的参数。由此，能够基于待训练模型所具有的处理能力，对辅助模型进行进一步的训练，使得辅助模型和待训练模型能够在训练过程中得到处理能力的同步提升，提升整体训练效果。

图4是示出根据本公开示例性实施例的另一种模型训练方法的示意图。如图4所示，将不具有标签的第一原始数据C输入辅助模型，以得到辅助模型所输出的第一样本数据D；将第一样本数据D输入待训练模型中，以得到待训练模型所输出的第一结果数据C’；将所得到的第一结果数据C’再次输入辅助模型中，以得到第二结果数据D’；基于第一样本数据D和第二结果数据D’计算第二损失值Loss2，并基于第二损失值Loss2，反向调整辅助模型的参数。

可以理解，在多轮迭代的训练过程中，经过参数调整后的更新的辅助模型能够用于对待训练模型的后续训练过程，同时，经过参数调整后的更新的待训练模型也能够用于对辅助模型的后续训练过程。也就是说，在模型训练的多轮迭代的过程中，待训练模型和辅助模型的处理能力均处于动态提升中，随着训练过程中迭代次数的增加，待训练模型和辅助模型之间的“对偶性”随之逐步增强。

与此同时，在训练过程中，采用不同的损失值分别对待训练模型和辅助模型进行参数调整，即采用第一损失值调整待训练模型的参数，采用第二损失值调整辅助模型的参数。由此，能够使得待训练模型和辅助模型在同步训练过程中，保持参数调整的相对独立性，避免待训练模型和辅助模型在训练过程中的参数之间的互相影响，使得训练完成的待训练模型和辅助模型能够独立应用于相应的处理任务之中。

根据一些实施例，在将第一原始数据输入辅助模型之前，可以基于第一分割模式分割第一原始数据，以得到多个第一子原始数据，其中，第一结果数据包括多个第一子结果数据，多个第一子结果数据中的每一个第一子结果数据对应于多个第一子原始数据中的一个第一子原始数据，其中，基于第一原始数据和第一结果数据，计算第一损失值可以包括：基于多个第一子原始数据中的每一个第一子原始数据，以及该第一子原始数据所对应的第一结果子数据，计算第一子损失值；以及基于多个第一子原始数据中的每一个第一子原始数据所对应的第一子损失值，计算第一损失值。

在训练的过程中，尤其是在模型训练的初期，辅助模型和待训练模型的处理能力有限，直接采用大数量级的原始数据进行训练，可能会在模型的输出端累积较大的误差，不利于对模型的反向参数调整。因此，基于第一分割模式，将第一原始数据分割为多个第一子原始数据进行训练，能够有效减低单次训练的数据量，有助于模型的反向参数调整。

根据一些实施例，第一分割模式可以为以预设数据量为单位进行分割，也可以为以预设样本尺寸为单位进行分割。

根据一些实施例，第一分割模式还可以基于对第一原始数据的识别结果，对第一原始数据进行分割。例如，在第一原始数据为音频数据的情况下，可以基于对第一原始数据的语音识别的结果，以字、词或短句等为单位进行分割。

根据一些实施例，基于多个第一子原始数据中的每一个第一子原始数据所对应的第一子损失值，计算第一损失值可以包括：基于多个第一子原始数据对应的多个第一子损失值的均值，确定第一损失值。由此，能够方便地根据每个第一子原始数据所对应的第一子损失值，确定第一损失值。

根据一些实施例，响应于确定待训练模型满足第一预设条件，基于第二分割模式分割第一原始数据，以得到多个第二子原始数据并且将多个第二子原始数据作为辅助模型的输入，其中，多个第二子原始数据中任意一个第二子原始数据的数据量大于多个第一子原始数据中任意一个第一子原始数据的数据量。

在训练的过程中，随着训练迭代次数的增加，辅助模型和待训练模型的处理能力不断提升，可以随之增加单次训练中的数据量，提升训练难度，以提升对模型的训练效果和训练效率。

根据一些实施例，其中，第一预设条件可以包括预设的训练时长，待训练模型满足第一预设条件可以包括：对待训练模型的训练时间达到预设的训练时长。

根据一些实施例，其中，第一预设条件可以包括预设的处理能力，待训练模型满足第一预设条件可以包括：采用测试集对待训练模型进行测试，响应于对待训练模型的测试结果达到预设的处理能力，确定待训练模型满足第一预设条件。

根据一些实施例，响应于确定待训练模型满足第二预设条件，将辅助模型切换为当前的待训练模型，将待训练模型切换为当前的辅助模型，以调整当前的待训练模型的参数。

通过将辅助模型切换为当前的待训练模型，将待训练模型切换为当前的辅助模型，可以采用相应的不同类型的无标签原始数据对模型进行训练，进而进一步优化训练的效果。

根据一些实施例，其中，第二预设条件可以包括预设的训练时长，待训练模型满足第二预设条件可以包括对待训练模型的训练时间达到预设的训练时长。

根据一些实施例，其中，第二预设条件可以包括预设的处理能力，待训练模型满足第二预设条件可以包括：采用测试集对待训练模型进行测试，响应于对待训练模型的测试结果达到预设的处理能力，确定待训练模型满足第二预设条件。

以下以待训练模型为语音合成模型，辅助模型为语音识别模型为例，对本公开的一种示例性模型训练方法进行说明。

如图5A所示，第一原始数据为音频数据，第一原始数据被分割为多个第一子原始数据(即图5A中的x_n＝1，x_n＝2……)，其中，n表示第一子原始数据的数量。将多个第一子原始数据依次输入语音识别模型ISR(即辅助模型)中，以得到语音识别模型ISR所输出的相应的多个第一子样本数据(即图5A中的

)。将多个第一子样本数据

依次输入语音合成模型ITTS(即待训练模型)中，以得到语音合成模型ITTS所输出的相应的多个第一子结果数据(即图5A中的

)，基于相应的第一子原始数据和第一子结果数据，可以计算相应的第一子损失值(即图5A中的

最后，基于每个第一子损失值可以计算得到第一损失值，并根据第一损失值，调整语音合成模型ITTS(即待训练模型)的参数。

如图5B所示，在基于多个第一子样本数据(即图5B中的

)，得到语音合成模型ITTS(即待训练模型)所输出的相应的多个第一子结果数据(即图5B中的

)之后，再将多个第一子结果数据

依次输入语音识别模型ISR(即辅助模型)中，以得到语音识别模型ISR所输出的相应的多个第二子结果数据(即图5B中的

)，基于相应的第一子样本数据和第二子结果数据，可以计算相应的第二子损失值(即图5B中的

)。最后，基于每个第二子损失值可以计算得到第二损失值，并根据第二损失值，调整语音识别模型ISR(即辅助模型)的参数。

可以理解，如图5A和图5B中的训练过程可以迭代多次。响应于语音合成模型ITTS满足第二预设条件，可以将语音合成模型ITTS由待训练模型切换为当前的辅助模型，同时将语音识别模型ISR由辅助模型切换为当前的待训练模型。将文字数据作为第二原始数据输入语音合成模型ITTS(即当前的辅助模型)，进而基于如图5A和图5B中所示的类似的训练过程，对语音识别模型ISR和语音合成模型ITTS进行再次训练。

根据本公开的另一方面，如图6所示，还提供一种语音识别方法，包括：步骤S601、将待识别语音数据输入语音识别模型，其中，语音识别模型为根据上述任一的训练方法对待训练模型进行训练而得到；以及步骤S602、基于语音识别模型的输出数据，确定对待识别语音数据的识别结果。由此能够基于训练得到的语音识别模型实现有效的语音识别。

根据本公开的另一方面，如图7所示，还提供一种语音合成方法，包括：步骤S701、将待合成文本数据输入语音合成模型，其中，语音合成模型为根据上述任一的训练方法对待训练模型进行训练而得到；以及步骤S702、基于语音合成模型的输出数据，确定对待合成文本数据的合成结果。由此能够基于训练得到的语音合成模型实现有效的语音合成。

根据本公开的另一方面，如图8所示，还提供一种模型训练装置800，包括：第一获取单元801，被配置用于获取第一样本数据，其中，第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；第二获取单元802，被配置用于将第一样本数据输入待训练模型，以得到待训练模型所输出的第一结果数据；第一计算单元803，被配置用于基于第一原始数据和第一结果数据，计算第一损失值；以及第一调整单元804，被配置用于基于第一损失值，调整待训练模型的参数。

根据一些实施例，训练装置还包括：初始训练单元，被配置用于对待训练模型执行第二初始训练，以确定所述待训练模型的初始参数。

根据一些实施例，训练装置还包括：第三获取单元，被配置用于将第一结果数据输入辅助模型，以得到辅助模型所输出的第二结果数据；第二计算单元，被配置用于基于第一样本数据和第二结果数据，计算第二损失值；以及第二调整单元，被配置用于基于第二损失值，调整辅助模型的参数。

根据一些实施例，训练装置还包括：分割单元，被配置用于基于第一分割模式分割第一原始数据，以得到多个第一子原始数据，其中，第一结果数据包括多个第一子结果数据，多个第一子结果数据中的每一个第一子结果数据对应于多个第一子原始数据中的一个第一子原始数据，；其中，第一计算单元还用于：基于多个第一子原始数据中的每一个第一子原始数据，以及该第一子原始数据所对应的第一结果子数据，计算第一子损失值；以及基于多个第一子原始数据中的每一个第一子原始数据所对应的第一子损失值，计算第一损失值。

根据本公开的另一方面，还提供一种网络模型，网络模型为根据上述任一训练方法对待训练模型进行训练而得到。

示例性的，该网络模型可以但不限于为语音识别网络模型，例如也可以为语音合成网络模型。

根据本公开的另一方面，如图9所示，还提供一种语音识别装置900，包括：第一输入单元901，被配置用于将待识别语音数据输入语音识别模型，其中，语音识别模型为根据上述任一的训练方法对待训练模型进行训练而得到；以及第一确定单元902，被配置用于基于语音识别模型的输出数据，确定对待识别语音数据的识别结果。

根据本公开的另一方面，如图10所示，还提供一种语音合成装置1000，包括：第二输入单元1001，被配置用于将待合成文本数据输入语音合成模型，其中，语音合成模型为根据上述任一项的训练方法对待训练模型进行训练而得到；以及第二确定单元1002，被配置用于基于语音合成模型的输出数据，确定对待合成文本数据的合成结果。

根据本公开的另一方面，还提供一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一的方法。

根据本公开的另一方面，还提供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，计算机指令用于使计算机执行上述任一的方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任一项的方法。

参考图11，现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、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。

如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向设备1100输入信息的任何类型的设备，输入单元1106可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许设备1100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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1101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1101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1101执行上文所描述的各个方法和处理，例如模型训练方法、语音识别方法和语音合成方法。例如，在一些实施例中，模型训练方法、语音识别方法和语音合成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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的模型训练方法、语音识别方法和语音合成方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法、语音识别方法和语音合成方法。

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)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。

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。

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。

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。

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。

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。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (16)

1.一种模型训练方法，包括：

获取第一样本数据，其中，所述第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；

将所述第一样本数据输入待训练模型，以得到所述待训练模型所输出的第一结果数据，其中，所述待训练模型与所述辅助模型互为对偶模型，用于执行相反的处理任务；

基于所述第一原始数据和所述第一结果数据，计算第一损失值；

基于所述第一损失值，调整所述待训练模型的参数；

将所述第一结果数据输入所述辅助模型，以得到所述辅助模型所输出的第二结果数据；

基于所述第一样本数据和所述第二结果数据，计算第二损失值；以及

基于所述第二损失值，调整所述辅助模型的参数。

2.根据权利要求1所述的方法，还包括：

在将所述第一样本数据输入所述待训练模型，以得到所述待训练模型所输出的所述第一结果数据之前，对所述待训练模型执行第二初始训练，以确定所述待训练模型的初始参数。

3.根据权利要求1或2所述的方法，还包括：

在将所述第一原始数据输入所述辅助模型之前，基于第一分割模式分割所述第一原始数据，以得到多个第一子原始数据，

其中，所述第一结果数据包括多个第一子结果数据，所述多个第一子结果数据中的每一个第一子结果数据对应于所述多个第一子原始数据中的一个第一子原始数据，

其中，所述基于所述第一原始数据和所述第一结果数据，计算第一损失值包括：

基于所述多个第一子原始数据中的每一个第一子原始数据，以及该第一子原始数据所对应的第一结果子数据，计算第一子损失值；以及

基于多个第一子原始数据中的每一个第一子原始数据所对应的第一子损失值，计算第一损失值。

4.根据权利要求3所述的方法，其中，所述基于多个第一子原始数据中的每一个第一子原始数据所对应的第一子损失值，计算第一损失值包括：

基于多个第一子原始数据对应的多个第一子损失值的均值，确定第一损失值。

5.根据权利要求3所述的方法，还包括：

响应于确定所述待训练模型满足第一预设条件，基于第二分割模式分割所述第一原始数据，以得到多个第二子原始数据并且将所述多个第二子原始数据作为所述辅助模型的输入，

其中，所述多个第二子原始数据中任意一个第二子原始数据的数据量大于所述多个第一子原始数据中任意一个第一子原始数据的数据量。

6.根据权利要求1或2所述的方法，还包括：

响应于确定所述待训练模型满足第二预设条件，将所述辅助模型切换为当前的待训练模型，将所述待训练模型切换为当前的辅助模型，以调整所述当前的待训练模型的参数。

7.根据权利要求1或2所述的方法，其中，所述待训练模型为语音识别模型和语音合成模型中的一个，所述辅助模型为语音识别模型和语音合成模型中的另一个。

8.一种语音识别方法，包括：

将待识别语音数据输入语音识别模型，其中，所述语音识别模型为根据权利要求1至7中任一项所述的训练方法对待训练模型进行训练而得到；以及

基于所述语音识别模型的输出数据，确定对所述待识别语音数据的识别结果。

9.一种语音合成方法，包括：

将待合成文本数据输入语音合成模型，其中，所述语音合成模型为根据权利要求1至7中任一项所述的训练方法对待训练模型进行训练而得到；以及

基于所述语音合成模型的输出数据，确定对所述待合成文本数据的合成结果。

10.一种模型训练装置，包括：

第一获取单元，被配置用于获取第一样本数据，其中，所述第一样本数据为完成第一初始训练的辅助模型基于第一原始数据进行预测而得到；

第二获取单元，被配置用于将所述第一样本数据输入待训练模型，以得到所述待训练模型所输出的第一结果数据，其中，所述待训练模型与所述辅助模型互为对偶模型，用于执行相反的处理任务；

第一计算单元，被配置用于基于所述第一原始数据和所述第一结果数据，计算第一损失值；

第一调整单元，被配置用于基于所述第一损失值，调整所述待训练模型的参数；

第三获取单元，被配置用于将所述第一结果数据输入所述辅助模型，以得到所述辅助模型所输出的第二结果数据；

第二计算单元，被配置用于基于所述第一样本数据和所述第二结果数据，计算第二损失值；以及

第二调整单元，被配置用于基于所述第二损失值，调整所述辅助模型的参数。

11.根据权利要求10所述的装置，还包括：

初始训练单元，被配置用于对所述待训练模型执行第二初始训练，以确定所述待训练模型的初始参数。

12.根据权利要求10或11所述的装置，还包括：

分割单元，被配置用于基于第一分割模式分割所述第一原始数据，以得到多个第一子原始数据，其中，所述第一结果数据包括多个第一子结果数据，所述多个第一子结果数据中的每一个第一子结果数据对应于所述多个第一子原始数据中的一个第一子原始数据；

其中，所述第一计算单元还用于：

基于所述多个第一子原始数据中的每一个第一子原始数据，以及该第一子原始数据所对应的第一结果子数据，计算第一子损失值；以及

基于多个第一子原始数据中的每一个第一子原始数据所对应的第一子损失值，计算第一损失值。

13.一种语音识别装置，包括：

第一输入单元，被配置用于将待识别语音数据输入语音识别模型，其中，所述语音识别模型为根据权利要求1至7中任一项所述的训练方法对待训练模型进行训练而得到；以及

第一确定单元，被配置用于基于所述语音识别模型的输出数据，确定对所述待识别语音数据的识别结果。

14.一种语音合成装置，包括：

第二输入单元，被配置用于将待合成文本数据输入语音合成模型，其中，所述语音合成模型为根据权利要求1至7中任一项所述的训练方法对待训练模型进行训练而得到；以及

第二确定单元，被配置用于基于所述语音合成模型的输出数据，确定对所述待合成文本数据的合成结果。

15.一种计算机设备，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1-9中任一项所述的方法。

16.一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1-9中任一项所述的方法。

Images