CN113555009A - 用于训练模型的方法和装置 - Google Patents
用于训练模型的方法和装置 Download PDFInfo
- Publication number
- CN113555009A CN113555009A CN202010315469.XA CN202010315469A CN113555009A CN 113555009 A CN113555009 A CN 113555009A CN 202010315469 A CN202010315469 A CN 202010315469A CN 113555009 A CN113555009 A CN 113555009A
- Authority
- CN
- China
- Prior art keywords
- pinyin
- information
- voice
- training
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 88
- 238000002372 labelling Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013518 transcription Methods 0.000 description 3
- 230000035897 transcription Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了用于训练模型的方法和装置，涉及语音识别领域，具体实现方案为：获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到；利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型。该方案能够降低模型的训练难度，提高模型对近音字的区分度，从而提高了模型性能。
Description
技术领域
本申请的实施例涉及计算机技术领域，具体涉及语音识别领域，尤其涉及用于训练模型的方法和装置。
背景技术
随着人工智能与物联网技术的高速发展，终端设备智能物联网(ArtificialIntelligence Internet of Things：AIoT)化的趋势已经逐渐明显。自动语音识别(Automatic Speech Recognition：ASR)技术将终端设备采集到的语音信号转写为文本内容，是AIoT的重要信息入口之一。终端语音识别技术的准确率和实时性，是决定最终应用服务性能的重要前提因素。
在现有技术中，针对中文语音的转写问题，现有方法均采用递归神经网络英文转写器(Recurrent Neural Network Transducer:RNN-T)模型将语音转写为汉字文本，作为最终的识别结果，准确率较低。并且由于在终端ASR应用中，可能存在远场环境、背景噪声、口音等复杂干扰因素，降低ASR的识别率，且容易出现同音字或近音字识别错误的情况。
发明内容
本申请提出了一种用于训练模型的方法、装置、设备以及存储介质。
根据第一方面，本申请提供了一种用于训练模型的方法，该方法包括：获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到；利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
在一些实施例中，拼音类别确定模型利用自注意力结构构建的语音特征提取子模型和递归神经网络构建的拼音特征提取子模型进行联合训练而得到。
在一些实施例中，拼音信息通过如下转换方式得到：对每条语音信息进行汉字标注，得到每条语音信息的汉字信息；将每条语音信息的汉字信息进行转换，得到与每条语音信息对应的拼音信息。
在一些实施例中，方法还包括：对拼音类别确定模型进行预训练，得到预训练完成的拼音类别确定模型中语音特征提取子模型的参数；基于预训练得到的语音特征提取子模型的参数，初始化拼音类别确定模型的参数。
第二方面，本申请提供了一种用于生成信息的方法，方法包括：获取目标语音信息和与每条目标语音信息对应的目标拼音信息，其中，目标拼音信息基于对每条目标语音信息进行标注而得到；将目标语音信息和目标拼音信息输入训练得到的拼音类别确定模型，生成目标拼音信息的拼音类别信息，其中，拼音类别确定模型通过如权利要求1-4之一的方法训练得到。
第三方面，本申请提供了一种用于训练模型的装置，装置包括：样本获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到；模型训练单元，被配置成利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
在一些实施例中，模型训练单元中的拼音类别确定模型利用自注意力结构构建的语音特征提取子模型和递归神经网络构建的拼音特征提取子模型进行联合训练而得到。
在一些实施例中，样本获取单元中的拼音信息通过如下单元转换得到：标注单元，被配置成对每条语音信息进行汉字标注，得到每条语音信息的汉字信息；转换单元，被配置成将每条语音信息的汉字信息进行转换，得到与每条语音信息对应的拼音信息。
在一些实施例中，装置还包括：预训练单元，被配置成对拼音类别确定模型进行预训练，得到预训练完成的拼音类别确定模型中语音特征提取子模型的参数；初始化单元，被配置成基于预训练得到的语音特征提取子模型的参数，初始化拼音类别确定模型的参数。
第四方面，本申请提供了一种用于生成信息的装置，装置包括：目标获取单元，被配置成获取目标语音信息和与每条目标语音信息对应的目标拼音信息，其中，目标拼音信息基于对每条目标语音信息进行标注而得到；信息生成单元，被配置成将目标语音信息和目标拼音信息输入训练得到的拼音类别确定模型，生成目标拼音信息的拼音类别信息，其中，拼音类别确定模型通过第一方面中任一实现方式描述的方法训练得到。
第五方面，本申请提供了一种电子设备，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如第一方面中任一实现方式描述的方法。
第六方面，本申请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，其特征在于，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术采用拼音信息替代现有的汉字信息作为建模单元，将最终需要识别的语音信息中的同音字类别进行了合并，避免了现有用汉字信息进行语音识别而造成同音字识别混淆的问题，提高了模型对同音字的识别效果，并提高了语音识别结果的准确率；由于合并了语音信息中的同音字类别，使输出的拼音类别数量大幅减小，降低了模型的训练难度，提高了模型对近音字的区分度，从而提高了模型性能。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案，不构成对本申请的限定。
图1是根据本申请的用于训练模型的方法的第一实施例的示意图；
图2是可以实现本申请实施例的用于训练模型的方法的场景图；
图3是根据本申请的用于训练模型的方法的第二实施例的示意图；
图4是根据本申请的用于生成信息的方法的第一个实施例的示意图；
图5是根据本申请的用于训练模型的装置的一个实施例的结构示意图；
图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图；
图7是用来实现本申请实施例的用于训练模型的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的用于训练模型的方法的第一实施例的示意图100。该用于训练模型的方法，包括以下步骤：
步骤101，获取训练样本集。
在本实施例中，用于训练模型的方法的执行主体可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息可以通过标注人员人工听取每一条语音，然后对每条语音进行拼音标注获得。
上述拼音信息可以为针对语音信息中的每个字的拼音和音调组合标注所得到的字符信息，例如：“nin2 hao3”，而拼音信息的类别可以将每个拼音的字符信息作为一类，例如：“nin2”为一类，“hao3”为另一类。
步骤102，利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型。
在本实施例中，上述执行主体可以利用机器学习算法，将步骤101中获得的训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型。其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
在这里，上述执行主体利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息分别作为语音特征提取子模型和拼音特征提取子模型的输入数据，得到语音特征提取子模型和拼音特征提取子模型的实际输出数据，再将语音特征提取子模型的实际输出数据和拼音特征提取子模型的实际输出数据作为拼音类别确定子模型的输入数据，得到拼音类别确定子模型的实际输出数据，基于拼音类别确定子模型的实际输出数据和期望输出数据，调整拼音类别确定模型的参数，得到训练完成的拼音类别确定模型。
需要说明的是，技术人员可以根据实际需求，自行设定上述拼音类别确定模型包括的语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型的模型结构，本公开的实施例对此不做限定。
继续参见图2，本实施例的用于训练模型的方法200运行于电子设备201中。电子设备201首先获取训练样本集202，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到，然后电子设备201利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型203，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
本申请的上述实施例提供的方法，通过获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到，利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别，采用拼音信息替代现有的汉字信息作为建模单元，将最终需要识别的语音信息中的同音字类别进行了合并，避免了现有用汉字信息进行语音识别而造成同音字识别混淆的问题，提高了模型对同音字的识别效果，并提高了语音识别结果的准确率，由于合并了语音信息中的同音字类别，使输出的拼音类别数量大幅减小，降低了模型的训练难度，提高了模型对近音字的区分度，从而提高了模型性能。
进一步参考图3，其示出了用于训练模型的方法的第二实施例的示意图300。该方法的流程包括以下步骤：
步骤301，获取训练样本集。
在本实施例中，执行主体可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息可以通过对每条语音信息进行标注得到。
在本实施例的一些可选的实现方式中，拼音信息通过如下转换方式得到：采用人工标注和筛查的方式，对每条语音信息进行汉字标注，得到每条语音信息的汉字信息，利用汉字转换工具(比如Python的pypinyin模块)将每条语音信息的汉字信息进行转换，得到与每条语音信息对应的拼音信息。通过现有的利用汉字进行文本标注的语音标注方法，省去了人工进行拼音标注的环节，简化了人员的工作。
步骤302，对拼音类别确定模型进行预训练，得到预训练完成的拼音类别确定模型中语音特征提取子模型的参数。
在本实施例中，执行主体对拼音类别确定模型进行预训练，得到预训练完成的拼音类别确定模型中语音特征提取子模型的参数。
在中文语音转写拼音的联合网络中参数量较大，且涉及语音和文本两类异构输入数据，往往难以通过直接利用训练数据的方式获得很好的训练效果。通过采用现有CTC(Connectionist Temporal Classification)损失函数作为拼音的损失函数，进行预训练，解决输入音频到输出拼音文本的对齐问题。
步骤303，基于预训练得到的语音特征提取子模型的参数，初始化拼音类别确定模型的参数。
在本实施中，执行主体利用预训练得到的语音特征提取子模型的参数和其他随机参数，对拼音类别确定模型进行初始化。
步骤304，利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型。
在本实施例中，上述执行主体可以利用机器学习算法，将获得的训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型。其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别。拼音类别确定模型利用自注意力结构构建的语音特征提取子模型和递归神经网络构建的拼音特征提取子模型进行联合训练而得到。
从图3中可以看出，与图1对应的实施例相比，本实施例中的用于训练模型的方法的示意图300采用自注意力结构和递归神经网络结构相结合的方式对拼音类别确定模型的神经网络模型结构进行优化，提高了网络结构的时序特征提取能力和并行性，提高了最终模型的准确率和实时性，解决了在计算资源受限的终端中文语音转写场景下，由于语音信号质量受远场环境、背景噪音、用户发音是否标准等因素的影响，对时序特征提取模型的性能和并行性提出了更高的要求的问题；通过对拼音类别确定模型进行预训练，得到预训练完成的拼音类别确定模型中语音特征提取子模型的参数，基于预训练得到的语音特征提取子模型的参数，初始化拼音类别确定模型的参数，避免了在模型参数量较大，且涉及语音和文本两类异构输入数据时，难以通过直接利用训练数据的方式获得很好的训练效果的问题，解决输入音频到输出拼音文本的对齐问题，提升了模型训练的准确率和效率。
进一步参考图4，其示出了本申请的用于生成信息的方法的一个实施例的示意图400。该用于生成信息的方法，包括以下步骤：
步骤401，获取目标语音信息和与每条目标语音信息对应的目标拼音信息。
在本实施例中，执行主体可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取目标语音信息，通过本地获取与每条目标语音信息对应的目标拼音信息，其中，目标拼音信息基于对每条目标语音信息进行标注而得到。
步骤402，将目标语音信息和目标拼音信息输入训练得到的拼音类别确定模型，生成目标拼音信息的拼音类别信息。
在本实施例中，执行主体可以将目标语音信息和目标拼音信息输入训练得到的拼音类别确定模型，生成目标拼音信息的拼音类别信息，拼音类别确定模型通过上述用于训练模型的方法中任一实施例的方法训练得到。
从图4中可以看出，与图1对应的实施例相比，本实施例中的生成信息的方法突出了采用训练得到的拼音类别确定模型，来生成目标拼音信息的拼音类别信息的步骤。由此，本实施例描述的方案可以提高拼音类别信息确定的准确性。
进一步参考图5，作为对上述图1所示方法的实现，本申请提供了一种用于训练模型的装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于训练模型的装置500包括：样本获取单元501和模型训练单元502，样本获取单元501，被配置成获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到；模型训练单元502，被配置成利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
在本实施例中，用于训练模型的装置500的样本获取单元501和模型训练单元502的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤102的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，模型训练单元中的拼音类别确定模型利用自注意力结构构建的语音特征提取子模型和递归神经网络构建的拼音特征提取子模型进行联合训练而得到。
在本实施例的一些可选的实现方式中，样本获取单元中的拼音信息通过如下单元转换得到：标注单元，被配置成对每条语音信息进行汉字标注，得到每条语音信息的汉字信息；转换单元，被配置成将每条语音信息的汉字信息进行转换，得到与每条语音信息对应的拼音信息。
在本实施例的一些可选的实现方式中，装置还包括：预训练单元，被配置成对拼音类别确定模型进行预训练，得到预训练完成的拼音类别确定模型中语音特征提取子模型的参数；初始化单元，被配置成基于预训练得到的语音特征提取子模型的参数，初始化拼音类别确定模型的参数。
进一步参考图6，作为对上述图4所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于生成信息的装置600包括：目标获取单元601和信息生成单元602，目标获取单元601，被配置成获取目标语音信息和与每条目标语音信息对应的目标拼音信息，其中，目标拼音信息基于对每条目标语音信息进行标注而得到；信息生成单元602，被配置成将目标语音信息和目标拼音信息输入训练得到的拼音类别确定模型，生成目标拼音信息的拼音类别信息，其中，拼音类别确定模型通过如上述用于训练模型的方法中任一实施例的方法训练得到。
在本实施例中，用于生成信息的装置600的目标获取单元601和信息生成单元602的具体处理及其所带来的技术效果可分别参考图4对应的实施例中的步骤401到步骤402的相关说明，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的用于训练模型的方法的电子设备的框图。电子设备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、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/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于训练模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于训练模型的方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于训练模型的方法对应的程序指令/模块(例如，附图5所示的样本获取单元501和模型训练单元502)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于训练模型的方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于训练模型的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至用于训练模型的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于训练模型的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与用于训练模型的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案，通过获取训练样本集，其中，训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和拼音信息的类别信息，拼音信息通过对每条语音信息进行标注而得到，利用机器学习算法，将训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，语音特征提取子模型用于确定语音信息中的语音特征，拼音特征提取子模型用于确定拼音信息中的拼音特征，拼音类别确定子模型用于基于语音特征提取子模型确定的语音特征和拼音特征提取子模型确定的拼音特征确定拼音信息的类别，采用拼音信息替代现有的汉字信息作为建模单元，将最终需要识别的语音信息中的同音字类别进行了合并，避免了现有用汉字信息进行语音识别而造成同音字识别混淆的问题，提高了模型对同音字的识别效果，并提高了语音识别结果的准确率，由于合并了语音信息中的同音字类别，使输出的拼音类别数量大幅减小，降低了模型的训练难度，提高了模型对近音字的区分度，从而提高了模型性能。
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，本发申请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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种用于训练模型的方法，所述方法包括：
获取训练样本集，其中，所述训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和所述拼音信息的类别信息，所述拼音信息通过对每条语音信息进行标注而得到；
利用机器学习算法，将所述训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将所述拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，所述拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，所述语音特征提取子模型用于确定语音信息中的语音特征，所述拼音特征提取子模型用于确定拼音信息中的拼音特征，所述拼音类别确定子模型用于基于所述语音特征提取子模型确定的语音特征和所述拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
2.根据权利要求1所述的方法，其中，所述拼音类别确定模型利用自注意力结构构建的语音特征提取子模型和递归神经网络构建的拼音特征提取子模型进行联合训练而得到。
3.根据权利要求1所述的方法，其中，所述拼音信息通过如下转换方式得到：
对每条语音信息进行汉字标注，得到每条语音信息的汉字信息；
将每条语音信息的汉字信息进行转换，得到与每条语音信息对应的拼音信息。
4.根据权利要求1所述的方法，所述方法还包括：
对所述拼音类别确定模型进行预训练，得到预训练完成的所述拼音类别确定模型中语音特征提取子模型的参数；
基于预训练得到的语音特征提取子模型的参数，初始化所述拼音类别确定模型的参数。
5.一种用于生成信息的方法，所述方法包括：
获取目标语音信息和与每条目标语音信息对应的目标拼音信息，其中，所述目标拼音信息基于对每条目标语音信息进行标注而得到；
将所述目标语音信息和所述目标拼音信息输入训练得到的拼音类别确定模型，生成所述目标拼音信息的拼音类别信息，其中，所述拼音类别确定模型通过如权利要求1-4之一所述的方法训练得到。
6.一种用于训练模型的装置，所述装置包括：
样本获取单元，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括语音信息、与每条语音信息对应的拼音信息和所述拼音信息的类别信息，所述拼音信息通过对每条语音信息进行标注而得到；
模型训练单元，被配置成利用机器学习算法，将所述训练样本集中的训练样本包括的语音信息和与每条语音信息对应的拼音信息作为输入数据，将所述拼音信息的类别信息作为输出数据，训练得到拼音类别确定模型，其中，所述拼音类别确定模型包括语音特征提取子模型、拼音特征提取子模型和拼音类别确定子模型，所述语音特征提取子模型用于确定语音信息中的语音特征，所述拼音特征提取子模型用于确定拼音信息中的拼音特征，所述拼音类别确定子模型用于基于所述语音特征提取子模型确定的语音特征和所述拼音特征提取子模型确定的拼音特征确定拼音信息的类别。
7.根据权利要求6所述的装置，其中，所述模型训练单元中的所述拼音类别确定模型利用自注意力结构构建的语音特征提取子模型和递归神经网络构建的拼音特征提取子模型进行联合训练而得到。
8.根据权利要求6所述的装置，其中，所述样本获取单元中的所述拼音信息通过如下单元转换得到：
标注单元，被配置成对每条语音信息进行汉字标注，得到每条语音信息的汉字信息；
转换单元，被配置成将每条语音信息的汉字信息进行转换，得到与每条语音信息对应的拼音信息。
9.根据权利要求6所述的装置，所述装置还包括：
预训练单元，被配置成对所述拼音类别确定模型进行预训练，得到预训练完成的所述拼音类别确定模型中语音特征提取子模型的参数；
初始化单元，被配置成基于预训练得到的语音特征提取子模型的参数，初始化所述拼音类别确定模型的参数。
10.一种用于生成信息的装置，所述装置包括：
目标获取单元，被配置成获取目标语音信息和与每条目标语音信息对应的目标拼音信息，其中，所述目标拼音信息基于对每条目标语音信息进行标注而得到；
信息生成单元，被配置成将所述目标语音信息和所述目标拼音信息输入训练得到的拼音类别确定模型，生成所述目标拼音信息的拼音类别信息，其中，所述拼音类别确定模型通过如权利要求1-4之一所述的方法训练得到。
11.一种电子设备，其特征在于，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1-4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，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315469.XA CN113555009A (zh) | 2020-04-21 | 2020-04-21 | 用于训练模型的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315469.XA CN113555009A (zh) | 2020-04-21 | 2020-04-21 | 用于训练模型的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113555009A true CN113555009A (zh) | 2021-10-26 |
Family
ID=78100917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010315469.XA Pending CN113555009A (zh) | 2020-04-21 | 2020-04-21 | 用于训练模型的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113555009A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050209844A1 (en) * | 2004-03-16 | 2005-09-22 | Google Inc., A Delaware Corporation | Systems and methods for translating chinese pinyin to chinese characters |
| US20110153324A1 (en) * | 2009-12-23 | 2011-06-23 | Google Inc. | Language Model Selection for Speech-to-Text Conversion |
| CN109545192A (zh) * | 2018-12-18 | 2019-03-29 | 百度在线网络技术（北京）有限公司 | 用于生成模型的方法和装置 |
| CN109545190A (zh) * | 2018-12-29 | 2019-03-29 | 联动优势科技有限公司 | 一种基于关键词的语音识别方法 |
| CN109976702A (zh) * | 2019-03-20 | 2019-07-05 | 青岛海信电器股份有限公司 | 一种语音识别方法、装置及终端 |
| JP2019200408A (ja) * | 2018-05-18 | 2019-11-21 | バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド | 音声合成モデルを生成するための方法、及び装置 |
| CN110992959A (zh) * | 2019-12-06 | 2020-04-10 | 北京市科学技术情报研究所 | 一种语音识别方法及系统 |
-
2020
- 2020-04-21 CN CN202010315469.XA patent/CN113555009A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050209844A1 (en) * | 2004-03-16 | 2005-09-22 | Google Inc., A Delaware Corporation | Systems and methods for translating chinese pinyin to chinese characters |
| US20110153324A1 (en) * | 2009-12-23 | 2011-06-23 | Google Inc. | Language Model Selection for Speech-to-Text Conversion |
| JP2019200408A (ja) * | 2018-05-18 | 2019-11-21 | バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド | 音声合成モデルを生成するための方法、及び装置 |
| CN109545192A (zh) * | 2018-12-18 | 2019-03-29 | 百度在线网络技术（北京）有限公司 | 用于生成模型的方法和装置 |
| CN109545190A (zh) * | 2018-12-29 | 2019-03-29 | 联动优势科技有限公司 | 一种基于关键词的语音识别方法 |
| CN109976702A (zh) * | 2019-03-20 | 2019-07-05 | 青岛海信电器股份有限公司 | 一种语音识别方法、装置及终端 |
| CN110992959A (zh) * | 2019-12-06 | 2020-04-10 | 北京市科学技术情报研究所 | 一种语音识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴邦誉 等: "采用拼音降维的中文对话模型", 中文信息学报, vol. 33, no. 05, pages 113 - 121 * |
| 赵博轩 等: "利用拼音特征的深度学习文本分类模型", 高技术通讯, no. 07, pages 14 - 21 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111859994B (zh) | 机器翻译模型获取及文本翻译方法、装置及存储介质 | |
| US11769480B2 (en) | Method and apparatus for training model, method and apparatus for synthesizing speech, device and storage medium | |
| CN111754978B (zh) | 韵律层级标注方法、装置、设备和存储介质 | |
| CN111241819B (zh) | 词向量生成方法、装置及电子设备 | |
| CN111177355B (zh) | 基于搜索数据的人机对话交互方法、装置和电子设备 | |
| CN112509552B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN111259671A (zh) | 文本实体的语义描述处理方法、装置及设备 | |
| CN112951275B (zh) | 语音质检方法、装置、电子设备及介质 | |
| CN112489637A (zh) | 语音识别方法和装置 | |
| CN111144108A (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
| CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
| US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
| CN112269862B (zh) | 文本角色标注方法、装置、电子设备和存储介质 | |
| US20220068265A1 (en) | Method for displaying streaming speech recognition result, electronic device, and storage medium | |
| CN112365879A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN111680517A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111522944A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
| CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN111127191A (zh) | 风险评估方法及装置 | |
| CN110728156A (zh) | 翻译方法、装置、电子设备及可读存储介质 | |
| CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
| CN112559715B (zh) | 态度的识别方法、装置、设备及存储介质 | |
| US20210224476A1 (en) | Method and apparatus for describing image, electronic device and storage medium | |
| CN112289305A (zh) | 韵律预测方法、装置、设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176 Applicant after: Jingdong Digital Technology Holding Co.,Ltd. Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176 Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |