CN114141236B - 语言模型更新方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了语言模型更新方法、装置、电子设备及存储介质，涉及智能语音、深度学习以及自然语言处理等人工智能领域，其中的方法可包括：获取预定时长内更新的资源的文本信息；根据所述文本信息确定出更新的资源对应的第一语言模型；将第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型。应用本公开所述方案，可确保语言模型的及时更新，并相应地提升了语音识别结果的准确性等。

Description

语言模型更新方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及智能语音、深度学习以及自然语言处理等领域的语言模型更新方法、装置、电子设备及存储介质。

背景技术

随着人工智能技术的不断发展，人工智能家居设备走进了越来越多的家庭，对于这些人工智能家居设备，语音搜索成为一个必然的趋势，相应地，对语音识别模型提出了巨大的挑战。

对于一些新的资源，如新词等，可能识别结果不够准确。而为了提升识别结果的准确性，需要对语音识别模型进行语音识别时所用的语言模型进行相应的更新。

但目前主要采用人工收集识别不准确的案例(case)的方式，通常需要经过较长一段时间收集到足够多的case后才会去更新语言模型，从而导致语言模型的更新不及时，进而影响了识别效果等。

发明内容

本公开提供了语言模型更新方法、装置、电子设备及存储介质。

一种语言模型更新方法，包括：

获取预定时长内更新的资源的文本信息；

根据所述文本信息确定出所述更新的资源对应的第一语言模型；

将所述第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型。

一种语言模型更新装置，包括：信息获取模块、模型训练模块以及模型更新模块；

所述信息获取模块，用于获取预定时长内更新的资源的文本信息；

所述模型训练模块，用于根据所述文本信息确定出所述更新的资源对应的第一语言模型；

所述模型更新模块，用于将所述第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：可自动地获取预定时长内更新的资源的文本信息并相应地更新语言模型，从而确保了语言模型的及时更新，并相应地提升了语音识别结果的准确性等。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述语言模型更新方法第一实施例的流程图；

图2为本公开所述语言模型更新方法第二实施例的流程图；

图3为本公开所述语言模型更新装置第一实施例300的组成结构示意图；

图4为本公开所述语言模型更新装置第二实施例400的组成结构示意图；

图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。

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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述语言模型更新方法第一实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，获取预定时长内更新的资源的文本信息。

在步骤102中，根据所述文本信息确定出所述更新的资源对应的第一语言模型。

在步骤103中，将第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型。

可以看出，上述方法实施例所述方案中，可自动地获取预定时长内更新的资源的文本信息并相应地更新语言模型，从而确保了语言模型的及时更新，并相应地提升了语音识别结果的准确性，而且，无需人工收集识别不准确的case，从而节省了人力和时间成本等。

本公开中所述的预定时长通常是指最近预定时长。另外，本公开中对于如何获取最近预定时长内更新的资源不作限制。比如，可采取全量资源抓取方式，将最近一次抓取的资源与上一次抓取的资源进行比较，根据比较结果确定出更新的资源，即新的资源。

所述预定时长的具体取值可根据实际需要而定，比如，可为一天，相应地，可在每天的零点，按照本公开所述方式对语言模型进行更新。

进一步地，可获取到更新的资源的文本信息，更新的资源可包括新词、新的视频资源、新的名人、新的歌曲和新的专辑等，相应地，更新的资源的文本信息可包括新词、新的视频资源的名称、新的名人、新的歌曲的名称和新的专辑的名称等。其中，新词可以是指新的网络用语等，如么么哒、yyds(永远的神)等。

需要说明的是，上述仅为举例说明，并不用于限制本公开的技术方案，更新的资源的文本信息中具体包括哪些内容可根据实际需要而定，不限于以上所述，如还可包括歌曲的歌词等。

针对获取到的文本信息，还可对其进行一定的优化处理，如将获取到的文本信息转换为预定格式，所述预定格式为后续处理所需的格式。

之后，可根据更新的资源的文本信息确定出更新的资源对应的第一语言模型。本公开的一个实施例中，可首先确定出预先构建的词典中出现在所述文本信息中的词，之后可根据确定出的词及所述文本信息训练得到第一语言模型。

词典中需要尽可能地包括各种基础的词，即可认为是一个全量覆盖的词典。针对所述文本信息，可确定出词典中包括的词中出现在所述文本信息中的词，比如，词典中包括M个词，其中N个出现在了所述文本信息中，N小于M。

根据词典中出现在所述文本信息中的词以及所述文本信息，可训练得到第一语言模型，即得到更新的资源对应的语言模型，如得到不同词的前向概率和回退概率等。

如何训练得到第一语言模型为现有技术。在实际训练中，可为不同的文本信息分别赋予不同的权重，比如，某一文本信息的出现频次越高，对应的权重可越大。

假设某一文本信息由词典中的词a、词b和词c组成，那么通过训练，可让语言模型学习到词a、词b和词c组合得到该文本信息的方式等。

在获取到第一语言模型后，可将其与原有的第二语言模型进行融合，得到第三语言模型。本公开的一个实施例中，可将第一语言模型和第二语言模型进行插值处理，从而得到第三语言模型，即更新后的语言模型，第二语言模型即为更新前的语言模型。

通过插值处理，可实现两个语言模型的平滑融合，既保证了原有词库的识别准确率，又提升了更新的资源的识别概率等。

如何进行插值处理不作限制，比如，可采用现有的语言模型插值方式，所述插值可为线性插值等。

对于得到的第三语言模型，通常还需要对其进行重新构图，以得到线上可用的语言模型。

另外，在得到第三语言模型后，通常还不能立即上线使用。本公开的一个实施例中，可先对第三语言模型进行测试，若测试通过，则可将第三语言模型上线使用。

通过测试，可确保上线使用的语言模型为经验证的正确的语言模型，从而提升了后续根据所述语言模型进行语音识别的识别结果的准确性等。

本公开的一个实施例中，可利用第二语言模型对预先构建的测试集中的语音进行语音识别，根据识别结果确定出第一识别准确率，并可利用第三语言模型对测试集中的语音进行语音识别，根据识别结果确定出第二识别准确率，进而可通过比较第一识别准确率以及第二识别准确率确定出测试是否通过。

测试集中可包括多条语音及对应的识别结果。

针对测试集中的各语音，可分别利用第二语言模型对其进行语音识别，从而得到各语音的识别结果，由于测试集中记录了各语音的正确的识别结果，因此可方便地计算出利用第二语言模型进行语音识别后对应的第一识别准确率，类似地，可计算出利用第三语言模型进行语音识别对应的第二识别准确率。

在实际应用中，可利用语音识别模型来进行语音识别，语音识别模型在进行语音识别时会分别用到声学模型和语言模型，其中，为得到第一识别准确率和第二识别准确率，所述语言模型可分别使用上述的第二语言模型和第三语言模型。

之后，可将第一识别准确率与第二识别准确率进行比较，以确定测试是否通过。比如，若第二识别准确率高于第一识别准确率，则可确定测试通过，或者，若第二识别准确率与第一识别准确率之间的差异小于预定阈值，也可确定测试通过，所述阈值的具体取值可根据实际需要而定。

上述方式中，借助于测试集，通过比较更新前和更新后的语言模型对应的识别准确率，可准确高效地确定出测试是否通过，并可在测试通过后，将第三语言模型上线使用。

基于上述介绍，图2为本公开所述语言模型更新方法第二实施例的流程图。如图2所示，包括以下具体实现方式。

在步骤201中，获取最近预定时长内更新的资源的文本信息。

更新的资源可包括新词、新的视频资源、新的名人、新的歌曲和新的专辑等，相应地，更新的资源的文本信息可包括新词、新的视频资源的名称、新的名人、新的歌曲的名称和新的专辑的名称等。

在步骤202中，确定出预先构建的词典中出现在所述文本信息中的词。

在步骤203中，根据确定出的词及所述文本信息训练得到第一语言模型。

即可根据确定出的词及所述文本信息训练得到更新的资源对应的语言模型。

在步骤204中，将第一语言模型和原有的第二语言模型进行融合，得到第三语言模型。

比如，可将第一语言模型和第二语言模型进行插值处理，从而得到第三语言模型。

在步骤205中，对第三语言模型进行测试。

在步骤206中，确定测试是否通过，若是，则执行步骤207，否则，执行步骤203。

比如，可利用第二语言模型对预先构建的测试集中的语音进行语音识别，根据识别结果确定出第一识别准确率，并可利用第三语言模型对测试集中的语音进行语音识别，根据识别结果确定出第二识别准确率，进而可通过比较第一识别准确率及第二识别准确率确定出测试是否通过。

若测试通过，可执行步骤207，若测试不通过，可重复执行第一语言模型的训练等过程。

在步骤207中，将第三语言模型上线使用。

另外，在经过所述预定时长后，可重复执行图2所示流程。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

总之，采用本公开方法实施例所述方案，可确保语言模型的及时更新，并相应地提升了语音识别结果的准确性，而且，可适用于各个语音搜索的产品，具有广泛适用性。

以智能音箱为例，针对海量的资源库，可每天进行资源更新，并可根据更新的资源对应更新语言模型，并可对更新后的语言模型进行测试，测试通过，可推送线上，整个过程均可自动完成，无需人工参与，不但节省了人力和时间成本，而且提升了语音识别结果的准确性等。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图3为本公开所述语言模型更新装置第一实施例300的组成结构示意图。如图3所示，包括：信息获取模块301、模型训练模块302以及模型更新模块303。

信息获取模块301，用于获取预定时长内更新的资源的文本信息。

模型训练模块302，用于根据所述文本信息确定出更新的资源对应的第一语言模型。

模型更新模块303，用于将第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型。

上述装置实施例所述方案中，可自动地获取预定时长内更新的资源的文本信息并相应地更新语言模型，从而确保了语言模型的及时更新，并相应地提升了语音识别结果的准确性，而且，无需人工收集识别不准确的case，从而节省了人力和时间成本等。

信息获取模块301如何获取预定时长内更新的资源不作限制。比如，可采取全量资源抓取方式，将最近一次抓取的资源与上一次抓取的资源进行比较，根据比较结果确定出更新的资源，即新的资源。

进一步地，信息获取模块301可获取到更新的资源的文本信息，更新的资源可包括新词、新的视频资源、新的名人、新的歌曲和新的专辑等，相应地，更新的资源的文本信息可包括新词、新的视频资源的名称、新的名人、新的歌曲的名称和新的专辑的名称等。

模型训练模块302可根据更新的资源的文本信息确定出更新的资源对应的第一语言模型。本公开的一个实施例中，模型训练模块302可首先确定出预先构建的词典中出现在所述文本信息中的词，之后可根据确定出的词及所述文本信息训练得到第一语言模型，即得到更新的资源对应的语言模型。

在获取到第一语言模型后，模型更新模块303可将其与原有的第二语言模型进行融合，得到第三语言模型。本公开的一个实施例中，模型更新模块303可将第一语言模型和第二语言模型进行插值处理，从而得到第三语言模型，即更新后的语言模型，第二语言模型即为更新前的语言模型。

如何进行插值处理不作限制，比如，可采用现有的语言模型插值方式，所述插值可为线性插值等。

图4为本公开所述语言模型更新装置第二实施例400的组成结构示意图。如图4所示，包括：信息获取模块301、模型训练模块302、模型更新模块303以及模型测试模块304。

其中，信息获取模块301、模型训练模块302以及模型更新模块303的功能与图3中所示相同，不再赘述。

模型测试模块304，用于对第三语言模型进行测试，若测试通过，则可将第三语言模型上线使用。

本公开的一个实施例中，模型测试模块304可利用第二语言模型对预先构建的测试集中的语音进行语音识别，根据识别结果确定出第一识别准确率，并可利用第三语言模型对测试集中的语音进行语音识别，根据识别结果确定出第二识别准确率，进而可通过比较第一识别准确率及第二识别准确率确定出测试是否通过。

测试集中可包括多条语音及对应的识别结果。

针对测试集中的各语音，模型测试模块304可分别利用第二语言模型对其进行语音识别，从而得到各语音的识别结果，由于测试集中记录了各语音的正确的识别结果，因此可方便地计算出利用第二语言模型进行语音识别后对应的第一识别准确率，类似地，可计算出利用第三语言模型进行语音识别对应的第二识别准确率。

之后，模型测试模块304可将第一识别准确率与第二识别准确率进行比较，以确定测试是否通过。比如，若第二识别准确率高于第一识别准确率，则可确定测试通过，或者，若第二识别准确率与第一识别准确率之间的差异小于预定阈值，也可确定测试通过。

图3和图4所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明。

总之，采用本公开装置实施例所述方案，可确保语言模型的及时更新，并相应地提升了语音识别结果的准确性，而且，可适用于各个语音搜索的产品，具有广泛适用性。

本公开所述方案可应用于人工智能领域，特别涉及智能语音、深度学习以及自然语言处理等领域。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。

本公开所述实施例中的资源和语音并不针对某一特定用户，并不能反映出某一特定用户的个人信息，另外，语言模型更新方法的执行主体可以通过各种公开、合法合规的方式获取所述资源和语音。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。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、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，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。

计算单元501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501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501执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

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)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (7)

1.一种语言模型更新方法，包括：

执行以下预定处理：

获取预定时长内更新的资源的文本信息；

根据所述文本信息确定出所述更新的资源对应的第一语言模型，包括：确定出预先构建的词典中出现在所述文本信息中的词，根据确定出的词及所述文本信息训练得到所述第一语言模型，其中，按照出现的频次越高对应的权重越大的原则，为不同的文本信息分别赋予对应的权重，所述词典为包括各种基础的词的全量覆盖词典；

将所述第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型，所述第二语言模型为更新前的语言模型；

对所述第三语言模型进行测试，若测试通过，则将所述第三语言模型上线使用，包括：利用使用所述第二语言模型的语音识别模型对预先构建的测试集中的语音进行语音识别，根据识别结果确定出第一识别准确率，利用使用所述第三语言模型的语音识别模型对所述测试集中的语音进行语音识别，根据识别结果确定出第二识别准确率，两个语音识别模型使用相同的声学模型，若所述第二识别准确率高于所述第一识别准确率，则确定测试通过，或者，若所述第二识别准确率与所述第一识别准确率之间的差异小于预定阈值，则确定测试通过；

经过所述预定时长后，重复执行所述预定处理。

2.根据权利要求1所述的方法，其中，所述将所述第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型包括：

将所述第一语言模型和所述第二语言模型进行插值处理，得到所述第三语言模型。

3.一种语言模型更新装置，包括：信息获取模块、模型训练模块、模型更新模块以及模型测试模块；

所述信息获取模块，用于获取预定时长内更新的资源的文本信息；

所述模型训练模块，用于根据所述文本信息确定出所述更新的资源对应的第一语言模型，包括：确定出预先构建的词典中出现在所述文本信息中的词，根据确定出的词及所述文本信息训练得到所述第一语言模型，其中，按照出现的频次越高对应的权重越大的原则，为不同的文本信息分别赋予对应的权重，所述词典为包括各种基础的词的全量覆盖词典；

所述模型更新模块，用于将所述第一语言模型与原有的第二语言模型进行融合，得到所需的第三语言模型，所述第二语言模型为更新前的语言模型；

所述模型测试模块，用于对所述第三语言模型进行测试，若测试通过，则将所述第三语言模型上线使用，包括：利用使用所述第二语言模型的语音识别模型对预先构建的测试集中的语音进行语音识别，根据识别结果确定出第一识别准确率，利用使用所述第三语言模型的语音识别模型对所述测试集中的语音进行语音识别，根据识别结果确定出第二识别准确率，两个语音识别模型使用相同的声学模型，若所述第二识别准确率高于所述第一识别准确率，则确定测试通过，或者，若所述第二识别准确率与所述第一识别准确率之间的差异小于预定阈值，则确定测试通过；经过所述预定时长后，通知所述信息获取模块重复执行自身功能。

4.根据权利要求3所述的装置，其中，

所述模型更新模块将所述第一语言模型和所述第二语言模型进行插值处理，得到所述第三语言模型。

5.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-2中任一项所述的方法。

6.一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计算机执行权利要求1-2中任一项所述的方法。

7.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-2中任一项所述的方法。

Images