CN116072108A - 模型生成方法、语音识别方法、装置、介质及设备 - Google Patents

Abstract

本公开涉及一种模型生成方法、语音识别方法、装置、介质及设备。方法包括：获取目标域内的多个第一有标签音频样本和多个无标签音频样本；利用多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；利用多个第一有标签音频样本和预训练模型，生成每一无标签音频样本的第一伪标签；利用各第一伪标签和多个无标签音频样本，对预训练模型进行有监督微调训练，得到目标语音识别模型。这样，可利用伪标签弥补目标域中有标签音频样本不足导致的模型准确率不高的问题，提升语音识别模型准确率。另外，还可避免通用领域训练数据对模型在目标领域内的语音识别能力造成干扰，保证模型在目标领域内的语音识别能力。

Description

模型生成方法、语音识别方法、装置、介质及设备

技术领域

本公开涉及语音识别技术领域，具体地，涉及一种模型生成方法、语音识别方法、装置、介质及设备。

背景技术

语音识别模型的语音识别效果与其训练所用的数据密切相关，其中，语音识别模型通常对其所应用的目标领域内的有标签数据的规模有一定的要求。当目标领域内的有标签数据不足时，通常有两种处理方式：(1)先基于目标领域内的大量无标签数据做自监督预训练，然后用目标领域内的有标签数据做有监督微调，其中，通常目标领域内有标签数据较少，这样，语音识别模型的准确率将无法保证；(2)利用通用领域内的现有的有标签数据进行模型预训练，然后用目标领域内的有标签数据做有监督微调，但通用领域的有标签数据有可能与最终应用的目标领域不匹配，可能会对语音识别模型在目标领域内的语音识别能力造成干扰，使得语音识别模型在目标领域内的语音识别能力受到影响。

发明内容

提供该部分内容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。该部分内容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识别模型生成方法，包括：

获取目标域内的多个第一有标签音频样本和多个无标签音频样本；

利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；

利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；

利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

第二方面，本公开提供一种语音识别方法，所述方法包括：

获取待识别的音频数据；

将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据本公开第一方面提供的所述语音识别模型生成方法训练得到的。

第三方面，本公开提供一种语音识别模型生成装置，包括：

第一获取模块，用于获取目标域内的多个第一有标签音频样本和多个无标签音频样本；

第一预训练模块，用于利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；

生成模块，用于利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；

微调模块，用于利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

第四方面，本公开提供一种语音识别装置，所述装置包括：

第二获取模块，用于获取待识别的音频数据；

语音识别模块，用于将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据本公开第一方面提供的所述语音识别模型生成方法训练得到的。

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本公开第一方面或第二方面提供的所述方法的步骤。

第六方面，本公开提供一种电子设备，包括：

存储装置，其上存储有至少一个计算机程序；

至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现本公开第一方面或第二方面提供的所述方法的步骤。

在上述技术方案中，首先利用目标域内的无标签音频样本进行模型预训练；之后，利用目标域内的有标签音频样本和预训练后所得的模型生成目标域内无标签音频样本的伪标签；最后，利用目标域内无标签音频样本和相应的伪标签，对预训练后所得的模型进行微调，得到目标语音识别模型。这样，可以利用伪标签来弥补目标域中有标签音频样本不足导致的语音识别模型的准确率不高的问题，从而提升语音识别模型的准确率。另外，整个模型生成阶段均是采用目标领域内的训练数据进行训练的，可以避免通用领域训练数据对语音识别模型在目标领域内的语音识别能力造成干扰，从而保证了目标语音识别模型在目标领域内的语音识别能力。此外，通过少量的有标签音频样本即可保证语音识别模型的准确率，而无需进行大量的人工标注，节省了人力，提升了语音识别模型的训练效率。

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是根据一示例性实施例示出的一种语音识别模型生成方法的流程图。

图2是根据一示例性实施例示出的一种语音识别模型生成方法的过程示意图。

图3是根据另一示例性实施例示出的一种语音识别模型生成方法的流程图。

图4是根据另一示例性实施例示出的一种语音识别模型生成方法的过程示意图。

图5是根据一示例性实施例示出的一种语音识别模型生成装置的框图。

图6是根据一示例性实施例示出的一种语音识别装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

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。

本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1是根据一示例性实施例示出的一种语音识别模型生成方法的流程图。如图1所示，该方法可以包括以下S101～S104。

在S101中，获取目标域内的多个第一有标签音频样本和多个无标签音频样本。

在本公开中，本文的“领域”(domain)泛指音频数据自身的某些特性，例如说话的场景(嘈杂或安静背景)、说话的风格(朗读、自然对话、语气、口音等)、音频质量(采样率、近远场、压缩方法等)、说话内容的主题(闲聊、专业领域等)等等。训练语音识别模型的通用音频样本所在的空间称为源域(Source Domain)，特定场景下的音频样本所在的空间称为目标域(Target Domain)。其中，目标域内的数据又称为“领域内”(In-Domain，ID)数据，源域内的数据又称为“领域外”(Out-Of-Domain，OOD)数据。

其中，第一有标签音频样本包括目标域内的第一音频样本和该第一音频样本对应的标注文本。

示例地，上述领域为专业领域，目标域为医学领域、航天领域等。

在S102中，利用多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型。

在本公开中，第一初始模型可以是传统声学模型+语言模型的模型结构，也可以采用端到端的模型结构，本公开实施例对此不作具体限定。第一初始模型的训练目标可以根据实际任务需求设定，预训练完毕后，即可得到预训练模型。

在S103中，利用多个第一有标签音频样本和预训练模型，生成每一无标签音频样本的第一伪标签。

在本公开中，第一伪标签为无标签音频样本对应的伪文本。

在S104中，利用每一第一伪标签和多个无标签音频样本，对预训练模型进行有监督微调训练，得到目标语音识别模型。

具体来说，可以将无标签音频样本作为预训练模型的输入，将该无标签音频样本对应的第一伪标签作为预训练模型的目标输出的方式进行模型有监督微调训练，以进行模型参数微调，从而得到目标语音识别模型。

在上述技术方案中，首先利用目标域内的无标签音频样本进行模型预训练；之后，利用目标域内的有标签音频样本和预训练后所得的模型生成目标域内无标签音频样本的伪标签；最后，利用目标域内无标签音频样本和相应的伪标签，对预训练后所得的模型进行微调，得到目标语音识别模型。这样，可以利用伪标签来弥补目标域中有标签音频样本不足导致的语音识别模型的准确率不高的问题，从而提升语音识别模型的准确率。另外，整个模型生成阶段均是采用目标领域内的训练数据进行训练的，可以避免通用领域训练数据对语音识别模型在目标领域内的语音识别能力造成干扰，从而保证了目标语音识别模型在目标领域内的语音识别能力。此外，通过少量的有标签音频样本即可保证语音识别模型的准确率，而无需进行大量的人工标注，节省了人力，提升了语音识别模型的训练效率。

下面针对上述S103中的利用多个第一有标签音频样本和预训练模型，生成每一无标签音频样本的第一伪标签的具体实施方式进行详细说明。具体来说，可以通过以下步骤(1)和步骤(2)来实现：

步骤(1)：利用多个第一有标签音频样本对预训练模型进行有监督微调训练，得到第一语音识别模型。

具体来说，可以将第一有标签音频样本中的第一音频样本作为预训练模型的输入，将该第一音频样本对应的标注文本作为预训练模型的目标输出的方式，进行模型有监督微调训练，以进行模型参数微调，从而得到第一语音识别模型。

步骤(2)：针对每一无标签音频样本，通过第一语音识别模型对该无标签音频样本进行语音识别，得到该无标签音频样本的第一伪标签。

下面结合图2详细说明语音识别模型的训练方法的具体步骤。如图2所示，可以通过步骤①～步骤④来实现：

步骤①：利用目标域内的多个无标签音频样本，对第一初始模型进行自监督模型预训练，得到预训练模型；

步骤②：利用目标域内的多个第一有标签音频样本对预训练模型进行有监督微调训练，得到第一语音识别模型；

步骤③：利用第一语音识别模型对目标域内的各无标签音频样本分别进行解码，即通过第一语音识别模型对各无标签音频样本分别进行语音识别，得到各无标签音频样本的第一伪标签；

步骤④：利用各无标签音频样本和相应的第一伪标签，对预训练模型进行有监督微调训练，得到目标语音识别模型。

图3是根据另一示例性实施例示出的一种语音识别模型生成方法的流程图。如图3所示，在上述S104之前，上述方法还可以包括以下S105～S107。

在S105中，获取源域内的多个第二有标签音频样本。

在本公开中，第二有标签音频样本包括源域内的第二音频样本和该第二音频样本对应的标注文本。

在S106中，利用多个第二有标签音频样本对N个第二初始模型分别进行有监督模型预训练，得到N个第二语音识别模型。

在本公开中，可以针对N个第二初始模型中的每一第二初始模型，将第二有标签音频样本中的第二音频样本作为该第二初始模型的输入，将该第二音频样本对应的标注文本作为该第二初始模型的目标输出的方式进行有监督模型预训练，以得到该第二初始模型对应的第二语音识别模型。

另外，N≥1。在一种实施方式中，N＝1，即可以利用多个第二有标签音频样本对第二初始模型分别进行有监督模型预训练，得到一个第二语音识别模型。

在另一种实施方式中，N＞1，即可以针对N个第二初始模型中的每一输出模型，利用多个第二有标签音频样本对该第二初始模型分别进行有监督模型预训练，得到该第二初始模型对应的第二语音识别模型，由此，可以得到N个第二语音识别模型。

其中，各第二初始模型可以是传统声学模型+语言模型的模型结构，也可以采用端到端的模型结构，本公开实施例对此不作具体限定。并且，N个第二初始模型的结构可以彼此互不相同，并且，它们中可能包含与上述第一初始模型结构相同的模型，也可能不包含与上述第一初始模型结构相同的模型，即N个第二初始模型和第一初始模型彼此互不相同。

优选地，N个第二初始模型彼此互不相同、且彼此之间的结构差异较大，这样，可以同时训练多种不同结构、不同尺寸的第二语音识别模型，从而增强第二伪标签的多样性和互补性，提升目标伪标签的准确率，进而提升目标语音识别模型的准确率。

返回图3，在S107中，针对N个第二语音识别模型中的每一第二语音识别模型，通过该第二语音识别模型对每一无标签音频样本分别进行语音识别，得到该第二语音识别模型对应的、无标签音频样本的多个第二伪标签。

此时，上述S104可以利用每一第一伪标签、每一第二语音识别模型对应的多个第二伪标签以及多个无标签音频样本，对预训练模型进行有监督微调训练，得到目标语音识别模型。其中，第二伪标签为相应无标签音频样本的伪文本。

具体来说，可以通过以下步骤[1]和步骤[2]来实现：

步骤[1]：从每一第一伪标签和每一第二语音识别模型对应的多个第二伪标签中筛选出多个目标伪标签。

步骤[2]：利用多个目标伪标签和每一目标伪标签对应的无标签音频样本，对预训练模型进行有监督微调训练，得到目标语音识别模型。

具体来说，可以将目标伪标签对应的无标签音频样本作为预训练模型的输入，将该目标伪标签作为预训练模型的目标输出的方式进行模型有监督微调训练，以进行模型参数微调，从而得到目标语音识别模型。

在上述实施方式中，当目标域内的多个第一有标签音频样本数量较少时，利用它们对预训练模型进行有监督微调训练得到的第一语音识别模型的识别准确度可能不高，这样，由第一语音识别模型生成的无标签音频样本的第一伪标签的准确度可能不高；同时，当源域与目标域相差较大时，利用源域内多个第二有标签音频样本进行有监督模型预训练得到的N个第二语音识别模型，对目标域内的无标签音频样本的识别能力可能不高，这样，由各第一语音识别模型生成的无标签音频样本的第二伪标签的识别准确度可能不高，因此，需要先从第一语音识别模型生成的多个第一伪标签和各第二语音识别模型生成的多个第二伪标签中筛选出准确率较高的目标伪标签，之后，根据这些目标伪标签对预训练模型进行有监督微调训练，从而得到识别准确率较高的目标语音识别模型。

下面针对上述步骤[1]中的从每一第一伪标签和每一第二语音识别模型对应的多个第二伪标签中筛选出多个目标伪标签的具体实施方式进行详细说明。

在一种实施方式中，N＝1，此时，可以针对每一无标签音频样本，计算该无标签音频样本的第一伪标签和第二伪标签的第一相似度；若第一相似度大于第一预设相似度阈值，则从该无标签音频样本的第一伪标签和第二伪标签中确定目标伪标签。

具体来说，若第一相似度大于第一预设相似度阈值，则表明该无标签音频样本的第一伪标签和第二伪标签的一致性较高，即该无标签音频样本的第一伪标签和第二伪标签的准确率较高，此时，可以从该无标签音频样本的第一伪标签和第二伪标签中确定目标伪标签，以用于预训练模型的微调；若第一相似度小于或等于第一预设相似度阈值，则表明该无标签音频样本的第一伪标签和第二伪标签的一致性不好，即该无标签音频样本的第一伪标签和第二伪标签的准确率无法保证，无法用于预训练模型的微调，此时，舍弃该无标签音频样本的第一伪标签和第二伪标签。

在另一种实施方式中，N>1，此时，可以针对每一无标签音频样本，计算该无标签音频样本的第一伪标签和N个第二伪标签中两两之间的第二相似度；若该无标签音频样本对应的、两两之间的第二相似度中的最大值大于第二预设相似度阈值，则从最大值对应的两个伪标签中确定目标伪标签。

具体来说，若该无标签音频样本对应的、两两之间的第二相似度中的最大值大于第二预设相似度阈值，则表明该最大值对应的两个伪标签的一致性较高，即该无标签音频样本相对应的最大值、对应的两个伪标签的准确率较高，此时，可以从该无标签音频样本相对应的最大值、对应的两个伪标签中确定目标伪标签，以用于预训练模型的微调；若该无标签音频样本对应的、两两之间的第二相似度中的最大值小于或等于第二预设相似度阈值，则表明该无标签音频样本的第一伪标签和N个第二伪标签中两两之间的一致性均不好，即该无标签音频样本的第一伪标签和N个第二伪标签的准确率均无法保证，无法用于预训练模型的微调，此时，舍弃该无标签音频样本的第一伪标签和N个第二伪标签。

另外，在本公开中，可以利用余弦距离、两个伪标签之间的词错率、欧式距离等来衡量两个伪标签之间的相似度，本公开实施例对于第一相似度和第二相似度的计算方式不作具体限定。

下面针对上述从该无标签音频样本的第一伪标签和第二伪标签中确定目标伪标签的具体实施方式进行详细说明。具体来说，可以通过多种实施方式来实现，在一种实施方式中，可以将该无标签音频样本的第一伪标签确定为目标伪标签。

在另一种实施方式中，可以将该无标签音频样本的第二伪标签确定为目标伪标签。

在又一种实施方式中，可以从该无标签音频样本的第一伪标签和第二伪标签中随机选取一个作为目标伪标签。这样，可以增加目标伪标签的多样性和互补性，提升目标伪标签的准确率，进而提升目标语音识别模型的准确率。

在又一种实施方式中，将该无标签音频样本的第一伪标签和第二伪标签中、由词错率低的语音识别模型生成的伪标签确定为目标伪标签。这样，可以提升目标伪标签的准确率，进而提升目标语音识别模型的准确率。

另外，可以采用与上述从该无标签音频样本的第一伪标签和第二伪标签中确定目标伪标签类似的方式，来从最大值对应的两个伪标签中确定目标伪标签，本公开不再赘述。

下面结合图4详细说明语音识别模型的训练方法的具体方式。如图4所示，可以通过步骤①～步骤⑦来实现：

步骤①：利用目标域内的多个无标签音频样本，对第一初始模型进行自监督模型预训练，得到预训练模型；

步骤②：利用目标域内的多个第一有标签音频样本对预训练模型进行有监督微调训练，得到第一语音识别模型；

步骤③：利用第一语音识别模型对目标域内的各无标签音频样本分别进行解码，即通过第一语音识别模型对各无标签音频样本分别进行语音识别，得到各无标签音频样本的第一伪标签；

步骤④：利用源域内的多个第二有标签音频样本对N个第二初始模型进行有监督模型预训练，得到N个第二语音识别模型；

步骤⑤：针对N个第二语音识别模型中的每一第二语音识别模型，利用该第二语音识别模型对各无标签音频样本分别进行解码，即通过该第二语音识别模型对各无标签音频样本分别进行语音识别，从而得到各第二语音识别模型对应的、每一无标签音频样本的多个第二伪标签；

步骤⑥：从各第一伪标签和每一第二语音识别模型对应的多个第二伪标签中筛选出多个目标伪标签；

步骤⑦：利用多个目标伪标签和每一目标伪标签对应的无标签音频样本，对预训练模型进行有监督微调训练，得到目标语音识别模型。

需要说明的，在上述步骤①～步骤⑦中，上述步骤④可以在上述步骤③之后执行(如图4所示)，也可以在上述步骤①之前执行，还可以与上述步骤①同时执行，对此，本公开不作具体限定。

另外，本公开还提供一种语音识别方法，该语音识别方法包括：

获取待识别的音频数据；

将音频数据输入到预先训练好的目标语音识别模型，得到目标音频数据对应的目标文本，其中，目标语音识别模型是根据本公开提供的上述语音识别模型生成方法训练得到的。

图5是根据一示例性实施例示出的一种语音识别模型生成装置的框图。如图5所示，该装置200包括：

第一获取模块201，用于获取目标域内的多个第一有标签音频样本和多个无标签音频样本；

第一预训练模块202，用于利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；

生成模块203，用于利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；

微调模块204，用于利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

在上述技术方案中，首先利用目标域内的无标签音频样本进行模型预训练；之后，利用目标域内的有标签音频样本和预训练后所得的模型生成目标域内无标签音频样本的伪标签；最后，利用目标域内无标签音频样本和相应的伪标签，对预训练后所得的模型进行微调，得到目标语音识别模型。这样，可以利用伪标签来弥补目标域中有标签音频样本不足导致的语音识别模型的准确率不高的问题，从而提升语音识别模型的准确率。另外，整个模型生成阶段均是采用目标领域内的训练数据进行训练的，可以避免通用领域训练数据对语音识别模型在目标领域内的语音识别能力造成干扰，从而保证了目标语音识别模型在目标领域内的语音识别能力。此外，通过少量的有标签音频样本即可保证语音识别模型的准确率，而无需进行大量的人工标注，节省了人力，提升了语音识别模型的训练效率。

可选地，所述生成模块203包括：

第一微调子模块，用于利用所述多个第一有标签音频样本对所述预训练模型进行有监督微调训练，得到第一语音识别模型；

解码子模块，用于针对每一所述无标签音频样本，通过所述第一语音识别模型对该无标签音频样本进行语音识别，得到该无标签音频样本的第一伪标签。

可选地，所述装置200还包括：

第三获取模块，用于在所述微调模块204利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练之前，获取源域内的多个第二有标签音频样本；

第二预训练模块，用于利用所述多个第二有标签音频样本对N个第二初始模型分别进行有监督模型预训练，得到N个第二语音识别模型，其中，N≥1；

解码模块，用于针对所述N个第二语音识别模型中的每一所述第二语音识别模型，通过该第二语音识别模型对每一所述无标签音频样本分别进行语音识别，得到该第二语音识别模型对应的、所述无标签音频样本的多个第二伪标签；

所述微调模块204用于利用所述每一第一伪标签、每一所述第二语音识别模型对应的所述多个第二伪标签以及所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

可选地，所述微调模块204包括：

筛选子模块，用于从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签；

第二微调子模块，用于利用所述多个目标伪标签和每一所述目标伪标签对应的所述无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

可选地，N＝1；

所述筛选子模块包括：

第一计算子模块，用于针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和所述第二伪标签的第一相似度；

第一确定子模块，用于若所述第一相似度大于第一预设相似度阈值，则从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签。

可选地，所述第一确定子模块用于从该无标签音频样本的所述第一伪标签和所述第二伪标签中随机选取一个作为目标伪标签。

可选地，所述第一确定子模块用于将该无标签音频样本的所述第一伪标签和所述第二伪标签中、由词错率低的语音识别模型生成的伪标签确定为目标伪标签。

可选地，N>1；

所述筛选子模块包括：

第二计算子模块，用于针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和N个所述第二伪标签中两两之间的第二相似度；

第二确定子模块，用于若该无标签音频样本对应的、所述两两之间的第二相似度中的最大值大于第二预设相似度阈值，则从所述最大值对应的两个伪标签中确定目标伪标签。

可选地，N＞1，且所述N个第二初始模型彼此互不相同。

图6是根据一示例性实施例示出的一种语音识别装置的框图。如图6所示，该装置300包括：

第二获取模块301，用于获取待识别的音频数据；

语音识别模块302，用于将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据本公开提供的上述语音识别模型生成方法训练得到的。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600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7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7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608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608；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7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608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：获取目标域内的多个第一有标签音频样本和多个无标签音频样本；利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

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：获取待识别的音频数据；将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是本公开提供的上述语音识别模型生成方法训练得到的。

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，第一获取模块还可以被描述为“获取目标域内的多个第一有标签音频样本和多个无标签音频样本的模块”。

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提供了一种语音识别模型生成方法，包括：获取目标域内的多个第一有标签音频样本和多个无标签音频样本；利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

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，所述利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签，包括：利用所述多个第一有标签音频样本对所述预训练模型进行有监督微调训练，得到第一语音识别模型；针对每一所述无标签音频样本，通过所述第一语音识别模型对该无标签音频样本进行语音识别，得到该无标签音频样本的第一伪标签。

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，在所述利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练的步骤之前，所述方法还包括：获取源域内的多个第二有标签音频样本；利用所述多个第二有标签音频样本对N个第二初始模型分别进行有监督模型预训练，得到N个第二语音识别模型，其中，N≥1；针对所述N个第二语音识别模型中的每一所述第二语音识别模型，通过该第二语音识别模型对每一所述无标签音频样本分别进行语音识别，得到该第二语音识别模型对应的、所述无标签音频样本的多个第二伪标签；所述利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型，包括：利用所述每一第一伪标签、每一所述第二语音识别模型对应的所述多个第二伪标签以及所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

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，所述利用所述每一第一伪标签、每一所述第二语音识别模型对应的所述多个第二伪标签以及所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型，包括：从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签；利用所述多个目标伪标签和每一所述目标伪标签对应的所述无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，N＝1；所述从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签，包括：针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和所述第二伪标签的第一相似度；若所述第一相似度大于第一预设相似度阈值，则从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签。

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，所述从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签，包括：从该无标签音频样本的所述第一伪标签和所述第二伪标签中随机选取一个作为目标伪标签。

根据本公开的一个或多个实施例，示例7提供了示例5的方法，所述从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签，包括：将该无标签音频样本的所述第一伪标签和所述第二伪标签中、由词错率低的语音识别模型生成的伪标签确定为目标伪标签。

根据本公开的一个或多个实施例，示例8提供了示例4的方法，N>1；所述从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签，包括：针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和N个所述第二伪标签中两两之间的第二相似度；若该无标签音频样本对应的、所述两两之间的第二相似度中的最大值大于第二预设相似度阈值，则从所述最大值对应的两个伪标签中确定目标伪标签。

根据本公开的一个或多个实施例，示例9提供了示例3、4、8中任一项所述的方法，N＞1，且所述N个第二初始模型彼此互不相同。

根据本公开的一个或多个实施例，示例10提供了一种语音识别方法，所述方法包括：获取待识别的音频数据；将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据示例1-9中任一项所述的语音识别模型生成方法训练得到的。

根据本公开的一个或多个实施例，示例11提供了一种语音识别模型生成装置，包括：第一获取模块，用于获取目标域内的多个第一有标签音频样本和多个无标签音频样本；第一预训练模块，用于利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；生成模块，用于利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；微调模块，用于利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述生成模块包括：第一微调子模块，用于利用所述多个第一有标签音频样本对所述预训练模型进行有监督微调训练，得到第一语音识别模型；解码子模块，用于针对每一所述无标签音频样本，通过所述第一语音识别模型对该无标签音频样本进行语音识别，得到该无标签音频样本的第一伪标签。

根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述装置还包括：第三获取模块，用于在所述微调模块利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练之前，获取源域内的多个第二有标签音频样本；第二预训练模块，用于利用所述多个第二有标签音频样本对N个第二初始模型分别进行有监督模型预训练，得到N个第二语音识别模型，其中，N≥1；解码模块，用于针对所述N个第二语音识别模型中的每一所述第二语音识别模型，通过该第二语音识别模型对每一所述无标签音频样本分别进行语音识别，得到该第二语音识别模型对应的、所述无标签音频样本的多个第二伪标签；所述微调模块用于利用所述每一第一伪标签、每一所述第二语音识别模型对应的所述多个第二伪标签以及所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

根据本公开的一个或多个实施例，示例14提供了示例13的装置，所述微调模块包括：筛选子模块，用于从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签；第二微调子模块，用于利用所述多个目标伪标签和每一所述目标伪标签对应的所述无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

根据本公开的一个或多个实施例，示例15提供了示例14的装置，N＝1；所述筛选子模块包括：第一计算子模块，用于针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和所述第二伪标签的第一相似度；第一确定子模块，用于若所述第一相似度大于第一预设相似度阈值，则从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签。

根据本公开的一个或多个实施例，示例16提供了示例15的装置，所述第一确定子模块用于从该无标签音频样本的所述第一伪标签和所述第二伪标签中随机选取一个作为目标伪标签。

根据本公开的一个或多个实施例，示例17提供了示例15的装置，所述第一确定子模块用于将该无标签音频样本的所述第一伪标签和所述第二伪标签中、由词错率低的语音识别模型生成的伪标签确定为目标伪标签。

根据本公开的一个或多个实施例，示例18提供了示例14的装置，N>1；所述筛选子模块包括：第二计算子模块，用于针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和N个所述第二伪标签中两两之间的第二相似度；第二确定子模块，用于若该无标签音频样本对应的、所述两两之间的第二相似度中的最大值大于第二预设相似度阈值，则从所述最大值对应的两个伪标签中确定目标伪标签。

根据本公开的一个或多个实施例，示例19提供了示例13、14、18中任一项所述的装置，N＞1，且所述N个第二初始模型彼此互不相同。

根据本公开的一个或多个实施例，示例20提供了一种语音识别装置，所述装置包括：第二获取模块，用于获取待识别的音频数据；语音识别模块，用于将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据示例1-9中任一项所述的语音识别模型生成方法训练得到的。

根据本公开的一个或多个实施例，示例21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示例求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22提供了一种电子设备，包括：

存储装置，其上存储有至少一个计算机程序；

至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现示例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)

1.一种语音识别模型生成方法，其特征在于，包括：

获取目标域内的多个第一有标签音频样本和多个无标签音频样本；

利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；

利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；

利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

2.根据权利要求1所述的方法，其特征在于，所述利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签，包括：

利用所述多个第一有标签音频样本对所述预训练模型进行有监督微调训练，得到第一语音识别模型；

针对每一所述无标签音频样本，通过所述第一语音识别模型对该无标签音频样本进行语音识别，得到该无标签音频样本的第一伪标签。

3.根据权利要求2所述的方法，其特征在于，在所述利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练的步骤之前，所述方法还包括：

获取源域内的多个第二有标签音频样本；

利用所述多个第二有标签音频样本对N个第二初始模型分别进行有监督模型预训练，得到N个第二语音识别模型，其中，N≥1；

针对所述N个第二语音识别模型中的每一所述第二语音识别模型，通过该第二语音识别模型对每一所述无标签音频样本分别进行语音识别，得到该第二语音识别模型对应的、所述无标签音频样本的多个第二伪标签；

所述利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型，包括：

利用所述每一第一伪标签、每一所述第二语音识别模型对应的所述多个第二伪标签以及所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

4.根据权利要求3所述的方法，其特征在于，所述利用所述每一第一伪标签、每一所述第二语音识别模型对应的所述多个第二伪标签以及所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型，包括：

从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签；

利用所述多个目标伪标签和每一所述目标伪标签对应的所述无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

5.根据权利要求4所述的方法，其特征在于，N＝1；

所述从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签，包括：

针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和所述第二伪标签的第一相似度；

若所述第一相似度大于第一预设相似度阈值，则从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签。

6.根据权利要求5所述的方法，其特征在于，所述从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签，包括：

从该无标签音频样本的所述第一伪标签和所述第二伪标签中随机选取一个作为目标伪标签。

7.根据权利要求5所述的方法，其特征在于，所述从该无标签音频样本的所述第一伪标签和所述第二伪标签中确定目标伪标签，包括：

将该无标签音频样本的所述第一伪标签和所述第二伪标签中、由词错率低的语音识别模型生成的伪标签确定为目标伪标签。

8.根据权利要求4所述的方法，其特征在于，N>1；

所述从所述每一第一伪标签和每一所述第二语音识别模型对应的所述多个第二伪标签中筛选出多个目标伪标签，包括：

针对每一所述无标签音频样本，计算该无标签音频样本的所述第一伪标签和N个所述第二伪标签中两两之间的第二相似度；

若该无标签音频样本对应的、所述两两之间的第二相似度中的最大值大于第二预设相似度阈值，则从所述最大值对应的两个伪标签中确定目标伪标签。

9.根据权利要求3、4、8中任一项所述的方法，其特征在于，N＞1，且所述N个第二初始模型彼此互不相同。

10.一种语音识别方法，其特征在于，所述方法包括：

获取待识别的音频数据；

将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据权利要求1-9中任一项所述的语音识别模型生成方法训练得到的。

11.一种语音识别模型生成装置，其特征在于，包括：

第一获取模块，用于获取目标域内的多个第一有标签音频样本和多个无标签音频样本；

第一预训练模块，用于利用所述多个无标签音频样本对第一初始模型进行自监督模型预训练，得到预训练模型；

生成模块，用于利用所述多个第一有标签音频样本和所述预训练模型，生成每一所述无标签音频样本的第一伪标签；

微调模块，用于利用每一所述第一伪标签和所述多个无标签音频样本，对所述预训练模型进行有监督微调训练，得到目标语音识别模型。

12.一种语音识别装置，其特征在于，所述装置包括：

第二获取模块，用于获取待识别的音频数据；

语音识别模块，用于将所述音频数据输入到预先训练好的目标语音识别模型，得到所述目标音频数据对应的目标文本，其中，所述目标语音识别模型是根据权利要求1-9中任一项所述的语音识别模型生成方法训练得到的。

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，其上存储有至少一个计算机程序；

至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现权利要求1-10中任一项所述方法的步骤。

Images