CN116645961A - 语音识别方法、语音识别装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种语音识别方法、语音识别装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取待处理的目标语音数据；将目标语音数据输入至包括卷积网络、第一编码网络、第二编码网络和解码网络的语音识别模型；通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征；通过第一编码网络和第二编码网络分别对目标语音卷积特征进行特征提取，得到第一语音编码特征和第二语音编码特征；对第一语音编码特征和第二语音编码特征进行拼接，得到目标语音编码特征；通过解码网络对目标语音编码特征进行解码，得到目标词嵌入向量；通过预设函数对目标词嵌入向量进行识别处理，得到目标文本数据，提高了语音识别的准确性。

Description

语音识别方法、语音识别装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种语音识别方法、语音识别装置、电子设备及存储介质。

背景技术

目前，在针对包含多种语言类型的语音数据进行语音识别时，大多数的语音识别方法常常需要依赖于多个神经网络模型分别对语音数据进行语音识别，以获取到该语音数据的全部语音内容，通过这一方式获取到的语音内容往往存在着上下文关联性较差的问题，影响语音识别的准确性，因此，如何提高语音识别的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种语音识别方法、语音识别装置、电子设备及存储介质，旨在提高语音识别的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种语音识别方法，所述方法包括：

获取待处理的目标语音数据；

将所述目标语音数据输入至预设的语音识别模型中，其中，所述语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络；

通过所述卷积网络对所述目标语音数据进行变维处理，得到目标语音卷积特征；

通过所述第一编码网络对所述目标语音卷积特征进行特征提取，得到第一语音编码特征，所述第一语音编码特征用于表征所述目标语音数据的中文特征；

通过所述第二编码网络对所述目标语音卷积特征进行特征提取，得到第二语音编码特征，所述第二语音编码特征用于表征所述目标语音数据的英文特征；

对所述第一语音编码特征和所述第二语音编码特征进行拼接处理，得到目标语音编码特征；

通过所述解码网络对所述目标语音编码特征进行解码处理，得到目标词嵌入向量；

通过预设函数对所述目标词嵌入向量进行识别处理，得到目标词段，并根据所述目标词段生成所述目标文本数据，其中，所述目标文本数据用于表征所述目标语音数据的语音内容。

在一些实施例，所述第一编码网络包括第一归一化层，第一注意力层以及第一前馈层，所述通过所述第一编码网络对所述目标语音卷积特征进行特征提取，得到第一语音编码特征，包括：

根据预设的第一参数对所述目标语音卷积特征进行层归一化处理，得到第一中间语音特征；

通过所述第一注意力层对所述第一中间语音特征进行注意力计算，得到第一关键语音特征；

对所述第一中间语音特征和所述第一关键语音特征进行残差连接，得到第一语音拼接向量；

通过所述第一归一化层对所述第一语音拼接向量进行激活处理，得到第一语音激活特征；

通过所述第一前馈层将所述第一语音激活特征映射到预设的第一向量空间，得到第一低维语音向量；

对所述第一关键语音特征和所述第一低维语音向量进行残差连接，得到所述第一语音编码特征。

在一些实施例，所述第二编码网络包括第二归一化层，第二注意力层以及第二前馈层，所述通过所述第二编码网络对所述目标语音卷积特征进行特征提取，得到第二语音编码特征，包括：

根据预设的第二参数对所述目标语音卷积特征进行层归一化处理，得到第二中间语音特征；

通过所述第二注意力层对所述第二中间语音特征进行注意力计算，得到第二关键语音特征；

对所述第二中间语音特征和所述第二关键语音特征进行残差连接，得到第二语音拼接向量；

通过所述第二归一化层对所述第二语音拼接向量进行激活处理，得到第二语音激活特征；

通过所述第二前馈层将所述第二语音激活特征映射到预设的第二向量空间，得到第二低维语音向量；

对所述第二关键语音特征和所述第二低维语音向量进行残差连接，得到所述第二语音编码特征。

在一些实施例，所述卷积网络包括第一卷积层和第二卷积层，所述通过所述卷积网络对所述目标语音数据进行变维处理，得到目标语音卷积特征，包括：

通过所述第一卷积层对所述目标语音数据进行卷积处理，得到初始语音卷积特征；

通过所述第二卷积层对所述初始语音卷积特征进行采样处理，得到所述目标语音卷积特征。

在一些实施例，所述解码网络包括第三注意力层、第三归一化层、第三前馈层，所述通过所述解码网络对所述目标语音编码特征进行解码处理，得到目标词嵌入向量，包括：

通过所述解码网络的第三注意力层对所述目标语音编码特征进行注意力计算，得到目标语义表征向量；

通过所述第三归一化层对所述目标语义表征向量进行激活处理，得到初始语义激活向量；

通过所述第三前馈层将所述初始语义激活向量映射到预设的第三向量空间，得到目标语义激活向量；

对所述目标语义表征向量和所述目标语义激活向量进行残差连接，得到所述目标词嵌入向量。

在一些实施例，所述通过预设函数对所述目标词嵌入向量进行识别处理，得到目标词段，并根据所述目标词段生成所述目标文本数据，包括：

通过所述预设函数和预设的参考词段对所述目标词嵌入向量进行概率计算，得到每一所述参考词段对应的词段概率值；

根据所述词段概率值对所述参考词段进行筛选处理，得到所述目标词段；

根据预设的拼接顺序对所述目标词段进行拼接处理，得到所述目标文本数据。

在一些实施例，所述获取待处理的目标语音数据，包括：

获取原始语音数据，其中，所述原始语音数据为波形数据；

对所述原始语音数据进行频谱变换，得到梅尔倒谱特征，并根据所述梅尔倒谱特征，得到所述目标语音数据。

为实现上述目的，本申请实施例的第二方面提出了一种语音识别装置，所述装置包括：

数据获取模块，用于获取待处理的目标语音数据；

输入模块，用于将所述目标语音数据输入至预设的语音识别模型中，其中，所述语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络；

变维模块，用于通过所述卷积网络对所述目标语音数据进行变维处理，得到目标语音卷积特征；

第一特征提取模块，用于通过所述第一编码网络对所述目标语音卷积特征进行特征提取，得到第一语音编码特征，所述第一语音编码特征用于表征所述目标语音数据的中文特征；

第二特征提取模块，用于通过所述第二编码网络对所述目标语音卷积特征进行特征提取，得到第二语音编码特征，所述第二语音编码特征用于表征所述目标语音数据的英文特征；

特征拼接模块，用于对所述第一语音编码特征和所述第二语音编码特征进行拼接处理，得到目标语音编码特征；

解码模块，用于通过所述解码网络对所述目标语音编码特征进行解码处理，得到目标词嵌入向量；

识别模块，用于通过预设函数对所述目标词嵌入向量进行识别处理，得到目标词段，并根据所述目标词段生成所述目标文本数据，其中，所述目标文本数据用于表征所述目标语音数据的语音内容。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、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上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

本申请提出的语音识别方法、语音识别装置、电子设备及存储介质,其通过获取待处理的目标语音数据；将目标语音数据输入至预设的语音识别模型中，其中，语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络。通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征，能够得到符合特征维度要求的目标语音卷积特征。进一步地，通过第一编码网络对目标语音卷积特征进行特征提取，得到第一语音编码特征，第一语音编码特征用于表征目标语音数据的中文特征；并通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，第二语音编码特征用于表征目标语音数据的英文特征，通过这一方式实现对目标语音卷积特征中的英文特征和中文特征的并行提取，提高了特征获取效率。同时，相较于传统技术中的针对不同的语言类型特征采用多个独立的模型分别进行特征提取，能够有效地降低模型训练成本。进一步地，对第一语音编码特征和第二语音编码特征进行拼接处理，得到目标语音编码特征；并通过解码网络对目标语音编码特征进行解码处理，得到目标词嵌入向量，能够获取到能够表征目标语音数据的全部语义特征的目标词嵌入向量，能够同时识别出目标语音数据的中文内容和英文内容，提高了语音识别的效率。最后，通过预设函数对目标词嵌入向量进行识别处理，得到目标词段，并根据目标词段生成目标文本数据，其中，目标文本数据用于表征目标语音数据的文本信息，这一方式使得生成的目标文本数据具备较好的连贯性和完整性，从而提高语音识别的准确性。

附图说明

图1是本申请实施例提供的语音识别方法的流程图；

图2是图1中的步骤S101的流程图；

图3是图1中的步骤S103的流程图；

图4是图1中的步骤S104的流程图；

图5是图1中的步骤S105的流程图；

图6是图1中的步骤S107的流程图；

图7是图1中的步骤S108的流程图；

图8是本申请实施例提供的语音识别装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

傅里叶变换：表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。

梅尔倒频谱系数(Mel-Frequency Cipstal Coefficients,MFCC)：是一组用来建立梅尔倒频谱的关键系数。由音乐信号当中的片段，可以得到一组足以代表此音乐信号的倒频谱，而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同，梅尔倒频谱最大的特色在于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的，也就是说，相较于一般所看到、线性的倒频谱表示方法，这样的频带会和人类非线性的听觉系统(Audio System)更为接近。例如：在音讯压缩的技术中，常常使用梅尔倒频谱来处理。

解码(Decoder)：就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。

Softmax函数：Softmax函数是归一化指数函数，能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，该函数常用于多分类问题中。

目前，在针对包含多种语言类型的语音数据进行语音识别时，大多数的语音识别方法常常需要依赖于多个神经网络模型分别对语音数据进行语音识别，以获取到该语音数据的全部语音内容，通过这一方式获取到的语音内容往往存在着上下文关联性较差的问题，影响语音识别的准确性，因此，如何提高语音识别的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种语音识别方法、语音识别装置、电子设备及存储介质，旨在提高语音识别的准确性。

本申请实施例提供的语音识别方法、语音识别装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的语音识别方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的语音识别方法，涉及人工智能技术领域。本申请实施例提供的语音识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现语音识别方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

图1是本申请实施例提供的语音识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取待处理的目标语音数据；

步骤S102，将目标语音数据输入至预设的语音识别模型中，其中，语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络；

步骤S103，通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征；

步骤S104，通过第一编码网络对目标语音卷积特征进行特征提取，得到第一语音编码特征，第一语音编码特征用于表征目标语音数据的中文特征；

步骤S105，通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，第二语音编码特征用于表征目标语音数据的英文特征；

步骤S106，对第一语音编码特征和第二语音编码特征进行拼接处理，得到目标语音编码特征；

步骤S107，通过解码网络对目标语音编码特征进行解码处理，得到目标词嵌入向量；

步骤S108，通过预设函数对目标词嵌入向量进行识别处理，得到目标词段，并根据目标词段生成目标文本数据，其中，目标文本数据用于表征目标语音数据的语音内容。

本申请实施例所示意的步骤S101至步骤S108，通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征，能够得到符合特征维度要求的目标语音卷积特征。通过第一编码网络对目标语音卷积特征进行特征提取，得到第一语音编码特征，第一语音编码特征用于表征目标语音数据的中文特征；并通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，第二语音编码特征用于表征目标语音数据的英文特征，通过这一方式实现对目标语音卷积特征中的英文特征和中文特征的并行提取，提高了特征获取效率。同时，相较于传统技术中的针对不同的语言类型特征采用多个独立的模型分别进行特征提取，能够有效地降低模型训练成本。通过解码网络对目标语音编码特征进行解码处理，得到目标词嵌入向量，能够获取到能够表征目标语音数据的全部语义特征的目标词嵌入向量，能够同时识别出目标语音数据的中文内容和英文内容，提高了语音识别的效率。通过预设函数对目标词嵌入向量进行识别处理，得到目标词段，并根据目标词段生成目标文本数据，其中，目标文本数据用于表征目标语音数据的文本信息，使得生成的目标文本数据具备较好的连贯性和完整性，从而提高语音识别的准确性。

请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S202：

步骤S201，获取原始语音数据，其中，原始语音数据为波形数据；

步骤S202，对原始语音数据进行频谱变换，得到梅尔倒谱特征，并根据梅尔倒谱特征，得到目标语音数据。

在一些实施例的步骤S201中，可以从预设的音频数据库提取原始语音数据或者从网络平台或者多媒体设备等下载原始语音数据，还可以通过其他方式获取原始语音数据，不限于此，其中，原始语音数据为波形数据，通过波形的变化情况反映原始语音数据的语音变化。

在一些实施例的步骤S202中，可以通过短时傅里叶变换对目标语音数据进行声谱计算，得到目标频谱图。具体地，对目标语音数据进行信号分帧加窗处理，得到多帧语音片段，对每一帧的语音片段进行短时傅里叶变换，将语音片段的时域特征转换为频域特征，最后，在时间维度上将每一帧的频域特征进行堆叠处理，得到目标频谱图。进一步地，通过预设维度的梅尔倒谱滤波器组对目标频谱图进行滤波处理，先对目标频谱图进行对数运算，得到目标对数谱，再对目标对数谱进行傅里叶反变换处理，得到目标梅尔倒谱。进一步地，对目标梅尔倒谱进行特征提取，得到梅尔倒谱特征，并将该梅尔倒谱特征作为目标语音数据。

通过上述步骤S201至步骤S202能够较为方便地将原始语音数据由波形形式转换为频谱形式，得到频谱特征，并对频谱特征进行滤波处理，得到梅尔倒谱特征，使得能够通过频谱特征来进行语音识别，从而提高识别准确性。

在一些实施例的步骤S102之前，该语音识别方法还包括预先训练语音识别模型，该语音识别模型用于对输入的目标语音数据的语音内容进行识别处理。具体地，该语音识别模型可以基于transformer模型构建而成，该语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络。对语音识别模型的训练过程可以包括以下步骤：

步骤a，获取样本数据，其中，样本数据包括样本语音数据以及样本语音数据对应的样本文本数据；

步骤b，将样本数据输入至语音识别模型中，通过语音识别模型的卷积网络对样本语音数据进行变维处理，得到样本语音卷积特征，通过语音识别模型的解码网络对样本文本数据进行词嵌入处理和注意力计算，得到样本文本表征向量；

步骤c，通过第一编码网络对样本语音卷积特征进行特征提取，得到样本中文编码特征，并通过第二编码网络对样本语音卷积特征进行特征提取，得到样本英文编码特征；

步骤d，对样本中文编码特征和样本英文编码特征进行拼接处理，得到样本语音编码特征；

步骤e、通过解码网络对样本语音编码特征进行解码处理，得到预测文本表征向量；

步骤f，通过损失函数计算预测文本表征向量和样本文本表征向量之间的字错率，并根据字错率对语音识别模型的模型参数进行更新。

在一些实施例的步骤a中，可以从预设的音频数据库提取样本语音数据和样本文本数据，或者从网络平台或者多媒体设备等下载样本语音数据和样本文本数据，还可以通过其他方式获取样本语音数据和样本文本数据，不限于此

在一些实施例的步骤b中，通过预设的计算机程序将样本数据输入至语音识别模型中，通过语音识别模型的卷积网络对样本语音数据进行变维处理，实现对样本语音数据的降维，得到样本语音卷积特征。通过解码网络对样本文本数据进行词嵌入处理，将样本文本数据转换为词嵌入形式，并对词嵌入形式的样本文本数据进行注意力计算，获取重要程度较高的文本内容信息，得到样本文本表征向量。

在一些实施例的步骤c中，通过第一编码网络对样本语音卷积特征进行特征提取，获取样本语音卷积特征的中文特征信息，得到样本中文编码特征。通过第二编码网络对样本语音卷积特征进行特征提取，获取样本语音卷积特征的英文特征信息，得到样本英文编码特征。需要说明的是，第一编码网络和第二编码网络的网络结构基本相同，以第一编码网络为例，第一编码网络包括三个部分，第一归一化层，第一注意力层以及第一前馈层，在将样本语音卷积特征输入到这个三个部分之前，先对样本语音卷积特征进行层归一化处理，再将层归一化处理的结果输入至第一注意力层，再将层归一化处理的结果与第一注意力层的输出进行残差连接，然后依次输入至第一归一化层和第一前馈层。通过这一网络结构和残差连接可以在移除学习率预热的情况下实现模型训练，也能够大幅度地减小训练时间，提高训练效率。

在一些实施例的步骤d中，在对样本中文编码特征和样本英文编码特征进行拼接时，可以是对样本中文编码特征和样本英文编码特征进行向量连接或者向量相加，从而得到样本语音编码特征。

在一些实施例的步骤e中，通过解码网络对样本语音编码特征进行解码处理时，可以对样本语音编码特征进行注意力计算、归一化以及激活操作等，得到预测文本表征向量。

在一些实施例的步骤f中，通过损失函数计算预测文本表征向量和样本文本表征向量之间的字错率之前，先根据预设的中英文词汇表将预测文本表征向量和样本文本表征向量转换为文本形式。具体地，选择字素(Grapheme)作为基本的识别单位，中文采用单个汉字作为基本识别单元，英文采用26个字母作为基本识别单元，同时添加英文中的某些特定符号和空格符号<SPACE>用来区分两两不同的英文单词，同时，为了避免中英文的标点符号的干扰，需要去掉生成文本的所有中英文标点符号，并将其替换为空格符。进而对经过文本转换和文本调整的预测文本表征向量和样本文本表征向量进行字错率计算，根据文本形式的样本文本表征向量来确定文本形式的预测文本表征向量中出现的不一致的汉字和字母的总数，再对不一致的汉字和字母的总数与所有汉字和字母的总数进行除法运算，得到字错率。根据预设的迭代条件，不断地修改语音识别模型的模型参数，使得字错率满足预设的训练要求，即字错率小于预设阈值，停止更新语音识别模型的模型参数，得到最终的语音识别模型。

通过上述步骤a至上述步骤f能够训练得到用于识别包含多种语言类型的语音数据的语音识别模型，通过一个模型即可实现对含有中文和英文的语音数据的语音识别，降低了模型训练成本。通过上述方式训练的语音识别模型能够充分地利用深度模型强大的建模能力，在输入为语音梅尔倒谱数据的条件下直接输出解码文本。同时，将第一编码网络和第二编码网络设置为层归一化、注意力层、归一化层以及前馈层，并将各个层级之间采用残差连接，使得语音识别模型更容易训练，减少了超参数的数量，能够大幅度地减小训练时间，提高训练效率。同时，本申请的语音识别模型同时包含第一编码网络和第二编码网络，多编码器结构也进一步增加了语音识别模型对不同语言类型的语音信号的拟合能力，提高了语音识别模的模型性能。

在一些实施例的步骤S102中，可以通过预设的脚本程序或者计算机程序将目标语音数据输入至上述已训练完成的语音识别模型中，其中，语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络，卷积网络主要用于对输入的目标语音数据进行变维处理，改变目标语音数据的特征维度；第一编码网络主要用于提取变维处理之后的目标语音数据中的中文内容特征，得到第一语音编码特征；第二编码网络主要用于提取变维处理之后的目标语音数据中的英文内容特征，得到第二语音编码特征；解码网络主要用于对第一语音编码特征、第二语音编码特征进行解码处理，得到目标语音数据对应的目标文本数据，通过目标文本数据来表征目标语音数据的语音内容，提高语音识别的准确性和效率。

请参阅图3，在一些实施例中，卷积网络包括第一卷积层和第二卷积层，步骤S103可以包括但不限于包括步骤S301至步骤S302：

步骤S301，通过第一卷积层对目标语音数据进行卷积处理，得到初始语音卷积特征；

步骤S302，通过第二卷积层对初始语音卷积特征进行采样处理，得到目标语音卷积特征。

在一些实施例的步骤S301中，通过第一卷积层对目标语音数据进行卷积处理，提取目标语音数据的在频域空间的语义特征信息，得到初始语音卷积特征。

在一些实施例的步骤S302中，通过第二卷积层对初始语音卷积特征进行采样处理，将初始语音卷积特征由高维空间映射到低维空间，对初始语音卷积特征的降维，得到目标语音卷积特征，将目标语音卷积特征用于后续的语音识别。

通过上述步骤S301至步骤S302能够较为方便地提取目标语音数据的在频域空间的语义特征信息，并对提取到的语义特征信息进行特征降维，获得低维的目标语音卷积特征，从而将目标语音卷积特征用于后续的语音识别，能够有效地降低卷积运算所需的参数数量，并提高语音识别模型的计算速度，从而提高语音识别的效率。

为了提高语音识别的准确性，在一些实施例的步骤S104之前，还需要确定目标语音卷积特征的每一特征元素的所在位置，即对目标语音卷积特征进行位置编码，该位置编码可以是绝对编码，也可以是相对编码，不做限制。具体地，当对目标语音卷积特征进行绝对编码时，通过正余弦函数来生成目标语音卷积特征的每一个词向量的绝对位置编码，根据该绝对位置编码来对目标语音卷积特征的每一个词向量进行位置标记，将绝对位置编码作为词向量的位置标签。当对目标语音卷积特征进行相对编码时，分别计算目标语音卷积特征的每两个词向量之间的距离值，该距离值可以是欧式距离或者曼哈顿距离等等，根据距离值的大小关系对每两个词向量进行关系编号，这些关系编号可以用于表征词向量的语义顺序。通过这一方式能够较为方便地确定目标语音卷积特征中每一特征元素的语义先后顺序，该语义先后顺序能够作为对后续的语音识别过程所生成的文本数据进行位置调整的依据，使得后续生成的文本数据具备更好的语义连贯性。

请参阅图4，在一些实施例中，第一编码网络包括第一归一化层，第一注意力层以及第一前馈层，步骤S104可以包括但不限于包括步骤S401至步骤S406：

步骤S401，根据预设的第一参数对目标语音卷积特征进行层归一化处理，得到第一中间语音特征；

步骤S402，通过第一注意力层对第一中间语音特征进行注意力计算，得到第一关键语音特征；

步骤S403，对第一中间语音特征和第一关键语音特征进行残差连接，得到第一语音拼接向量；

步骤S404，通过第一归一化层对第一语音拼接向量进行激活处理，得到第一语音激活特征；

步骤S405，通过第一前馈层将第一语音激活特征映射到预设的第一向量空间，得到第一低维语音向量；

步骤S406，对第一关键语音特征和第一低维语音向量进行残差连接，得到第一语音编码特征。

在一些实施例的步骤S401中，可以对目标语音卷积特征进行层归一化，使得目标语音卷积特征的均值和方差满足预设的归一化条件，从而得到第一中间语音特征，其中，预设的归一化条件可以是使得目标语音卷积特征的均值为0，方差为1，则预设的第一参数为均值为0，方差为1。

在一些实施例的步骤S402中，通过第一注意力层对第一中间语音特征进行注意力计算时，分别计算出每一第一中间语音特征的键矩阵、值矩阵以及查询矩阵，通过softmax函数对键矩阵、值矩阵以及查询矩阵进行加权计算，得到第一关键语音特征，其中，键矩阵可以表示为K1＝X1*W1，值矩阵可以表示为V1＝X1*W2，查询矩阵可以表示为Q1＝X1*W3，其中，X1为第一中间语音特征，W1、W2、W3为可训练参数。第一关键语音特征Z1可以表示如公式(1)所示，其中，d1是第一中间语音特征的特征维度，T表示对键矩阵K1进行转置运算：

通过上述注意力计算的过程可以加强对第一中间语音特征中重要特征信息的映射，而减少对第一中间语音特征中次要特征信息的映射。

在一些实施例的步骤S403中，在对第一中间语音特征和第一关键语音特征进行残差连接时，可以对第一中间语音特征和第一关键语音特征进行向量相加或者向量连接，得到第一语音拼接向量。

在一些实施例的步骤S404中，通过第一归一化层对第一语音拼接向量进行激活处理，实现对第一语音拼接向量的标准化。具体地，先将第一语音拼接向量移动至第一归一化层的第一激活函数的作用区域，再通过第一激活函数对该第一语音拼接向量进行标准化处理，从而得到第一语音激活特征，其中，第一激活函数可以是Relu函数等等。

在一些实施例的步骤S405中，通过第一前馈层先将第一语音激活特征映射到一个固定的高维空间，对第一语音激活特征进行升维处理，再将升维处理之后的第一语音激活特征映射到第一向量空间，该第一向量空间是一个低维空间，从而得到语义丰富度更高的第一低维语音向量。需要说明的是第一低维语音向量的特征维度低于第一语音激活特征的特征维度。由于低维特征的语义表达效果更好，第一低维语音向量能够具备比第一语音激活特征更为丰富的语义内容。

在一些实施例的步骤S406中，对第一关键语音特征和第一低维语音向量进行残差连接时，可以对第一关键语音特征和第一低维语音向量进行向量相加或者向量连接，得到第一语音编码特征，其中，第一语音编码特征用于表征目标语音数据的中文特征，通过残差连接的方式能够较为全面地保留目标语音数据的中文特征信息。

通过上述步骤S401至步骤S406能够较为方便地提取目标语音数据中的语义特征信息，并且对提取到的语义特征信息进行重要性分析，识别这些语义特征信息中的中文内容信息，从而输出包含中文特征信息的第一语音编码特征，使得能够在后续的语音识别过程对提取到的第一语音编码特征进行处理，获取对应的中文文本数据，实现了对目标语音数据的中文内容识别，提高了语音识别的准确性。

请参阅图5，在一些实施例中，第二编码网络包括第二归一化层，第二注意力层以及第二前馈层，通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，步骤S105可以包括但不限于包括步骤S501至步骤S506：

步骤S501，根据预设的第二参数对目标语音卷积特征进行层归一化处理，得到第二中间语音特征；

步骤S502，通过第二注意力层对第二中间语音特征进行注意力计算，得到第二关键语音特征；

步骤S503，对第二中间语音特征和第二关键语音特征进行残差连接，得到第二语音拼接向量；

步骤S504，通过第二归一化层对第二语音拼接向量进行激活处理，得到第二语音激活特征；

步骤S505，通过第二前馈层将第二语音激活特征映射到预设的第二向量空间，得到第二低维语音向量；

步骤S506，对第二关键语音特征和第二低维语音向量进行残差连接，得到第二语音编码特征。

在一些实施例的步骤S501中，可以对目标语音卷积特征进行层归一化，使得目标语音卷积特征的均值和方差满足预设的归一化条件，从而得到第二中间语音特征，其中，预设的归一化条件可以是使得目标语音卷积特征的均值为0，方差为1，则预设的第二参数为均值为0，方差为1。

在一些实施例的步骤S502中，通过第二注意力层对第二中间语音特征进行注意力计算时，分别计算出每一第二中间语音特征的键矩阵、值矩阵以及查询矩阵，通过softmax函数对键矩阵、值矩阵以及查询矩阵进行加权计算，得到第二关键语音特征，其中，键矩阵可以表示为K2＝X2*W4，值矩阵可以表示为V2＝X2*W5，查询矩阵可以表示为Q2＝X2*W6，其中，X2为第二中间语音特征，W4、W5、W6为可训练参数。第二关键语音特征Z2可以表示如公式(2)所示，其中，d2是第二中间语音特征的特征维度，T表示对键矩阵K2进行转置运算：

通过上述注意力计算的过程可以加强对第二中间语音特征中重要特征信息的映射，而减少对第二中间语音特征中次要特征信息的映射。

在一些实施例的步骤S503中，在对第二中间语音特征和第二关键语音特征进行残差连接时，可以对第二中间语音特征和第二关键语音特征进行向量相加或者向量连接，得到第二语音拼接向量。

在一些实施例的步骤S504中，通过第二归一化层对第二语音拼接向量进行激活处理，实现对第二语音拼接向量的标准化。具体地，先将第二语音拼接向量移动至第二归一化层的第二激活函数的作用区域，再通过第二激活函数对该第一语音拼接向量进行标准化处理，从而得到第二语音激活特征，其中，第二激活函数可以是Relu函数等等。

在一些实施例的步骤S505中，通过第二前馈层先将第二语音激活特征映射到一个固定的高维空间，对第二语音激活特征进行升维处理，再将升维处理之后的第二语音激活特征映射到第二向量空间，该第二向量空间是一个低维空间，从而得到语义丰富度更高的第二低维语音向量。需要说明的是，第二低维语音向量的特征维度低于第二语音激活特征的特征维度。由于低维特征的语义表达效果更好，第二低维语音向量能够具备比第二语音激活特征更为丰富的语义内容。

在一些实施例的步骤S506中，对第二关键语音特征和第二低维语音向量进行残差连接时，可以对第二关键语音特征和第二低维语音向量进行向量相加或者向量连接，得到第二语音编码特征，其中，第二语音编码特征用于表征目标语音数据的英文特征，通过残差连接的方式能够较为全面地保留目标语音数据的英文特征信息。

通过上述步骤S501至步骤S506能够较为方便地提取目标语音数据中的语义特征信息，并且对提取到的语义特征信息进行重要性分析，识别这些语义特征信息中的英文内容信息，从而输出包含英文特征信息的第二语音编码特征，使得能够在后续的语音识别过程对提取到的第二语音编码特征进行处理，获取对应的英文文本数据，实现了对目标语音数据的英文内容识别，提高了语音识别的准确性。

在一些实施例的步骤S106中，在对第一语音编码特征和第二语音编码特征进行拼接处理时，可以对第一语音编码特征和第二语音编码特征进行向量相加或者向量拼接，从而得到目标语音编码特征。通过这一方式能够根据第一语音编码特征和第二语音编码特征来获取更为准确的语音内容信息，使得能够将包含中文特征信息和英文特征信息的目标语音编码特征用于语音识别，从而提高用于语音识别的特征信息的质量，能够提高语音识别的准确性。

请参阅图6，在一些实施例，解码网络包括第三注意力层、第三归一化层、第三前馈层，步骤S107包括但不限于包括步骤S601至步骤S602：

步骤S601，通过解码网络的第三注意力层对目标语音编码特征进行注意力计算，得到目标语义表征向量；

步骤S602，通过第三归一化层对目标语义表征向量进行激活处理，得到初始语义激活向量；

步骤S603，通过第三前馈层将初始语义激活向量映射到预设的第三向量空间，得到目标语义激活向量；

步骤S604，对目标语义表征向量和目标语义激活向量进行残差连接，得到目标词嵌入向量。

在一些实施例的步骤S601中，通过第三注意力层对目标语音编码特征进行注意力计算时，分别计算出每一目标语音编码特征的键矩阵、值矩阵以及查询矩阵，通过softmax函数对键矩阵、值矩阵以及查询矩阵进行加权计算，得到目标语义表征向量，其中，键矩阵可以表示为K3＝X3*W7，值矩阵可以表示为V3＝X3*W8，查询矩阵可以表示为Q3＝X3*W9，其中，X3为目标语音编码特征，W7、W8、W9为可训练参数。目标语义表征向量Z3可以表示如公式(3)所示，其中，d3是目标语音编码特征的特征维度，T表示对键矩阵K3进行转置运算：

通过上述注意力计算的过程可以加强对目标语音编码特征中重要特征信息的映射，而减少对目标语音编码特征中次要特征信息的映射。

在一些实施例的步骤S602中，通过第三归一化层对目标语义表征向量进行激活处理，实现对目标语义表征向量的标准化。具体地，先将目标语义表征向量移动至第三归一化层的第三激活函数的作用区域，再通过第三激活函数对该目标语义表征向量进行标准化处理，从而得到初始语义激活向量，其中，第三激活函数可以是Relu函数等等。

在一些实施例的步骤S603中，通过第三前馈层先将初始语义激活向量映射到一个固定的高维空间，对初始语义激活向量进行升维处理，再将升维处理之后的初始语义激活向量映射到第三向量空间，该第三向量空间是一个低维空间，从而得到语义丰富度更高的目标语义激活向量。需要说明的是，目标语义激活向量的特征维度低于初始语义激活向量的特征维度。由于低维特征的语义表达效果更好，目标语义激活向量能够具备比初始语义激活向量更为丰富的语义内容。

在一些实施例的步骤S604中，在对对目标语义表征向量和目标语义激活向量进行残差连接时，可以对对目标语义表征向量和目标语义激活向量进行向量相加或者向量连接，得到目标词嵌入向量，其中，目标词嵌入向量用于表征目标语音数据的全部语义特征，通过残差连接的方式能够较为全面地保留目标语音数据的语义特征信息。

通过上述步骤S601至步骤S604能够对包含中文特征信息和英文特征信息的目标语音编码特征进行解码处理，将向量形式的语义内容转化为序列形式等，从而获取到能够表征目标语音数据的全部语义特征的目标词嵌入向量，能够同时识别出目标语音数据的中文内容和英文内容，提高了语音识别的效率。

请参阅图7，在一些实施例中，步骤S108可以包括但不限于包括步骤S701至步骤S703：

步骤S701，通过预设函数和预设的参考词段对目标词嵌入向量进行概率计算，得到每一参考词段对应的词段概率值；

步骤S702，根据词段概率值对参考词段进行筛选处理，得到目标词段；

步骤S703，根据预设的拼接顺序对目标词段进行拼接处理，得到目标文本数据。

在一些实施例的步骤S701中，预设函数可以是softmax函数等概率函数，不做限制。以softmax函数为例，通过softmax函数创建目标词嵌入向量在每一参考词段上的概率分布，得到每一参考词段对应的词段概率值，该词段概率值可以较为清楚地反映出目标词嵌入向量与每一参考词段的接近程度。参考词段对应的词段概率值越大，则参考词段的语义内容与目标词嵌入向量的语义信息越接近。

在一些实施例的步骤S702中，由于词段概率值可以较为清楚地反映出目标词嵌入向量与每一参考词段的接近程度。因此，可以根据词段概率值对参考词段进行筛选处理，选取与每一目标词嵌入向量的词段概率值最大的参考词段来表征该目标词嵌入向量的语义内容，即将词段概率值最大的参考词段作为目标词段。

在一些实施例的步骤S703中，该拼接顺序可以是前述基于对目标语音卷积特征进行位置编码得到的语义先后顺序，根据该语义先后顺序将目标词段依次拼接，生成长文本数据，该长文本数据即为目标文本数据，该目标文本数据能够表征目标语音数据的全部语义内容。

通过上述步骤S701至步骤S703能够较为方便地得到能够准确性表征目标词嵌入向量的语义信息的目标词段，并根据目标语音数据的语义上下文顺序(即语义先后顺序)对这一系列的目标词段进行拼接处理，生成完整的目标文本数据，能够较好地保留目标语音数据的上下文特征，使得生成的目标文本数据具备较好的连贯性和完整性。

本申请实施例的语音识别方法，其通过获取待处理的目标语音数据；将目标语音数据输入至预设的语音识别模型中，其中，语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络。通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征，能够得到符合特征维度要求的目标语音卷积特征。进一步地，通过第一编码网络对目标语音卷积特征进行特征提取，得到第一语音编码特征，第一语音编码特征用于表征目标语音数据的中文特征；并通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，第二语音编码特征用于表征目标语音数据的英文特征，通过这一方式实现对目标语音卷积特征中的英文特征和中文特征的并行提取，提高了特征获取效率。同时，相较于传统技术中的针对不同的语言类型特征采用多个独立的模型分别进行特征提取，能够有效地降低模型训练成本。进一步地，对第一语音编码特征和第二语音编码特征进行拼接处理，得到目标语音编码特征；并通过解码网络对目标语音编码特征进行解码处理，得到目标词嵌入向量，能够获取到能够表征目标语音数据的全部语义特征的目标词嵌入向量，能够同时识别出目标语音数据的中文内容和英文内容，提高了语音识别的效率。最后，通过预设函数对目标词嵌入向量进行识别处理，得到目标词段，并根据目标词段生成目标文本数据，其中，目标文本数据用于表征目标语音数据的文本信息，这一方式使得生成的目标文本数据具备较好的连贯性和完整性，从而提高语音识别的准确性。

请参阅图8，本申请实施例还提供一种语音识别装置，可以实现上述语音识别方法，该装置包括：

数据获取模块801，用于获取待处理的目标语音数据；

输入模块802，用于将目标语音数据输入至预设的语音识别模型中，其中，语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络；

变维模块803，用于通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征；

第一特征提取模块804，用于通过第一编码网络对目标语音卷积特征进行特征提取，得到第一语音编码特征，第一语音编码特征用于表征目标语音数据的中文特征；

第二特征提取模块805，用于通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，第二语音编码特征用于表征目标语音数据的英文特征；

特征拼接模块806，用于对第一语音编码特征和第二语音编码特征进行拼接处理，得到目标语音编码特征；

解码模块807，用于通过解码网络对目标语音编码特征进行解码处理，得到目标词嵌入向量；

识别模块808，用于通过预设函数对目标词嵌入向量进行识别处理，得到目标词段，并根据目标词段生成目标文本数据，其中，目标文本数据用于表征目标语音数据的语音内容。

该语音识别装置的具体实施方式与上述语音识别方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述语音识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的语音识别方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WI F I、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述语音识别方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。

本申请实施例提供的语音识别方法、语音识别装置、电子设备及计算机可读存储介质，其通过获取待处理的目标语音数据；将目标语音数据输入至预设的语音识别模型中，其中，语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络。通过卷积网络对目标语音数据进行变维处理，得到目标语音卷积特征，能够得到符合特征维度要求的目标语音卷积特征。进一步地，通过第一编码网络对目标语音卷积特征进行特征提取，得到第一语音编码特征，第一语音编码特征用于表征目标语音数据的中文特征；并通过第二编码网络对目标语音卷积特征进行特征提取，得到第二语音编码特征，第二语音编码特征用于表征目标语音数据的英文特征，通过这一方式实现对目标语音卷积特征中的英文特征和中文特征的并行提取，提高了特征获取效率。同时，相较于传统技术中的针对不同的语言类型特征采用多个独立的模型分别进行特征提取，能够有效地降低模型训练成本。进一步地，对第一语音编码特征和第二语音编码特征进行拼接处理，得到目标语音编码特征；并通过解码网络对目标语音编码特征进行解码处理，得到目标词嵌入向量，能够获取到能够表征目标语音数据的全部语义特征的目标词嵌入向量，能够同时识别出目标语音数据的中文内容和英文内容，提高了语音识别的效率。最后，通过预设函数对目标词嵌入向量进行识别处理，得到目标词段，并根据目标词段生成目标文本数据，其中，目标文本数据用于表征目标语音数据的文本信息，这一方式使得生成的目标文本数据具备较好的连贯性和完整性，从而提高语音识别的准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-On ly Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种语音识别方法，其特征在于，所述方法包括：

获取待处理的目标语音数据；

将所述目标语音数据输入至预设的语音识别模型中，其中，所述语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络；

通过所述卷积网络对所述目标语音数据进行变维处理，得到目标语音卷积特征；

通过所述第一编码网络对所述目标语音卷积特征进行特征提取，得到第一语音编码特征，所述第一语音编码特征用于表征所述目标语音数据的中文特征；

通过所述第二编码网络对所述目标语音卷积特征进行特征提取，得到第二语音编码特征，所述第二语音编码特征用于表征所述目标语音数据的英文特征；

对所述第一语音编码特征和所述第二语音编码特征进行拼接处理，得到目标语音编码特征；

通过所述解码网络对所述目标语音编码特征进行解码处理，得到目标词嵌入向量；

通过预设函数对所述目标词嵌入向量进行识别处理，得到目标词段，并根据所述目标词段生成所述目标文本数据，其中，所述目标文本数据用于表征所述目标语音数据的文本信息。

2.根据权利要求1所述的语音识别方法，其特征在于，所述第一编码网络包括第一归一化层，第一注意力层以及第一前馈层，所述通过所述第一编码网络对所述目标语音卷积特征进行特征提取，得到第一语音编码特征，包括：

根据预设的第一参数对所述目标语音卷积特征进行层归一化处理，得到第一中间语音特征；

通过所述第一注意力层对所述第一中间语音特征进行注意力计算，得到第一关键语音特征；

对所述第一中间语音特征和所述第一关键语音特征进行残差连接，得到第一语音拼接向量；

通过所述第一归一化层对所述第一语音拼接向量进行激活处理，得到第一语音激活特征；

通过所述第一前馈层将所述第一语音激活特征映射到预设的第一向量空间，得到第一低维语音向量；

对所述第一关键语音特征和所述第一低维语音向量进行残差连接，得到所述第一语音编码特征。

3.根据权利要求1所述的语音识别方法，其特征在于，所述第二编码网络包括第二归一化层，第二注意力层以及第二前馈层，所述通过所述第二编码网络对所述目标语音卷积特征进行特征提取，得到第二语音编码特征，包括：

根据预设的第二参数对所述目标语音卷积特征进行层归一化处理，得到第二中间语音特征；

通过所述第二注意力层对所述第二中间语音特征进行注意力计算，得到第二关键语音特征；

对所述第二中间语音特征和所述第二关键语音特征进行残差连接，得到第二语音拼接向量；

通过所述第二归一化层对所述第二语音拼接向量进行激活处理，得到第二语音激活特征；

通过所述第二前馈层将所述第二语音激活特征映射到预设的第二向量空间，得到第二低维语音向量；

对所述第二关键语音特征和所述第二低维语音向量进行残差连接，得到所述第二语音编码特征。

4.根据权利要求1所述的语音识别方法，其特征在于，所述卷积网络包括第一卷积层和第二卷积层，所述通过所述卷积网络对所述目标语音数据进行变维处理，得到目标语音卷积特征，包括：

通过所述第一卷积层对所述目标语音数据进行卷积处理，得到初始语音卷积特征；

通过所述第二卷积层对所述初始语音卷积特征进行采样处理，得到所述目标语音卷积特征。

5.根据权利要求1所述的语音识别方法，其特征在于，所述解码网络包括第三注意力层、第三归一化层、第三前馈层，所述通过所述解码网络对所述目标语音编码特征进行解码处理，得到目标词嵌入向量，包括：

通过所述解码网络的第三注意力层对所述目标语音编码特征进行注意力计算，得到目标语义表征向量；

通过所述第三归一化层对所述目标语义表征向量进行激活处理，得到初始语义激活向量；

通过所述第三前馈层将所述初始语义激活向量映射到预设的第三向量空间，得到目标语义激活向量；

对所述目标语义表征向量和所述目标语义激活向量进行残差连接，得到所述目标词嵌入向量。

6.根据权利要求1所述的语音识别方法，其特征在于，所述通过预设函数对所述目标词嵌入向量进行识别处理，得到目标词段，并根据所述目标词段生成所述目标文本数据，包括：

通过所述预设函数和预设的参考词段对所述目标词嵌入向量进行概率计算，得到每一所述参考词段对应的词段概率值；

根据所述词段概率值对所述参考词段进行筛选处理，得到所述目标词段；

根据预设的拼接顺序对所述目标词段进行拼接处理，得到所述目标文本数据。

7.根据权利要求1至6任一项所述的语音识别方法，其特征在于，所述获取待处理的目标语音数据，包括：

获取原始语音数据，其中，所述原始语音数据为波形数据；

对所述原始语音数据进行频谱变换，得到梅尔倒谱特征，并根据所述梅尔倒谱特征，得到所述目标语音数据。

8.一种语音识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取待处理的目标语音数据；

输入模块，用于将所述目标语音数据输入至预设的语音识别模型中，其中，所述语音识别模型包括卷积网络、第一编码网络、第二编码网络和解码网络；

变维模块，用于通过所述卷积网络对所述目标语音数据进行变维处理，得到目标语音卷积特征；

第一特征提取模块，用于通过所述第一编码网络对所述目标语音卷积特征进行特征提取，得到第一语音编码特征，所述第一语音编码特征用于表征所述目标语音数据的中文特征；

第二特征提取模块，用于通过所述第二编码网络对所述目标语音卷积特征进行特征提取，得到第二语音编码特征，所述第二语音编码特征用于表征所述目标语音数据的英文特征；

特征拼接模块，用于对所述第一语音编码特征和所述第二语音编码特征进行拼接处理，得到目标语音编码特征；

解码模块，用于通过所述解码网络对所述目标语音编码特征进行解码处理，得到目标词嵌入向量；

识别模块，用于通过预设函数对所述目标词嵌入向量进行识别处理，得到目标词段，并根据所述目标词段生成所述目标文本数据，其中，所述目标文本数据用于表征所述目标语音数据的语音内容。

9.一种电子设备，其特征在于，所述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权利要求1至7任一项所述的语音识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7任一项所述的语音识别方法。