模型的训练方法、语音识别方法和装置、设备及存储介质与流程

1.本技术涉及金融科技领域，尤其涉及一种模型的训练方法、语音识别方法和装置、设备及存储介质。


背景技术：

2.随着网络、通讯、计算机技术的发展，企业呈现出电子化、远程化、虚拟化、网络化的特点，更多的线上企业大量涌现。而客户与企业之间的通信与对话，也由面对面的咨询、交涉发展到基于网络、电话等远程手段的交流和沟通。在此背景下，智能语音交互在被广泛应用于金融、物流、客服等领域。
3.目前，基于语音交互的金融交易平台每天都面对着大量的电话语音服务，处理客户多样化的服务需求，包括售前咨询、购买、售后、投诉等。在电话服务的过程中，智能客服机器人需要应对不同的服务对象，并作出合适的反应。如果智能客服在对话交流中无法准确地识别到服务对象在语音数据中所表征的诉求，会导致基于语音数据反馈的服务应答不符合对象需求等问题，影响服务质量和对象满意度。
4.语音识别任务主要是将语音音频转换为文字形式。目前的语音识别方法大多数需要依赖于神经网络模型进行识别，而常用的神经网络模型往往无法较好地关注到语音音频中有用的语音信息，存在着模型的训练效果不佳的问题，因此，如何改善模型的训练效果，成为了亟待解决的技术问题。


技术实现要素：

5.本技术实施例的主要目的在于提出一种模型的训练方法、语音识别方法和装置、设备及存储介质，旨在提高模型的训练效果。
6.为实现上述目的，本技术实施例的第一方面提出了一种模型的训练方法，所述训练方法包括：
7.获取样本语音数据和所述样本语音数据对应的样本文本数据；
8.将所述样本语音数据和所述样本文本数据输入至预设的神经网络模型中，其中，所述神经网络模型包括编码网络和解码网络；
9.通过所述编码网络的卷积层对所述样本语音数据进行特征提取，得到样本语音特征向量；
10.通过所述编码网络的稀疏注意力层对所述样本语音特征向量进行注意力计算，得到样本语音表征向量；
11.通过所述解码网络对所述样本文本数据进行编码处理，得到样本文本编码向量；
12.通过所述解码网络的注意力层对所述样本文本编码向量和所述样本语音表征向量进行重构处理，得到样本关系特征向量，所述样本关系特征向量用于表征所述样本文本编码向量和所述样本语音表征向量之间的相关程度；
13.通过预设的损失函数和所述样本关系特征向量对所述神经网络模型进行参数更
新，以训练所述神经网络模型，得到语音识别模型。
14.在一些实施例，所述通过所述编码网络的卷积层对所述样本语音数据进行特征提取，得到样本语音特征向量，包括：
15.通过所述卷积层对所述样本语音数据进行卷积处理，得到样本语音卷积向量；
16.通过所述卷积层对所述样本语音卷积向量进行下采样处理，得到样本语音采样特征；
17.对所述样本语音采样特征进行位置编码，得到所述样本语音特征向量。
18.在一些实施例，所述通过所述编码网络的稀疏注意力层对所述样本语音特征向量进行注意力计算，得到样本语音表征向量，包括：
19.通过所述稀疏注意力层的预设函数对所述样本语音特征向量进行归一化处理，得到样本概率特征；
20.根据所述样本概率特征和预设的概率阈值对所述样本语音特征向量进行筛选处理，得到候选语音特征向量，其中，所述候选语音特征向量为所述样本概率特征大于所述概率阈值的样本语音特征向量；
21.根据预设的权重参数对所述候选语音特征向量进行注意力计算，得到所述样本语音表征向量。
22.在一些实施例，所述通过所述解码网络的注意力层对所述样本文本编码向量和所述样本语音表征向量进行重构处理，得到样本关系特征向量，包括：
23.通过所述注意力层对所述样本文本编码向量进行自注意力计算，得到样本文本表征向量；
24.通过所述注意力层对所述样本语音表征向量和所述样本文本表征向量进行注意力计算，得到初始关系特征向量；
25.根据预设的向量特征维度，将所述初始关系特征向量映射到预设的向量空间，得到所述样本关系特征向量。
26.在一些实施例，所述通过预设的损失函数和所述样本关系特征向量对所述神经网络模型进行参数更新，以训练所述神经网络模型，得到语音识别模型，包括：
27.通过所述损失函数对所述样本关系特征向量进行损失计算，得到目标损失值；
28.对所述目标损失值进行反向传播，以更新所述神经网络模型的模型参数，得到所述语音识别模型。
29.为实现上述目的，本技术实施例的第二方面提出了一种语音识别方法，所述方法包括：
30.获取待处理的目标语音数据；
31.将所述目标语音数据输入至语音识别模型进行识别处理，得到目标文本数据，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；所述语音识别模型根据第一方面所述的训练方法训练得到。
32.为实现上述目的，本技术实施例的第三方面提出了一种模型的训练装置，所述训练装置包括：
33.样本数据获取模块，用于获取样本语音数据和所述样本语音数据对应的样本文本数据；
34.数据输入模块，用于将所述样本语音数据和所述样本文本数据输入至预设的神经网络模型中，其中，所述神经网络模型包括编码网络和解码网络；
35.特征提取模块，用于通过所述编码网络的卷积层对所述样本语音数据进行特征提取，得到样本语音特征向量；
36.计算模块，用于通过所述编码网络的稀疏注意力层对所述样本语音特征向量进行注意力计算，得到样本语音表征向量；
37.编码模块，用于通过所述解码网络对所述样本文本数据进行编码处理，得到样本文本编码向量；
38.重构模块，用于通过所述解码网络的注意力层对所述样本文本编码向量和所述样本语音表征向量进行重构处理，得到样本关系特征向量，所述样本关系特征向量用于表征所述样本文本编码向量和所述样本语音表征向量之间的相关程度；
39.训练模块，用于通过预设的损失函数和所述样本关系特征向量对所述神经网络模型进行参数更新，以训练所述神经网络模型，得到语音识别模型。
40.为实现上述目的，本技术实施例的第四方面提出了一种语音识别装置，所述装置包括：
41.目标语音数据获取模块，用于获取待处理的目标语音数据；
42.语音识别模块，用于将所述目标语音数据输入至语音识别模型进行识别处理，得到目标文本数据，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；所述语音识别模型根据第三方面所述的训练装置训练得到。
43.为实现上述目的，本技术实施例的第五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训练方法或者第二方面所述的方法。
44.为实现上述目的，本技术实施例的第六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训练方法或者第二方面所述的方法。
45.本技术提出的模型的训练方法、语音识别方法、模型的训练装置、语音识别装置、电子设备及计算机可读存储介质,其通过获取样本语音数据和样本语音数据对应的样本文本数据；将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括编码网络和解码网络；并通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量，通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量，这一方式能够较为方便地对样本语音数据中与语音识别无关的冗余信息进行过滤，有效地缩减信息总量，提高模型的识别速度。进一步地，通过解码网络对样本文本数据进行编码处理，得到样本文本编码向量，并通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度，能够根据该关联关系来反映模型的识别性能，提高模型的训练效率。最后，通过预设的损失函数和样本关系特征向量对神经网络模型进行参数更新，训练神经网络模型，得到语音识别模型，能够不断地对神经网络模型的内部参数进行调整，以使神经网络模型的识别性能满足训练要求，从而得到能够用于对目标语音数据的文本内容进行识别的语音识别模型，提高了模型的语
音识别准确性，进而使得智能客服机器人在与服务对象的对话过程中，能更为准确地识别服务对象的语音数据中所表征的诉求，从而提高有针对性的应答和服务反馈，能有效地改善金融交易过程中的对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度，从而提高业务成交率。
附图说明
46.图1是本技术实施例提供的模型的训练方法的流程图；
47.图2是图1中的步骤s103的流程图；
48.图3是图1中的步骤s104的流程图；
49.图4是图1中的步骤s106的流程图；
50.图5是图1中的步骤s107的流程图；
51.图6是本技术实施例提供的语音识别方法的流程图；
52.图7是本技术实施例提供的模型的训练装置的结构示意图；
53.图8是本技术实施例提供的语音识别装置的结构示意图；
54.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
56.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。
57.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技术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技术实施例的目的，不是旨在限制本技术。
58.首先，对本技术中涉及的若干名词进行解析：
59.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。
60.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。
61.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。
62.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。
63.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。
64.transformer层：神经网络包括嵌入层(可以称为输入嵌入层(input embedding))和至少一个transformer层，至少一个transformer层可以为n个transformer层(n是大于0的整数)；嵌入层包括输入嵌入层和位置编码(positional encoding)层，其中，在输入嵌入层，可以对当前输入中的各个词进行词嵌入处理，从而得到各个词的词嵌入向量；在位置编码层，可以获取各个词在该当前输入中的位置，进而对各个词的位置生成位置向量。每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层、add&norm层。在嵌入层(input embedding)，对当前输入进行嵌入处理，得到多个特征向量；在注意力层，从transformer层的上一层获取p个输入向量，以p个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出p个输入向量对应的p个中间向量；在池化层，将p个中间向量合并为q个输出向量，其中至少一个transformer层中最后一个transformer层得到的多个输出向量用作当前输入的特征表示。在嵌入层，对当前输入(可以为文本输入，例如一段文本或一个句子；文本可以为中文/英文或其他语言文本)进行嵌入处理，得到多个特征向量。嵌入层在获取当前输入后，可以对该当前输入中各个词进行嵌入处理，可得到各个词的特征向量。
65.编码(encoder)：将输入序列转化成一个固定长度的向量。
66.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。
67.反向传播：反向传播的大致原理为：将训练集数据输入到神经网络的输入层，经过神经网络的隐藏层，最后达到神经网络的输出层并输出结果；由于神经网络的输出结果与
实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。
68.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。
69.随着网络、通讯、计算机技术的发展，企业呈现出电子化、远程化、虚拟化、网络化的特点，更多的线上企业大量涌现。而客户与企业之间的通信与对话，也由面对面的咨询、交涉发展到基于网络、电话等远程手段的交流和沟通。在此背景下，智能语音交互在被广泛应用于金融、物流、客服等领域。
70.目前，基于语音交互的金融交易平台每天都面对着大量的电话语音服务，处理客户多样化的服务需求，包括售前咨询、购买、售后、投诉等。在电话服务的过程中，智能客服机器人需要应对不同的服务对象，并作出合适的反应。如果智能客服在对话交流中无法准确地识别到服务对象在语音数据中所表征的诉求，会导致基于语音数据反馈的服务应答不符合对象需求等问题，影响服务质量和对象满意度。
71.例如，基于语音交互的金融交易平台在通过虚拟人物进行产品推荐过程中，当服务对象存在疑问需要咨询和沟通时，由于当前虚拟人物只能在设定好的选项中寻找答案，不能准确识别服务对象在语音数据中所表征的诉求，造成“答非所问”的现象，造成虚拟人物的语音交互准确度低。
72.语音识别任务主要是将语音音频转换为文字形式。目前的语音识别方法大多数需要依赖于神经网络模型进行识别，而常用的神经网络模型往往无法较好地关注到语音音频中有用的语音信息，存在着模型的训练效果不佳的问题，因此，如何改善模型的训练效果，成为了亟待解决的技术问题。
73.基于此，本技术实施例提供了一种模型的训练方法、语音识别方法、模型的训练装置、语音识别装置、电子设备及存储介质，旨在提高模型的训练效果。
74.本技术实施例提供的模型的训练方法、语音识别方法、模型的训练装置、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，首先描述本技术实施例中的模型的训练方法。
75.本技术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。
76.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。
77.本技术实施例提供的模型的训练方法，涉及人工智能技术领域。本技术实施例提供的模型的训练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；软件可以是实现模型的训练方法的应用等，但并不局限于以上形式。
78.本技术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。本技术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技术，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。
79.需要说明的是，在本技术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，都会遵守相关法律法规和标准。此外，当本技术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，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
80.图1是本技术实施例提供的模型的训练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s107。
81.步骤s101，获取样本语音数据和样本语音数据对应的样本文本数据；
82.步骤s102，将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括编码网络和解码网络；
83.步骤s103，通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量；
84.步骤s104，通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量；
85.步骤s105，通过解码网络对样本文本数据进行编码处理，得到样本文本编码向量；
86.步骤s106，通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度；
87.步骤s107，通过预设的损失函数和样本关系特征向量对神经网络模型进行参数更新，以训练神经网络模型，得到语音识别模型。
88.本技术实施例所示意的步骤s101至步骤s107，其通过获取样本语音数据和样本语音数据对应的样本文本数据；将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括编码网络和解码网络；并通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量，通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量，这一方式能够较为方便地对样本语音数据
中与语音识别无关的冗余信息进行过滤，有效地缩减信息总量，提高模型的识别速度。进一步地，通过解码网络对样本文本数据进行编码处理，得到样本文本编码向量，并通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度，能够根据该关联关系来反映模型的识别性能，提高模型的训练效率。最后，通过预设的损失函数和样本关系特征向量对神经网络模型进行参数更新，训练神经网络模型，得到语音识别模型，能够不断地对神经网络模型的内部参数进行调整，以使神经网络模型的识别性能满足训练要求，从而得到能够用于对目标语音数据的文本内容进行识别的语音识别模型，提高了模型的训练效果。
89.在一些实施例的步骤s101中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到样本说话对象的样本语音数据和对应的样本文本数据，其中，数据源可以是各种类型的网络平台、社交媒体也可以是某些特定的音频数据库等，样本语音数据可以是样本说话对象的音乐素材、演讲汇报、聊天对话等，样本文本数据的文本信息能够表征样本语音数据的语音内容。通过上述方式能够较为方便地获取样本语音数据和样本文本数据，提高数据获取效率。
90.需要说明的是，上述的样本语音数据主要是频谱数据，通过对获取到的原始音频数据进行短时傅里叶变换以及通过梅尔倒谱滤波器进行滤波处理之后，得到频谱形式的梅尔倒频谱特征数据，将该梅尔倒频谱特征数据作为目标语音数据。
91.例如，在金融交易场景中，样本语音数据是包含金融领域常用对话话术的音频数据，在保险推销场景中，样本语音数据是包含某一保险产品的险种、费用、适用人群等描述内容的音频数据。样本文本数据可以是含有金融领域的专有名词、金融业务模板词汇、也可以是含有保险产品的产品描述、理财产品的产品描述以及金融领域的常用对话话术等的文本数据。
92.在一些实施例的步骤s102中，通过预设的脚本程序或者其他计算机程序将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型可以基于transformer模型构建而成，该神经网络模型包括编码网络和解码网络，编码网络用于对输入的语音数据进行编码处理，提取该语音数据中的语音内容信息，再将提取到的编码形式的语音内容信息输入至解码网络，解码网络用于对编码形式的语音内容信息进行解码处理，提取语音数据对应的文本特征，生成语音数据对应的文本数据，从而实现对输入的语音数据的识别处理，得到该语音数据的语音文本数据。
93.请参阅图2，在一些实施例中，步骤s103可以包括但不限于包括步骤s201至步骤s203：
94.步骤s201，通过卷积层对样本语音数据进行卷积处理，得到样本语音卷积向量；
95.步骤s202，通过卷积层对样本语音卷积向量进行下采样处理，得到样本语音采样特征；
96.步骤s203，对样本语音采样特征进行位置编码，得到样本语音特征向量。
97.在一些实施例的步骤s201中，通过卷积层对样本语音数据进行卷积处理，实现对样本语音数据中的语音内容特征的提取，得到样本语音卷积向量，该样本语音卷积向量可以表示为特征图的形式，其中，该卷积层的卷积核以及卷积核的尺寸可以根据实际情况设
定，例如，卷积层包括至少一个卷积尺寸为3
×
3的卷积核，该卷积层的通道数可以为256或者64等等。
98.在一些实施例的步骤s202中，通过卷积层对样本语音卷积向量进行下采样处理，实现对样本语音卷积向量的压缩，在下采样过程中可以选取样本语音卷积向量的每一特征位置的最大值或者平均值作为该特征位置的特征值，从而减小样本语音卷积向量的特征参数，得到样本语音采样特征。
99.在一些实施例的步骤s203中，对样本语音采样特征的位置编码可以是绝对编码，也可以是相对编码。具体地，当对样本语音采样特征进行绝对编码时，通过正余弦函数来生成样本语音采样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样本语音采样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，得到样本语音特征向量。当对样本语音采样特征进行相对编码时，分别计算样本语音采样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，从而得到样本语音特征向量。
100.通过上述步骤s201至步骤s203能够较为方便地提取样本语音数据中的语音内容特征，并对该语音内容特征进行内容精简，生成符合基本语法规范的样本语音特征向量，从而将样本语音特征向量用于后续的模型训练，能够较好地提高训练样本的质量，有利于改善模型的训练效果。
101.请参阅图3，在一些实施例中，步骤s104可以包括但不限于包括步骤s301至步骤s303：
102.步骤s301，通过稀疏注意力层的预设函数对样本语音特征向量进行归一化处理，得到样本概率特征；
103.步骤s302，根据样本概率特征和预设的概率阈值对样本语音特征向量进行筛选处理，得到候选语音特征向量，其中，候选语音特征向量为样本概率特征大于概率阈值的样本语音特征向量；
104.步骤s303，根据预设的权重参数对候选语音特征向量进行注意力计算，得到样本语音表征向量。
105.在一些实施例的步骤s301中，预设函数可以是sparsemax函数，通过sparsemax函数能够将样本语音特征向量的欧几里得投影映射成一个概率单纯形p，从而实现对样本语音特征向量的归一化处理，通过该概率单纯形来反映样本语音特征向量的稀疏度。例如，该概率单纯形作为样本语音特征向量的概率特征，即得到样本语音特征向量的样本概率特征。
106.例如，通过稀疏注意力层的sparsemax函数对样本语音特征向量进行归一化处理的过程可以表示如公式(1)所示；
[0107][0108]
其中，z为样本语音特征向量；p为概率单纯形，即样本概率特征；δj＝p∈rj|
p≤0
；
是j维的单纯形，r表示为实数，j为样本语音特征向量的词向量的编号。
[0109]
在一些实施例的步骤s302中，根据样本概率特征和预设的概率阈值对样本语音特征向量进行筛选处理时，首先根据概率单纯形以及概率阈值计算样本语音特征向量的稀疏度。
[0110]
需要说明的是，稀疏度可以表示为p
*
＝[p-τ]
+
，[]
+
表示取其中数与0的大者，τ为概率阈值，通过这一方式将小于概率阈值的样本概率特征将强制置零，但仍然保证
[0111]
因此，经过比对样本概率特征和预设的概率阈值的大小关系，能够方便地筛选出样本概率特征大于概率阈值的样本语音特征向量，将这一系列的样本语音特征向量作为候选语音特征向量，同时将样本概率特征小于或者等于概率阈值的样本语音特征向量舍弃，其中，候选语音特征向量包括与语音识别相关度较高的信息，而舍弃的样本语音特征向量则更多的包括与语音识别无关的冗余信息。通过这一方式对样本语音特征向量进行筛选处理，能够较好地保留一些高概率的元素信息，使得在后续的模型训练中，神经网络模型能够更多地关注这些高概率的元素信息(即候选语音特征向量的内容)，从而提高模型的学习性能和训练效果。
[0112]
在一些实施例的步骤s303中，预设的权重参数可以根据实际业务需求设置，不做限制。通过编码网络的注意力机制和权重参数对候选语音特征向量进行注意力计算时，对不同的候选语音特征向量赋予不同的注意力权重，从而使得注意分布集中在重要性更高的候选语音特征向量上，利用注意力机制和权重参数对候选语音特征向量进行注意力加权，从而得到样本语音表征向量，其中，样本语音表征向量包括较为丰富的语义信息，这些语义信息能够用于表征样本语音数据的主要内容。
[0113]
通过上述步骤s301至步骤s303能够较为方便地对样本语音数据中与语音识别无关的冗余信息进行过滤，能够有效地缩减信息总量，提高模型的识别速度，改善了模型的训练效果。同时，相对于常用的transformer模型的网络结构，本技术实施例的神经网络模型选择采用稀疏注意力层，能够较好地简化模型结构，使得模型更加的轻量化，使得训练得到的语音识别模型能够方便地部署到移动端及更多的网络设备，实现本技术实施例中的语音识别模型在各种应用场景下的语音识别，提高了语音识别模型的适用性。
[0114]
在一些实施例的步骤s105中，可以通过解码网络对样本文本数据进行位置编码，该位置编码的过程可以是绝对编码，也可以是相对编码。具体地，当对样本文本数据进行绝对编码时，通过正余弦函数来生成样本文本数据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样本文本数据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，得到样本文本编码向量。当对样本文本数据进行相对编码时，分别计算样本文本数据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，从而得到样本文本编码向量，这一方式能够在对样本文本数据进行编码处理时，保留样本文本的语义顺序，提高样本文本编码向量的语义逻辑性，使得能够将较高质量的样本文本编码向量用于后续的模型训练，也能够提高模型训练的效果。
[0115]
请参阅图4，在一些实施例中，步骤s106可以包括但不限于包括步骤s401至步骤s403：
[0116]
步骤s401，通过注意力层对样本文本编码向量进行自注意力计算，得到样本文本表征向量；
[0117]
步骤s402，通过注意力层对样本语音表征向量和样本文本表征向量进行注意力计算，得到初始关系特征向量；
[0118]
步骤s403，根据预设的向量特征维度，将初始关系特征向量映射到预设的向量空间，得到样本关系特征向量。
[0119]
在一些实施例的步骤s401中，通过注意力层的对样本文本编码向量进行自注意力计算时，可以使用缩放点积来计算每一个用于自注意力计算的注意力头，其中，每个注意力头headi可以表示为其中，h为注意力头数，d为样本文本表征向量yi的向量维度，均为可训练的投影矩阵，softmax为归一化概率函数。通过对每个注意力头进行拼接处理，得到样本文本表征向量，该样本文本表征向量o可以表示为o＝concat(head1,
…
,headh)wo，concat为拼接函数，wo为投影矩阵。
[0120]
在一些实施例的步骤s402中，通过注意力层对样本语音表征向量和样本文本表征向量进行注意力计算时，可以通过多头注意力机制来构建样本文本编码向量和样本语音表征向量之间的联系。首先通过多头注意力机制对样本语音表征向量h＝{h1,h2,
…
,hs}进行注意力计算，得到每一个用于多头注意力计算的注意力头，其中，每个注意力头headj可以表示为可以表示为其中，l为注意力头数，d为样本语
[0121]
音表征向量hs的向量维度，均为可训练的投影矩阵，softmax为归一化概率函数。进一步地，对每个注意力头进行拼接处理，得到样本语音表征向量对应的注意力结果，该注意力结果m可以表示为m＝concat(head1,
…
,head
l
)wm，concat为拼接函数，wm为投影矩阵。最后，对样本文本表征向量o和样本语音表征向量的注意力结果m进行向量拼接处理，得到初始关系特征向量。
[0122]
在一些实施例的步骤s403中，预设的向量特征维度可以根据实际的业务需求设置，例如，向量特征维度可以是64,512或者256等等。基于预设的向量特征维度，对初始关系特征向量进行变维处理，将初始关系特征向量映射到预设的向量空间，该向量空间的空间维度与预设的向量特征维度一致，从而能够较为方便地实现初始关系特征向量从高维空间到低维空间的变换，得到样本关系特征向量，其中，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度。
[0123]
通过上述步骤s401至步骤s403能够较为方便地获取样本语音表征向量与样本文本表征向量之间的关联关系，从而根据该关联关系来反映模型的识别性能，提高模型的训练效率。
[0124]
请参阅图5，在一些实施例中，步骤s107可以包括但不限于包括步骤s501至步骤s502：
[0125]
步骤s501，通过损失函数对样本关系特征向量进行损失计算，得到目标损失值；
[0126]
步骤s502，对目标损失值进行反向传播，以更新神经网络模型的模型参数，得到语音识别模型。
[0127]
在一些实施例的步骤s501中，损失函数可以是交叉熵损失函数等等，通过损失函数对样本关系特征向量进行损失计算时，将样本关系特征向量中的根据样本语音数据预测的预测文本内容与样本文本内容进行比对，用目标损失值来表征预测文本内容与样本文本内容的相似程度。目标损失值越小，则预测文本内容与样本文本内容的相似度越高，即模型的训练效果越好；目标损失值越大，则预测文本内容与样本文本内容的相似度越小，即模型的训练效果较差。
[0128]
在一些实施例的步骤s502中，根据目标损失值进行反向传播，通过优化目标损失值更新神经网络模型的内部参数(也即损失参数)，得到语音识别模型。可以理解的是，反向传播原理可以应用常规的反向传播原理，本技术实施例不做限定。
[0129]
通过上述步骤s501至步骤s502可以较为方便地确定模型的训练程度以及模型的模型性能，能够根据目标损失值不断地对神经网络模型的内部参数进行调整，以使神经网络模型的识别性能满足训练要求，从而得到能够用于对目标语音数据的文本内容进行识别的语音识别模型。
[0130]
本技术实施例的模型的训练方法，其通过获取样本语音数据和样本语音数据对应的样本文本数据；将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括编码网络和解码网络；并通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量，通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量，这一方式能够较为方便地对样本语音数据中与语音识别无关的冗余信息进行过滤，有效地缩减信息总量，提高模型的识别速度。同时，相对于常用的transformer模型的网络结构，本技术实施例的神经网络模型选择采用稀疏注意力层，能够较好地简化模型结构，使得模型更加的轻量化，使得训练得到的语音识别模型能够方便地部署到移动端及更多的网络设备上，提高了模型的适用性。进一步地，通过解码网络对样本文本数据进行编码处理，得到样本文本编码向量，并通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度，能够根据该关联关系来反映模型的识别性能，提高模型的训练效率。最后，通过预设的损失函数和样本关系特征向量对神经网络模型进行参数更新，训练神经网络模型，得到语音识别模型，能够不断地对神经网络模型的内部参数进行调整，以使神经网络模型的识别性能满足训练要求，从而得到能够用于对目标语音数据的文本内容进行识别的语音识别模型，提高了模型的训练效果，进而使得智能客服机器人在与服务对象的对话过程中，能更为准确地识别服务对象的语音数据中所表征的诉求，从而提高有针对性的应答和服务反馈，能有效地改善金融交易过程中的对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度，从而提高业务成交率。
[0131]
请参阅图6，本技术实施例还提供一种语音识别方法，具体可以包括但不限于包括
步骤s601至步骤s602：
[0132]
步骤s601，获取待处理的目标语音数据；
[0133]
步骤s602，将目标语音数据输入至语音识别模型进行识别处理，得到目标文本数据，其中，目标文本数据用于表征目标语音数据的语音内容；语音识别模型根据第一方面的训练方法训练得到。
[0134]
在一些实施例的步骤s601中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到待处理的目标语音数据，其中，数据源可以是各种类型的网络平台、社交媒体也可以是某些特定的音频数据库等，目标语音数据可以是目标说话对象的音乐素材、演讲汇报、聊天对话等，不做限制。
[0135]
在一些实施例的步骤s602中，可以通过预设的计算机程序或者其他脚本程序将目标语音数据输入至语音识别模型进行识别处理，通过语音识别模型的编码网络对目标语音数据进行编码处理，提取该目标语音数据中的语音内容信息，并通过编码网络的稀疏注意力层对目标语音数据的语音内容信息进行过滤处理，剔除冗余的无关信息，根据有用的语音内容信息生成目标语音表征向量，再将目标语音表征向量输入至解码网络，通过解码网络对目标语音表征向量进行解码处理，提取目标语音数据对应的文本特征，生成目标语音数据对应的目标文本数据，从而实现对目标语音数据的识别处理，得到目标文本数据，通过表征目标语音数据的语音内容。
[0136]
例如，在金融业务办理时，当目标对话类型为查询时，相应的对象意图为业务查询、用户数据查询，例如当对象输入的目标语音数据为“明细查询”，则确定目标对话类型为数据查询，即对象意图为用户数据查询。
[0137]
本技术实施例的语音识别方法，其通过将目标语音数据输入至语音识别模型进行识别处理，通过语音识别模型的编码网络对目标语音数据进行编码处理，提取该目标语音数据中的语音内容信息，并通过编码网络的稀疏注意力层对目标语音数据的语音内容信息进行过滤处理，剔除冗余的无关信息，能够较为方便地对样本语音数据中与语音识别无关的冗余信息进行过滤，有效地缩减信息总量，提高语音识别速度。通过解码网络对目标语音表征向量进行解码处理，能够较为方便地生成用于表征目标语音数据的语音内容的目标文本，提高了语音识别的准确度和识别效率。
[0138]
请参阅图7，本技术实施例还提供一种模型的训练装置，可以实现上述模型的训练方法，该训练装置包括：
[0139]
样本数据获取模块701，用于获取样本语音数据和样本语音数据对应的样本文本数据；
[0140]
数据输入模块702，用于将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括编码网络和解码网络；
[0141]
特征提取模块703，用于通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量；
[0142]
计算模块704，用于通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量；
[0143]
编码模块705，用于通过解码网络对样本文本数据进行编码处理，得到样本文本编码向量；
[0144]
重构模块706，用于通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度；
[0145]
训练模块707，用于通过预设的损失函数和样本关系特征向量对神经网络模型进行参数更新，以训练神经网络模型，得到语音识别模型。
[0146]
在一些实施例中，特征提取模块703包括：
[0147]
卷积单元，用于通过卷积层对样本语音数据进行卷积处理，得到样本语音卷积向量；
[0148]
采样单元，用于通过卷积层对样本语音卷积向量进行下采样处理，得到样本语音采样特征；
[0149]
编码单元，用于对样本语音采样特征进行位置编码，得到样本语音特征向量。
[0150]
在一些实施例中，计算模块704包括：
[0151]
归一化单元，用于通过稀疏注意力层的预设函数对样本语音特征向量进行归一化处理，得到样本概率特征；
[0152]
筛选单元，用于根据样本概率特征和预设的概率阈值对样本语音特征向量进行筛选处理，得到候选语音特征向量，其中，候选语音特征向量为样本概率特征大于概率阈值的样本语音特征向量；
[0153]
第一计算单元，用于根据预设的权重参数对候选语音特征向量进行注意力计算，得到样本语音表征向量。
[0154]
在一些实施例中，重构模块706包括：
[0155]
第二计算单元，用于通过注意力层对样本文本编码向量进行自注意力计算，得到样本文本表征向量；
[0156]
第三计算单元，用于通过注意力层对样本语音表征向量和样本文本表征向量进行注意力计算，得到初始关系特征向量；
[0157]
映射单元，用于根据预设的向量特征维度，将初始关系特征向量映射到预设的向量空间，得到样本关系特征向量。
[0158]
在一些实施例中，训练模块707包括：
[0159]
损失计算单元，用于通过损失函数对样本关系特征向量进行损失计算，得到目标损失值；
[0160]
参数更新单元，用于对目标损失值进行反向传播，以更新神经网络模型的模型参数，得到语音识别模型。
[0161]
该模型的训练装置的具体实施方式与上述模型的训练方法的具体实施例基本相同，在此不再赘述。
[0162]
请参阅图8，本技术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：
[0163]
目标语音数据获取模块801，用于获取待处理的目标语音数据；
[0164]
语音识别模块802，用于将目标语音数据输入至语音识别模型进行识别处理，得到目标文本数据，其中，目标文本数据用于表征目标语音数据的语音内容；语音识别模型根据上述的训练装置训练得到。
[0165]
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。
[0166]
本技术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。
[0167]
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：
[0168]
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，以实现本技术实施例所提供的技术方案；
[0169]
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来调用执行本技术实施例的语音识别方法；
[0170]
输入/输出接口903，用于实现信息输入及输出；
[0171]
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、wifi、蓝牙等)实现通信；
[0172]
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；
[0173]
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。
[0174]
本技术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。
[0175]
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。
[0176]
本技术实施例提供的模型的训练方法、语音识别方法、模型的训练装置、语音识别装置、电子设备及计算机可读存储介质，其通过获取样本语音数据和样本语音数据对应的样本文本数据；将样本语音数据和样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括编码网络和解码网络；并通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量，通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量，这一方式能够较为方便地对样本语音数据中与语音识别无关的冗余信息进行过滤，能够有效地缩减信息总量，提高模型的识别速度。同时，相对于常用的transformer模型的网络结构，本技术实施例的神经网络模型选择采用稀疏注意力层，能够较好地简化模型结构，使得模型更加的轻量化，使得训练得到的语音识别模型能够方便地部署到移动端及更多的网络设备上，提高了模型的适用性。进一步地，通过解码网络
对样本文本数据进行编码处理，得到样本文本编码向量，并通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量，样本关系特征向量用于表征样本文本编码向量和样本语音表征向量之间的相关程度，能够根据该关联关系来反映模型的识别性能，提高模型的训练效率。最后，通过预设的损失函数和样本关系特征向量对神经网络模型进行参数更新，训练神经网络模型，得到语音识别模型，能够不断地对神经网络模型的内部参数进行调整，以使神经网络模型的识别性能满足训练要求，从而得到能够用于对目标语音数据的文本内容进行识别的语音识别模型，提高了模型的训练效果，进而使得智能客服机器人在与服务对象的对话过程中，能更为准确地识别服务对象的语音数据中所表征的诉求，从而提高有针对性的应答和服务反馈，能有效地改善金融交易过程中的对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度，从而提高业务成交率。
[0177]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术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，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0178]
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技术实施例的限定，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。
[0179]
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。
[0180]
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。
[0181]
本技术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，以便这里描述的本技术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。
[0182]
应当理解，在本技术中，“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。
[0183]
在本技术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。
[0184]
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。
[0185]
另外，在本技术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。
[0186]
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，本技术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)执行本技术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-only 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。
[0187]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种模型的训练方法，其特征在于，所述训练方法包括：获取样本语音数据和所述样本语音数据对应的样本文本数据；将所述样本语音数据和所述样本文本数据输入至预设的神经网络模型中，其中，所述神经网络模型包括编码网络和解码网络；通过所述编码网络的卷积层对所述样本语音数据进行特征提取，得到样本语音特征向量；通过所述编码网络的稀疏注意力层对所述样本语音特征向量进行注意力计算，得到样本语音表征向量；通过所述解码网络对所述样本文本数据进行编码处理，得到样本文本编码向量；通过所述解码网络的注意力层对所述样本文本编码向量和所述样本语音表征向量进行重构处理，得到样本关系特征向量，所述样本关系特征向量用于表征所述样本文本编码向量和所述样本语音表征向量之间的相关程度；通过预设的损失函数和所述样本关系特征向量对所述神经网络模型进行参数更新，以训练所述神经网络模型，得到语音识别模型。2.根据权利要求1所述的训练方法，其特征在于，所述通过所述编码网络的卷积层对所述样本语音数据进行特征提取，得到样本语音特征向量，包括：通过所述卷积层对所述样本语音数据进行卷积处理，得到样本语音卷积向量；通过所述卷积层对所述样本语音卷积向量进行下采样处理，得到样本语音采样特征；对所述样本语音采样特征进行位置编码，得到所述样本语音特征向量。3.根据权利要求1所述的训练方法，其特征在于，所述通过所述编码网络的稀疏注意力层对所述样本语音特征向量进行注意力计算，得到样本语音表征向量，包括：通过所述稀疏注意力层的预设函数对所述样本语音特征向量进行归一化处理，得到样本概率特征；根据所述样本概率特征和预设的概率阈值对所述样本语音特征向量进行筛选处理，得到候选语音特征向量，其中，所述候选语音特征向量为样本概率特征大于所述概率阈值的样本语音特征向量；根据预设的权重参数对所述候选语音特征向量进行注意力计算，得到所述样本语音表征向量。4.根据权利要求1所述的训练方法，其特征在于，所述通过所述解码网络的注意力层对所述样本文本编码向量和所述样本语音表征向量进行重构处理，得到样本关系特征向量，包括：通过所述注意力层对所述样本文本编码向量进行自注意力计算，得到样本文本表征向量；通过所述注意力层对所述样本语音表征向量和所述样本文本表征向量进行注意力计算，得到初始关系特征向量；根据预设的向量特征维度，将所述初始关系特征向量映射到预设的向量空间，得到所述样本关系特征向量。5.根据权利要求1至4任一项所述的训练方法，其特征在于，所述通过预设的损失函数和所述样本关系特征向量对所述神经网络模型进行参数更新，以训练所述神经网络模型，
得到语音识别模型，包括：通过所述损失函数对所述样本关系特征向量进行损失计算，得到目标损失值；对所述目标损失值进行反向传播，以更新所述神经网络模型的模型参数，得到所述语音识别模型。6.一种语音识别方法，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语音识别模型进行识别处理，得到目标文本数据，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；所述语音识别模型根据权利要求1至5任一项所述的训练方法训练得到。7.一种模型的训练装置，其特征在于，所述训练装置包括：样本数据获取模块，用于获取样本语音数据和所述样本语音数据对应的样本文本数据；数据输入模块，用于将所述样本语音数据和所述样本文本数据输入至预设的神经网络模型中，其中，所述神经网络模型包括编码网络和解码网络；特征提取模块，用于通过所述编码网络的卷积层对所述样本语音数据进行特征提取，得到样本语音特征向量；计算模块，用于通过所述编码网络的稀疏注意力层对所述样本语音特征向量进行注意力计算，得到样本语音表征向量；编码模块，用于通过所述解码网络对所述样本文本数据进行编码处理，得到样本文本编码向量；重构模块，用于通过所述解码网络的注意力层对所述样本文本编码向量和所述样本语音表征向量进行重构处理，得到样本关系特征向量，所述样本关系特征向量用于表征所述样本文本编码向量和所述样本语音表征向量之间的相关程度；训练模块，用于通过预设的损失函数和所述样本关系特征向量对所述神经网络模型进行参数更新，以训练所述神经网络模型，得到语音识别模型。8.一种语音识别装置，其特征在于，所述装置包括：目标语音数据获取模块，用于获取待处理的目标语音数据；语音识别模块，用于将所述目标语音数据输入至语音识别模型进行识别处理，得到目标文本数据，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；所述语音识别模型根据权利要求7所述的训练装置训练得到。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5任一项所述的训练方法或者权利要求6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5任一项所述的训练方法或者权利要求6所述的语音识别方法。

技术总结
本申请提供一种模型的训练方法、语音识别方法和装置、设备及存储介质，属于金融科技领域。方法包括：将样本语音数据和样本文本数据输入至包含编码网络和解码网络的神经网络模型中；通过编码网络的卷积层对样本语音数据进行特征提取，得到样本语音特征向量；通过编码网络的稀疏注意力层对样本语音特征向量进行注意力计算，得到样本语音表征向量；通过解码网络对样本文本数据进行编码处理，得到样本文本编码向量；通过解码网络的注意力层对样本文本编码向量和样本语音表征向量进行重构处理，得到样本关系特征向量；通过损失函数和样本关系特征向量对神经网络模型进行参数更新，得到语音识别模型，能够提高模型在金融场景中的语音识别准确性。音识别准确性。音识别准确性。


技术研发人员：刘杰 王健宗
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.31
技术公布日：2023/8/6