1.本公开涉及人工智能领域，尤其涉及语音技术领域，进一步涉及一种语音识别的方法、装置、设备及存储介质。


背景技术：

2.由于受到环境噪音、口音差异、说话风格差异、主题偏差、说话人本身等因素的影响，语音识别模型很容易出错。
3.此外，若想将语音识别模型从一个领域迁移到另外一个领域，往往需要大量的目标领域的标注数据。对于没有标注数据的领域，还需要花费大量人力和时间进行数据标注。


技术实现要素：

4.本公开提供了一种语音识别的方法、装置、设备以及存储介质。
5.根据本公开的一方面，提供了一种语音识别的方法，包括：获取目标域语音数据；使用领域对抗的语音学特征提取模型提取目标域语音数据的语音学特征，领域对抗的语音学特征提取模型包括语音学特征提取部分和领域分类部分，领域分类部分通过梯度反向层引入对抗，以模糊语言学特征的领域特性；提取目标域语音数据的语音识别目的特征；根据语音学特征和语音识别目的特征，确定目标语音数据的语音识别结果。
6.根据本公开的另一方面，提供了一种语音识别的装置，该装置包括：目标域语音数据获取模块，用于获取目标域语音数据；语音学特征提取模型，用于使用领域对抗的语音学特征提取模型提取目标域语音数据的语音学特征，领域对抗的语音学特征提取模型包括语音学特征提取部分和领域分类部分，领域分类部分通过梯度反向层引入对抗，以模糊语言学特征的领域特性；语音识别目的特征提取模块，提取目标域语音数据的语音识别目的特征；语音识别结果确定模块，用于根据语音学特征和语音识别目的特征，确定目标语音数据的语音识别结果。
7.根据本公开的另一方面，提供一种电子设备，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上述任一项语音识别的方法。
8.根据本公开的另一方面，提供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，计算机指令用于使计算机执行上述任一项语音识别的方法。
9.根据本公开的另一方面，提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述任一项语音识别的方法。
10.本公开提供了一种语音识别的方法、装置、设备以及存储介质，该方法通过提取语言学特征，可更好地减少说话人自身特点，例如，年龄、性别、音色等，所产生的影响，使语音识别更准确。此外，该方法中所使用的语言学特征提取模型还包括领域分类部分，并通过梯度反向层引入对抗，如此，可模糊所述语言学特征的领域特性，使语音识别方法更易于从一个领域迁移到另一个领域。
11.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
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是本公开第一实施例实现语音识别的方法的流程示意图；
14.图2是本公开第一实施例训练语音学特征提取模型的流程示意图；
15.图3是本公开第二实施例音素识别应用的模型框架示意图；
16.图4是本公开第二实施例实现语音识别的方法的流程示意图；
17.图5是本公开第二实施例语音学特征提取模型的网络结构示意图；
18.图6是本公开第二实施例训练语音学特征提取模型的流程示意图；
19.图7是本公开第二实施例发音语音学标签与部分因素的对照表示意图；
20.图8是本公开第一实施例语音识别的装置的结构示意图；
21.图9是用来实现本实施例的语音识别的方法的电子设备的框图。
具体实施方式
22.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。
23.由于基于模型的语音识别方法，很大程度取决于模型的算法和训练模型所使用的数据。因此，当将某个基于已有领域的语音数据训练得到的模型应用于一个未知领域时，常常出现预测准确度大幅下降的情况。
24.其中，本公开中提到的领域是较为广泛的领域，包括语音来源、应用场景或专业领域等。语音数据包括音频或从音频中提取的特征数据，特别适应于包含真人对话的音频。
25.本公开所提供的语音识别的方法，尤其适用于将语音识别方法从某个已成功应用该方法的领域语迁移到一个未曾应用过该方法的领域的场景下。其中，已成功应用该方法的领域为源域；未曾应用过该方法的领域为目标域。
26.图1示出了本公开语音识别的方法第一实施例的实现流程示意图。如图1所示，该方法包括：操作110，获取目标域语音数据；操作120，使用领域对抗的语音学特征提取模型提取目标域语音数据的语音学特征，领域对抗的语音学特征提取模型包括语音学特征提取部分和领域分类部分，领域分类部分通过梯度反向层引入对抗，以模糊语言学特征的领域特性；操作s130，提取目标域语音数据的语音识别目的特征；操作s140，根据语音学特征和语音识别目的特征，确定目标语音数据的语音识别结果。
27.在操作s110中，目标域语音数据在数据格式或形式上与源域语音数据是一致的。但因为所应用的领域不同，往往具有与源域语音数据不同的特性。例如，语音来源从机器人为主转变为以真人为主；或，应用场景从商品推荐迁移到知识问答；或，专业词汇从电子领域转换为机械领域等等。
28.在操作s120中，语音学特征主要指发音语言学特征，即根据发音器官相互协调动
作产生语音的现象而总结出的规律，比如根据舌的高低、前后，唇的圆、展，以及下颌的起落等来区分各种发声的。而上述特征往往不受个人特点(例如，年龄、性别、音色等)的影响。
29.领域对抗的语言学特征提取模型，指该模型经过不同领域训练数据的训练，并在训练时，通过领域之间的对抗训练，以模糊领域之间的差异。其中，对抗训练，指在训练的过程中，训练数据样本会被混合一些对抗样本(改变很小，但是很可能造成误分类)的扰动，然后使神经网络适应这种改变，从而对对抗样本具有鲁棒性。如此，在提取语言学特征时，会尽可能提取与领域关联度较小的特征。
30.在本实施例是通过在领域对抗的语音学特征提取模型中引入领域分类部分，并在该领域分类部分通过梯度反向层中引入对抗来实现的，使用这种对抗训练方式，可以使对抗训练的效率更高，能更快收敛。
31.在操作s130中，语音识别目的特征，指为实现语音识别目的而需要提取的特征。如果语音识别目的是音素识别，则语音识别目的特征则可以是与音素相关的声谱特征等；如果语音识别目的是意图识别，则语音识别目的特征则可以是与义素相关的声调特征、语义特征等。
32.在操作s140中，通过将操作s120中提取到的语音学特征引入到语音识别过程中，将语音识别目的特征与语音学特征相结合共同确定语音识别结果，即可大幅减少由于说话人自身特点、声音来源、应用场景或专业领域不同而导致原有语音识别方法时，在应用于目标域时可能产生的适用性不佳，识别准确率降低等的情况。
33.需要说明的是，在操作s120中所使用的领域对抗的语音学特征提取模型往往是经过训练后，才可以进行实际应用的模型。
34.在应用在目标域之前，还需要对预设的领域对抗的语音学特征提取模型进行训练以达到一定的模型精度和识别准确率，才能得到可以实际应用的领域对抗的语音学特征提取模型。
35.其中，预设的领域对抗的语音学特征提取模型指待训练的领域对抗的语音学特征提取模型，预设有语音学特征提取模型的模型算法和网络参数的初始值等。
36.其训练过程主要包括：将训练数据输入到预设的领域对抗的语音学特征提取模型得到相应输出，根据相应输出和训练数据上标注的标签计算损失函数，之后根据损失函数更新预设的领域对抗的语音学特征提取模型的网络参数。如此，不断迭代，直至模型收敛并达到预定的模型精度和准确度，就得到了可以实际应用的领域对抗的语音学特征提取模型。
37.图2示出了本实施例，对预设的领域对抗的语音学特征提取模型进行训练的主要操作，主要包括：操作s210，获取第一源域语音数据，第一源域语音数据标注有语音学特征标签的；操作s220，获取第一非源域语音数据；操作s230，使用第一源域语音数据和第一非源域语音数据，对预设的领域对抗的语音学特征提取模型进行对抗训练，得到领域对抗的语音学特征提取模型。由于，在源域中应用语音识别方法时，往往已经对源域数据进行了标注，其中，通常会标注有相应的语音学特征。因此，在操作s210中，可以使用已有的训练数据作为源域语音数据。为了与标注有其他标签用于训练其他模型的源域语音数据区分，此处暂称为第一源域语音数据
38.在操作s220中，非源域语音数据，指所属领域与源域不同的语音数据。如此，可通
过领域对抗训练，达到模糊领域特性的目的。
39.通常，预设的领域对抗的语音学特征提取模型，只经过源域语音数据的训练，但未经过非源域语音数据的训练。因此，在本实施例中的非源域领域多为没有标注的语音数据。为了与用于训练其他模型的非源域语音数据区分，此处暂称为第一非源域数据
40.为了进一步模糊领域的边界，第一非源域语音数据所属的领域甚至可以是与目标域不同的领域。
41.但与目标域不同的领域的语音数据占比过大的时候，可能不利于提高模型在目标域的适用性和准确度。
42.因此，推荐使用以目标域语音数据作为主的非源域语音数据，如此可更好地适应目标域的特点，使识别方法应用于目标域时，得到更准确的识别结果。
43.如果确实需使用一些与目标域不同的非源域的语音数据进一步模糊领域特性时，可尽量将该部分与目标域不同的非源域语音数据的数据量控制在比较低的比例，并尽可能选取与目标域接近的领域。
44.在操作s230中，使用目标域的语音数据与源域语音数据对领域分类部分进行领域对抗训练，可以使对抗网络中的判别网络最后无法识别出语音数据所属的领域，从而使领域分类部分所得到的领域分类不能真实反映语音数据所属的领域，如此可模糊语音数据的领域特性。
45.在完成上述训练过程之后，还可以使用测试数据对模型加以验证。
46.需要说明的是，图1和图2所示的实施例仅为实现本公开语音识别的方法的基本实施例，实施者可在此基础上进行进一步细化和扩展，并应用于各种不同的应用场景下。
47.图3至图7就示出了将本公开语音识别的方法应用于音素识别的另一个实施例。本实施例可以用于识别出输入音频的音素，从而进一步判定出音频中包含了哪些单词。
48.在本实施例中是通过音素识别模型来识别音素的，在根据语音学特征和语音识别目的特征，确定目标语音数据的语音识别结果时，采用图3所示的模型框架，具体流程如图4所示，包括：
49.步骤s4010，接收音频30；
50.其中，该音频30通常是经过去除噪声(包括环境噪声，忙音，彩铃声等)和数据增强(包括改变语音速率，混合回声等)等预处理的音频，以简化后续处理和减少噪音数据对后续数据处理的影响，从而可以从中提取到更准确和更具代表性的特征。
51.步骤s4020，将接收到的音频30输入到声谱特征提取模型31中，进行声谱特征的提取以提取声谱特征；
52.步骤s4030，将提取到的声谱特征输入到语音学特征提取模型32得到与声谱特征对应的语音学特征；
53.其中，语音学特征提取模型32为经过领域对抗训练的领域对抗的语音学特征提取模型，采用如图5所示的结构。
54.语音学特征提取模型32包括共享输入层321和共性特征提取层322，之后，然后分别接入到上支路语音学特征提取层323和下支路领域分类层324。
55.其中，共享输入层321和共性特征提取层322均为多层的时延网络(time-delay neural network，tdnn)，并包括sigmod激活层。
56.上支路语音学特征提取层323的输入是每帧音频的声谱特征，例如，mfcc、plp或fbank等，维度可以取20，每帧时长25ms，帧移10ms，计算时一般带有一定数量的前后帧，例如各2帧,作为上下文；输出则是输入帧音频对应的语音学特征的概率(一般对应多个标签)。
57.下支路领域分类层324的输入与语音学特征提取层323的相同，输出则是输入帧音频对应的领域概率(可以假设源域标签为0，目标域标签为1)。
58.其中，在训练预设的语音学特征提取模型以得到语音学特征提取模型32时，使用的损失函数是交叉熵(cross entropy，ce)。
59.此外，下支路通过梯度反向层(图5中虚线箭头所示部分)引入了领域对抗(domain adversarial)以模糊域之间的边界，让网络不具备分辨域的能力。
60.需要说明的是，语音学特征提取模型32是对预设的语音学特征提取模型进行预先训练得到的，然后作为音素识别模块的语音学特征提取器。其中，在对预设的语音学特征提取模型进行无监督或半监督的训练以得到语音学特征提取模型32的过程中，标注有语音学特征的源域数据和少量目标域数据，会分别输入到上支路语音学特征提取层和下支路领域分类层，而没有标注语音学特征的目标域数据仅会输入到下支路领域分类层。
61.如此，可使得语音学特征提取模型32在不影响语音学特征准确度的前提下，不再提取领域方面的特征，减少对语音学特征提取的干扰，从而可以提升后续音素识别的准确率。
62.步骤s4040，将声谱特征提取模型31提取到的声谱特征，与语音学特征提取模型32输出的该声谱特征对应的语音学特征进行拼接得到一个模型输入向量；
63.步骤s4050，将模型输入向量输入到音素识别模型33，进行音素识别，得到音素及其概率34。
64.其中，音素识别模型33由2层延迟网络(delay neural network，dnn)构成，输入是上述声谱特征和该特征对应的语音学特征拼接得到的输入向量，输出则是各个音素及其概率。
65.通常，仅通过标注有声谱特征的源域音频数据对预设的音素识别模块训练，就可得到可直接应用在目标域上的音素识别模块33。如果目标域有少量标注有声谱特征的目标域数据，则可以使用这些标注有声谱特征的目标域数据对预设的音素识别模型进行调优得到效果更好的音素识别模型33。
66.在对预设的音素识别模型进行训练以得到音素识别模型33时，可以使用交叉熵作为损失函数。
67.步骤s4060，根据音素及其概率34确定音素识别结果，通常为概率最大的音素。
68.在本实施例中，由于音素识别模型33和语音学特征提取模型32均可以使用声谱特征作为模型输入，故而可以共享声谱特征提取模型31，简化实现。
69.而且，通过使用与声谱特征和该特征对应的语音学特征拼接得到的输入向量，共同确定音素的识别结果，从而可以使音素识别也最大程度地忽略由于说话人自身特点或领域不同而产生地偏差，使图3所示的音素识别系统更容易迁移到不同的领域和应用在不同的应用场景下。特别是由于上述音素识别方法的准确性较高，在需要进行实时识别的应用场景下，例如，实时将语音转换为文本作为对话记录的场景，以及实时将一种语言转换为另
一种语言的实时翻译场景下，其优势更为明显。
70.如前所述，一个模型的应用效果与其前期的训练过程也密不可分。图6则示出了图3的音素识别应用，在使用之前所进行的训练过程，主要包括：
71.步骤s6010：收集一定量(例如，10万+)的源域音频和对应的标注(音素和语音学标签)；
72.步骤s6020，对音频进行预处理，包括去除噪声(包括环境噪声，忙音，彩铃声等)，数据增强(包括改变语音速率，混合回声等)；
73.步骤s6030，收集一定量(10万+)的目标域音频，可以不进行任何标注，也可以进行少量标注；
74.在本实施例中，是使用目标域的真实数据来进行训练的。如此，可使训练后的模型更好地适用于目标域，并且使语音识别的结果更准确。步骤s6040，对预设的音学特征提取模型进行训练，以得到音学特征提取模型32；
75.其中，预设的音学特征提取模型为待训练的音学特征提取模型，预设有模型算法和网络参数的初始值，经过训练后即可得到可以实际应用的如图3中所示的音学特征提取模型32.
76.将步骤s6020处理过的源域音频输入到声谱特征提取模型31中，提取声谱特征，然后将提取到的声谱特征输入到预设的语音学特征提取模型，将源域音频的域标签设置为“0”，输入到双支路：语音学特征提取层和领域分类层。
77.将目标域音频的域标签设置为“1”，输入到下支路领域分类层；若有标签，也可以输入到上支路语音学特征提取层，如此，可以对上支路语音学特征提取层针对目标域进行优化。
78.然后根据损失函数计算预设的语音学特征提取模型的网络的损失，再根据随机梯度下降准则反向更新网络参数，这样迭代多轮至网络收敛，就得到一个领域对抗后的语音学特征提取器。
79.对于不带有语音学特征标签的目标域音频，往往只有“域”标签而没有其他内容标签。因此，可以通过检查输入音频的是否具有语音学特征标签来确定是否将其传递到上支路的语音学特征提取层。
80.如此，就可以使用既包含大量源域音频又包含大量目标域音频的训练数据对下支路领域分类层进行领域对抗训练，最终使对抗网络中的判别领域无法区分输入音频所属的领域，从而使其提取的领域特征不具有真实的领域特性，而得以模糊化。
81.步骤s6050：对预设的音素识别模型进行训练，以得到音素识别模型33；
82.其中，预设的音素识别模型为待训练的音素识别模型，预设有模型算法和网络参数的初始值，经过训练后即可得到可以实际应用的如图3中所示的音素识别模型33。对于无监督情况，将步骤s6020处理过的源域音频，输入到声谱特征提取模型31中提取声谱特征，并通过语音学特征提取模型32得到语音学特征，然后将两者拼接后输入到音素识别模型33，对音素识别模型33进行训练，迭代多轮至收敛。
83.对于半监督情况，可先用源域音频训练预设的音素识别模型，然后再用目标域音频训练预设的音素识别模型以进行调优即可。如此，可使得训练后得到得音素识别模型33在目标域的适用性更好，识别结果更准确。
84.经过上述训练数据和训练过程训练后得到的音素识别模型33在进行音素识别时，可以减少个人特点和领域不同的特性所产生的影响，更容易从源域迁移到目标域。
85.如果当从源域迁移到目标域时，发音体系也可能发生改变时，则可以先用源域音频对预设的音素识别模型33训练得到一个基础的音素识别模块。
86.然后，在将图7所示的源域的部分发音语音学标签与音素的对照表更换为目标域的发音语音学标签与音素的对照表，再用目标域音频进行训练即可。
87.其中，发音体系主要指不同的语系，例如，普通话、广东话、日语、韩语或英语等。不同的语系有各自的发音规律，因此，其相应的发音语音学标签与部分因素的对照表也不同。
88.通过上述方法训练得到的音素识别模型33，不仅可以应用于相同发音体系的域，还可以迁移到发音体系与源域不同的目标域。
89.需要说明的是，图3所示的实施例中，是应用在以音素识别为识别目的的语音识别场景下的，而音素识别模型通常接收声谱特征作为输入，所以在本实施例中，语音学特征提取模型32与音素识别模块可以共享声谱特征提取模型31作为输入，最大程度地简化运算过程，节省运算力。
90.但在别的应用场景下或其他实施例中，例如，在以意图识别为识别目的的语音识别场景下应用本公开语音识别的方法时，则声谱特征提取模块也可以嵌入到语音学特征特提取模型中，而输入的语音数据则可以分为两路分别输入到语音学特征提取模块和意图识别模块中。
91.此外，在本实施例中，训练语音学特征提取模型32中和训练音素识别模型33时，在源域语音数据和少量的目标域语音数据中，同时标注了语音学特征和音素标签(语音识别目的标签)以使得两个模型的契合度更高，所以并没有区分为第一源域语音数据和第二源域语音数据，也未区分未第一目标域语音数据和第二目标域语音数据。
92.但在实际应用中，特别是在既有数据不具备上述条件时，也可以使用分别标注有语音学特征和声谱特征的不同训练数据集。
93.此外，对于目标域语音数据来说，最好是使用目标域的真实数据，但入果目标域的真实数据较少时，可依据目标域特点生成一些模拟目标域真实数据的模拟训练数据，但其准确性和适用性会受一些影响。
94.进一步地，本公开还提供一种语音识别的装置，如图8所示，该装置80包括：目标域语音数据获取模块801，用于获取目标域语音数据；语音学特征提取模型802，用于使用领域对抗的语音学特征提取模型提取目标域语音数据的语音学特征，领域对抗的语音学特征提取模型包括语音学特征提取部分和领域分类部分，领域分类部分通过梯度反向层引入对抗，以模糊语言学特征的领域特性；语音识别目的特征提取模块803，提取目标域语音数据的语音识别目的特征；语音识别结果确定模块804，用于根据语音学特征和语音识别目的特征，确定目标语音数据的语音识别结果。
95.根据本公开的另一实施例，该装置80还包括：第一源域语音数据获取模块，用于获取第一源域语音数据，第一源域语音数据标注有语音学特征标签；第一非源域语音数据获取模块，用于获取第一非源域语音数据；语音学特征提取模型训练模块，用于使用第一源域语音数据和第一非源域语音数据，对预设的领域对抗的语音学特征提取模型进行训练，得到领域对抗的语音学特征提取模型进行训练。
96.根据本公开的另一实施例，其中，语音学特征提取模型训练模块还用于：将第一源域语音数据的领域标签设置为代表源域的第一领域值，输入到预设的领域对抗的语音学特征提取模型的语音学特征提取部分和领域分类部分，将第一非源域语音数据的领域标签设置为代表非源域的相应领域值，输入到预设的领域对抗的语音学特征提取模型的领域分类部分，根据预设的领域对抗的语音学特征提取模型的输出结果，更新预设的领域对抗的语音学特征提取模型的网络参数。
97.根据本公开的另一实施例，其中，第一非源域语音数据还包括标注有语音学标签的非源域语音数据，相应地，语音学特征提取模型训练模块还用于：将标注有语音学标签的第一非源域语音数据，输入到预设的领域对抗的语音学特征提取模型的语音学特征提取部分；基于语音学特征提取部分的输出结果，更新领域对抗的语音学特征提取模型的网络参数。
98.根据本公开的另一实施例，其中，语音识别结果确定804模块包括：模型输入向量合成模块，用于根据语音学特征和语音识别目的特征合成模型输入向量；语音识别模块，用于将模型输入向量输入到语音识别模型得到模型输出结果；语音识别结果确定模块，用于根据模型输出结果，确定目标语音数据的语音识别结果。
99.根据本公开的另一实施例，该装置80还包括：第二源域语音数据获取模块，用于获取第二源域语音数据，第二源域语音数据标注有第一语音识别目的标签；语音识别模型训练模块，用于使用第二源域语音数据对预设的语音识别模型进行训练，以得到所述语音识别模型。
100.根据本公开的另一实施例，该装置80包括：第二非源域语音数据获取模块，用于获取第二非源域语音数据，第二非源域语音数据标注有第二语音识别目的标签；语音识别模型训练模块，还用于使用第二非源域语音数据和第二源域语音数据对预设的语音识别模型进行训练。
101.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
102.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。
103.图9示出了可以用来实施本公开的实施例的示例电子设备900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、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/或者要求的本公开的实现。
104.如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
105.设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；
输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
106.计算单元901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901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901执行上文所描述的各个方法和处理，例如语音识别的方法。例如，在一些实施例中，语音识别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908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的语音识别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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音识别的方法。
107.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)、负载可编程逻辑设备(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。
108.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。
109.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。
110.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。
111.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。
112.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。
113.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。
114.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。