本发明实施例涉及语音处理技术领域，特别涉及一种语音识别方法、装置及存储介质。
背景技术
目前，语音识别技术得到了广泛的应用。譬如，用户在使用终端的过程中，可以利用语音识别技术来控制终端，如，控制终端开启摄像头等。
在相关技术中，终端采集到用户输入的语音后，将该语音发送给语音转化服务器，该语音转化服务器可以将该语音转化为文本的形式，之后，将转化后的文本发送给该终端。该终端接收到该文本后，可以再将该文本发送给语义识别服务器，由该语义识别服务器对该文本进行语义识别，并将该识别结果反馈给该终端。如此，终端即可基于该识别结果，执行对应的操作。
然而，在上述实现过程中，只能对标准的语音进行识别，也就是说，只能对普通话进行语音识别，语音识别的适用性较差。
技术实现要素：
本发明实施例提供了一种语音识别方法、装置及存储介质，可以解决相关技术中语音识别的适用性较差的问题。所述技术方案如下：
第一方面，提供了一种语音识别方法，所述方法包括：
采集待识别的目标语音；
获取所述目标语音的声学特征；
调用目标识别模型，将所述声学特征输入至所述目标识别模型中，输出所述目标语音对应的行为意图标签，所述目标识别模型用于根据任一语音的声学特征识别所述语音对应的行为意图。
可选地，所述调用目标识别模型之前，还包括：
获取至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签；
基于所述至少一个语音训练样本的声学特征和所述每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到所述目标识别模型。
可选地，获取每个语音训练样本对应的行为意图标签，包括：
获取至少一个语音；
确定所述至少一个语音中每个语音对应的行为操作；
生成每个行为操作对应的行为意图标签；
将所述至少一个语音确定为所述至少一个语音训练样本，以及将生成的每个行为意图标签确定为对应的语音训练样本的行为意图标签。
可选地，所述获取至少一个语音之前，还包括：
根据所述每个语音的声纹特征，查询所述至少一个语音是否均来自目标用户，所述目标用户是指与所述第一终端具有关联关系的用户；
当所述至少一个语音均来自所述目标用户时，执行所述获取至少一个语音的操作。
可选地，所述根据所述每个语音的声纹特征，查询所述至少一个语音是否均来自目标用户，包括：
确定所述每个语音的声纹特征与预设声纹特征之间的差异值；
当所述每个语音的声纹特征与所述预设声纹特征之间的差异值均小于预设阈值时，确定所述至少一个语音均来自所述目标用户。
可选地，所述基于所述至少一个语音训练样本的声学特征和所述每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到所述目标识别模型之后，还包括：
向第二终端分享所述目标识别模型，所述第二终端是指与所述第一终端具有关联关系的终端。
第二方面，提供了一种语音识别装置，所述装置包括：
采集模块，用于采集待识别的目标语音；
第一获取模块，用于获取所述目标语音的声学特征；
调用模块，用于调用目标识别模型，将所述声学特征输入至所述目标识别模型中，输出所述目标语音对应的行为意图标签，所述目标识别模型用于根据任一语音的声学特征识别所述语音对应的行为意图。
可选地，所述装置还包括：
第二获取模块，用于获取至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签；
训练模块，用于基于所述至少一个语音训练样本的声学特征和所述每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到所述目标识别模型。
可选地，所述第二获取模块用于：
获取至少一个语音；
确定所述至少一个语音中每个语音对应的行为操作；
生成每个行为操作对应的行为意图标签；
将所述至少一个语音确定为所述至少一个语音训练样本，以及将生成的每个行为意图标签确定为对应的语音训练样本的行为意图标签。
可选地，所述第二获取模块还用于：
根据所述每个语音的声纹特征，查询所述至少一个语音是否均来自目标用户，所述目标用户是指与所述第一终端具有关联关系的用户；
当所述至少一个语音均来自所述目标用户时，执行所述获取至少一个语音的操作。
可选地，所述第二获取模块还用于：
确定所述每个语音的声纹特征与预设声纹特征之间的差异值；
当所述每个语音的声纹特征与所述预设声纹特征之间的差异值均小于预设阈值时，确定所述至少一个语音均来自所述目标用户。
可选地，所述装置还包括：
分享模块，用于向第二终端分享所述目标识别模型，所述第二终端是指与所述第一终端具有关联关系的终端。
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述第一方面所述的语音识别方法。
第四方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的语音识别方法。
第五方面，提供了一种计算设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述第一方面所述的语音识别方法。
本发明实施例提供的技术方案带来的有益效果是：
采集待识别的目标语音，获取该目标语音的声学特征。调用目标识别模型，由于该目标识别模型可以根据任一语音的声学特征识别该语音对应的行为意图，因此，将获取的该声学特征输入至该目标识别模型后，可以输出该目标语音对应的行为意图标签。在本发明实施例中，无论是标准语音还是非标准语音，均可以基于声学特征通过目标识别模型识别出对应的行为意图，增强了语音识别的适用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种语音识别方法的流程图；
图2是根据另一示例性实施例示出的一种语音识别方法的流程图；
图3是根据一示例性实施例示出的一种语音识别装置的结构示意图；
图4是根据另一示例性实施例示出的一种语音识别装置的结构示意图；
图5是根据另一示例性实施例示出的一种语音识别装置的结构示意图；
图6是根据另一示例性实施例示出的一种终端600的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例提供的语音识别方法进行详细描述之前，先对本发明实施例所涉及的应用场景和实施环境进行简单介绍。
首先，对本发明实施例涉及的应用场景进行简单介绍。
在一些应用场景中，为了提高操作的便捷性，有通过语音来控制终端的需求，譬如，该应用场景包括但不限于家居、车载等环境。在通过语音控制终端的过程中，为了能够获知语音对应的行为意图，需要进行语音识别。目前，在语音识别过程中，需要将待识别的语音转化为文本，再对转化后的文本进行语义识别。然而，在上述实现过程中，只能对标准语音进行文本转化和语义识别，无法对非标准语音(如方言)进行识别，从而导致语音识别的适用性较差。
为此，本发明实施例提供了一种语音识别方法，该语音识别方法可以基于语音的声学特征通过目标识别模型来识别对应的行为意图，由于该方法无需识别语义，因此，无论是标准语音还是非标准语音，均可以实现语音识别，增加了语音识别的适用性，其具体实现过程请参见如下图1或图2所示实施例。
其次，对本发明实施例涉及的实施环境进行简单介绍。
本发明实施例提供的语音识别方法可以由第一终端来执行，该第一终端中可以配置有语音采集装置，譬如，该语音采集装置可以为麦克风阵列等，用于语音采集。在一些实施例中，该第一终端可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如pc、手机、智能手机、pda、可穿戴设备、掌上电脑ppc、可穿戴设备、平板电脑、智能车机、智能电视、智能音箱等。在实际应用中，当第一终端为可以与用户进行语音交互的电子产品时，其上可搭载/安装能够识别、解析、理解、处理并响应用户的自然语言命令并将响应结果进行输出的客户端(可以是app形式)，也可以是该客户端仅能对用户输入的自然语言命令进行语音识别但需对应的服务器来对该自然语言命令进行解析、理解、处理并响应用户的自然语言命令并将响应结果返回客户端进行输出。
进一步地，该第一终端可以与至少一个第二终端连接，在一种可能的实现方式中，该至少一个第二终端与该第一终端可以均属于同一个用户。
在此，所述第二终端可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如pc、手机、智能手机、pda、可穿戴设备、掌上电脑ppc、可穿戴设备、平板电脑、智能车机、智能电视、智能音箱等。在实际应用中，当第二终端为可以与用户进行语音交互的电子产品时，其上可搭载/安装能够识别、解析、理解、处理并响应用户的自然语言命令并将响应结果进行输出的客户端(可以是app形式)，也可以是该客户端仅能对用户输入的自然语言命令进行语音识别但需对应的服务器来对该自然语言命令进行解析、理解、处理并响应用户的自然语言命令并将响应结果返回客户端进行输出。
在此，第一终端和第二终端均包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(asic)、可编程门阵列(fpga)、数字处理器(dsp)、嵌入式设备等。
在介绍完本发明实施例涉及的应用场景和实施环境后，接下来将结合附图对本发明实施例提供的语音识别方法进行详细介绍。
请参考图1，图1是根据一示例性实施例示出的一种语音识别方法的流程图，该语音识别方法可以由上述第一终端来执行，该语音识别方法可以包括如下几个实现步骤：
步骤101：采集待识别的目标语音。
步骤102：获取该目标语音的声学特征。
步骤103：调用目标识别模型，将该声学特征输入至该目标识别模型中，输出该目标语音对应的行为意图标签，该目标识别模型用于根据任一语音的声学特征识别该语音对应的行为意图。
进一步地，调用目标识别模型之前，获取至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签，基于该至少一个语音训练样本的声学特征和该每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到该目标识别模型。
其中，上述获取每个语音训练样本对应的行为意图标签的实现过程可以包括：获取至少一个语音；确定该至少一个语音中每个语音对应的行为操作；生成每个行为操作对应的行为意图标签；将该至少一个语音确定为该至少一个语音训练样本，以及将生成的每个行为意图标签确定为对应的语音训练样本的行为意图标签。
进一步地，获取至少一个语音之前，根据该每个语音的声纹特征，查询该至少一个语音是否均来自目标用户，该目标用户是指与该第一终端具有关联关系的用户；当该至少一个语音均来自该目标用户时，执行该获取至少一个语音的操作。
在一种可能的实现方式中，根据该每个语音的声纹特征，查询该至少一个语音是否均来自目标用户的实现可以包括：确定该每个语音的声纹特征与预设声纹特征之间的差异值；当该每个语音的声纹特征与该预设声纹特征之间的差异值均小于预设阈值时，确定该至少一个语音均来自该目标用户。
在一些实施例中，基于所述至少一个语音训练样本的声学特征和所述每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到所述目标识别模型之后，向第二终端分享该目标识别模型，该第二终端是指与该第一终端具有关联关系的终端。
在本发明实施例中，采集待识别的目标语音，获取该目标语音的声学特征。调用目标识别模型，由于该目标识别模型可以根据任一语音的声学特征识别该语音对应的行为意图，因此，将获取的该声学特征输入至该目标识别模型后，可以输出该目标语音对应的行为意图标签。在本发明实施例中，无论是标准语音还是非标准语音，均可以基于声学特征通过目标识别模型识别出对应的行为意图，增强了语音识别的适用性。
图2是根据另一示例性实施例示出的一种语音识别方法的流程图，本实施例以该语音识别方法应用于上述第一终端中进行举例说明，该语音识别方法可以包括如下几个实现步骤：
步骤201：采集待识别的目标语音。
当用户想要通过语音控制第一终端时，可以直接对着该第一终端中诸如麦克风阵列之类的语音采集装置说话。相应地，该第一终端可以通过该语音采集装置采集用户所说的话，即采集待识别的目标语音。
进一步地，该第一终端可以在接收到语音识别指令时，采集待识别的目标语音，该语音识别指令可以由用户触发，该用户可以通过指定操作触发，该指定操作可以包括点击操作、滑动操作等等，本发明实施例对此不做限定。
譬如，该第一终端中可以提供有语音识别选项，当用户想要通过语音控制该第一终端时，可以点击该语音识别选项，以触发该语音识别指令。该第一终端接收到该语音识别指令后，采集待识别的目标语音。
步骤202：获取该目标语音的声学特征。
为了便于后续对该目标语音进行语音识别，该第一终端获取该目标语音的声学特征。其中，该声学特征可以用于描述该目标语音的响度、音调、频率和音色中的至少一个。
步骤203：调用目标识别模型，将该声学特征输入至该目标识别模型中，输出该目标语音对应的行为意图标签，该目标识别模型用于根据任一语音的声学特征识别该语音对应的行为意图。
由于该目标识别模型可以用于根据任一语音的声学特征识别该语音对应的行为意图，因此，该第一终端将该目标语音的声学特征输入至该目标识别模型后，可以输出该目标语音对应的行为意图标签。
在一些实施例中，该行为意图标签可为一行为意图序列，换句话说，该行为意图标签可以用于描述一系列的行为动作，譬如，该行为意图标签可以用于描述“打开相机、再登录微信，之后再播放音乐”这一系列行为动作等。
进一步地，该第一终端确定该目标语音对应的行为意图标签后，可以执行该行为意图标签对应的行为操作。譬如，若该行为意图标签为启动相机标签，则该第一终端可以启动所安装的相机应用。如此，即实现了利用目标语音控制该第一终端的目的。
进一步地，调用目标识别模型之前，需要进行模型训练以得到上述目标识别模型，在一种可能的实现方式中，训练过程可以包括：获取至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签，基于该至少一个语音训练样本的声学特征和该每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到该目标识别模型。
也即是，该第一终端获取至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签，并将获取的该至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签输入至待训练的识别模型中，对该识别模型进行深度学习和训练，从而得到能够基于任一语音的声学特征识别该语音的行为意图的目标识别模型。
在一些实施例中，该待训练的识别模型可以为cnn(convolutionalneuralnetworks，卷积神经网络)模型，本发明实施例对此不做限定。
其中，上述获取每个语音训练样本对应的行为意图标签的实现过程可以包括：获取至少一个语音，确定该至少一个语音中每个语音对应的行为操作。生成每个行为操作对应的行为意图标签，将该至少一个语音确定为该至少一个语音训练样本，以及将生成的每个行为意图标签确定为对应的语音训练样本的行为意图标签。
在一种可能的实现方式中，该每个语音对应的行为操作是在接收到针对该每个语音触发的操作指令时所执行的。在一些实施例中，用户可能向该第一终端输入至少一个语音，并且，在输入该至少一个语音中的每个语音后，可能通过手动触发的方式，针对该每个语音触发行为操作。譬如，用户可以用方言对该第一终端说“启动百度地图”，之后，该用户可以手动启动百度地图。此时，第一终端可以采集至少一个语音中的每个语音，并且确定对应的行为操作，譬如，确定启动百度地图这一行为操作。之后，该第一终端生成所确定的行为操作的行为意图标签，譬如，该行为意图标签可以为“启动百度地图标签”。该第一终端将所获取的每个语音确定为至少一个语音训练样本中的每个语音训练样本，以及将所生成的每个行为标签确定为对应的语音训练样本的行为意图标签。如此，该第一终端即可基于所确定的该至少一个语音训练样本和每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练。
当然，上述仅是以该每个语音对应的行为操作是在接收到针对该每个语音触发的操作指令时所执行的为例进行说明。在另一实施例中，该每个语音对应的行为操作还可以是在采集到针对该每个语音录入的标准控制语音时所执行的。其中，该标准控制语音通常是指普通话。在一些实施例中，由于第一终端可以识别普通话，因此，用户向该第一终端输入至少一个语音，并且，在输入该至少一个语音中的每个语音后，可以通过标准控制语音针对该每个语音触发行为操作。譬如，用户可以用方言对该第一终端说“启动百度地图”，之后，该用户可以用普通话控制第一终端启动百度地图。此时，第一终端可以采集至少一个语音中的每个语音，并且确定对应的行为操作，譬如，确定启动百度地图这一行为操作。之后，该第一终端生成所确定的行为操作的行为意图标签，譬如，该行为意图标签可以为“启动百度地图标签”。该第一终端将所获取的每个语音确定为至少一个语音训练样本中的每个语音训练样本，以及将所生成的每个行为标签确定为对应的语音训练样本的行为意图标签。
进一步地，获取至少一个语音之前，还可以对该至少一个语音的来源进行限定，相应的处理过程包括：根据该每个语音的声纹特征，查询该至少一个语音是否均来自目标用户，该目标用户是指与该第一终端具有关联关系的用户，当该至少一个语音均来自该目标用户时，执行该获取至少一个语音的操作。
在一些实施例中，如在多人场景中，该第一终端可以只基于与自身具有关联关系的目标用户的语音进行训练，譬如，该目标用户可以为该第一终端的拥有者。在该种情况下，该第一终端获取该至少一个语音之前，需要判断该至少一个语音是否是来自于该目标用户。该第一终端可以根据每个语音的声纹特征来查询该至少一个语音是否均来自于该目标用户。
在一种可能的实现方式中，上述根据该每个语音的声纹特征，查询该至少一个语音是否均来自目标用户的实现可以包括：确定该每个语音的声纹特征与预设声纹特征之间的差异值；当该每个语音的声纹特征与该预设声纹特征之间的差异值均小于预设阈值时，确定该至少一个语音均来自该目标用户。
该第一终端中可以预选存储有该预设声纹特征，该预设声纹特征可以为该目标用户的声纹特征。如此，该第一终端获取每个语音的声纹特征后，可以将获取的每个语音的声纹特征与预先存储的预设声纹特征进行比较，确定每个语音的声纹特征与该预设声纹特征之间的差异值。
在一些实施例中，可以将获取的每个语音的声纹特征与预先存储的预设声纹特征进行模式匹配，以确定每个语音的声纹特征与该预设声纹特征之间的差异值。其中，该模式匹配的方法可以包括：概率统计法、人工神经网络法等，本申请实施例对此不做限定。
当该差异值小于预设阈值时，说明所比较的某个语音的声纹特征与该预设声纹特征之间的差异不大，此时，可以确定所比较的该语音是来自于该目标用户。反之，如果该差异值大于该预设阈值，说明所比较的某个语音的声纹特征与该预设声纹特征之间的差异较大，因此，可以确定所比较的该语音不是来自于该目标用户。如此，通过将每个语音声纹特征与预设阈值之间进行比较，可以确定该至少一个语音是否均来自于该目标用户。
其中，预设阈值可以由用户根据实际需求自定义设置，也可以由该第一终端默认设置，本发明实施例对此不作限定。
进一步地，上述仅是以根据每个语音的声纹特征查询该至少一个语音是否均来自于目标用户为例，在另一实施例中，该可以根据其它信息来查询该至少一个语音是否均来自该目标用户，譬如，还可以结合该每个语音的声源位置来判断该至少一个语音是否来自于目标用户。
在一种可能的实现方式中，该第一终端可以根据所采集的该至少一个语音中任一语音的声纹特征，判断该任一语音是否来自于目标用户。当确定该任一语音是来自于该目标用户时，再判断该至少一个语音中其它语音的声源位置与该任一语音的声源位置是否均相同，即判断该至少一个语音是否均来自于同一个方向。当该至少一个语音的声源位置均相同时，确定该至少一个语音来自于同一用户，即均来自于该目标用户。否则，可以确定该至少一个语音不是均来自于同一目标用户。其中，确定每个语音的声源位置可以基于采集的语音的接收强度等参数来确定，本发明实施例对此不做限定。
需要说明的是，当上述至少一个语音不是均来自于该目标用户时，可以将该至少一个语音中不是来自于该目标用户的语音删除，之后，获取删除后的至少一个语音。
至此，已经实现了本发明实施例所涉及的语音识别方法。进一步地，由于用户所使用的终端可能包括多个，因此，为了使得其它终端也可以与该第一终端一样进行语音识别，该第一终端对待训练的识别模型进行训练得到目标识别模型后，还可以对该目标识别模型进行分享，具体实现请参见如下步骤204。
步骤204：向第二终端分享该目标识别模型，该第二终端是指与该第一终端具有关联关系的终端。
在一种可能的实现方式中，该关联关系是指与该第一终端属于同一用户，或者，该关联关系是指与该第一终端具有连接关系，再或者，该关联关系是指与所述第一终端处于同一环境下等。
接下来，以该第二终端与该第一终端属于同一用户为例进行说明，譬如，该第二终端与该第一终端均属于上述目标用户。也就是说，为了使得该目标用户在使用第二终端时也可以利用语音对该第二终端进行控制，该第一终端经过训练得到该目标识别模型后，可以将该目标识别模型发送给与自身属于同一用户的第二终端。相应地，该第二终端接收到该第一终端分享的目标识别模型后，在本地保存该目标识别模型。
当然，该第一终端还可以接收第二终端发送的经过训练后的目标识别模型，也就是说，第二终端也可以按照上述实现方式进行模型训练，并将训练后的目标识别模型分享给该第一终端。该第一终端接收来自第二终端分享的训练后的目标识别模型，进一步地，当该第一终端中存储有目标识别模型时，若接收到第二终端分享的最新的目标识别模型，则该第一终端可以将原来存储的目标识别模型删除，并保存该第二终端分享的最新的目标识别模型。
值得一提的是，上述第一终端将训练后得到的目标识别模型分享给第二终端，使得第二终端保存有与第一终端相同的目标识别模型，如此，第二终端可以直接用该目标识别模型进行语音识别，避免需要自身再进行训练，减少了第二终端的训练次数。
在本发明实施例中，采集待识别的目标语音，获取该目标语音的声学特征。调用目标识别模型，由于该目标识别模型可以根据任一语音的声学特征识别该语音对应的行为意图，因此，将获取的该声学特征输入至该目标识别模型后，可以输出该目标语音对应的行为意图标签。在本发明实施例中，无论是标准语音还是非标准语音，均可以基于声学特征通过目标识别模型识别出对应的行为意图，增强了语音识别的适用性。
图3是根据一示例性实施例示出的一种语音识别装置的结构示意图，该语音识别装置可以由软件、硬件或者两者的结合实现。该语音识别装置可以包括：
采集模块301，用于采集待识别的目标语音；
第一获取模块302，用于获取所述目标语音的声学特征；
调用模块303，用于调用目标识别模型，将所述声学特征输入至所述目标识别模型中，输出所述目标语音对应的行为意图标签，所述目标识别模型用于根据任一语音的声学特征识别所述语音对应的行为意图。
可选地，请参考图4，所述装置还包括：
第二获取模块304，用于获取至少一个语音训练样本的声学特征和每个语音训练样本对应的行为意图标签；
训练模块305，用于基于所述至少一个语音训练样本的声学特征和所述每个语音训练样本对应的行为意图标签，对待训练的识别模型进行训练，得到所述目标识别模型。
可选地，所述第二获取模块304用于：
获取至少一个语音；
确定所述至少一个语音中每个语音对应的行为操作；
生成每个行为操作对应的行为意图标签；
将所述至少一个语音确定为所述至少一个语音训练样本，以及将生成的每个行为意图标签确定为对应的语音训练样本的行为意图标签。
可选地，所述第二获取模块304还用于：
根据所述每个语音的声纹特征，查询所述至少一个语音是否均来自目标用户，所述目标用户是指与所述第一终端具有关联关系的用户；
当所述至少一个语音均来自所述目标用户时，执行所述获取至少一个语音的操作。
可选地，所述第二获取模块304还用于：
确定所述每个语音的声纹特征与预设声纹特征之间的差异值；
当所述每个语音的声纹特征与所述预设声纹特征之间的差异值均小于预设阈值时，确定所述至少一个语音均来自所述目标用户。
可选地，请参考图5，所述装置还包括：
分享模块306，用于向第二终端分享所述目标识别模型，所述第二终端是指与所述第一终端具有关联关系的终端。
在本发明实施例中，采集待识别的目标语音，获取该目标语音的声学特征。调用目标识别模型，由于该目标识别模型可以根据任一语音的声学特征识别该语音对应的行为意图，因此，将获取的该声学特征输入至该目标识别模型后，可以输出该目标语音对应的行为意图标签。在本发明实施例中，无论是标准语音还是非标准语音，均可以基于声学特征通过目标识别模型识别出对应的行为意图，增强了语音识别的适用性。
需要说明的是：上述实施例提供的语音识别装置在实现语音识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的语音识别装置与语音识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6示出了本发明一个示例性实施例提供的终端600的结构框图。该终端600可以是：智能手机、平板电脑、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端600包括有：处理器601和存储器602。
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field－programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有gpu(graphicsprocessingunit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的语音识别方法。
在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、触摸显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路604用于接收和发射rf(radiofrequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wirelessfidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括nfc(nearfieldcommunication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏605用于显示ui(userinterface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在再一些实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用lcd(liquidcrystaldisplay，液晶显示屏)、oled(organiclight-emittingdiode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtualreality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置，以实现导航或lbs(locationbasedservice，基于位置的服务)。定位组件608可以是基于美国的gps(globalpositioningsystem，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3d动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时，由处理器601根据用户对触摸显示屏605的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商logo时，指纹传感器614可以与物理按键或厂商logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制触摸显示屏605的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏605的显示亮度；当环境光强度较低时，调低触摸显示屏605的显示亮度。在另一个实施例中，处理器601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606的拍摄参数。
接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态；当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述图1或图2所示实施例提供的语音识别方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述图1或图2所示实施例提供的语音识别方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。