用于生成模型的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于生成模型的方法和装置。

背景技术：

语音交互中很重要的一点是能够在音频中，判断语音的起点和终点在音频中的位置。现有技术中，通常采用语音活动检测(voiceactivitydetection，vad)来进行语音的端点检测。语音活动检测，又称语音端点检测、语音边界检测，是指在噪声环境中检测语音的存在与否。通常，语音活动检测可以用于语音编码、语音增强等语音处理系统中，起到降低语音编码速率、节省通信带宽、减少移动设备能耗、提高识别率等作用。

目前，往往采用能量和过零率等特征作为语音活动检测模型的输入，通过人为制定的规则，来判断音频帧是否为语音音频。

技术实现要素：

本申请实施例提出了用于生成模型的方法和装置，以及用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成模型的方法，该方法包括：获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频；利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型。

在一些实施例中，对于音频帧集合中的音频帧，该音频帧对应的标识信息是通过如下步骤得到的：针对该音频帧包括的子音频，响应于确定该子音频属于声母音频，将预先确定的第一标识信息确定为该子音频的标识信息；响应于确定该子音频属于韵母音频，将预先确定的第二标识信息确定为该子音频的标识信息；响应于确定该子音频不属于声母音频，并且，该子音频不属于韵母音频，将预先确定的第三标识信息确定为该子音频的标识信息；将该音频帧包括的子音频的标识信息进行组合，得到该音频帧的标识信息。

在一些实施例中，利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型，包括：从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的特征数据输入至初始语音识别模型，得到实际输出，其中，实际输出是初始语音识别模型的输出；基于实际输出，确定初始语音识别模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始语音识别模型，确定为训练得到的语音识别模型。

在一些实施例中，该方法还包括：响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的期望输出，调整初始语音识别模型的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始语音识别模型，继续执行训练步骤。

在一些实施例中，初始语音识别模型包括的输出层的激活函数为归一化指数函数，初始语音识别模型包括的输出层的代价函数为交叉熵代价函数。

在一些实施例中，语音识别模型为具有门控循环单元的循环神经网络模型。

第二方面，本申请实施例提供了一种用于生成模型的装置，该装置包括：第一获取单元，被配置成获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频；训练单元，被配置成利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型。

在一些实施例中，对于音频帧集合中的音频帧，该音频帧对应的标识信息是通过如下步骤得到的：针对该音频帧包括的子音频，响应于确定该子音频属于声母音频，将预先确定的第一标识信息确定为该子音频的标识信息；响应于确定该子音频属于韵母音频，将预先确定的第二标识信息确定为该子音频的标识信息；响应于确定该子音频不属于声母音频，并且，该子音频不属于韵母音频，将预先确定的第三标识信息确定为该子音频的标识信息；将该音频帧包括的子音频的标识信息进行组合，得到该音频帧的标识信息。

在一些实施例中，训练单元包括：训练模块，被配置成从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的特征数据输入至初始语音识别模型，得到实际输出，其中，实际输出是初始语音识别模型的输出；基于实际输出，确定初始语音识别模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始语音识别模型，确定为训练得到的语音识别模型。

在一些实施例中，该装置还包括：调整单元，被配置成响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的期望输出，调整初始语音识别模型的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始语音识别模型，继续执行训练步骤。

在一些实施例中，初始语音识别模型包括的输出层的激活函数为归一化指数函数，初始语音识别模型包括的输出层的代价函数为交叉熵代价函数。

在一些实施例中，语音识别模型为具有门控循环单元的循环神经网络模型。

第三方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取目标音频，其中，目标音频包括语音音频；针对目标音频包括的音频帧，将该音频帧输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率，其中，语音识别模型是如上述用于生成模型的方法中任一实施例的方法训练得到的；基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果。

在一些实施例中，基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果，包括：针对目标音频包括的音频帧，将该音频帧包括的子音频属于声母音频的概率与该音频帧包括的子音频属于韵母音频的概率进行求和，根据和与预先确定的阈值的大小关系，确定该音频帧是否包括语音音频；基于目标音频包括的音频帧是否包括语音音频的确定结果，生成目标音频的语音端点检测结果。

第四方面，本申请实施例提供了一种用于生成模型的装置，该装置包括：第二获取单元，被配置成获取目标音频，其中，目标音频包括语音音频；输入单元，被配置成针对目标音频包括的音频帧，将该音频帧输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率，其中，语音识别模型是如上述用于生成模型的方法中任一实施例的方法训练得到的；生成单元，被配置成基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果。

在一些实施例中，生成单元包括：确定模块，被配置成针对目标音频包括的音频帧，将该音频帧包括的子音频属于声母音频的概率与该音频帧包括的子音频属于韵母音频的概率进行求和，根据和与预先确定的阈值的大小关系，确定该音频帧是否包括语音音频；生成模块，被配置成基于目标音频包括的音频帧是否包括语音音频的确定结果，生成目标音频的语音端点检测结果。

第五方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成模型的方法中任一实施例的方法，或者，使得该一个或多个处理器实现如上述用于生成信息的方法中任一实施例的方法。

第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成模型的方法中任一实施例的方法，或者，该程序被处理器执行时实现如上述用于生成信息的方法中任一实施例的方法。

本申请实施例提供的用于生成模型的方法和装置，通过获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频，然后，利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型，从而丰富了模型的训练方式，有助于提高语音端点检测的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成模型的方法的一个实施例的流程图；

图3是根据本申请的用于生成模型的方法的一个应用场景的示意图；

图4是根据本申请的用于生成模型的方法的又一个实施例的流程图；

图5是根据本申请的用于生成模型的装置的一个实施例的结构示意图；

图6是根据本申请的用于生成信息的方法的一个实施例的流程图；

图7是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于生成模型的方法或用于生成模型的装置，或者，用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音识别类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有音频传输功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、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、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的音频提供支持的后台服务器。后台服务器可以对接收到的音频进行音频特征提取等处理，并生成处理结果(例如提取的音频特征)。

需要说明的是，本申请实施例所提供的用于生成模型的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成模型的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。此外，本申请实施例所提供的用于生成信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。在这里，上述用于生成模型的方法与用于生成信息的方法的执行主体可以相同，也可以不同。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。例如，当用于生成模型方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成模型方法运行于其上的电子设备。

继续参考图2，示出了根据本申请的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法，包括以下步骤：

步骤201，获取针对音频帧集合的训练样本集合。

在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取针对音频帧集合的训练样本集合。其中，上述音频帧集合中的音频帧与训练样本集合中的训练样本一一对应。训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息。音频帧集合中的音频帧包括语音音频。语音音频包括声母音频和韵母音频。标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频。

上述音频帧集合中的音频帧可以是各种包括语音音频的音频帧。例如，上述音频帧集合中的音频帧可以是带噪音的语音音频帧，也可以是包括静音和语音音频的音频帧等等。在这里，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、25毫秒等等。

上述特征数据可以包括但不限于音频的以下至少一项特征的数据：幅值、帧率、过零率、短时能量等。作为示例，上述特征数据可以是64维的,梅尔频谱特征(melbankfeatures)。

上述非语音音频可以是除语音音频之外的其他任何音频。例如，当上述音频帧集合中的音频帧为带噪音的语音音频帧时，上述非语音音频可以包括噪音音频；当上述音频帧集合中的音频帧为包括静音和语音音频的音频帧时，上述非语音音频可以包括静音音频。

上述声母音频可以是声母的音频。上述韵母音频可以是韵母的音频。

在本实施例的一些可选的实现方式中，对于上述音频帧集合中的音频帧，该音频帧对应的标识信息是上述执行主体或者与上述执行主体通信连接的其他电子设备，通过如下步骤得到的：

第一步骤，针对该音频帧包括的子音频，执行如下子步骤：

第一子步骤，响应于确定该子音频属于声母音频，将预先确定的第一标识信息确定为该子音频的标识信息。

上述子音频可以是将音频帧进行划分而得到的音频。例如，可以将音频帧平均划分为预定数量(例如100、200等等)份，从而得到上述预定数量个子音频。此外，还可以将音频帧划分为预定帧长(例如5毫秒、10毫秒)的子音频，从而得到多个子音频。

在这里，上述执行主体或者与上述执行主体通信连接的电子设备，可以采用多种方式，来确定子音频是否属于声母音频。例如，可以人为确定子音频是否属于声母音频，也可以采用现有的对齐方法(例如基于gmm-hmm的声学模型的对齐方法)，将音频帧对应到一个音节，进而确定音频帧包括的子音频是否属于声母音频。

上述第一标识信息可以是预先确定的各种标识，该第一标识信息可以用于标识声母音频。例如，该第一标识信息可以是“1”。

第二子步骤，响应于确定该子音频属于韵母音频，将预先确定的第二标识信息确定为该子音频的标识信息。

在这里，上述执行主体或者与上述执行主体通信连接的电子设备，可以采用多种方式，来确定子音频是否属于韵母音频。例如，可以人为确定子音频是否属于韵母音频，也可以采用现有的对齐方法(例如基于gmm-hmm的声学模型的对齐方法)，将音频帧对应到一个音节，进而确定音频帧包括的子音频是否属于韵母音频。

上述第二标识信息可以是预先确定的各种标识，该第二标识信息可以用于标识韵母音频。例如，该第二标识信息可以是“2”。

第三子步骤，响应于确定该子音频不属于声母音频，并且，该子音频不属于韵母音频，将预先确定的第三标识信息确定为该子音频的标识信息。

上述第三标识信息可以是预先确定的各种标识，该第三标识信息可以用于标识既不属于韵母音频也不属于声母音频的音频(例如非语音音频)。例如，该第三标识信息可以是“0”。

可以理解，可以根据实际需要对第一标识信息、第二标识信息和第三标识信息进行设置。通常，第一标识信息、第二标识信息和第三标识信息为彼此不同的标识信息。例如，可以分别采用不同的符号来表征第一标识信息、第二标识信息和第三标识信息。

第二步骤，将该音频帧包括的子音频的标识信息进行组合，得到该音频帧的标识信息。

作为示例，如果该音频帧包括的子音频的数量为5，各个子音频的标识信息分别为“0”、“1”、“2”、“1”、“0”。那么，将该音频帧包括的子音频的标识信息进行组合，所得到的该音频帧的标识信息为“01210”。

可选的，对于音频帧集合中的音频帧，该音频帧对应的标识信息也可以是采用人工标注的方式得到的。

步骤202，利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型。

在本实施例中，上述执行主体可以利用机器学习算法，将步骤201所获取到的训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型。

具体地，上述执行主体可以利用机器学习算法，将步骤201获取到的训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，对初始模型(例如循环神经网络，卷积神经网络)进行训练，针对每次训练输入的特征数据，可以得到实际输出。其中，实际输出是初始模型实际输出的，用于表征标识信息。然后，上述执行主体可以采用梯度下降法，基于实际输出和期望输出，调整初始模型的参数，将每次调整参数后得到的模型作为下次训练的初始模型，并在满足预设的结束条件的情况下，结束训练，从而训练得到语音识别模型。

在这里，上述执行主体可以采用批量训练算法对初始模型进行训练，也可以采用随机训练算法对初始模型进行训练，本申请实施例对此不做限定。

需要说明的是，这里预设的结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。

可以理解，上述语音识别模型包括的输出层可以具有3个节点，在使用语音识别模型时，上述3个节点可以分别用于输出音频帧包括声母音频的概率、韵母音频的概率和非语音音频的概率。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤，来执行该步骤202：

从训练样本集合中选取训练样本，以及执行如下训练步骤：

首先，将选取的训练样本包括的特征数据输入至初始语音识别模型，得到实际输出。

在这里，上述实际输出可以是初始语音识别模型的输出。上述初始语音识别模型可以是未经训练，或者训练过但未满足结束条件的模型。

然后，基于实际输出，确定初始语音识别模型是否满足预先确定的结束条件。

上述预先确定的结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。

作为示例，当上述预先确定的结束条件为“训练次数超过预设次数”时，上述执行主体可以将所得到的实际输出的数量，确定为训练次数，如果所得到的实际输出的数量(即训练次数)超过预设次数，则可以确定初始语音识别模型满足预先确定的结束条件。当上述预先确定的结束条件为“计算所得的损失函数的函数值小于预设差异阈值”时，上述执行主体可以根据所得到的实际输出，以及对应所得到的实际输出的期望输出，计算预先确定的损失函数的函数值，如果计算所得的损失函数的函数值小于预设差异阈值，则可以确定初始语音识别模型满足预先确定的结束条件。

最后，响应于确定满足结束条件，将满足结束条件的初始语音识别模型，确定为训练得到的语音识别模型。

在本实施例的一些可选的实现方式中，上述执行主体还可以在确定不满足上述结束条件的情况下，基于所得到的实际输出和与所得到的实际输出对应的期望输出，调整初始语音识别模型的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始语音识别模型，继续执行上述训练步骤。

在这里，上述执行主体可以采用反向传播法，通过计算实际输出和与所得到的实际输出对应的期望输出的梯度的梯度值，来调整初始语音识别模型的模型参数的参数值。具体地，上述执行主体可以采用解析法计算梯度值，也可以采用数值梯度计算法来计算梯度值，进而通过计算得到的梯度值来调整初始语音识别模型的模型参数的参数值。

需要说明的是，上述通过梯度值来调整模型参数的参数值的方式，是本领域技术人员广泛研究的公知技术，在此不再赘述。

在本实施例的一些可选的实现方式中，初始语音识别模型包括的输出层的激活函数为归一化指数函数，初始语音识别模型包括的输出层的代价函数为交叉熵代价函数。

可以理解，采用归一化指数函数作为输出层的激活函数可以得到各个标识信息对应的概率(即子音频属于非语音音频的概率，子音频属于声母音频的概率和子音频属于韵母音频的概率)。采用交叉熵代价函数输出层的代价函数通常可以带来更好的训练效果，例如，训练速度更快。

在本实施例的一些可选的实现方式中，上述初始语音识别模型可以是具有门控循环单元的循环神经网络模型，由此，上述训练得到的语音识别模型可以为具有门控循环单元的循环神经网络模型。

在这里，采用具有门控循环单元的循环神经网络模型作为初始语音识别模型，训练得到的语音识别模型，相对其他模型作为初始语音识别模型，训练得到的语音识别模型而言，可以具有更快的计算效率。

可选的，上述初始语音识别模型也可以是循环神经网络，卷积神经网络等等。

继续参见图3，图3是根据本实施例的用于生成模型的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先获取针对音频帧集合的训练样本集合3001。其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频。然后，服务器301利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为初始语音识别模型3002(例如具有门控循环单元的循环神经网络模型)的输入，将与输入的特征数据对应的标识信息作为初始模型3002的期望输出，训练得到语音识别模型3003。

本申请的上述实施例提供的方法，通过获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频，然后，利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型，从而通过包括声母音频和韵母音频的特征数据及对应的标识信息的训练样本，来训练语音识别模型，丰富了模型的训练方式，此外，采用训练得到的语音识别模型，可以提高语音端点检测的准确度。

进一步参考图4，其示出了用于生成模型的方法的又一个实施例的流程400。该用于生成模型的方法的流程400，包括以下步骤：

步骤401，对于音频帧集合中的每个音频帧，执行如下步骤(包括步骤4001-步骤4004)，以得到该音频帧的标识信息。之后，执行步骤402。

在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器或终端设备)可以预先存储有音频帧集合，或者，从与上述执行主体通信连接的电子设备获取音频帧集合，从而对于音频帧集合中的每个音频帧，上述执行主体执行如下步骤(包括步骤4001-步骤4004)，以得到该音频帧的标识信息。

上述音频帧集合中的音频帧可以是各种包括语音音频的音频帧。例如，上述音频帧集合中的音频帧可以是带噪音的语音音频帧，也可以是包括静音和语音音频的音频帧等等。在这里，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、25毫秒等等。

上述标识信息可以用于标识音频帧中的非语音音频，声母音频和韵母音频。

上述非语音音频可以是除语音音频之外的其他任何音频。例如，当上述音频帧集合中的音频帧为带噪音的语音音频帧时，上述非语音音频可以包括噪音音频；当上述音频帧集合中的音频帧为包括静音和语音音频的音频帧时，上述非语音音频可以包括静音音频。

上述声母音频可以是声母的音频。上述韵母音频可以是韵母的音频。

步骤4001，针对该音频帧包括的子音频，响应于确定该子音频属于声母音频，将预先确定的第一标识信息确定为该子音频的标识信息。

在本实施例中，针对该音频帧包括的子音频，在确定该子音频属于声母音频的情况下，上述执行主体可以将预先确定的第一标识信息确定为该子音频的标识信息。

上述子音频可以是将音频帧进行划分而得到的音频。例如，可以将音频帧平均划分为预定数量(例如100、200等等)份，从而得到上述预定数量个子音频。此外，还可以将音频帧划分为预定帧长(例如5毫秒、10毫秒)的子音频，从而得到多个子音频。

在这里，上述执行主体或者与上述执行主体通信连接的电子设备，可以采用多种方式，来确定子音频是否属于声母音频。例如，可以人为确定子音频是否属于声母音频，也可以采用现有的对齐方法(例如基于gmm-hmm的声学模型的对齐方法)，将音频帧对应到一个音节，进而确定音频帧包括的子音频是否属于声母音频。

上述第一标识信息可以是预先确定的各种标识，该第一标识信息可以用于标识声母音频。例如，该第一标识信息可以是“1”。

步骤4002，响应于确定该子音频属于韵母音频，将预先确定的第二标识信息确定为该子音频的标识信息。

在本实施例中，在确定该子音频属于韵母音频的情况下，上述执行主体可以将预先确定的第二标识信息确定为该子音频的标识信息

在这里，上述执行主体或者与上述执行主体通信连接的电子设备，可以采用多种方式，来确定子音频是否属于韵母音频。例如，可以人为确定子音频是否属于韵母音频，也可以采用现有的对齐方法(例如基于gmm-hmm的声学模型的对齐方法)，将音频帧对应到一个音节，进而确定音频帧包括的子音频是否属于韵母音频。

上述第二标识信息可以是预先确定的各种标识，该第二标识信息可以用于标识韵母音频。例如，该第二标识信息可以是“2”。

步骤4003，响应于确定该子音频不属于声母音频，并且，该子音频不属于韵母音频，将预先确定的第三标识信息确定为该子音频的标识信息。

在本实施例中，在确定该子音频不属于声母音频，并且，该子音频不属于韵母音频的情况下，上述执行主体可以将预先确定的第三标识信息确定为该子音频的标识信息。

上述第三标识信息可以是预先确定的各种标识，该第三标识信息可以用于标识既不属于韵母音频也不属于声母音频的音频(例如非语音音频)。例如，该第三标识信息可以是“0”。

可以理解，可以根据实际需要对第一标识信息、第二标识信息和第三标识信息进行设置。通常，第一标识信息、第二标识信息和第三标识信息为彼此不同的标识信息。例如，可以分别采用不同的符号来表征第一标识信息、第二标识信息和第三标识信息。

步骤4004，将该音频帧包括的子音频的标识信息进行组合，得到该音频帧的标识信息。

在本实施例中，上述执行主体可以将该音频帧包括的子音频的标识信息进行组合，得到该音频帧的标识信息。

作为示例，如果该音频帧包括的子音频的数量为5，各个子音频的标识信息分别为“0”、“1”、“2”、“1”、“0”。那么，将该音频帧包括的子音频的标识信息进行组合，所得到的该音频帧的标识信息为“01210”。

步骤402，获取针对音频帧集合的训练样本集合。之后，执行步骤403。

在本实施例中，上述执行主体可以获取针对音频帧集合的训练样本集合。其中，上述音频帧集合中的音频帧与训练样本集合中的训练样本一一对应。训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息。音频帧集合中的音频帧包括语音音频。语音音频包括声母音频和韵母音频。标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频。

上述特征数据可以包括但不限于音频的以下至少一项特征的数据：幅值、帧率、过零率、短时能量等。

步骤403，从训练样本集合中选取未被选取过的训练样本。之后，执行步骤404。

在本实施例中，上述执行主体可以从训练样本集合中选取未被选取过的训练样本。

步骤404，将选取的训练样本包括的特征数据输入至初始语音识别模型，得到实际输出。之后，执行步骤405。

在本实施例中，上述执行主体可以将选取的训练样本包括的特征数据输入至初始语音识别模型，得到实际输出。

在这里，上述实际输出可以是初始语音识别模型的输出。上述初始语音识别模型可以是未经训练，或者训练过但未满足结束条件的模型。

步骤405，基于实际输出，确定初始语音识别模型是否满足预先确定的结束条件。之后，若是，则执行步骤406；若否，则执行步骤407。

在本实施例中，上述执行主体可以基于实际输出，确定初始语音识别模型是否满足预先确定的结束条件。

上述预先确定的结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。

作为示例，当上述预先确定的结束条件为“训练次数超过预设次数”时，上述执行主体可以将所得到的实际输出的数量，确定为训练次数，如果所得到的实际输出的数量(即训练次数)超过预设次数，则可以确定初始语音识别模型满足预先确定的结束条件。当上述预先确定的结束条件为“计算所得的损失函数的函数值小于预设差异阈值”时，上述执行主体可以根据所得到的实际输出，以及对应所得到的实际输出的期望输出，计算预先确定的损失函数的函数值，如果计算所得的损失函数的函数值小于预设差异阈值，则可以确定初始语音识别模型满足预先确定的结束条件。

步骤406，将满足结束条件的初始语音识别模型，确定为训练得到的语音识别模型。

在本实施例中，上述执行主体可以将满足结束条件的初始语音识别模型，确定为训练得到的语音识别模型。

步骤407，基于所得到的实际输出和与所得到的实际输出对应的期望输出，调整初始语音识别模型的模型参数的参数值。之后，执行步骤403。

在本实施例中，上述执行主体可以基于所得到的实际输出和与所得到的实际输出对应的期望输出，调整初始语音识别模型的模型参数的参数值。

在这里，上述执行主体可以采用反向传播法，通过计算实际输出和与所得到的实际输出对应的期望输出的梯度的梯度值，来调整初始语音识别模型的模型参数的参数值。具体地，上述执行主体可以采用解析法计算梯度值，也可以采用数值梯度计算法来计算梯度值，进而通过计算得到的梯度值来调整初始语音识别模型的模型参数的参数值。

需要说明的是，上述通过梯度值来调整模型参数的参数值的方式，是本领域技术人员广泛研究的公知技术，在此不再赘述。

可以理解，在执行步骤407之后，当需要再次输入训练样本包括的特征数据时，可以将特征数据输入至参数调整后的初始语音识别模型，以再次得到实际输出，从而进行迭代，直至初始语音识别模型满足上述结束条件。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成模型的方法的流程400突出了得到标识信息的步骤。由此，本实施例描述的方案采用分别标识声母音频和韵母音频的方式，来训练语音识别模型，因而，训练得到的语音识别模型可以更准确地确定音频中是否包含语音音频，以及语音音频在音频中的位置。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成模型的装置600包括：第一获取单元501和训练单元502。其中，第一获取单元501被配置成被配置成获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频；训练单元502被配置成利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型。

在本实施例中，用于生成模型的装置500的第一获取单元501可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取针对音频帧集合的训练样本集合。其中，上述音频帧集合中的音频帧与训练样本集合中的训练样本一一对应。训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息。音频帧集合中的音频帧包括语音音频。语音音频包括声母音频和韵母音频。标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频。

上述音频帧集合中的音频帧可以是各种包括语音音频的音频帧。例如，上述音频帧集合中的音频帧可以是带噪音的语音音频帧，也可以是包括静音和语音音频的音频帧等等。在这里，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、25毫秒等等。

上述特征数据可以包括但不限于音频的以下至少一项特征的数据：幅值、帧率、过零率、短时能量等。

上述非语音音频可以是除语音音频之外的其他任何音频。例如，当上述音频帧集合中的音频帧为带噪音的语音音频帧时，上述非语音音频可以包括噪音音频；当上述音频帧集合中的音频帧为包括静音和语音音频的音频帧时，上述非语音音频可以包括静音音频。

上述声母音频可以是声母的音频。上述韵母音频可以是韵母的音频。

在本实施例中，上述训练单元502可以利用机器学习算法，将步骤201获取到的训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，对初始模型(例如循环神经网络，卷积神经网络)进行训练，针对每次训练输入的特征数据，可以得到实际输出。其中，实际输出是初始模型实际输出的，用于表征标识信息。然后，上述执行主体可以采用梯度下降法，基于实际输出和期望输出，调整初始模型的参数，将每次调整参数后得到的模型作为下次训练的初始模型，并在满足预设的结束条件的情况下，结束训练，从而训练得到语音识别模型。

在这里，上述执行主体可以采用批量训练算法对初始模型进行训练，也可以采用随机训练算法对初始模型进行训练，本申请实施例对此不做限定。

需要说明的是，这里预设的结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。

在本实施例的一些可选的实现方式中，对于音频帧集合中的音频帧，该音频帧对应的标识信息是通过如下步骤得到的：针对该音频帧包括的子音频，响应于确定该子音频属于声母音频，将预先确定的第一标识信息确定为该子音频的标识信息；响应于确定该子音频属于韵母音频，将预先确定的第二标识信息确定为该子音频的标识信息；响应于确定该子音频不属于声母音频，并且，该子音频不属于韵母音频，将预先确定的第三标识信息确定为该子音频的标识信息；将该音频帧包括的子音频的标识信息进行组合，得到该音频帧的标识信息。

在本实施例的一些可选的实现方式中，训练单元502包括：训练模块(图中未示出)被配置成从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的特征数据输入至初始语音识别模型，得到实际输出，其中，实际输出是初始语音识别模型的输出；基于实际输出，确定初始语音识别模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始语音识别模型，确定为训练得到的语音识别模型。

在本实施例的一些可选的实现方式中，该装置500还包括：调整单元(图中未示出)被配置成响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的期望输出，调整初始语音识别模型的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始语音识别模型，继续执行训练步骤。

在本实施例的一些可选的实现方式中，初始语音识别模型包括的输出层的激活函数为归一化指数函数，初始语音识别模型包括的输出层的代价函数为交叉熵代价函数。

在本实施例的一些可选的实现方式中，语音识别模型为具有门控循环单元的循环神经网络模型。

本申请的上述实施例提供的装置，通过第一获取单元601获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频，然后，训练单元602利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型，从而通过包括声母音频和韵母音频的特征数据及对应的标识信息的训练样本，来训练语音识别模型，丰富了模型的训练方式，此外，采用训练得到的语音识别模型，可以提高语音端点检测的准确度。

继续参考图6，示出了根据本申请的用于生成信息的方法的一个实施例的流程600。该用于生成信息的方法，包括以下步骤：

步骤601，获取目标音频。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地，获取目标音频。其中，上述目标音频可以是包括语音音频的各种音频。

步骤602，针对目标音频包括的至少一个音频帧中的音频帧，将该音频帧的特征数据输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率。

在本实施例中，针对目标音频包括的至少一个音频帧中的音频帧，上述执行主体可以将该音频帧的特征数据输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率。其中，上述语音识别模型可以是上述执行主体或者与上述执行主体通信连接的电子设备按照如图2所示的用于生成模型的方法中的任一实施例所描述的方法训练得到的。

可以理解，通常，按照上述训练方式得到的语音识别模型，在实际使用的过程中，可以输出音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率。

步骤603，基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果。

在本实施例中，上述执行主体可以基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果。

上述语音端点检测结果可以用于指示上述目标音频中包含的语音音频的起始位置和终止位置。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤来执行上述步骤603：

首先，针对目标音频包括的音频帧，将该音频帧包括的子音频属于声母音频的概率与该音频帧包括的子音频属于韵母音频的概率进行求和，根据所得到的和与预先确定的概率阈值的大小关系，确定该音频帧是否包括语音音频。例如，如果所得到的和大于等于上述预先确定的概率阈值，那么，上述执行主体可以确定该音频帧包括语音音频；如果所得到的和小于上述预先确定的概率阈值，那么，上述执行主体可以确定该音频帧不包括语音音频。

然后，基于目标音频包括的音频帧是否包括语音音频的确定结果，生成目标音频的语音端点检测结果。

作为示例，上述执行主体可以首先确定音频帧是否包括语音音频的确定结果指示的、目标音频包括的音频帧序列中的首个和最后一个包括语音音频的音频帧，以及将所确定的首个包括语音音频的音频帧，确定为目标音频中包含的语音音频的起始位置，将所确定的最后一个包括语音音频的音频帧，确定为目标音频中包含的语音音频的终止位置，从而得到了语音端点检测结果。

可选的，上述执行主体还可以直接将上述确定结果确定为语音端点检测结果。例如，如果上述目标音频由10帧音频帧组成。其中，第2帧至第9帧音频帧包括语音音频，第1帧和第10帧音频帧不包括语音音频。那么，上述执行主体可以生成表征上述结果的序列{0,1,1,1,1,1,1,1,1，0}，其中，上述序列中的第一个元素用于指示目标音频包括的第一个音频帧是否包括语音音频，上述序列中的第2个元素可以用于指示目标音频包括的第2个音频帧是否包括语音音频，以此类推。“0”可以表征不包括语音音频，“1”可以表征包括语音音频。由此，上述执行主体可以将序列{0,1,1,1,1,1,1,1,1，0}直接确定为语音端点检测结果。在此应用场景下，通过该语音端点检测结果，可以确定目标音频由10帧音频帧组成。其中，第2帧至第9帧音频帧包括语音音频，第1帧和第10帧音频帧不包括语音音频。

可选的，上述执行主体还可以首先确定音频帧包括的子音频属于韵母音频的概率，以及该音频帧包括的子音频属于声母音频的概率中较大的概率，然后，确定上述较大的概率和预先确定的概率阈值之间的大小关系，从而生成目标音频的语音端点检测结果。

本申请的上述实施例提供的方法，通过获取目标音频，其中，目标音频包括语音音频，然后，针对目标音频包括的音频帧，将该音频帧输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率，其中，语音识别模型是如上述用于生成模型的方法中任一实施例的方法训练得到的，最后，基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果，由此，将语音识别模型应用于语音端点检测，从而提高了语音端点检测的准确程度，丰富了语音端点检测的方式。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图6所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的用于生成信息的装置700包括：第二获取单元701、输入单元702和生成单元703。其中，第二获取单元701被配置成获取目标音频，其中，目标音频包括语音音频；输入单元702被配置成针对目标音频包括的音频帧，将该音频帧输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率，其中，语音识别模型是如上述用于生成模型的方法中任一实施例的方法训练得到的；生成单元703被配置成基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果。

在本实施例中，用于生成信息的装置700的第二获取单元701可以通过有线连接方式或者无线连接方式从其他电子设备或者本地，获取目标音频。

上述目标音频可以是包括语音音频的各种音频。

在本实施例中，针对第二获取单元701获取到的目标音频包括的至少一个音频帧中的音频帧，上述输入单元702可以将该音频帧的特征数据输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率。其中，上述语音识别模型可以是上述执行主体或者与上述执行主体通信连接的电子设备按照如图2所示的用于生成模型的方法中的任一实施例所描述的方法训练得到的。

在本实施例中，基于输入单元702所得到的概率，上述生成单元703可以生成目标音频的语音端点检测结果。其中，上述语音端点检测结果可以用于指示上述目标音频中包含的语音音频的起始位置和终止位置。

在本实施例的一些可选的实现方式中，生成单元703包括：确定模块(图中未示出)被配置成针对目标音频包括的音频帧，将该音频帧包括的子音频属于声母音频的概率与该音频帧包括的子音频属于韵母音频的概率进行求和，根据和与预先确定的阈值的大小关系，确定该音频帧是否包括语音音频；生成模块(图中未示出)被配置成基于目标音频包括的音频帧是否包括语音音频的确定结果，生成目标音频的语音端点检测结果。

本申请的上述实施例提供的装置，通过第二获取单元701获取目标音频，其中，目标音频包括语音音频，然后，输入单元702针对目标音频包括的音频帧，将该音频帧输入至预先训练的语音识别模型，得到该音频帧包括的子音频属于韵母音频的概率、以及该音频帧包括的子音频属于声母音频的概率，其中，语音识别模型是如上述用于生成模型的方法中任一实施例的方法训练得到的，最后，生成单元703基于所得到的概率和预先确定的概率阈值，生成目标音频的语音端点检测结果，由此，将语音识别模型应用于语音端点检测，从而提高了语音端点检测的准确程度，丰富了语音端点检测的方式。

下面参考图8，其示出了适于用来实现本申请实施例的控制设备的计算机系统800的结构示意图。图8示出的控制设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

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部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

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申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如python、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，图示了按照本申请各种实施例的系统、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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取针对音频集合的训练样本集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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：获取针对音频帧集合的训练样本集合，其中，音频帧集合中的音频帧与训练样本集合中的训练样本一一对应，训练样本集合中的训练样本包括音频帧集合中的音频帧的特征数据和标识信息，音频帧集合中的音频帧包括语音音频，语音音频包括声母音频和韵母音频，标识信息用于标识音频帧中的非语音音频，声母音频和韵母音频；利用机器学习算法，将训练样本集合中的训练样本包括的特征数据作为输入，将与输入的特征数据对应的标识信息作为期望输出，训练得到语音识别模型。

以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。