应用于语音数据处理的方法、装置及计算机程序产品与流程

1.本公开涉及人工智能领域，具体涉及语音处理和深度学习技术领域，尤其涉及应用于语音数据处理的方法、装置、电子设备、存储介质以及计算机程序产品，可用于语音识别和语音翻译场景下。


背景技术：

2.目前，随着人工智能技术的发展，语音识别和语音翻译等语音数据处理技术取得了长足进步。但是，目前的语音数据处理结果的准确度仍需提高。


技术实现要素：

3.本公开提供了一种应用于语音数据处理的方法、装置、电子设备、存储介质以及计算机程序产品。
4.根据第一方面，提供了一种应用于语音数据处理的方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括相对应的语音数据、音素数据和文本数据；对于训练样本集中的训练样本，将训练样本中的语音数据和文本数据依次作为初始语音转文本网络的输入和期望输出，将训练样本中的音素数据和文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练初始语音转文本网络和初始文本到文本网络，其中，初始语音转文本网络和初始文本到文本网络包括部分相同的网络结构；将基于初始语音转文本网络训练得到的语音转文本网络确定为语音数据处理模型。
5.根据第二方面，提供了一种语音数据处理方法，包括：获取待处理语音；将待处理语音输入语音数据处理模型，得到语音数据处理结果，其中，语音数据处理模型通过第一方面任一实现方式训练得到。
6.根据第三方面，提供了一种应用于语音数据处理的装置，包括：第一获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括相对应的语音数据、音素数据和文本数据；训练单元，被配置成对于训练样本集中的训练样本，将训练样本中的语音数据和文本数据依次作为初始语音转文本网络的输入和期望输出，将训练样本中的音素数据和文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练初始语音转文本网络和初始文本到文本网络，其中，初始语音转文本网络和初始文本到文本网络包括部分相同的网络结构；确定单元，被配置成将基于初始语音转文本网络训练得到的语音转文本网络确定为语音数据处理模型。
7.根据第四方面，提供了一种语音数据处理装置，包括：第二获取单元，被配置成获取待处理语音；处理单元，被配置成将待处理语音输入语音数据处理模型，得到语音数据处理结果，其中，语音数据处理模型通过第三方面任一实现方式训练得到。
8.根据第五方面，提供了一种电子设备，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如第一方面、第二方面任一实现方式描述
的方法。
9.根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
10.根据第七方面，提供了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如第一方面、第二方面任一实现方式描述的方法。
11.根据本公开的技术，联合训练包括部分相同网络结构的初始语音转文本网络和初始文本到文本网络，通过训练过程中初始文本到文本网络的文本信息的编码传递，辅助了初始语音转文本网络对应的语音数据处理任务，提高了语音转文本网络对于语音数据处理的准确度。
12.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
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
15.图2是根据本公开的应用于语音数据处理的方法的一个实施例的流程图；
16.图3根据本公开的应用于语音数据处理的方法所适用的网络框架的示意图；
17.图4是根据本实施例的应用于语音数据处理的方法的应用场景的示意图；
18.图5是根据本公开的应用于语音数据处理的方法的又一个实施例的流程图；
19.图6是根据本公开的应用于语音数据处理的方法的又一个实施例的流程图；
20.图7是根据本公开的语音数据处理方法的一个实施例的流程图；
21.图8是根据本公开的应用于语音数据处理的装置的一个实施例的结构图；
22.图9是根据本公开的语音数据处理装置的一个实施例的结构图；
23.图10是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
24.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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。
25.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
26.图1示出了可以应用本公开的应用于语音数据处理的方法及装置、语音数据处理方法及装置的示例性架构100。
27.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。终端设备101、102、103之间通信连接构成拓扑网络，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。
28.终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件
设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于语音采集设备、车载智能设备、监控设备、智能手机、平板电脑、电子书阅读器、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。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
29.服务器105可以是提供各种服务的服务器，例如，接收终端设备101、102、103发送的训练样本集，联合训练包括部分相同网络结构的初始语音转文本网络和初始文本到文本网络，以得到高准确度的语音转文本网络的后台处理服务器。可选的，服务器可以将得到的语音转文本网络用于处理语音数据。作为示例，服务器105可以是云端服务器。
30.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。
31.还需要说明的是，本公开的实施例所提供的应用于语音数据处理的方法、语音数据处理方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，应用于语音数据处理的装置、语音数据处理装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
32.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。当应用于语音数据处理的方法、语音数据处理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应用于语音数据处理的方法、语音数据处理方法运行于其上的电子设备(例如服务器或终端设备)。
33.请参考图2，图2为本公开实施例提供的一种应用于语音数据处理的方法的流程图，其中，流程200包括以下步骤：
34.步骤201，获取训练样本集。
35.本实施例中，应用于语音数据处理的方法的执行主体(例如，图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取训练样本集。
36.训练样本集包括多个训练样本，每个训练样本包括相对应的语音数据、音素数据和文本数据。一个训练样本中的语音数据、音素数据和文本数据相对应，表征三种数据所指示的信息为相同语义的信息。作为示例，语音数据为属于任一语言(例如汉语、英语)的语音数据，音素数据为根据语音数据所表征的语音进行最小语音单位的划分而得到的音素文本序列，文本数据为语音数据的文本表征形式，可以是与语音数据相同语言下的文本数据，也可以是与语音数据不同语言下的文本数据。一个训练样本可以表征单字、词、短句或长句等不同的数据量，在此不做限定。
37.在本实施例的一些可选的实现方式中，对于训练样本集中的训练样本，上述执行主体可以将表征该训练样本中的语音数据的初始音素数据中的目标音素进行噪声替换，得
到音素数据。
38.作为示例，上述执行主体可以从每个训练样本中的音素数据中选取预设数量的目标音素，通过噪声替换目标音素，从而得到噪声替换后的音素数据。其中，预设数量可以根据实际情况(例如，音素数据中的音素的数量)具体设置，在此不做限定。
39.本实现方式中，通过在训练样本中的音素数据中引入噪声，提高了基于引入噪声的音素数据训练到的模型的抗噪能力。
40.步骤202，对于训练样本集中的训练样本，将训练样本中的语音数据和文本数据依次作为初始语音转文本网络的输入和期望输出，将训练样本中的音素数据和文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练初始语音转文本网络和初始文本到文本网络。
41.本实施例中，对于训练样本集中的训练样本，上述执行主体可以将训练样本中的语音数据和文本数据依次作为初始语音转文本网络的输入和期望输出，将训练样本中的音素数据和文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练初始语音转文本网络和初始文本到文本网络。其中，初始语音转文本网络和初始文本到文本网络包括部分相同的网络结构。
42.初始语音转文本网络用于将语音数据转换为文本数据，具体的，初始语音转文本网络为将语音数据转换为与语音数据相同语言的文本数据的语音识别网络，也可以是将语音数据转换为与语音数据不同语言的文本数据的语音翻译网络。例如，初始语音转文本网络用于将中文语音转换为与中文语言不同的英文的文本。
43.语音转文本网络可以采用现有的网络模型，也可以采用基于现有的网络模型组合得到的混合模型，包括但不限于是n-gram语言模型，rnn(recurrent neural network，循环神经网络)语言模型。
44.初始文本转文本网络用于将一种文本数据转换为另一种文本数据，例如，文本转文本网络可以用于同一语言下的不同形式的文本之间的转换(例如，同一语言下的音素数据和文本数据之间的转换)，也可用于不同语言下的文本之间的转换。
45.具体的，对于训练样本集中的训练样本，将训练样本中的语音数据作为初始语音转文本网络的输入，得到初始语音转文本网络的实际输出，并计算初始语音转文本网络的实际输出与所输入的语音数据对应的文本数据(期望输出)之间的第一损失；将训练样本中的音素数据作为初始文本到文本网络的输入，得到初始文本到文本网络的实际输出，并计算初始文本到文本网络的实际输出与所输入的语音数据对应的文本数据(期望输出)之间的第二损失；基于第一损失和第二损失求取总损失；根据总损失计算训练初始语音转文本网络和初始文本到文本网络的梯度，并采用梯度下降法等方法根据所得到的梯度调整初始语音转文本网络和初始文本到文本网络的参数。上述执行主体可以循环执行上述训练步骤，直至达到预设结束条件，完成初始语音转文本网络和初始文本到文本网络的训练。
46.其中，预设结束条件例如可以是训练次数超过次数阈值，训练时间超过时间阈值，总损失趋于收敛。
47.在本实施例的一些可选的实现方式中，初始语音转文本网络包括语音编码模块，初始文本到文本网络包括文本编码模块，其中，语音编码模块和文本编码模块包括部分相同的网络结构。
48.在本实施例的一些可选的实现方式中，初始语音转文本网络和初始文本到文本网络包括同一个注意力模块；和/或，初始语音转文本网络和初始文本到文本网络包括同一个文本解码模块。
49.如图3所示，初始语音转文本网络包括语音编码模块301、注意力模块302和文本解码模块303，初始文本到文本网络包括文本编码模块304、注意力模块302和文本解码模块303。其中，语音编码模块301和文本编码模块304包括部分相同的网络结构305。语音编码模块用于对语音形式的数据进行编码，文本编码模块用于对文本形式的数据进行编码，注意力模块(例如自注意力模块)用于调整模型学习过程中对于信息的注意力，帮助语音数据处理模型学习到对语音数据处理有用的特征信息，文本解码模块用于将模型学习到的信息解码为文本数据。
50.其中，文本编码模块主要由多个transformer层构成，输入为音素数据，和后续的注意力模块、文本解码模块作为文本到文本网络；语音编码模块主要由多个transformer层构成，和后续的注意力模块、文本解码模块作为语音转文本网络。其中，语音编码模块和文本编码模块包括一部分相同的transformer层。
51.本实施例中，提供了可联合训练包括部分相同网络结构的初始语音转文本网络和初始文本到文本网络的网络框架。
52.基于上述网络框架，上述执行主体可以通过如下公式计算总损失：
[0053][0054]
其中，l表示总损失，θ
dec
依次表示语音编码模块、文本编码模块、文本解码模块的网络参数，x表示输入的音频数据，y表示输入的音素数据，w是预测的文本数据，p是相应的概率。
[0055]
现有技术中，语音识别系统与语音翻译系统是割裂开的，没有相互利用对方的有效信息。为了让中间有效的信息得以在语音识别系统或语音翻译系统迁移使用，降低模型训练过程对大量标注据的依赖，在本实施例的一些可选的实现方式中，文本数据包括与语音数据相同语言的第一文本数据、与语音数据不同语言的第二文本数据，初始语音转文本网络包括第一初始语音识别网络和基于第一初始语音识别网络得到的第一初始语音翻译网络。
[0056]
上述执行主体可以通过如下方式执行上述步骤202：
[0057]
第一，对于训练样本集中的训练样本，将训练样本中的语音数据和第一文本数据依次作为第一初始语音识别网络的输入和期望输出，将训练样本中的音素数据和第一文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练第一初始语音识别网络和初始文本到文本网络，得到训练后的语音识别网络和文本到文本网络。
[0058]
作为示例，训练样本中的语音数据为中文语音，第一文本数据为中文文本，第二文本数据为英语文本。
[0059]
上述执行主体可以将训练样本中的语音数据和第一文本数据依次作为第一初始语音识别网络的输入和期望输出，计算第一初始语音识别网络的实际输出和期望输出之间的第一损失；将训练样本中的音素数据和第一文本数据依次作为初始文本到文本网络的输入和期望输出，计算初始文本到文本网络的实际输出和期望输出之间的第二损失，进而根
据第一损失和第二损失计算总损失，并根据总损失更新第一初始语音识别网络和初始文本到文本网络，迭代执行上述训练过程，直至得到训练后的语音识别网络和文本到文本网络。
[0060]
输入语音数据之后，初始语音识别网络可以对语音数据分帧得到的音频帧进行特征提取，得到基音频率(pitch)、梅尔倒谱(mfcc)等特征信息，对特征信息进行差分增强。
[0061]
第二，将训练后的语音识别网络的输出单元调整为用于语音翻译的输出单元，得到第一初始语音翻译网络。
[0062]
用于语音翻译的输出单元例如可以是用于将语音数据转换为与语音数据不同语言的文本数据的语音翻译模型的输出层。
[0063]
第三，对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第一初始语音翻译网络的输入和期望输出，将训练样本中的音素数据和第二文本数据依次作为文本到文本网络的输入和期望输出，联合训练第一初始语音翻译网络和文本到文本网络。
[0064]
具体的，上述执行主体可以采用类似于第一步骤中第一初始语音识别网络和初始文本到文本网络的训练过程，训练第一初始语音翻译网络和文本到文本网络。
[0065]
本实现方式中，最终的目标任务模型为语音翻译网络。基于可复用的网络框架，先训练语音识别模型，在语音识别模型基础上调整输出单元得到第一初始语音翻译模型，并进行进一步的关于翻译任务的训练，让语音识别网络学习到的有效信息得以迁移至语音翻译系统中使用，降低了模型训练过程对大量标注数据的依赖，提高了最终得到的语音翻译网络的翻译准确度。
[0066]
在本实施例的一些可选的实现方式中，初始语音转文本网络包括第二初始语音翻译网络和基于第二初始语音翻译网络得到的第二初始语音识别网络，上述执行主体可以通过如下方式执行上述步骤202：
[0067]
第一，对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第二初始语音翻译网络的输入和期望输出，将训练样本中的音素数据和第二文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练第二初始语音翻译网络和初始文本到文本网络，得到训练后的语音翻译网络和文本到文本网络。
[0068]
具体的，对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第二初始语音翻译网络的输入和期望输出，计算第二初始语音翻译网络的实际输出和期望输出之间的第一损失；将训练样本中的音素数据和第二文本数据依次作为初始文本到文本网络的输入和期望输出，计算初始文本到文本网络的实际输出和期望输出之间的第二损失，进而根据第一损失和第二损失计算总损失，并根据总损失更新第二初始语音翻译网络和初始文本到文本网络，迭代执行上述训练过程，直至得到训练后的语音翻译网络和文本到文本网络。
[0069]
第二，将训练后的语音翻译网络的输出单元调整为用于语音识别的输出单元，得到第二初始语音识别网络。
[0070]
用于语音识别的输出单元例如可以是用于将语音数据转换为与语音数据相同语言的文本数据的语音识别模型的输出层。
[0071]
第三，对于训练样本集中的训练样本，将训练样本中的语音数据和第一文本数据依次作为第二初始语音识别网络的输入和期望输出，将训练样本中的音素数据和第一文本
数据依次作为文本到文本网络的输入和期望输出，联合训练第二初始语音识别网络和文本到文本网络。
[0072]
具体的，上述执行主体可以采用类似于第一步骤中第二初始语音翻译网络和初始文本到文本网络的训练过程，训练第二初始语音识别网络和文本到文本网络。
[0073]
本实现方式中，最终的目标任务模型为语音识别网络。基于复用的网络框架，先训练语音翻译模型，在语音翻译模型基础上调整输出单元得到第二初始语音识别模型，并进行进一步关于识别任务的训练，让语音翻译网络学习到的有效信息得以迁移至语音识别系统中使用，降低了模型训练过程对大量标注数据的依赖，提高了最终得到的语音识别网络的识别准确度。
[0074]
步骤203，将基于初始语音转文本网络训练得到的语音转文本网络确定为语音数据处理模型。
[0075]
本实施例中，上述执行主体可以将基于初始语音转文本网络训练得到的语音转文本网络确定为语音数据处理模型，语音数据处理模型可以用于语音处理任务。
[0076]
在本实施例的一些可选的实现方式中，当基于步骤202训练得到的最终的目标任务模型为语音翻译网络时，上述执行主体可以将基于第一初始语音翻译网络训练得到的语音翻译网络确定为语音数据处理模型。如此，得到了高翻译准确度的语音数据处理模型。
[0077]
在本实施例的一些可选的实现方式中，当基于步骤202训练得到的最终的目标任务模型为语音识别网络时，上述执行主体可以将基于第二初始语音识别网络训练得到的语音识别网络确定为语音数据处理模型。如此，得到了高识别准确度的语音数据处理模型。
[0078]
继续参见图4，图4是根据本实施例的应用于语音数据处理的方法的应用场景的一个示意图400。在图4的应用场景中，服务器401首先从数据库402中获取训练样本集403。其中，训练样本集403中的训练样本包括相对应的语音数据4031、音素数据4032和文本数据4033。对于训练样本集403中的训练样本，将训练样本中的语音数据4031和文本数据4033依次作为初始语音转文本网络404的输入和期望输出，将训练样本中的音素数据4032和文本数据4033依次作为初始文本到文本网络405的输入和期望输出，联合训练初始语音转文本网络404和初始文本到文本网络405。其中，初始语音转文本网络404和初始文本到文本网络405包括部分相同的网络结构。最终，将基于初始语音转文本网络404训练得到的语音转文本网络406确定为语音数据处理模型。
[0079]
本实施例中，联合训练包括部分相同网络结构的初始语音转文本网络和初始文本到文本网络，通过训练过程中初始文本到文本网络的文本信息的编码传递，辅助了初始语音转文本网络对应的语音数据处理任务，提高了语音转文本网络对于语音数据处理的准确度。
[0080]
继续参考图5，示出了根据本公开的方法的一个应用于语音数据处理的方法实施例的示意性流程500，包括以下步骤：
[0081]
步骤501，获取训练样本集。
[0082]
其中，训练样本集中的训练样本包括相对应的语音数据、音素数据和文本数据，文本数据包括与语音数据相同语言的第一文本数据、与语音数据不同语言的第二文本数据。其中，对于训练样本集中的训练样本，将表征该训练样本中的语音数据的初始音素数据中的目标音素进行噪声替换，得到音素数据。初始语音转文本网络包括第一初始语音识别网
络和基于第一初始语音识别网络得到的第一初始语音翻译网络。
[0083]
步骤502，对于训练样本集中的训练样本，将训练样本中的语音数据和第一文本数据依次作为第一初始语音识别网络的输入和期望输出，将训练样本中的音素数据和第一文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练第一初始语音识别网络和初始文本到文本网络，得到训练后的语音识别网络和文本到文本网络。
[0084]
初始语音转文本网络包括语音编码模块、注意力模块和文本解码模块，初始文本到文本网络包括文本编码模块、注意力模块和文本解码模块，其中，语音编码模块和文本编码模块包括部分相同的网络结构。
[0085]
步骤503，将训练后的语音识别网络的输出单元调整为用于语音翻译的输出单元，得到第一初始语音翻译网络。
[0086]
步骤504，对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第一初始语音翻译网络的输入和期望输出，将训练样本中的音素数据和第二文本数据依次作为文本到文本网络的输入和期望输出，联合训练第一初始语音翻译网络和文本到文本网络。
[0087]
步骤505，将基于第一初始语音翻译网络训练得到的语音翻译网络确定为语音数据处理模型。
[0088]
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的应用于语音数据处理的方法的流程500具体说明了适用于联合训练初始语音转文本网络和初始文本到文本网络的网络框架，在训练样本中引入噪声的过程，通过训练过程中初始文本到文本网络的文本信息的编码传递，辅助语音转文本网络对应的语音数据处理任务的过程，以及语音识别网络学习到的有效信息在语音翻译系统中迁移使用的过程，提高了模型的抗噪能力，降低了模型训练过程对大量标注据的依赖，提高了最终得到的语音翻译网络的翻译准确度。
[0089]
继续参考图6，示出了根据本公开的方法的一个应用于语音数据处理的方法实施例的示意性流程600，包括以下步骤：
[0090]
步骤601，获取训练样本集。
[0091]
其中，训练样本集中的训练样本包括相对应的语音数据、音素数据和文本数据，文本数据包括与语音数据相同语言的第一文本数据、与语音数据不同语言的第二文本数据。其中，对于训练样本集中的训练样本，将表征该训练样本中的语音数据的初始音素数据中的目标音素进行噪声替换，得到音素数据。初始语音转文本网络包括第二初始语音翻译网络和基于第二初始语音翻译网络得到的第二初始语音识别网络。
[0092]
步骤602，对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第二初始语音翻译网络的输入和期望输出，将训练样本中的音素数据和第二文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练第二初始语音翻译网络和初始文本到文本网络，得到训练后的语音翻译网络和文本到文本网络。
[0093]
初始语音转文本网络包括语音编码模块、注意力模块和文本解码模块，初始文本到文本网络包括文本编码模块、注意力模块和文本解码模块，其中，语音编码模块和文本编码模块包括部分相同的网络结构。
[0094]
步骤603，将训练后的语音翻译网络的输出单元调整为用于语音识别的输出单元，得到第二初始语音识别网络。
[0095]
步骤604，对于训练样本集中的训练样本，将训练样本中的语音数据和第一文本数据依次作为第二初始语音识别网络的输入和期望输出，将训练样本中的音素数据和第一文本数据依次作为文本到文本网络的输入和期望输出，联合训练第二初始语音识别网络和文本到文本网络。
[0096]
步骤605，将基于第二初始语音识别网络训练得到的语音识别网络确定为语音数据处理模型。
[0097]
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的应用于语音数据处理的方法的流程600具体说明了适用于联合训练初始语音转文本网络和初始文本到文本网络的框架，在训练样本中引入噪声的过程，通过训练过程中初始文本到文本网络的文本信息的编码传递，辅助语音转文本网络对应的语音数据处理任务的过程，以及语音翻译网络学习到的有效信息在语音识别系统中迁移使用的过程，提高了模型的抗噪能力，降低了模型训练过程对大量标注据的依赖，提高了最终得到的语音识别网络的翻译准确度。
[0098]
继续参考图7，图7为本公开实施例提供的一种语音数据处理方法的流程图，其中，流程700包括以下步骤：
[0099]
步骤701，获取待处理语音。
[0100]
本实施例中，语音数据处理方法的执行主体(例如图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取待处理语音。待处理语音可以是任意语言下的语音数据。
[0101]
步骤702，将待处理语音输入语音数据处理模型，得到语音数据处理结果。
[0102]
本实施例中，上述执行主体可以将待处理语音输入语音数据处理模型，得到语音数据处理结果。其中，语音数据处理模型通过上述实施例200、500、600训练得到。
[0103]
进一步的，当待处理语音的处理任务为语音翻译任务时，语音数据处理模型可以为实施例500训练得到的语音翻译模型；当待处理语音的处理任务为语音识别任务时，语音数据处理模型可以为实施例600训练得到的语音识别模型。
[0104]
继续参考图8，作为对上述各图所示方法的实现，本公开提供了一种应用于语音数据处理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，该装置具体可以应用于各种电子设备中。
[0105]
如图8所示，应用于语音数据处理的装置包括：第一获取单元801，被配置成获取训练样本集，其中，训练样本集中的训练样本包括相对应的语音数据、音素数据和文本数据；训练单元802，被配置成对于训练样本集中的训练样本，将训练样本中的语音数据和文本数据依次作为初始语音转文本网络的输入和期望输出，将训练样本中的音素数据和文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练初始语音转文本网络和初始文本到文本网络，其中，初始语音转文本网络和初始文本到文本网络包括部分相同的网络结构；确定单元803，被配置成将基于初始语音转文本网络训练得到的语音转文本网络确定为语音数据处理模型。
[0106]
在本实施例的一些可选的实现方式中，文本数据包括与语音数据相同语言的第一文本数据、与语音数据不同语言的第二文本数据，初始语音转文本网络包括第一初始语音识别网络和基于第一初始语音识别网络得到的第一初始语音翻译网络；以及训练单元802，进一步被配置成：对于训练样本集中的训练样本，将训练样本中的语音数据和第一文本数
据依次作为第一初始语音识别网络的输入和期望输出，将训练样本中的音素数据和第一文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练第一初始语音识别网络和初始文本到文本网络，得到训练后的语音识别网络和文本到文本网络；将训练后的语音识别网络的输出单元调整为用于语音翻译的输出单元，得到第一初始语音翻译网络；对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第一初始语音翻译网络的输入和期望输出，将训练样本中的音素数据和第二文本数据依次作为文本到文本网络的输入和期望输出，联合训练第一初始语音翻译网络和文本到文本网络。
[0107]
在本实施例的一些可选的实现方式中，确定单元803，进一步被配置成：将基于第一初始语音翻译网络训练得到的语音翻译网络确定为语音数据处理模型。
[0108]
在本实施例的一些可选的实现方式中，文本数据包括与语音数据相同语言的第一文本数据、与语音数据不同语言的第二文本数据，初始语音转文本网络包括第二初始语音翻译网络和基于第二初始语音翻译网络得到的第二初始语音识别网络；以及训练单元802，进一步被配置成：对于训练样本集中的训练样本，将训练样本中的语音数据和第二文本数据依次作为第二初始语音翻译网络的输入和期望输出，将训练样本中的音素数据和第二文本数据依次作为初始文本到文本网络的输入和期望输出，联合训练第二初始语音翻译网络和初始文本到文本网络，得到训练后的语音翻译网络和文本到文本网络；将训练后的语音翻译网络的输出单元调整为用于语音识别的输出单元，得到第二初始语音识别网络；对于训练样本集中的训练样本，将训练样本中的语音数据和第一文本数据依次作为第二初始语音识别网络的输入和期望输出，将训练样本中的音素数据和第一文本数据依次作为文本到文本网络的输入和期望输出，联合训练第二初始语音识别网络和文本到文本网络。
[0109]
在本实施例的一些可选的实现方式中，确定单元803，进一步被配置成：将基于第二初始语音识别网络训练得到的语音识别网络确定为语音数据处理模型。
[0110]
在本实施例的一些可选的实现方式中，上述装置还包括：替换单元(图中未示出)，被配置成对于训练样本集中的训练样本，将表征该训练样本中的语音数据的初始音素数据中的目标音素进行噪声替换，得到音素数据。
[0111]
在本实施例的一些可选的实现方式中，初始语音转文本网络包括语音编码模块，初始文本到文本网络包括文本编码模块，其中，语音编码模块和文本编码模块包括部分相同的网络结构。
[0112]
在本实施例的一些可选的实现方式中，初始语音转文本网络和初始文本到文本网络包括同一个注意力模块；和/或，初始语音转文本网络和初始文本到文本网络包括同一个文本解码模块。
[0113]
本实施例中，联合训练包括部分相同网络结构的初始语音转文本网络和初始文本到文本网络，通过训练过程中初始文本到文本网络的文本信息的编码传递，辅助了初始语音转文本网络对应的语音数据处理任务，提高了语音转文本网络对于语音数据处理的准确度。
[0114]
继续参考图9，作为对上述各图所示方法的实现，本公开提供了一种应用于语音数据处理的装置的一个实施例，该装置实施例与图7所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0115]
如图9所示，语音数据处理装置包括：第二获取单元901，被配置成获取待处理语
音；处理单元902，被配置成将待处理语音输入语音数据处理模型，得到语音数据处理结果。其中，语音数据处理模型通过实施例800训练得到。
[0116]
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：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，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的应用于语音数据处理的方法、语音数据处理方法。
[0117]
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的应用于语音数据处理的方法、语音数据处理方法。
[0118]
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的应用于语音数据处理的方法、语音数据处理方法。
[0119]
图10示出了可以用来实施本公开的实施例的示例电子设备1000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。
[0120]
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0121]
设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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。
[0122]
计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如应用于语音数据处理的方法。例如，在一些实施例中，应用于语音数据处理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1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的应用于语音数据处理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1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行应用于语音数据处理的方法。
[0123]
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。
[0124]
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。
[0125]
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。
[0126]
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。
[0127]
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。
[0128]
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大，业务扩展性弱的缺陷；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。
[0129]
根据本公开实施例的技术方案，联合训练包括部分相同网络结构的初始语音转文
本网络和初始文本到文本网络，通过训练过程中初始文本到文本网络的文本信息的编码传递，辅助了初始语音转文本网络对应的语音数据处理任务，提高了语音转文本网络对于语音数据处理的准确度。
[0130]
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提供的技术方案所期望的结果，本文在此不进行限制。
[0131]
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。