CN113571044A - 语音信息处理方法、装置和电子设备 - Google Patents
语音信息处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113571044A CN113571044A CN202110860672.XA CN202110860672A CN113571044A CN 113571044 A CN113571044 A CN 113571044A CN 202110860672 A CN202110860672 A CN 202110860672A CN 113571044 A CN113571044 A CN 113571044A
- Authority
- CN
- China
- Prior art keywords
- model
- translation
- acoustic
- information
- voice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 17
- 230000000875 corresponding Effects 0.000 claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 15
- 239000000203 mixture Substances 0.000 description 13
- 238000007906 compression Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000003287 optical Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000003365 glass fiber Substances 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 230000000306 recurrent Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
- 230000001537 neural Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/005—Language recognition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
Abstract
本公开实施例公开了语音信息处理方法、装置和电子设备。该方法的一具体实施方式包括:获取至少一帧待翻译语音信息的第一声学特征信息;在流式语音识别下,确定第一声学特征信息是否对应完整语义;响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果,提高了翻译结果的准确度,降低了翻译结果的输出延迟。
Description
技术领域 本公开涉及人工智能技术领域,尤其涉及一种语音信息处理方法、装置和电子设备。 背景技术 本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。 语音翻译(Speech Translation,ST)旨在将源语言语音翻译成目标语言文本,广泛应用于会议演讲、商务会议、跨境客服、海外旅行等各种场景。 传统的语音翻译模型通常先利用语音识别模型将语音转换为源语言的文字,再利用机器翻译模型将识别后的源语言文字翻译为目标语言。 近来,端到端翻译方法应用到了非流式语音翻译和流式翻译中。发明人发现在将端到端翻译方法应用到流式翻译的一些方案,是按照固定的时间对源端音频进行切片,每个语言切片视为一个翻译的口令,并应用于流式语音翻译。但真实环境中,语音长度往往是变长的,导致端到端语音翻译要么引入延迟、要么引起翻译错误。 发明内容 提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。 本公开实施例提供了一种语音信息处理方法、装置和电子设备。 第一方面,本公开实施例提供了一种语音信息处理方法,包括:获取至少一帧待翻译语音信息的第一声学特征信息;在流式语音识别下,确定第一声学特征信息是否对应完整语义;响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果。 第二方面,本公开实施例提供了一种语音信息处理模型,包括:声学模型、语义识别模型和翻译模型,其中,所述声学模型用于:在流式语音识别模式下,接收至少一帧待翻译语音信息,并提取所述至少一帧待翻译语音信息第一声学特征信息;所述语义识别模型用于:在流式语音识别模式下,接收所述至少一帧第一声学特征信息,并确定所述至少一帧第一声学特征信息是否对应完整语义;所述翻译模型用于在流式语音识别模式下确定所述第一声学特征信息的翻译结果。 第三方面,本公开实施例提供了一种语音信息处理模型的训练法法,应用于第二方面所述的语音信息处理模型,所述语音信息处理模型包括声学模型、语义识别模型和翻译模型,该方法包括:获取训练样本集,所述训练样本集包括多个训练样本对,训练样本对包括第一语言的原始语音信息和第二语言的所述原始语音信息对应的翻译结果;将训练样本对中的原始语音信息输入到初始训练后的声学模型,将所述翻译结果作为所述翻译模型的输出,对所述语音信息处理模型进行训练,得到的训练后语音信息处理模型。 第四方面,本公开实施例提供了一种语音信息处理装置,包括:获取单元,用于获取待翻译语音信息的至少一帧第一声学特征信息;确定单元,用于在流式语音识别下,确定所述至少一帧第一声学特征信息是否满足预设翻译条件;翻译单元,用于响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果。 第五方面,本公开实施例提供了一种语音信息处理模型的训练装置,包括:获取单元,用于获取待翻译语音信息的至少一帧第一声学特征信息;确定单元,用于在流式语音识别下,确定所述至少一帧第一声学特征信息是否满足预设翻译条件;翻译单元,用于响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果。 第六方面,本公开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,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,使得所述一个或多个处理器实现如第一方面所述的语音信息处理方法,或者如第三方面所述的语音信息处理模型的训练方法。 第七方面,本公开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第一方面所述的语音信息处理方法,或者如第三方面所述的语音信息处理模型的训练方法。 本公开实施例提供的语音信息处理方法、装置和电子设备,通过获取至少一帧待翻译语音信息的第一声学特征信息;在流式语音识别下,确定第一声学特征信息是否对应完整语义;响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果,实现了在流式翻译中,自动确定具有完整语义的待翻译语音信息,对具有完整语义的带翻译语音信息进行翻译,相比于按照固定时间截取音频信息进行翻译而言,可以得到较为准确的翻译结果。提高了翻译结果的准确度。另外,由于本方案可以在确定到具有完整语义的待翻译语音信息进行翻译,无需等到固定切片时间规定的时间段结束之后再翻译,因此可以降低翻译结果的输出延迟。 附图说明 结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。 图1是根据本公开的语音信息处理方法的一个实施例的流程图; 图2是根据本公开的语音信息处理方法的另一个实施例的流程图; 图3示出了图2所示实施例中的连续整合发放模块对声学特征信息进行处理的示意图; 图4示出了根据本公开的一种语音信息处理模型的结构示意图; 图5示出了根据本公开的一种语音信息处理模型的训练方法的示意性流程图; 图6是根据本公开的语音信息处理装置的一个实施例的结构示意图; 图7是根据本公开的语音信息处理模型的训练装置的一个实施例的结构示意图; 图8是本公开的一个实施例的语音信息处理方法、语音信息处理装置可以应用于其中的示例性系统架构; 图9是根据本公开实施例提供的电子设备的基本结构的示意图。 具体实施方式 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。 应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。 本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。 需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。 需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。 请参考图1,其示出了根据本公开的语音信息处理方法的一个实施例的流程。如图1所示,语音信息处理方法,包括以下步骤: 步骤101,获取至少一帧待翻译语音信息的第一声学特征信息。 端到端语音识别模型,可以将音频直接映射到字符或单词。上述待翻译语音信息可以是第一语言的语音信息。待翻译语音信息可用是当前采集的说话人的语音信息,也可以是预先存储的说话人的语音信息。这里的第一语言可以是任意语言,例如英语、中文、法语等。翻译结果可以对应目标语言。目标语言例如可以为第一语言之外的其他任意语言。 语音信息可以包括单词序列。可以使用各种方法对上述语音信息进行特征提取,得到语音信息的声学特征。这里的语音信息的声学特征可以从语音的对数-梅尔频谱图中提取。 具体实践中,可以将待翻译语音信息进行逐帧提取声学特征。在一些应用场景中,每一个音频帧可以包括对连续音频信号进行离散化处理的多个采样点,例如一个音频帧可以包括1024个采样点。每个音频帧可以对应一个声学特征序列。一帧音频帧的声学特征序列可以包括每个采样点的声学特征组成的声学特征序列,每个采样点的声学特征可以包括幅度、相位、频率以及各个维度的相关性等。 上述至少一帧待翻译语音信息的第一声学特征信息,可以包括上述至少一帧待翻译语音信息对应的声学特征序列。 步骤102,在流式语音识别下,确定第一声学特征信息是否对应完整语义。 本公开涉及的端到端语音翻译可以包括流式语音识别模式和非流式语音识别模式。 通常,非流语音翻译模式是指可以一次性收听所有待翻译的语音音频,然后生成翻译文本的翻译模式。流式语音翻译模式是指在接收语音流的同时完成翻译的翻译模式。 若当前语音翻译的模式为流式语音识别模式,可以确定至少一帧第一声学特征信息是否满足预设翻译条件。 这里的预设翻译条件包括至少一帧第一声学特征信息对应完整语义。 若至少一帧第一声学特征信息为完整语义,则可以进入到步骤103。否则,继续获取后续至少一帧待翻译语音信息的声学特征序列,将后续至少一帧翻译语音信息的声学特征序列加入到上一至少一帧待翻译语音信息的声学特征序列,得到更新后的第一声学特征信息。 也就是,至少一帧第一声学特征信息所包括的特征序列对应一个完整语义时,再对第一声学特征信息进行翻译。 在一些可选的实现方式中,上述步骤102可以包括: 将上述第一声学特征信息输入到预训练的预设语义识别模型,利用预设语义识别模型确定第一声学特征信息是否对应完整语义。 上述语义识别模型可以为各种机器学习模型,例如卷积神经网络模型。在一些应用场景中,上述机器学习模型例如可以为连续整合发放(Continuous Integrate-and-Fire,CIF)模型。CIF模型包括第二编码器。CIF模型可以对步骤101得到的第一声学特征信息进行压缩,CIF模型可以判断压缩后的第一声学特征信息是否具有完整语义。 步骤103,响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果。 这里对第一声学特征信息执行翻译操作,可以根据第一声学特征信息对应的语义,来确定使用目标语言对上述语义的表述,从而得到翻译结果。 上述翻译结果可以为语音形式的翻译结果,也可以为文本形式的翻译结果。 本实施例提供的语音信息处理方法,通过获取至少一帧待翻译语音信息的第一声学特征信息;在流式语音识别下,确定第一声学特征信息是否对应完整语义;响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果,实现了在流式语音识别下,至少一帧待翻译语音信息的第一声学特征信息对应完整语义时,进行翻译,实现了在流式翻译中,自动确定具有完整语义的待翻译语音信息,对具有完整语义的带翻译语音信息进行翻译。相关技术中的流式语音识别,按照定时长或定字数截取语音信息,并提取语音信息的特征序列进行翻译的方案。相关技术方案由于定时长或定字数截取语音信息进行翻译,按照定时长或定字数截取的源语言的待翻译语音信息可能不具有完整语义,所得到目标语言翻译结果可能无法反映待翻译语音信息的原本语义,使得翻译结果较差。而本实施例的方案由于是对具有完整语义的带翻译语音信息进行翻译,因而可以得到较为准确的翻译结果,提高了翻译结果的准确度。 另外,由于本方案可以在确定到具有完整语义的待翻译语音信息即可进行翻译,无需等到定时长规定的时间段结束之后再翻译。因此可以降低翻译结果的输出延迟。 在本实施例的一些可选的实现方式中,上述语音信息处理方法还包括如下步骤: 步骤104,在非流式语音识别下,接到多帧待翻译语音信息直至检测到语音信息的输入结束指令,获取多帧待翻译语音信息的第二声学特征信息,对所述第二声学特征信息执行翻译操作,得到对应的翻译结果。 在这些可选的实现方式中,在非流式语音识别模式下,可以将全部待翻译语音信息接收完成之后,再确定全部待翻译语音信息对应的第二声学特征信息。第二声学特征信息可以包括多个特征序列。多个特征序列可以构成词向量矩阵。然后对词向量矩阵进行分析处理,并对分析处理后的词向量矩阵执行翻译操作,得到全部待翻译语音信息对应的翻译结果。翻译结果可以为语音形式的翻译结果,也可以为文本形式的翻译结果。 在这些可选的实现方式中,实现了在非流式语音识别模式下,对全部待翻译语音信息进行翻译。 也即,在同一套翻译方案中,提供流式翻译模式和非流式翻译模式,在用户选择的翻译模式下,执行相应的流式翻译或非流式翻译,实现了利用同一套翻译方案,兼顾了流式语音翻译和非流式语音翻译。 请参考图2,其示出了根据本公开的语音信息处理方法的另一个实施例的流程图。如图2所示,该方法包括如下步骤: 步骤201,将至少一个帧待处理语音信息输入到预训练的声学模型,得到所述第一声学特征信息。 上述声学模型可以是各种机器学习模型,例如循环神经网络模型等。上述机器学习模型可以是预先训练的机器学习模型。该机器学习模型可以将输入的语音信息转换为特征序列。 在一些应用场景中,上述声学模型可以是屏蔽式声学模型(Masked AcousticModel,MAM)。屏蔽式声学模型可以包括编码器和Prediction Head。在对MAM进行训练时,可以选择样本音频数据作为输入,件样本音频数据对应的样本编码作为输出。MAM在训练时可以选择15%的输入音频帧将其遮盖,由模型根据训练文本的上下文,对遮盖住的帧进行预测。Prediction Head层包含了两层前向网络。在对MAM进行训练时可以使用预设损失函数(例如L1 Loss)来最小化这15%的被遮盖的预测值帧的向量和真实帧向量之间的差距。 声学特征信息可以包括但不限于幅度、相位、频率以及各个维度的相关性。上述声学特征信息中除了包括信息的特征,还包括人的发声的特征信息。不同人的同样的发言对应的上述声学特征信息可以不同。 步骤202,将所述第一声学特征信息输入到预训练的预设语义识别模型,利用所述预设语义识别模型确定所述第一声学特征信息是否对应完整语义。 在流式翻译模式下,可以将步骤201输出的第一声学特征信息输入到预训练的预设语义识别模型。由预设语义识别模型对第一声学特征信息进行压缩,并判断压缩后的第一声学特征信息是否对应完整语义。 上述预设语义识别模型例如可以包括连续整合发放(Continuous Integrate-and-Fire,CIF)模块。CIF模块可以对步骤201输出的第一声学特征信息进行压缩和对齐。CIF在将第一声学特征信息进行压缩处理时,可以将第一声学特征信息中的多个特征值分成两部分,一部分用于对当前压缩处理,另一部分用于下一压缩处理。 请参考图3,其示出了CIF模块对声学特征信息进行处理的示意图。声学特征信息包括声学特征序列以及声学特征序列中各特征向量对应的权重。权重可以表示特征向量包含的信息量。如图3所示,声学特征序列可以为[h1、h2、h3、h4、h5、...];对应的权值序列可以为[α1、α2、α3、α4、α5...]。可以将多个特征向量分为两部分,第一部分用于计算本次压缩处理。每一次压缩处理可以将两个以上的特征向量整合为一个新的特征向量。例如,将该次压缩处理的多个特征向量按照各向量的先后顺序进行排列。如图3所示,将特征向量h2的权重α2进行拆分,拆分为α21和α22。α4进行拆分,拆分为α41和α42。在每次压缩时,本次压缩时各特征向量对应的权重(包括权重分量)之和为1。例如,特征向量h1的权重α1与特征向量h2的权重分量α21之和为1时,可以确定本次压缩的对象为特征向量为h1与特征向量h2的分量。如图3中,两次压缩结果如下:c1=α1×h1+α21×h2;c2=α22×h2+α3×h3+α41×h4。α22、α3、α41之和为1。当多个特征向量的权重(包括特征分量对应的权重分量)之和为1,可以认为这些特征向量具有完整语义。可以将这些特征向量进行整合。 通过上述过程,CIF模块可以确定第一声学特征信息是否对应完整语义,将对应完整语义的第一声学特征信息进行压缩。 步骤203,响应于确定结果为是,将声学特征信息输入到预先训练的翻译模型,得到所述声学特征信息对应的翻译结果。 上述翻译模型,例如可以是各种神经网络模型,例如隐马尔科夫模型等。优选地,上述翻译模型可以是transformer模型。transformer模型由编码器和解码器组成,接收CIF模块输出的词向量矩阵并完成翻译。上述transformer模型将CIF模块输出的词向量矩阵翻译为目标语言的翻译结果的过程可以与现有的transformer模型对词向量矩阵进行翻译的过程相同,此次不赘述。 此外,在一些可选的实现方式中,若在非流式语音识别下,上述步骤201可以包括,接收多帧待翻译语音信息直至检测到语音信息的输入结束指令,将所接收的多帧待翻译语音信息输入到预训练的声学模型,得到多帧待翻译语音信息的第二声学特征信息。进而上述语音信息处理方法还包括步骤204,将第二声学特征信息输入到预设语义识别模型,对第二声学特征信息进行压缩和对齐,得到压缩后的第二声学特征信息。步骤205,将压缩后的第二声学特征信息输入到预训练的翻译模型,得到第二声学特征信息对应的翻译结果。 本实施例提供的语音信息处理方法,通过使用预设语义识别模型确定具有完整语义的第一声学特征信息,利用翻译模型得到第一声学特征信息的翻译结果,可以提高端到端语音翻译的速度和准确度。 此外,本实施例提供的语音信息处理方法完成流式语音翻译,以及非流式语音翻译。 请参考图4,其示出了根据本公开的一种语音信息处理模型。如图4所示,语音信息处理模型包括:声学模型401、语义识别模型402和翻译模型403。 上述语音信息处理模型可以提供翻译模式选择项。翻译模式选择项包括流式语音识别模式和非流式语音识别模式。用户在利用上述语音信息处理模型进行端到端语音信息翻译时,可以对翻译模式进行选择。根据用户对翻译模式选择项的选择,上述语音信息处理模型工作在流式语音识别模式或者非流式语音识别模式。当选择了翻译模式选择项之后,可以将待翻译的源语言语音信息输入到语音信息处理模型,以由语音信息处理模型来对源语言语音信息进行翻译。 在流式语音识别模式下,声学模型401用于,接收至少一帧待翻译语音信息,并提取所述至少一帧待翻译语音信息第一声学特征信息。 语义识别模型402,用于接收所述至少一帧第一声学特征信息,并确定所述至少一帧第一声学特征信息是否对应完整语义。 语义识别模型可以包括连续整合发放(Continuous Integrate-and-Fire,CIF)模块。CIF模块可以对第一声学特征信息进行语义识别,并对第一声学特征信息进行压缩和对齐。CIF模块完成的功能可以参考图3所示的过程。 所述翻译模型403,用于确定第一声学特征信息对应完整语义,确定所述第一声学特征信息对应的翻译结果。在非流式模式下,确定第二声学特征信息对应的翻译结果。 此外,若语音信息处理模型工作在非流式语音识别模式下时,所述声学模型401用于:接收多帧待翻译语音信息,至检测到语音信息的输入结束指令,提取多帧待翻译语音信息的第二声学特征信息。所述语义识别模型402用于:对第二声学特征信息进行压缩和对齐;所述翻译模型403用于:确定第二声学特征信息的翻译结果。 语音信息处理模型所包括的各模型在语音信息处理方法完成的功能可以参考图2所示的实施例的说明,此次不赘述。 请参考图5,其示出了本公开提供的语音信息处理模型的训练方法。语音信息处理模型包括声学模型、语义识别模型和翻译模型。如图5所示,该方法包括如下步骤。 步骤501,获取训练样本集,所述训练样本集包括多个训练样本对,训练样本对包括第一语言的原始语音信息和第二语言的所述原始语音信息对应的样本翻译结果。 步骤502,将训练样本对中的原始语音信息输入到初始训练后的声学模型,将所述翻译结果作为所述翻译模型的输出,对所述语音信息处理模型进行训练,得到的训练后语音信息处理模型。 在本实施例中,上述声学模型可以是预先训练的模型。上述声学模型可以是循环神经网络模型等。优选地,上述声学模型可以是屏蔽式声学模型。 在上述训练过程中,可以使用第二损失函数、第三损失函数对语音信息处理模型进行训练。这里的第二损失函数可以为品质损失函数,第三损失函数可以为交叉熵损失函数。在一些应用场景中,上述训练结束的触发可以由上述第二损失函数和第三损失函数之和最小。在另外一些应用场景中,上述训练结束的触发可以由上述训练次数达到预设次数要求。 在一些可选地实现方式中,上述步骤502包括如下子步骤: 首先,获取样本翻译结果对应的样本编码。 其次,将所述原始语音信息输入到初始训练后的声学模型,利用所述样本翻译结果的样本编码以及第一损失函数对所述语义识别模型进行训练,得到训练后的所述语义识别模型。 这里的第一损失函数可以是品质损失函数。 上述语义识别模型可以包括连续整合发放(Continuous Integrate-and-Fire,CIF)模块。 在这些可选的实现方式中,可以先对语义识别模型进行训练。再对语音信息处理模型整体进行训练。可以降低对语音信息处理模型的整体训练次数。 通过上述训练得到的语音信息处理模型,可以工作在流式语音识别模式下,也可以工作在非流式语音识别模式下。 进一步参考图6,作为对上述各图所示方法的实现,本公开提供了语音信息处理装置的一些实施例,该装置实施例与图1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。 如图6所示,本实施例的语音信息处理装置包括:获取单元601、确定单元602、翻译单元603。其中,获取单元601,用于获取待翻译语音信息的至少一帧第一声学特征信息;确定单元602,用于在流式语音识别下,确定所述至少一帧第一声学特征信息是否满足预设翻译条件;翻译单元603,用于响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果。 在本实施例中,语音信息处理装置的获取单元601、确定单元602、翻译单元603的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102、步骤103的相关说明,在此不再赘述。 在一些可选的实现方式中,获取单元601进一步用于:将至少一个帧待处理语音信息输入到预训练的声学模型,得到所述第一声学特征信息。 在一些可选的实现方式中,声学模型包括屏蔽式声学模型。 在一些可选的实现方式中,确定单元602进一步用于:将所述第一声学特征信息输入到预训练的预设语义识别模型,利用所述预设语义识别模型确定所述第一声学特征信息是否对应完整语义。 在一些可选的实现方式中,预设语义识别模型包括连续整合发放模块。 在一些可选的实现方式中,语音信息处理装置还包括非流式语音信息处理单元(图中未示出),非流式语音信息处理单元用于:在非流式语音识别下,接到多帧待翻译语音信息直至检测到语音信息的输入结束指令,获取多帧待翻译语音信息的第二声学特征信息,对所述第二声学特征信息执行翻译操作,得到对应的翻译结果。 在一些可选的实现方式中,所述翻译操作包括:将声学特征信息输入到预先训练的翻译模型,得到所述声学特征信息对应的翻译结果。 进一步参考图7,作为对上述图5所示方法的实现,本公开提供了一种语音信息处理模型的训练装置的一个实施例,该装置实施例与图5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。 如图7所示,本实施例的语音信息处理模型的训练装置包括:样本获取单元701、和训练单元702。其中,样本获取单元701,用于获取训练样本集,所述训练样本集包括多个训练样本对,训练样本对包括第一语言的原始语音信息和第二语言的所述原始语音信息对应的翻译结果;训练单元702,用于将训练样本对中的原始语音信息输入到初始训练后的声学模型,将所述翻译结果作为所述翻译模型的输出,对所述语音信息处理模型进行训练,得到的训练后语音信息处理模型。 在本实施例中,语音信息处理模型的训练装置的样本获取单元701和训练单元702的具体处理及其所带来的技术效果可分别参考图5对应实施例中步骤501和步骤502的相关说明,在此不再赘述。 在一些可选的实现方式中,上述训练单元702还包括第一训练子单元(图中未示出),第一训练子单元用于:获取所述翻译结果对应的样本编码;将所述原始语音信息输入到初始训练后的声学模型,利用所述翻译结果的样本编码以及第一损失函数对所述语义识别模型进行训练,得到训练后的所述语义识别模型。 在一些可选的实现方式中,上述训练单元702进一步用于:使用第二损失函数、第三损失函数对所述语音信息处理模型进行训练,得到训练后的语音信息处理模型。 请参考图8,图8示出了本公开的一个实施例的语音信息处理方法或者语音信息处理装置可以应用于其中的示例性系统架构。 如图8所示,系统架构可以包括终端设备801、802、803,网络804,服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804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。 终端设备801、802、803可以通过网络804与服务器805交互,以接收或发送消息等。终端设备801、802、803上可以安装有各种客户端应用,例如语音信息采集应用。终端设备801、802、803中的客户端应用可以接收用户的指令,并根据用户的指令完成相应的功能,例如将所采集的语音信息发送给服务器。 终端设备801、802、803可以是硬件,也可以是软件。当终端设备801、802、803为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,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801、802、803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805可以是提供各种服务的服务器,例如分析终端设备801、802、803发送的语音信息,得到分析结果(翻译结果)。并将翻译结果发送给终端设备801、802、803。 需要说明的是,本公开实施例所提供的语音信息处理方法可以由服务器执行,相应地,语音信息处理装置可以设置在服务器805中。此外,语音信息处理方法还可以由终端设备执行,相应地,语音信息处理装置可以设置在终端设备801、802、803中。 应该理解,图8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。 下面参考图9,其示出了适于用来实现本公开实施例的电子设备(例如图8中的服务器或终端设备)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。 如图9所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置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。 通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。 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,其包括承载在非暂态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装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开实施例的方法中限定的上述功能。 需要说明的是,本公开上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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。 在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。 上述计算机可读介质可以是上述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:获取至少一帧待翻译语音信息的第一声学特征信息;在流式语音识别下,确定第一声学特征信息是否对应完整语义;响应于确定结果为是,对所述第一声学特征信息执行翻译操作,得到对应的翻译结果。或者 获取训练样本集,所述训练样本集包括多个训练样本对,训练样本对包括第一语言的原始语音信息和第二语言的所述原始语音信息对应的翻译结果;将训练样本对中的原始语音信息输入到初始训练后的声学模型,将所述翻译结果作为所述翻译模型的输出,对所述语音信息处理模型进行训练,得到的训练后语音信息处理模型。 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公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如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,图示了按照本公开各种实施例的系统、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。 描述于本公开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。其中,单元的名称在某种情况下并不构成对该单元本身的限定。 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。 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。 以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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。 此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。 尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。