1.本公开实施例涉及计算机应用技术，尤其涉及一种语音转文本的方法、装置、电子设备及存储介质。
背景技术：
2.语音到文本生成(speech to text，s2t)任务，旨在面向不同的任务，根据语音输入生成对应的文本输出，如语音识别与语音翻译等任务，具有非常丰富的应用场景。语音识别可被用于输入法、字幕生成、会议记录等场景，语音翻译广泛应用于会议演讲翻译、视频字幕翻译、ar增强翻译等各种场景。
3.相关技术中，采用有监督的方式对语音识别模型实现语音到文本的生成。但是，在采用相关技术训练得到的人工智能模型对语音数据进行处理时，往往存在由该语音识别模型生成的文本的准确性不稳定，语音识别模型鲁棒性较差的问题，影响用户的使用体验。
技术实现要素：
4.本公开提供了一种语音转文本的方法、装置、电子设备及存储介质，以实现语音到文本的准确转换。
5.第一方面，本公开实施例提供了一种语音转文本的方法，该方法包括：
6.获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征；
7.将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
8.第二方面，本公开实施例还提供了一种语音转文本的装置，该装置包括：
9.语音特征提取模块，用于获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征；
10.文本数据获得模块，用于将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
11.第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
12.一个或多个处理器；
13.存储装置，用于存储一个或多个程序，
14.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本公开实施例中任一所述的语音转文本的方法。
15.第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例中任一所述的语音转
文本的方法。
16.本公开实施例的技术方案，首先通过获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征，能够在保留待转换语音数据的语音特征的同时，将待转换语音数据转换为语音转文本模型能够识别的格式；然后，通过将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，能够自动快速地将待转换语音特征转换为与待转换语音数据匹配的文本数据，由于所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征，使得语音转文本模型在转换有噪声干扰的语音数据上也有稳定的表现，保证语音到文本转换的准确性。解决了相关技术中模型输出准确性不稳定以及鲁棒性较差的技术问题，不仅提高了语音转文本模型的鲁棒性，而且提高了语音到文本转换的准确性，从而提升了用户的使用体验。
附图说明
17.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。
18.图1为本公开实施例所提供的一种语音转文本的方法的流程示意图；
19.图2为本公开实施例所提供的一种语音转文本的方法的流程示意图；
20.图3为本公开实施例所提供的一种适用于本公开实施例提供的语音转文本的方法解码器损失计算实例的场景示意图；
21.图4为本公开实施例所提供的一种语音转文本的装置的结构示意图；
22.图5为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
23.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。
24.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。
25.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。
26.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。
27.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”。
28.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。
29.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
30.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
31.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
32.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
33.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
34.图1为本公开实施例所提供的一种语音转文本的方法的流程示意图，本公开实施例适用于对对象进行删除以及在删除后恢复该对象的情形，该方法可以由语音转文本的装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、pc端或服务器等。
35.如图1所示，本实施例的方法具体可包括：
36.s110、获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征。
37.其中，待转换语音数据可以理解为待转换为文本的语音数据。待转换语音数据可以是从待转换的音频文件中读取出来的部分或全部的原始语音信号，也可以是将原始语音信号进行再处理后的语音信号。待转换语音数据可以是各种应用场景中的语音数据，例如可以是，会议语音数据、通话语音数据或直播语音数据等。语音特征可以包括语音数据一个或多个维度的属性，通过这些属性可以对不同的语音数据进行区分。例如，语音特征可包括声调、音高、音量、音质、语速以及节奏等一个或多个维度的属性。待转换语音特征可以理解为用于识别待转换语音数据的语音特征。
38.获取待转换语音数据的方式可以有多种。从获取时间维度来说，可实时或周期性获取待转换语音数据，等。从数据来源的维度来说，可以是从目标存储空间中获取待转换语音数据，或者，接收用户上传或第三方平台发送的待转换语音数据，又或者，基于语音采集设备采集待转换语音数据，等。
39.在获取到所述待转换语音数据之后，可以对所述待转换语音数据进行特征提取，得到所述待转换语音特征。可选地，提取所述待转换语音数据的滤波器组(filter bank，fbank)特征，将所述待转换语音数据的fbank特征作为与所述待转换语音数据对应的待转换语音特征。因fbank特征基于倒谱提取，更贴合听觉原理，因而可以更为准确有效地表征
待转换语音数据。
40.作为本公开实施例的一可选技术方案，提取所述待转换语音数据的滤波器组(filter bank，fbank)特征可以包括：对所述待转换语音数据进行预加重处理，得到加强语音数据，进而，对所述加强语音数据进行分帧处理和加窗处理，得到待处理时域数据，再对所述待处理时域数据进行短时傅里叶变换，得到与所述待处理语音信号对应的待处理频域数据，最后，对待处理频域数据进行梅尔滤波处理，基于滤波结果确定待转换语音数据的fbank特征。
41.作为本公开实施例的另一可选技术方案，可以基于样本语音数据预先训练用于提取样本语音数据的fbank特征的人工智能模型。进而，基于训练完成的人工智能模型于提取待转换语音数据的fbank特征。
42.s120、将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
43.在本公开实施例中，所述语音转文本模型可以理解为经训练得到的具有将输入的语音特征转换为该语音特征对应的文本数据的模型。所述待训练模型可以理解为具有默认模型参数或的初始模型或将初始模型训练为语音转文本模型的过程中的中间模型。在本公开实施例中，待训练模型可以是人工智能模型，例如，基于隐马尔可夫模型(hmm)的模型、基于深度学习的循环神经网络模型(rnn)、长短时记忆网络模型(lstm)、转录注意力模型(transcription attention model)以及transformer模型等模型中的一种或多种。需要说明的是，所述语音转文本模型与所述待训练模型的模型结构相同，不同的是模型参数。
44.为了使得语音转文本模型具有较高文本转化准确性，在本公开实施例中，采用有监督的方式对所述待训练模型进行训练以实现语音到文本的生成。在实际应用中，在语音到文本生成任务中，常面临着训练数据稀缺问题。由于所述待训练模型的训练结果往往对训练数据的依赖性较强，这就使得有限的标注数据很难训练得到高精准率的语音到文本的生成模型。鉴于此，本公开实施例中，除了采用原始样本语音特征作为所述待训练模型的训练样本数据以外，还增加了增强样本语音特征对所述待训练模型进行训练。其中，所述增强样本语音特征可以理解为由一个或多个原始样本语音特征进行再处理后得到的样本语音特征，用于扩展训练样本数据。
45.在本公开实施例中，获得所述增强样本语音特征得到方式有多种。如前所述，所述增强样本语音特征可以包括通过将两个或两个以上所述原始样本语音特征进行融合得到的融合样本语音特征。
46.可选地，所述增强样本语音特征还包括变换样本语音特征，所述变换样本语音特征包括基于预设的数据增强方法对所述原始样本语音特征和/或所述融合样本语音特征进行数据增强处理的特征。其中，所述数据增强方法可以包括但不限于specaugment方法获和/或速度扰动方法等。
47.示例性地，可以获取一个或多个待处理样本语音特征，其中，所述待处理样本语音特征可以是所述原始样本语音特征和/或所述融合样本语音特征；对每个所述待处理样本语音特征进行specaugment处理，例如，分别在所述待处理样本语音特征时域和频域维度随
机将一部分特征置为0，得到所述增强样本语音特征。
48.在获取到将所述待转换语音特征后，可以将所述待转换语音特征输入至语音转文本模型中，通过语音转文本模型自动将待转换语音特征转换为目标文本数据，从而实现从待处理语音数据到目标文本数据之间的转换。
49.本公开实施例的技术方案，首先通过获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征，能够在保留待转换语音数据的语音特征的同时，将待转换语音数据转换为语音转文本模型能够识别的格式；然后，通过将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，能够自动快速地将待转换语音特征转换为与待转换语音数据匹配的文本数据，由于所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征，使得语音转文本模型在转换有噪声干扰的语音数据上也有稳定的表现，保证语音到文本转换的准确性。解决了相关技术中模型输出准确性不稳定以及鲁棒性较差的技术问题，不仅提高了语音转文本模型的鲁棒性，而且提高了语音到文本转换的准确性，从而提升了用户的使用体验。
50.图2为本公开实施例所提供的另一种语音转文本的方法的流程示意图。本实施例的技术方案在上述实施例的基础上，增加对语音转文本模型的训练过程的说明。可选地，在所述将所述待转换语音数据输入至语音转文本模型中之前，还包括：获取多个原始样本语音特征以及与每个所述原始样本语音特征对应的原始样本文本特征；对至少两个所述原始样本语音特征进行融合，得到融合样本语音特征，并确定与所述融合样本语音特征对应的融合样本文本特征；基于所述原始样本语音特征、所述原始样本文本特征、所述融合样本语音特征和所述融合样本文本特征对预先建立的待训练模型进行训练，以得到所述语音转文本模型。具体实施方式可以参见本实施例的说明。其中，与前述实施例相同或相似的技术特征在此不再赘述。
51.如图2所示，本实施例的方法具体可包括：
52.s210、获取多个原始样本语音特征以及与每个所述原始样本语音特征对应的原始样本文本特征。
53.在本公开实施例中，原始样本语音特征可以理解为获取到的原始的样本语音特征。例如可以是，从公开渠道中获取的样本语音特征。样本语音特征可以理解为作为训练样本的语音特征。与所述原始样本语音特征对应的原始样本文本特征可以理解为将所述原始样本语音特征输入待训练模型中后期望待训练模型输出的文本数据。
54.可以理解的是，原始样本语音特征与样本语音数据相对应，一般为从样本语音数据中提取的语音特征。语音特征的提取方式可以参见在前实施例中的描述，在此不在赘述。
55.s220、对至少两个所述原始样本语音特征进行融合，得到融合样本语音特征，并确定与所述融合样本语音特征对应的融合样本文本特征。
56.其中，融合样本文本特征可以理解为将融合样本语音特征输入待训练模型中后期望待训练模型输出的文本数据。融合样本文本特征与进行融合的原始样本语音特征对应的原始样本文本特征相关联。
57.可选地，对至少两个所述原始样本语音特征进行融合，得到融合样本语音特征，包
括：分别确定与每个所述原始样本语音特征对应的特征融合权重，基于每个所述原始样本语音特征对应的特征融合权重对所述原始样本语音特征进行加权求和，得到融合样本语音特征。
58.其中，特征融合权重用于指示所述原始样本语音在融合样本语音特征中的重要程度或者说在融合样本语音特征中所占的融合比例。将进行融合得全部所述原始样本语音特征对应的特征融合权重相加，得到的和为1。
59.可选地，分别确定与每个所述原始样本语音特征对应的特征融合权重，包括：根据参数为β贝塔beta分布确定与至少一个所述原始样本语音特征对应的特征融合权重，其中，β为超参数。β的具体取值可以根据实际需求进行设置，例如可以是，β为0.2。
60.可以理解的是，至少两个包括两个或两个以上。为了便于对技术方案的理解，在本公开实施例中，以两个原始样本语音特征进行融合为例进行说明。在融合的所述原始样本语音特征为两个的情况下，可以基于beta分布确定其中一个原始样本语音特征对应的特征融合权重，另一个原始样本语音特征对应的特征融合权重可以采用由1与已知的特征融合权重作差得到。举例而言，假设，待融合的原始样本语音特征分别为原始样本语音特征si和原始样本语音特征sj，若原始样本语音特征si对应的特征融合权重为λ，则原始样本语音特征sj对应的特征融合权重为(1-λ)。然后，基于特征融合权重对所述原始样本语音特征进行加权后分别为λsi和(1-λ)sj，最后将λsi和(1-λ)sj进行求和，得到融合样本语音特征sm，如图3所示。
61.在获得融合样本语音特征之后，为了便于基于融合样本语音特征进行模型训练，进一步地，可以确定与所述融合样本语音特征对应的融合样本文本特征。由于已知用于融合为融合样本语音特征的原始样本语音特征对应的所述原始样本文本特征，可选地，首先，分别获取与所述融合样本语音特征对应的每个所述原始样本语音特征对应的所述原始样本文本特征，作为待融合文本特征；然后，对所述待融合文本特征进行特征融合，得到与所述融合样本语音特征对应的融合样本文本特征。
62.具体地，可以获取与所述待融合文本特征对应的所述原始样本文本特征对应的特征融合权重，作为与所述待融合文本特征对应的文本融合权重，进而，基于与所述待融合文本特征对应的文本融合权重对所述待融合文本特征进行特征融合，进而，得到与所述融合样本语音特征对应的融合样本文本特征。
63.继续沿用上例，假设原始样本语音特征si对应的原始样本文本特征为原始样本文本特征xi，由于原始样本语音特征si对应的特征融合权重为λ，此时，原始样本语音特征xj对应的文本融合权重可以为λ。类似地，假设原始样本语音特征sj对应的原始样本文本特征为原始样本文本特征xj，由于原始样本语音特征xj对应的特征融合权重为(1-λ)，此时，原始样本语音特征sj对应的特征融合权重可以为(1-λ)，。然后，基于特征融合权重对所述原始样本语音特征进行加权后分别为λxi和(1-λ)xj，最后将xi和(1-λ)xj进行求和，得到融合样本文本特征ym，如图3所示。
64.s230、基于所述原始样本语音特征、所述原始样本文本特征、所述融合样本语音特征和所述融合样本文本特征对预先建立的待训练模型进行训练，以得到所述语音转文本模型。
65.具体地，可以先将所述原始样本语音特征和所述融合样本语音特征分别输入至预
先建立的待训练模型中，分别获得待训练模型输出的与所述原始样本语音特征对应的原始输出文本数据和与所述融合样本语音特征对应的融合输出文本数据；然后，基于所述原始输出文本数据和所述原始样本文本特征计算与所述原始样本语音特征对应的模型输出损失；基于所述融合输出文本数据和所述融合样本文本特征计算与所述融合样本语音特征对应的模型输出损失。最后，根据与所述原始样本语音特征对应的模型输出损失和/或与所述融合样本语音特征对应的模型输出损失对待训练模型的模型参数进行调整。
66.在达到预设的训练结束条件的情况下，将所述待训练模型作为所述语音转文本模型。其中，所述训练结束条件可以包括但不限于下述条件中的至少一项：当前总迭代训练次数达到预设迭代次数阈值；损失函数已收敛；通过验证数据集的验证。其中，通过验证数据集的验证可以是验证数据集中的验证样本语音数据的文本转换正确率达到预设准确率阈值。
67.在本公开实施例中，可选地，所述待训练模型包括解码器和编码器。所述编码器的输出为所述解码器的输入。
68.在以原始样本语音特征为训练样本数据训练待训练模型的情况下，具体地，将所述原始样本语音特征输入至预先建立的待训练模型的编码器中，获得与所述原始样本语音特征对应的原始样本编码特征；将所述原始样本编码特征输入至所述待训练模型的解码器中，获得与所述原始样本编码特征对应的原始预测文本数据；基于所述原始样本编码特征与所述原始样本文本特征确定与所述待训练模型对应的模型编码损失，并基于所述原始预测文本数据和所述原始样本文本特征确定与所述待训练模型对应的模型解码损失；基于所述模型编码损失和所述模型解码损失确定与所述待训练模型对应的模型总损失，并基于所述模型总损失对所述待训练模型的模型参数进行调整。
69.在以融合样本语音特征为训练样本数据训练待训练模型的情况下，具体地，将所述融合样本语音特征输入至预先建立的待训练模型的编码器中，获得与所述融合样本语音特征对应的融合样本编码特征；将所述融合样本编码特征输入至所述待训练模型的解码器中，获得与所述融合样本编码特征对应的融合预测文本数据；基于所述融合样本编码特征、所述融合样本文本特征以及与所述融合样本文本特征对应的所述原始样本文本特征，确定与所述待训练模型对应的模型编码损失，并基于所述融合预测文本数据和所述融合样本文本特征确定与所述待训练模型对应的模型解码损失；基于所述模型编码损失和所述模型解码损失确定与所述待训练模型对应的模型总损失，并基于所述模型总损失对所述待训练模型的模型参数进行调整。
70.在本公开实施例中，由于所述融合样本文本特征的编码损失由与所述融合样本文本特征对应的所述原始样本文本特征融合得到，除了确定所述融合样本编码特征与所述融合样本文本特征之间的损失，还可以增加计算所述融合样本编码特征和与所述融合样本文本特征对应的所述原始样本文本特征的损失，作为模型编码损失。具体地，基于所述融合样本编码特征和所述融合样本文本特征确定与所述待训练模型对应的第一编码损失；基于所述融合样本文本特征和与所述融合样本文本特征对应的所述原始样本文本特征确定与所述待训练模型对应的第二编码损失；基于所述第一编码损失和所述第二编码损失确定与所述待训练模型对应的模型编码损失。
71.在本公开实施例中，用于计算第一编码损失、第二编码损失以及模型编码损失时
所采用的损失函数可以有多种，例如，交叉熵损失函数(cross entropy loss，ce loss)、用于处理时序数据分类问题的损失函数、感知损失函数以及知识蒸馏损失函数(knowledge distillation，kd loss)中的一种或多种，具体采用哪种或哪几种损失函数可以根据实际需求进行设置，在此并不做具体限定。其中，用于处理时序数据分类问题的损失函数也有很多，例如可以是，connectionist temporal classification loss，简称ctc loss。
72.可选地，基于用于处理时序数据分类问题的损失函数计算所述融合样本编码特征和所述融合样本文本特征之间的损失，将计算出的所述损失作为与所述待训练模型对应的第一编码损失。具体可以是基于ctc loss计算所述融合样本编码特征和所述融合样本文本特征之间的损失。
73.可选地，基于kd loss分别计算所述融合样本文本特征和每个与所述融合样本文本特征对应的所述原始样本文本特征之间的子损失，基于所述子损失确定与所述待训练模型对应的第二编码损失。
74.具体地，可以获取与所述融合样本文本特征对应的原始样本文本特征对应的文本融合权重，作为与所述原始样本文本特征对应的子损失的损失融合权重；进而，基于所述子损失的损失融合权重对所述子损失进行加权求和，得到与所述待训练模型对应的第二编码损失。
75.继续沿用前例，如图3所示，将融合样本语音特征sm输入至编码器中，获得与融合样本语音特征sm对应的融合样本文本特征xm。一方面，通过ctc loss计算融合样本文本特征xm与融合样本文本特征ym之间的损失，作为第一编码损失。另一方面，基于kd loss计算融合样本文本特征xm与原始样本文本特征xi之间的第一子损失，并基于kd loss计算融合样本文本特征xm与原始样本文本特征xj之间的第二子损失。进一步地，将与原始样本文本特征xi对应的特征融合权重λ作为第一子损失对应的损失融合权重，将原始样本文本特征xj对应的特征融合权重(1-λ)作为第二子损失对应的损失融合权重，基于损失融合权重对所述第一子损失和所述第二子损失进行加权求和，得到与待训练模型对应的模型编码损失。
76.可选地，基于ce loss计算所述融合预测文本数据和所述融合样本文本特征之间的损失，将计算出的所述损失作为与待训练模型对应的模型解码损失。
77.最后，可以将待训练模型对应的模型编码损失和模型解码损失进行求和或加权求和，得到待训练模型对应的模型总损失，并以所述模型总损失对所述待训练模型的模型参数进行调整。
78.s240、获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征。
79.s250、将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据。
80.本公开实施例的技术方案，面向语音到文本生成任务，采用样本融合的方法，扩中了待训练模型的训练样本数据，并且结合多个维度进行损失计算，为模型提供了更加细粒度的训练目标，有助于实现模型更好的收敛，而且提高了语言到文本模型的转化准确率和鲁棒性。
81.图4为本公开实施例所提供的一种语音转文本的装置的结构示意图，如图4所示，所述装置包括：语音特征提取模块410和文本数据获得模块420。
82.其中，语音特征提取模块410，用于获取待转换语音数据，确定与所述待转换语音
数据对应的待转换语音特征；文本数据获得模块420，用于将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
83.本公开实施例的技术方案，首先通过语音特征提取模块获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征，能够在保留待转换语音数据的语音特征的同时，将待转换语音数据转换为语音转文本模型能够识别的格式；然后，通过文本数据获得模块将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，能够自动快速地将待转换语音特征转换为与待转换语音数据匹配的文本数据，由于所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征，使得语音转文本模型在转换有噪声干扰的语音数据上也有稳定的表现，保证语音到文本转换的准确性。解决了相关技术中模型输出准确性不稳定以及鲁棒性较差的技术问题，不仅提高了语音转文本模型的鲁棒性，而且提高了语音到文本转换的准确性，从而提升了用户的使用体验。
84.在上述各可选技术方案的基础上，可选地，语音转文本的装置还包括：原始样本获取模块、融合样本确定模块和模型训练模块。
85.其中，原始样本获取模块，用于在所述将所述待转换语音数据输入至语音转文本模型中之前，获取多个原始样本语音特征以及与每个所述原始样本语音特征对应的原始样本文本特征；融合样本确定模块，用于对至少两个所述原始样本语音特征进行融合，得到融合样本语音特征，并确定与所述融合样本语音特征对应的融合样本文本特征；模型训练模块，用于基于所述原始样本语音特征、所述原始样本文本特征、所述融合样本语音特征和所述融合样本文本特征对预先建立的待训练模型进行训练，以得到所述语音转文本模型。
86.在上述各可选技术方案的基础上，可选地，所述融合样本确定模块，用于：
87.分别确定与每个所述原始样本语音特征对应的特征融合权重，基于每个所述原始样本语音特征对应的特征融合权重对所述原始样本语音特征进行加权求和，得到融合样本语音特征。
88.在上述各可选技术方案的基础上，可选地，所述融合样本确定模块，进一步用于：
89.分别获取与所述融合样本语音特征对应的每个所述原始样本语音特征对应的所述原始样本文本特征，作为待融合文本特征；
90.对所述待融合文本特征进行特征融合，得到与所述融合样本语音特征对应的融合样本文本特征。
91.在上述各可选技术方案的基础上，可选地，所述待训练模型包括编码器和解码器。相应地，所述模型训练模块，包括：融合样本编码单元、融合文本预测单元、编解码损失计算单元和模型参数调整单元。
92.其中，融合样本编码单元，用于将所述融合样本语音特征输入至预先建立的待训练模型的编码器中，获得与所述融合样本语音特征对应的融合样本编码特征；融合文本预测单元，用于将所述融合样本编码特征输入至所述待训练模型的解码器中，获得与所述融
合样本编码特征对应的融合预测文本数据；编解码损失计算单元，用于基于所述融合样本编码特征、所述融合样本文本特征以及与所述融合样本文本特征对应的所述原始样本文本特征，确定与所述待训练模型对应的模型编码损失，并基于所述融合预测文本数据和所述融合样本文本特征确定与所述待训练模型对应的模型解码损失；模型参数调整单元，用于基于所述模型编码损失和所述模型解码损失确定与所述待训练模型对应的模型总损失，并基于所述模型总损失对所述待训练模型的模型参数进行调整。
93.在上述各可选技术方案的基础上，可选地，所述编解码损失计算单元，包括：第一编码损失确定单元、第二编码损失确定单元和模型编码损失确定单元。
94.其中，第一编码损失确定单元，用于基于所述融合样本编码特征和所述融合样本文本特征确定与所述待训练模型对应的第一编码损失；第二编码损失确定单元，用于基于所述融合样本文本特征和与所述融合样本文本特征对应的所述原始样本文本特征确定与所述待训练模型对应的第二编码损失；模型编码损失确定单元，用于基于所述第一编码损失和所述第二编码损失确定与所述待训练模型对应的模型编码损失。
95.在上述各可选技术方案的基础上，可选地，第一编码损失确定单元，用于：
96.基于用于处理时序数据分类问题的损失函数计算所述融合样本编码特征和所述融合样本文本特征之间的损失，将计算出的所述损失作为与所述待训练模型对应的第一编码损失。
97.在上述各可选技术方案的基础上，可选地，第二编码损失确定单元，用于：
98.基于知识蒸馏损失函数分别计算所述融合样本文本特征和每个与所述融合样本文本特征对应的所述原始样本文本特征之间的子损失，基于所述子损失确定与所述待训练模型对应的第二编码损失。
99.在上述各可选技术方案的基础上，可选地，所述编解码损失计算单元包括：
100.解码损失确定单元，用于基于交叉熵损失函数计算所述融合预测文本数据和所述融合样本文本特征之间的损失，将计算出的所述损失作为与所述待训练模型对应的模型解码损失。
101.在上述各可选技术方案的基础上，可选地，所述增强样本语音特征还包括变换样本语音特征，所述变换样本语音特征包括基于预设的数据增强方法对所述原始样本语音特征和/或所述融合样本语音特征进行数据增强处理的特征，所述数据增强方法包括specaugment方法获和/或速度扰动方法。
102.本公开实施例所提供的语音转文本的装置可执行本公开任意实施例所提供的语音转文本的方法，具备执行方法相应的功能模块和有益效果。
103.值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
104.图5为本公开实施例所提供的一种电子设备的结构示意图。下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500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5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。
105.如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。编辑/输出(i/o)接口505也连接至总线504。
106.通常，以下装置可以连接至i/o接口505：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506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。
107.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509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
108.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。
109.本公开实施例提供的电子设备与上述实施例提供的语音转文本的方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
110.本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的语音转文本的方法。
111.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。
112.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，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。
113.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。
114.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：获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征；将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
115.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)。
116.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。
117.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，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
118.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。
119.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。
120.根据本公开的一个或多个实施例，【示例一】提供了一种语音转文本的方法，包括：
121.获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征；
122.将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
123.根据本公开的一个或多个实施例，【示例二】提供了示例一的方法，还包括：
124.可选地，在所述将所述待转换语音数据输入至语音转文本模型中之前，还包括：
125.获取多个原始样本语音特征以及与每个所述原始样本语音特征对应的原始样本文本特征；
126.对至少两个所述原始样本语音特征进行融合，得到融合样本语音特征，并确定与所述融合样本语音特征对应的融合样本文本特征；
127.基于所述原始样本语音特征、所述原始样本文本特征、所述融合样本语音特征和所述融合样本文本特征对预先建立的待训练模型进行训练，以得到所述语音转文本模型。
128.根据本公开的一个或多个实施例，【示例三】提供了示例二的方法，还包括：
129.可选地，所述对至少两个所述原始样本语音特征进行融合，得到融合样本语音特征，包括：
130.分别确定与每个所述原始样本语音特征对应的特征融合权重，基于每个所述原始样本语音特征对应的特征融合权重对所述原始样本语音特征进行加权求和，得到融合样本语音特征。
131.根据本公开的一个或多个实施例，【示例四】提供了示例三的方法，还包括：
132.可选地，所述确定与所述融合样本语音特征对应的融合样本文本特征，包括：
133.分别获取与所述融合样本语音特征对应的每个所述原始样本语音特征对应的所述原始样本文本特征，作为待融合文本特征；
134.对所述待融合文本特征进行特征融合，得到与所述融合样本语音特征对应的融合样本文本特征。
135.根据本公开的一个或多个实施例，【示例五】提供了示例二的方法，还包括：
136.可选地，所述待训练模型包括编码器和解码器；所述基于所述融合样本语音特征和所述融合样本文本特征对预先建立的待训练模型进行训练，包括：
137.将所述融合样本语音特征输入至预先建立的待训练模型的编码器中，获得与所述融合样本语音特征对应的融合样本编码特征；
138.将所述融合样本编码特征输入至所述待训练模型的解码器中，获得与所述融合样
本编码特征对应的融合预测文本数据；
139.基于所述融合样本编码特征、所述融合样本文本特征以及与所述融合样本文本特征对应的所述原始样本文本特征，确定与所述待训练模型对应的模型编码损失，并基于所述融合预测文本数据和所述融合样本文本特征确定与所述待训练模型对应的模型解码损失；
140.基于所述模型编码损失和所述模型解码损失确定与所述待训练模型对应的模型总损失，并基于所述模型总损失对所述待训练模型的模型参数进行调整。
141.根据本公开的一个或多个实施例，【示例六】提供了示例五的方法，还包括：
142.可选地，所述基于所述融合样本编码特征、所述融合样本文本特征以及与所述融合样本文本特征对应的所述原始样本文本特征，确定与所述待训练模型对应的模型编码损失，包括：
143.基于所述融合样本编码特征和所述融合样本文本特征确定与所述待训练模型对应的第一编码损失；
144.基于所述融合样本文本特征和与所述融合样本文本特征对应的所述原始样本文本特征确定与所述待训练模型对应的第二编码损失；
145.基于所述第一编码损失和所述第二编码损失确定与所述待训练模型对应的模型编码损失。
146.根据本公开的一个或多个实施例，【示例七】提供了示例六的方法，还包括：
147.可选地，所述基于所述融合样本编码特征和所述融合样本文本特征确定与所述待训练模型对应的第一编码损失，包括：
148.基于用于处理时序数据分类问题的损失函数计算所述融合样本编码特征和所述融合样本文本特征之间的损失，将计算出的所述损失作为与所述待训练模型对应的第一编码损失。
149.根据本公开的一个或多个实施例，【示例八】提供了示例六的方法，还包括：
150.可选地，所述基于所述融合样本文本特征和与所述融合样本文本特征对应的所述原始样本文本特征确定与所述待训练模型对应的第二编码损失，包括：
151.基于知识蒸馏损失函数分别计算所述融合样本文本特征和每个与所述融合样本文本特征对应的所述原始样本文本特征之间的子损失，基于所述子损失确定与所述待训练模型对应的第二编码损失。
152.根据本公开的一个或多个实施例，【示例九】提供了示例五的方法，还包括：
153.可选地，所述基于所述融合预测文本数据和所述融合样本文本特征确定与所述待训练模型对应的模型解码损失，包括：
154.基于交叉熵损失函数计算所述融合预测文本数据和所述融合样本文本特征之间的损失，将计算出的所述损失作为与所述待训练模型对应的模型解码损失。
155.根据本公开的一个或多个实施例，【示例十】提供了示例一的方法，还包括：
156.可选地，所述增强样本语音特征还包括变换样本语音特征，所述变换样本语音特征包括基于预设的数据增强方法对所述原始样本语音特征和/或所述融合样本语音特征进行数据增强处理的特征，所述数据增强方法包括specaugment方法获和/或速度扰动方法。
157.根据本公开的一个或多个实施例，【示例十一】提供了一种语音转文本的装置，包
括：
158.语音特征提取模块，用于获取待转换语音数据，确定与所述待转换语音数据对应的待转换语音特征；
159.文本数据获得模块，用于将所述待转换语音特征输入至语音转文本模型中，获得与所述待转换语音数据对应的目标文本数据，其中，所述语音转文本模型基于多个原始样本语音特征以及增强样本语音特征对预先建立的待训练模型进行训练得到，所述增强样本语音特征至少包括由至少两个所述原始样本语音特征融合得到的融合样本语音特征。
160.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。
161.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。
162.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。