生成语音模型和语音识别的方法、装置、设备以及介质与流程

本公开的实施例涉及计算机技术领域，具体涉及生成语音模型和语音识别的方法、装置、设备以及介质。

背景技术：

随着数据处理技术的进步以及移动互联网的快速普及，计算机技术被广泛地运用到了社会的各个领域，随之而来的则是海量数据的产生。其中，语音数据受到了人们越来越多的重视。

通常，语音模型的识别准确率和语音模型在训练过程中的样本数量息息相关，减少样本数量或简化训练过程往往会使语音识别的准确率下降。因此，语音模型在训练过程中需要较多的样本且训练过程较为繁琐，语音模型的识别准确率也难以提高。

技术实现要素：

本公开的内容部分用于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。本公开的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。

本公开的一些实施例提出了用于生成语音模型和语音识别的方法、装置、设备以及介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于生成语音模型的方法，该方法包括：获取训练样本集，其中，训练样本集中的训练样本包括语音样本和语音样本对应的识别结果样本；根据训练样本集，对初始模型进行联合学习训练，得到语音模型，其中，初始模型包括多层输出层。

第二方面，本公开的一些实施例提供了一种语音识别的方法，该方法包括：获取目标语音；将所述目标语音输入至预先训练的语音模型，得到所述目标语音的识别结果，其中，所述语音模型通过如上述实施例之一所述的方法生成。

第三方面，本公开的一些实施例提供了一种生成语音模型装置，装置包括：获取单元，配置用于获取训练样本集，其中，训练样本集中的训练样本包括语音样本和语音样本对应的识别结果样本；训练单元，配置用于根据训练样本集，对初始模型进行联合学习训练，得到语音模型，其中，初始模型包括多层输出层。

第四方面，本公开的一些实施例提供了一种语音识别装置，装置包括：目标语音获取单元，被配置成获取目标语音；识别单元，被配置成将所述目标语音输入至预先训练的语音模型，得到所述目标语音的识别结果，其中，所述语音模型通过如上述实施例之一所述的方法生成。

第五方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。

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，该计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取训练样本集，而后根据训练样本集对初始模型进行联合学习训练，得到语音模型。因为上述训练样本集中的语音样本和上述训练样本集中的识别结果样本相匹配，所以经过训练得到的语音模型更具有准确性。使用联合学习训练方法对初始模型进行训练的过程则更加简单对样本的需求数量较少，更加具有灵活性，从而本公开可以有效的利用较少的样本，实现了训练过程的简化和语音模型的识别准确率的提高。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取目标语音，之后，将上述目标语音输入至至预先训练的语音模型，得到所述目标语音的识别结果。使用训练完成的语音模型使对目标语音的识别结果更加准确，实现了识别结果准确度的提升以及用户体验的提升。

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是根据本公开的一些实施例的生成语音模型方法的一个应用场景的示意图；

图2是根据本公开的生成语音模型方法的一些实施例的流程图；

图3是根据本公开的一些实施例的初始模型的结构示意图；

图4是根据本公开的语音识别方法的一些实施例的流程图；

图5是根据本公开的生成语音模型装置的一些实施例的结构示意图；

图6是根据本公开的语音识别装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

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。

另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的一些实施例的生成语音模型方法的一个应用场景的示意图。

如图1所示，首先，服务器101可以从本地预存或者网络下载等方式获取训练样本集102。在这里，训练样本集102中包括语音样本1021和语音样本对应的识别结果样本1022。之后，服务器101可以根据训练样本集102，对初始模型103进行联合学习训练以得到语音模型104。

可以理解的是，生成语音模型方法可以是由服务器101来执行，或者也可以是由终端设备来执行，上述方法的执行主体还可以包括上述服务器101与上述终端设备通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当执行主体为软件时，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。

应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。

继续参考图2，示出了根据本公开的生成语音模型方法的一些实施例的流程200。该生成语音模型方法，包括以下步骤：

步骤201，获取训练样本集。

在一些实施例中，生成语音模型方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从网络下载或本地读取等方式获取训练样本集。在这里，上述训练样本集中的训练样本包括语音样本和上述语音样本对应的识别结果样本。

步骤202，根据上述训练样本集，对初始模型进行联合学习训练，得到语音模型。

在一些实施例中，基于步骤201中得到的训练样本集，上述执行主体可以根据上述训练样本，对初始模型进行联合学习训练以得到语音模型。上述初始模型包括多层输出层。

在这里，上述联合学习训练中的联合学习(jointlearning)通常是指多任务学习(multi-tasklearning，mtl)的一种。

在本实施例中，初始模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构，作为示例，上述多层输出层可以是两层输出层，第一层输出层由长短期记忆网络(lstm)、注意力模型、第一输出层依次连接构成；第二层输出层由长短期记忆网络(lstm)连接第二输出层构成。在这里，上述长短期记忆网络可以是多层。

例如图3所示的初始模型示意图，初始模型由长短期记忆网络(lstm)与注意力模型(attentionmodel)和第一输出层连接、长短期记忆网络与第二输出层和第三输出层连接所组成。在这里，上述长短期记忆网络可以是多层。在一些实施例的一些可选的实现方式中，上述执行主体可以将上述训练样本中的语音样本输入至初始模型，得到上述初始模型每个输出层对应的输出结果。之后，基于预设的损失函数，分别确定上述语音样本和每个输出结果之间的差异，得到上述多层输出层对应的多个损失值。再根据上述多个损失值对上述初始模型进行优化，得到语音模型。

具体的，执行主体可以将识别结果样本和上述每个输出结果进行分析，从而可以确定损失值。例如可以将识别结果样本和上述每个输出结果作为参数，输入指定的损失函数(lossfunction)中，从而可以计算得到两者之间损失值。之后，根据确定的损失值对模型的相关参数进行调整。在这里，损失函数通常是用来估量模型的预测值(如输出结果)与真实值(如期望输出结果)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。作为示例，上述损失函数可以是交叉熵损失函数。需要说明的是，上述多个输出层的损失函数通常各不相同。在一些实施例的一些可选的实现方式中，上述执行主体可以对上述多个损失值进行动态同步。之后，针对上述多个损失值中的第一损失值对上述初始模型进行优化。具体的，上述优化通常是基于上述多个损失值对模型的相关参数进行调整。

响应于满足预定训练结束条件，丢弃其余损失值对应的输出层，得到语音模型。在这里，上述第一损失值通常是指需要保留的输出层的输出对应的损失值。上述需要保留的输出层通常可以是预设的输出层或由人为选定的输出层。上述丢弃其余损失值对应的输出层通常是指丢弃根据其余输出层调整的隐含层参数和/或输出层参数等。

具体的，上述动态同步是指让得到的多个损失值进行动态保持一比一比一的关系。作为示例，当上述多个损失值为三个时，损失值a开始时为10，损失值b开始时为5，损失值c开始时为1，将损失值b作为第一损失值。经过训练，三个损失值会发生改变。将改变后的损失值a`乘损失值b和损失值a的比值，即a`与5比10的比值相乘；将改变后的损失值c`乘损失值b和损失值c的比值，即c`与5比1的比值相乘。

在一些实施例的一些可选的实现方式中，上述执行主体还可以响应于上述训练样本集中的训练样本数量低于预定阈值，在训练过程中进行随机失活。在这里，上述随机失活(dropout)通常是指对具有深度结构的人工神经网络进行优化的方法。通过这种方式，在学习过程中通过将隐含层的部分权重或输出随机归零，降低节点间的相互依赖性(co-dependence)从而实现神经网络的正则化(regularization)，降低其结构风险(structuralrisk)。

在一些实施例的一些可选的实现方式中，上述多层输出层为三层输出层。例如图3所示的初始模型示意图，长短期记忆网络(lstm)、注意力模型(attentionmodel)、第一输出层依次连接组成第一层输出层；长短期记忆网络与第二输出层连接组成第二层输出层；长短期记忆网络与第三输出层连接组成第三层输出层。在这里，上述长短期记忆网络可以是多层。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取训练样本集，而后根据训练样本集对初始模型进行联合学习训练，得到语音模型。因为上述训练样本集中的语音样本和上述训练样本集中的识别结果样本相匹配，所以经过训练得到的语音模型更具有准确性。使用联合学习训练方法对初始模型进行训练的过程则更加简单，对样本的需求数量较少，更加具有灵活性。与通常的需要多次训练模型的方法相比，本公开可以有效的利用较少的样本，实现了训练过程的简化和语音模型的识别准确率的提高。

继续参考图4，示出了根据本公开的语音识别方法的一些实施例的流程400。该语音识别方法400，包括以下步骤：

步骤401，获取目标语音。

在一些实施例中，语音识别方法的执行主体可以从本地预存或者网络下载等方式获取目标语音。在这里，上述目标语音通常是指用户需要进行识别的语音。

可以理解的是，语音识别方法可以是由服务器来执行，或者也可以是由终端设备来执行，上述方法的执行主体还可以包括上述服务器与上述终端设备通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当执行主体为软件时，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。

步骤402，将目标语音输入至预先训练的语音模型，得到目标语音的识别结果。

在一些实施例中，上述执行主体将上述目标语音输入至预先训练的语音模型，得到上述目标语音的识别结果。在这里，上述语音模型通过如上述各个实施例之一的方法生成。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取目标语音，之后，将上述目标语音输入至至预先训练的语音模型，得到所述目标语音的识别结果。使用训练完成的语音模型使对目标语音的识别结果更加准确，实现了识别结果准确度的提升以及用户体验的提升。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种生成语音模型装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的生成语音模型装置500包括：获取单元501和训练单元502。其中，获取单元501配置用于获取训练样本集，其中，上述训练样本包括语音样本和上述语音样本对应的识别结果样本；而训练单元504配置用于根据上述训练样本集，对初始模型进行联合学习训练，得到语音模型，其中，上述初始模型包括多层输出层。

在一些实施例的可选实现方式中，生成语音模型装置500的训练单元502被进一步的配置用于：将上述训练样本中的语音样本输入至初始模型，得到上述初始模型每个输出层对应的输出结果；基于预设的损失函数，分别确定上述语音样本和每个输出结果之间的差异，得到上述多个输出层对应的多个损失值；根据上述多个损失值对上述初始模型进行优化，得到语音模型。

在一些实施例的可选实现方式中，上述训练单元502可以对上述多个损失值进行动态同步；针对上述多个损失值中的第一损失值对上述初始模型进行优化；响应于满足预定训练结束条件，丢弃其余损失值对应的输出层，得到语音模型。

在一些实施例的可选实现方式中，生成语音模型装置500还包括失活单元配置用于响应于上述训练样本集中的训练样本数量低于预定阈值，在训练过程中进行随机失活。

在一些实施例的可选实现方式中，上述多层输出层为三层输出层。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取训练样本集，而后根据训练样本集对初始模型进行联合学习训练，得到语音模型。因为上述训练样本集中的语音样本和上述训练样本集中的识别结果样本相匹配，所以经过训练得到的语音模型更具有准确性。使用联合学习训练方法对初始模型进行训练的过程则更加简单，对样本的需求数量较少，更加具有灵活性。与通常的需要多次训练模型的方法相比，本公开可以有效的利用较少的样本，实现了训练过程的简化和语音模型的识别准确率的提高。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种语音识别装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的生成语音模型装置600包括：目标语音获取单元601和识别单元602，其中，目标语音获取单元601配置用于获取目标语音；而识别单元602，配置用于将所述目标语音输入至预先训练的语音模型，得到所述目标语音的识别结果，其中，所述语音模型通过如上述实施例之一所述的方法生成。

可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取目标语音，之后，将上述目标语音输入至至预先训练的语音模型，得到所述目标语音的识别结果。使用训练完成的语音模型使对目标语音的识别结果更加准确，实现了识别结果准确度的提升以及用户体验的提升。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：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706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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(hypertexttransferprotocol，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，adhoc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：获取训练样本集，其中，上述训练样本包括语音样本和上述语音样本对应的识别结果样本；根据上述训练样本集，对初始模型进行联合学习训练，得到语音模型，其中，上述初始模型包括多层输出层。或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：获取目标语音；将所述目标语音输入至预先训练的语音模型，得到所述目标语音的识别结果，其中，所述语音模型通过如上述各个实施例之一所述的方法生成。

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一些实施例的操作的计算机程序代码，上述程序设计语言包括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。

描述于本公开的一些实施例中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，获取单元还可以被描述为“获取训练样本集的单元”。

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。

根据本公开的一个或多个实施例，提供了一种生成语音模型的方法，包括：获取训练样本集，其中，上述训练样本包括语音样本和上述语音样本对应的识别结果样本；根据上述训练样本集，对初始模型进行联合学习训练，得到语音模型，其中，上述初始模型包括多层输出层。

根据本公开的一个或多个实施例，上述根据上述训练样本集，对初始模型进行联合学习训练，得到语音模型，包括：将上述训练样本中的语音样本输入至初始模型，得到上述初始模型每个输出层对应的输出结果；基于预设的损失函数，分别确定上述语音样本和每个输出结果之间的差异，得到上述多层输出层对应的多个损失值；根据上述多个损失值对上述初始模型进行优化，得到语音模型。

根据本公开的一个或多个实施例，上述根据上述多个损失值对上述初始模型进行优化，得到语音模型，包括：对上述多个损失值进行动态同步；针对上述多个损失值中的第一损失值对上述初始模型进行优化；响应于满足预定训练结束条件，丢弃其余损失值对应的输出层，得到语音模型。

根据本公开的一个或多个实施例，上述方法还包括：响应于上述训练样本集中的训练样本数量低于预定阈值，在训练过程中进行随机失活。

根据本公开的一个或多个实施例，上述多层输出层为三层输出层。

根据本公开的一个或多个实施例，提供了一种语音识别的方法，包括：获取目标语音；将上述目标语音输入至预先训练的语音模型，得到上述目标语音的识别结果，其中，上述语音模型通过如上述各个实施例之一的方法生成。

根据本公开的一个或多个实施例，提供了一种生成语音模型的装置，包括：获取单元，被配置成获取训练样本集，其中，上述训练样本包括语音样本和上述语音样本对应的识别结果样本；训练单元，被配置成根据上述训练样本集，对初始模型进行联合学习训练，得到语音模型，其中，上述初始模型包括多层输出层。

根据本公开的一个或多个实施例，上述训练单元被进一步的配置用于：将上述训练样本中的语音样本输入至初始模型，得到上述初始模型每个输出层对应的输出结果；基于预设的损失函数，分别确定上述语音样本和每个输出结果之间的差异，得到上述多层输出层对应的多个损失值；根据上述多个损失值对上述初始模型进行优化，得到语音模型。

根据本公开的一个或多个实施例，上述训练单元被进一步的配置用于：对上述多个损失值进行动态同步；针对上述多个损失值中的第一损失值对上述初始模型进行优化；响应于满足预定训练结束条件，丢弃其余损失值对应的输出层，得到语音模型。

根据本公开的一个或多个实施例，上述生成语音模型的装置还包括随机失活单元，配置用于：响应于上述训练样本集中的训练样本数量低于预定阈值，在训练过程中进行随机失活。

根据本公开的一个或多个实施例，上述多层输出层为三层输出层。

根据本公开的一个或多个实施例，提供了一种语音识别的装置，包括：目标语音获取单元，被配置成获取目标语音；识别单元，被配置成将所述目标语音输入至预先训练的语音模型，得到所述目标语音的识别结果，其中，所述语音模型通过如上述各个实施例之一所述的方法生成。

根据本公开的一个或多个实施例，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上述各个实施例中任一所述的方法。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述各个实施例中任一所述的方法。以上描述仅为本公开的一些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，本公开的实施例中所涉及的范围，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本公开构思的情况下，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的实施例中公开的(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。