语音识别的方法、装置、设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及语音识别的方法、装置、设备和计算机可读介质。

背景技术

目前，在做语音识别相关任务时，例如，语音唤醒，常常会使用到一些基于深度神经网络的语音识别模型。这里，语音识别模型预测结果的好坏，有很大一部分取决于模型的训练。目前，在模型训练时可以只求一个字的损失值。但是，在这种情况下，模型的训练过程会不稳定。作为示例，损失函数曲线不收敛。

发明内容

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一种语音识别的方法、装置、设备和计算机可读介质，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语音识别的方法，该方法包括：将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字，其中，所述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对所述初始语音识别模型中其余层进行训练，得到第一语音识别模型，第二阶段包括解除所述预定数目个网络层的冻结，对所述第一语音识别模型进行训练，得到所述语音识别模型。

第二方面，本公开的一些实施例提供了一种语音识别的装置，装置包括：生成单元，被配置成将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字，其中，所述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对所述初始语音识别模型中其余层进行训练，得到第一语音识别模型，第二阶段包括解除所述预定数目个网络层的冻结，对所述第一语音识别模型进行训练，得到所述语音识别模型。

第三方面，本公开的一些实施例提供了一种生成语音识别模型的方法，该方法包括：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，生成第一语音识别模型；响应于所述第一语音识别模型参数符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

第四方面，本公开的一些实施例提供了一种生成语音识别模型的装置，装置包括：第一生成单元：被配置成对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，生成第一语音识别模型；第二生成单元：被配置成响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

第五方面，本公开的一些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中任一的方法。

第六方面，本公开的一些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，程序被处理器执行时实现如第一方面中任一的方法。

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：首先将目标语音输入预先训练的语音识别模型，生成目标语音对应的目标文字。这里，上述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对初始语音识别模型中其余层进行训练，得到第一语音识别模型。这里，上述冻结是指在模型训练过程中，对冻结部分网络的参数不做更新。因为，上述编码器是经过预先训练得到。编码器中的参数是相对合理的。因此，在第一阶段继续保持编码器中预定数目个网络层的参数不变。第二阶段包括解除预定数目个网络层的冻结，对第一语音识别模型进行训练，得到语音识别模型。在第二阶段，第一语音识别模型已经收敛到预设范围内。此刻，可以解除冻结，对第一语音识别模中所有层同时进行训练。经验证，通过上述两个阶段，模型训练过程较稳定。作为示例，模型的损失函数在训练过程中收敛。最终，使用所得到的语音识别模型去做语音识别任务时，预测效果较好。

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语音识别的方法的一个应用场景的示意图；

图2是根据本公开的用于语音识别的方法的一些实施例的流程图；

图3是根据本公开的语音识别的方法的另一些实施例的流程图；

图4是根据本公开的语音识别的装置的一些实施例的结构示意图；

图5是根据本公开的语音识别的装置的另一些实施例的结构示意图；

图6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。

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。

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。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是根据本公开一些实施例的语音识别的方法的一个应用场景的示意图100。

如图1所示，终端设备101将说话人的目标语音102输入至预先训练好的语音识别模型103，得到目标语音对应的目标文字104。

可以理解的是，语音识别的方法可以是由上述终端设备101来执行。其中，终端设备101可以是硬件，也可以是软件。当电子设备101 为硬件时，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、台式计算机、服务器等等。当终端设备101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中的终端设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。

继续参考图2，示出了根据本公开的语音识别的方法的一些实施例的流程200。该用语音识别的方法，包括以下步骤：

步骤201，将目标语音输入预先训练的语音识别模型，生成目标语音对应的目标文字。

在一些实施例中，上述执行主体(例如图1所示的终端设备)可以将目标语音输入预先训练的语音识别模型，生成目标语音对应的目标文字。这里，目标语音可以是任意语音。其中，上述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层(例如，长短期记忆网络层)进行冻结，对初始语音识别模型中其余层进行训练，得到第一语音识别模型。

第二阶段包括解除预定数目个网络层的冻结，对第一语音识别模型整体进行训练，最终得到语音识别模型。

这里，上述初始语音识别模型可以是一些端到端的模型。例如， LAS(ListenAttend and Spell，听注意和拼写)，CTC(Connectionist Temporal Classification，连接主义时间分类)和RNNT(Recurrent Neural Network Transducer，循环神经网络转化器)。上述编码器可以包括： RNN(Recurrent Neural Network，循环神经网络)、卷积神经网络和全连接神经网络。

在一些实施例的一些可选的实现方式中，上述语音识别模型是通过如下步骤训练得到的：

第一步：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，得到第一语音识别模型。

作为示例，初始语音识别模型可以是RNNT，在初始语音识别模型中包括编码器。这里，假设以音素为建模单元，上述编码器的作用是输入声学特征，输出声学特征对应的音素概率。除此之外，建模单元还可以是音节、字和词等。上述编码器也可以认为是一个声学模型。上述编码器中可以包括12个LSTM层和2个卷积层。在这里，可以将RNNT模型中编码器中12个LSTM层冻结。然后，使用预先收集训练数据对RNNT模型中其余部分进行训练。例如，使用预先收集训练数据对RNNT中预测网络(prediction network)和联合网络(jointnetwork)进行训练。进而得到第一语音识别模型。

第二步：响应于第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。这里，上述预设条件可以包括但不限于以下至少一项：模型训练过程中迭代次数超过预定数目次，例如， 500次。相邻两轮训练过程中参数变化值在预设范围内。模型预测的结果与实际样本数据的差值在预设范围内。

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：首先将目标语音输入预先训练的语音识别模型，生成目标语音对应的目标文字。这里，上述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对初始语音识别模型中其余层进行训练，得到第一语音识别模型。这里，上述冻结是指在模型训练过程中，对冻结部分网络的参数不做更新。因为，上述编码器是经过预先训练得到。编码器中的参数是相对合理的。因此，在第一阶段继续保持编码器中预定数目个网络层的参数不变。第二阶段包括解除预定数目个网络层的冻结，对第一语音识别模型进行训练，得到语音识别模型。在第二阶段，第一语音识别模型已经收敛到预设范围内。此刻，可以解除冻结，对第一语音识别模中所有层同时进行训练。经验证，通过上述两个阶段，模型训练过程较稳定。作为示例，模型的损失函数在训练过程中收敛。最终，使用所得到的语音识别模型去做语音识别任务时，预测效果较好。

进一步参考图3，其示出了生成语音识别模型的方法的一些实施例的流程300。该生成语音识别模型的方法的流程300，包括以下步骤：

步骤301，对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对初始语音识别模型进行训练，生成第一语音识别模型。

作为示例，初始语音识别模型可以是RNNT，在初始语音识别模型中包括编码器。这里，假设以音素为建模单元，上述编码器的作用是输入声学特征，输出声学特征对应的音素概率。除此之外，建模单元还可以是音节、字和词等。上述编码器也可以认为是一个声学模型。上述编码器中可以包括12个LSTM层和2个卷积层。在这里，可以将RNNT模型中编码器中12个LSTM层冻结。然后，使用预先收集训练数据对RNNT模型中其余部分进行训练。例如，使用预先收集训练数据对RNNT中预测网络(prediction network)和联合网络(jointnetwork)进行训练。进而得到第一语音识别模型。

步骤302，响应于所述第一语音识别模型参数符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。这里，上述预设条件可以包括但不限于以下至少一项：模型训练过程中迭代次数超过预定数目次，例如，500次。相邻两轮训练过程中参数变化值在预设范围内。模型预测的结果与实际样本数据的差值在预设范围内。

在一些实施例的一些可选的实现方式中，上述编码器是通过时序分类损失函数训练得到的。在训练初始语音识别模型过程中，使用通过时序分类损失函数训练得到的编码器，为模型的稳定训练提供了基础。

在一些实施例的一些可选的实现方式中，初始语音识别模型是循环神经网络转化器。

在一些实施例的一些可选的实现方式中，所述预定数目个网络层中的每个网络层是长短期记忆网络层。

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：上述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对初始语音识别模型中其余层进行训练，得到第一语音识别模型。这里，上述冻结是指在模型训练过程中，对冻结部分网络的参数不做更新。因为，上述编码器是经过预先训练得到。编码器中的参数是相对合理的。因此，在第一阶段继续保持编码器中预定数目个网络层的参数不变。第二阶段包括解除预定数目个网络层的冻结，对第一语音识别模型进行训练，得到语音识别模型。在第二阶段，第一语音识别模型已经收敛到预设范围内。此刻，可以解除冻结，对第一语音识别模中所有层同时进行训练。经验证，通过上述两个阶段，模型训练过程较稳定。作为示例，模型的损失函数在训练过程中收敛。最终，使用所得到的语音识别模型去做语音识别任务时，预测效果较好。

进一步参考图4，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的装置的一些实施例，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4所示，一些实施例的语音识别的转置400包括：生成单元 401。其中，上述生成单元401，被配置成将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字，其中，所述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对所述初始语音识别模型中其余层进行训练，得到第一语音识别模型，第二阶段包括解除所述预定数目个网络层的冻结，对所述第一语音识别模型进行训练，得到所述语音识别模型。

在一些实施例的一些可选的实现方式中，上述所述语音识别模型是通过如下步骤训练得到的：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，得到第一语音识别模型；响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

可以理解的是，该装置400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400及其中包含的单元，在此不再赘述。

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识别模型的装置的一些实施例，这些装置实施例与图 3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，一些实施例的语音识别的转置500包括：第一生成单元501和第二生成单元502。其中，第一生成单元501，被配置成对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，生成第一语音识别模型；第二生成单元502，被配成被配置成响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

在一些实施例的一些可选的实现方式中，上述编码器是通过时序分类损失函数训练得到的。

在一些实施例的一些可选的实现方式中，上述初始语音识别模型是循环神经网络转化器。

在一些实施例的一些可选的实现方式中，上述预定数目个网络层中的每个网络层是长短期记忆网络层。

可以理解的是，该装置500中记载的诸单元与参考图3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。

下面参考图6，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中的电子设备)600的结构示意图。图6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6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线 604。

通常，以下装置可以连接至I/O接口605：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 606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置 607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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6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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601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 (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装置中所包含的；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：将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字，其中，所述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对所述初始语音识别模型中其余层进行训练，得到第一语音识别模型，第二阶段包括解除所述预定数目个网络层的冻结，对所述第一语音识别模型进行训练，得到所述语音识别模型。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：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，生成第一语音识别模型；响应于所述第一语音识别模型参数符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

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：一种处理器包括生成单元。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，生成单元还可以被描述为“将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字的单元”。

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，提供了一种语音识别的方法，包括：将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字，其中，所述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对所述初始语音识别模型中其余层进行训练，得到第一语音识别模型，第二阶段包括解除所述预定数目个网络层的冻结，对所述第一语音识别模型进行训练，得到所述语音识别模型。

根据本公开的一个或多个实施例，上述语音识别模型是通过如下步骤训练得到的：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，得到第一语音识别模型；响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

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：生成单元。其中，上述生成单元，被配置成将目标语音输入预先训练的语音识别模型，生成所述目标语音对应的目标文字，其中，所述语音识别模型是由两个阶段训练得到的，第一阶段包括对初始语音识别模型的编码器中预定数目个网络层进行冻结，对所述初始语音识别模型中其余层进行训练，得到第一语音识别模型，第二阶段包括解除所述预定数目个网络层的冻结，对所述第一语音识别模型进行训练，得到所述语音识别模型。

根据本公开的一个或多个实施例，上述所述语音识别模型是通过如下步骤训练得到的：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，得到第一语音识别模型；响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

根据本公开的一个或多个实施例，提供了一种生成语音识别模型的方法，包括：对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，生成第一语音识别模型；响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

根据本公开的一个或多个实施例，上述编码器是通过时序分类损失函数训练得到的。

根据本公开的一个或多个实施例，上述初始语音识别模型是循环神经网络转化器。

根据本公开的一个或多个实施例，上述预定数目个网络层中的每个网络层是长短期记忆网络层。

根据本公开的一个或多个实施例，提供了一种生成语音识别模型的装置，包括：第一生成单元和第二生成单元。其中，第一生成单元，被配置成对初始语音识别模型的编码器中预定数目个网络层进行冻结，基于训练数据对所述初始语音识别模型进行训练，生成第一语音识别模型；第二生成单元，被配成被配置成响应于所述第一语音识别模型符合预设条件，解除所述预定数目个网络层的冻结，基于所述训练数据对所述第一语音识别模型进行训练，生成第二语音识别模型。

根据本公开的一个或多个实施例，上述编码器是通过时序分类损失函数训练得到的。

根据本公开的一个或多个实施例，上述初始语音识别模型是循环神经网络转化器。

根据本公开的一个或多个实施例，上述预定数目个网络层中的每个网络层是长短期记忆网络层。

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上述任一实施例描述的方法。

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，程序被处理器执行时实现如上述任一实施例描述的方法。

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。