语音识别方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能领域，具体涉及语音识别领域，尤其涉及语音识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

随着人工智能的发展，越来越多的人工智能产品为人们的生活提供了便利。语音识别类产品作为人工智能产品中重要的感知智能产品，更是广泛地应用于诸如智能家居产品、智能语音客服等各类产品中。语音识别可以很大程度上解放用户双手，在让用户感受产品智能化的同时，方便用户的操作。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种语音识别方法、语音识别装置、电子设备、计算机可读存储介质及计算机程序产品。

根据本公开的一方面，提供了一种语音识别方法，包括：从待识别的语音中提取与地点信息有关的特征词；分别计算所述特征词与语料库中的多个候选词之间的相似度，其中，所述语料库包括与至少一个用户有关的第一子语料库，所述多个候选词包括所述第一子语料库中的基于所述至少一个用户的用户纠错行为而获取的第一标准候选词以及与所述第一标准候选词在语音上相近的至少一个第一错误候选词，其中，所述至少一个第一错误候选词与所述第一标准候选词之间具有预设的对应关系；以及响应于所述特征词与所述至少一个第一错误候选词中任一者之间的相似度满足预定条件，基于所述预设的对应关系输出所述第一标准候选词作为识别结果。

根据本公开的另一方面，提供了一种语音识别装置，包括：语音处理模块，被配置为从待识别的语音中提取与地点信息有关的特征词；计算模块，被配置为分别计算所述特征词与语料库中的多个候选词之间的相似度，其中，所述语料库包括与至少一个用户有关的第一子语料库，所述多个候选词包括所述第一子语料库中的基于所述至少一个用户的用户纠错行为而获取的第一标准候选词以及与所述第一标准候选词在语音上相近的至少一个第一错误候选词，其中，所述至少一个第一错误候选词与所述第一标准候选词之间具有预设的对应关系；以及输出模块，被配置为响应于所述特征词与所述至少一个第一错误候选词中任一者之间的相似度满足预定条件，基于所述预设的对应关系输出所述第一标准候选词作为识别结果。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器，其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的语音识别方法。

根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行如上所述的语音识别方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的语音识别方法。

根据本公开的一个或多个实施例，能够提高语音识别的特征词在语料库中得到匹配的正确率，由此提高语音识别的正确率，进而提升用户的使用体验。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出根据本公开实施例的可以实施本公开描述的各种方法的示例性系统的示意图；

图2示出根据本公开实施例的语音识别方法的流程图；

图3示出根据本公开实施例的语料库的示意图；

图4示出根据本公开实施例的语音识别装置的框图；

图5示出能够用于实现本公开实施例的示例性电子设备的结构框图。

具体实施方式

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出根据本公开实施例的可以实施本公开描述的各种方法的示例性系统的示意图。参考图1，该系统100可以包括用于接收语音的一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行本公开的语音识别方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以将语音发送给客户端设备101、102、103、104、105和/或106。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器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。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

相关技术中，对于需要对地点信息进行语音识别的场景，诸如使用手机上的地图或导航应用程序，由于地点信息的信息量大，导致正确识别率较低，从而造成用户的使用感受不佳。

为了解决上述技术问题，本公开提供一种语音识别方法。图2示出根据本公开实施例的语音识别方法的流程图。如图2所示，本公开的语音识别方法可以包括：

S201，从待识别的语音中提取与地点信息有关的特征词；

S202，分别计算特征词与语料库中的多个候选词之间的相似度，其中，语料库包括与至少一个用户有关的第一子语料库，所述多个候选词包括第一子语料库中的基于所述至少一个用户的用户纠错行为而获取的第一标准候选词以及与第一标准候选词在语音上相近的至少一个第一错误候选词，其中，所述至少一个第一错误候选词与第一标准候选词之间具有预设的对应关系；以及

S203，响应于特征词与至少一个第一错误候选词中任一者之间的相似度满足预定条件，基于所述预设的对应关系输出第一标准候选词作为识别结果。

根据本公开实施例的语音识别方法，通过在语料库中纳入基于用户纠错行为而获取到的语音识别错误发生率高的地点名以及与其相关联的预测性错误地点名，能够提高语音识别的特征词在语料库中得到匹配的正确率，由此提高语音识别的正确率，进而提升用户的使用体验。

在步骤S201中，待识别的语音可以包括用户发送的语音，例如用户向客户端设备发送的语音。在一个示例中，客户端设备可以包括如图1所述的客户端设备101、102、103、104、105和/或106。在客户端设备为手机的示例中，手机上可以安装有地图或导航应用程序。当用户需要通过该地图或导航应用程序进行导航时，可以通过发送语音来指明自己需要前往的地点。与地点有关的特征词可以包括用户所发送的语音中代表某个地点的地名。例如，当用户需要前往地点“天通苑”时，可以发送语音“我要去天通苑”。此时，将从该语音中提取出特征词“天通苑”。

具体地，在接收到用户所发送的语音之后，可以首先对该语音的音频进行预处理，以获得利于进行语音识别的具有良好质量的音频。例如，预处理可以包括对音频进行降噪处理、过滤语音中的次要信息等。次要信息诸如是音频中的环境噪音或者非该用户的声音等。之后，可以将预处理后的音频从音频的形式转换为文本的形式。该转换过程也即从模拟信号到数字信号的转换。基于转换出的文本，可以进行特征词的提取。提取特征词可以包括例如通过语义分析技术从所述文本中提取特征词。语义分析技术可以包括语义分割等已知技术。

在步骤S202中，语料库可以包括用于进行特征词匹配的数据集合，在其中包含有用于进行匹配的多个候选词。语料库有时也被称为语音库、语音模型等。在客户端设备为手机的示例中，手机上可以安装有地图或导航应用程序，该地图或导航应用程序可以与语料库相关联，诸如能够访问该语料库，以使用语料库中的候选词进行特征词匹配。在一个示例中，语料库可以与该地图或导航应用程序一起存储于手机的本地存储中，也可以存储于远程的服务器，诸如图1所述的服务器120中，以通过远程访问的方式接入。

根据本公开的实施例，语料库可以是用户专属的。用户专属可以意味着针对用户进行定制。因此，语料库可以包括与用户有关的子语料库。在本公开中，用户的概念并不一定局限于某一个用户，而是可以扩展到若干用户。在地图或导航应用程序的示例中，用户可以是指使用过或者正在使用该地图或导航应用程序的所有用户或至少一部分用户。因此，语料库可以包括与至少一个用户有关的第一子语料库。

第一子语料库中可以包含有标准候选词和错误候选词。标准候选词可以是与正确的地点名相对应的候选词，而错误候选词可以是与该标准候选词在语音上相近的候选词。以如上所述的地点名“天通苑”为例，该地点名“天通苑”可以是标准候选词，而与其在语音上相近的词，诸如“天龙苑”、“天同苑”、“天空苑”等等可以是错误候选词。就语音上的近似性而言，错误候选词可以是标准候选词的预测性扩展。该预测性扩展的具体方式可以根据实际情况进行设置，例如考虑发音或口音上的近似性。

第一子语料库中的标准候选词可以包括基于用户的用户纠错行为而获取的标准候选词。基于用户纠错行为而获取到的标准候选词可以被认为是与其对应的地点名在语音识别过程中发生错误的可能性高。用户纠错行为可以是在前一次语音识别错误的情况下用户再次输入正确的地点名以进行纠正的行为。例如，用户可以通过再次使用语音来重复说出正确的地点名，或者替代地通过输入与该正确的地点名相对应的文本，或者采用其他的方式(诸如手势操作，例如对于适用的客户端类型)等来再次输入正确的地点名。例如，如上所述的地点名“天通苑”可以是基于用户的用户纠错行为而获取的标准候选词。

在第一子语料库中，错误候选词与标准候选词之间可以具有预设的对应关系。在实际中，出于用户本身的发音或口音或者嘈杂环境的问题，在上述的提取特征词的过程中可能不能获取到符合用户意思的正确地点名，而是与其在语音上相近的词。为此，在本公开的实施例中，将错误候选词和标准候选词设置为在二者之间具有预设的对应关系，使得即便在提取特征词的过程中获取到错误的特征词，也能够在语料库中匹配到相应的候选词(即错误候选词)，然后借助于该错误候选词与标准候选词之间的对应关系而识别出正确的地点名，由此提高识别正确率。预设的对应关系可以是错误候选词到标准候选词的映射关系。在一个示例中，在将错误候选词存储于第一子语料库中时，可以同时存储表示其与标准候选词之间的映射关系的信息或标志，以指示该错误候选词归属于哪个标准候选词。

可选地，第一子语料库中的标准候选词可以包括曾被错误识别或未被识别而引起用户纠错行为的与地点信息有关的词，并且第一子语料库中的错误候选词可以包括基于与标准候选词的发音相似性而预先设置的词。

在一个示例中，如果用户语音中的地点名“天通苑”曾被错误识别为例如“天龙苑”而引起用户纠错行为，则标准候选词可以例如包括“天通苑”，并且错误候选词可以包括与其发音相似的“天龙苑”以及甚至是更多的预测性扩展，诸如“天同苑”、“天空苑”等。

在另一个示例中，如果用户语音中的地点名“大栅栏”未被识别而引起用户纠错行为，则标准候选词可以包括“大栅栏”，并且错误候选词可以例如包括与其发音相似的“大石栏”以及甚至是更多的预测性扩展“大扎栏”等等。

通过该方式，能够将更多的语音识别错误发生率高的地点名纳入到第一子语料库中。由于这些地点名是被用户真实使用过的，因此再次被使用的几率也相对较高。通过将其纳入到第一子语料库中进行优先匹配，能够提高语音识别的正确率。

如上所述的匹配过程可以涉及特征词与候选词之间的相似度计算。根据本公开的实施例，分别计算特征词与语料库中的多个候选词之间的相似度。

可选地，所述分别计算相似度包括：分别计算特征词的向量与多个候选词的相应向量之间的相似度度量。通过向量的相似度度量能够体现特征词与候选词之间的相似程度。当相似度度量大于预定阈值时，表示特征词与候选词之间的相似程度高，因此实现二者的匹配。这里，所述预定阈值可以根据不同的实际情况进行设置。

在步骤S203中，借助于错误候选词与标准候选词之间具有预设的对应关系，如果特征词与错误候选词中的任一者之间的相似度满足预定条件，则可以基于所述预设的对应关系输出标准候选词作为识别结果。

可选地，在利用特征词的向量和候选词的向量计算相似度度量的情况下，当相似度度量大于预定阈值时，所述预定条件被满足。相似度度量大于预定阈值能够表示特征词与候选词之间的相似程度高，因此实现二者的匹配。

可选地，第一子语料库中的标准候选词还可以包括基于与用户有关的地点信息而获取的标准候选词，而相应的错误候选词可以包括与其在语音上相近的错误候选词，并且二者具有预设的对应关系。借助于错误候选词与标准候选词之间具有预设的对应关系，如果特征词与错误候选词中的任一者之间的相似度满足预定条件，则可以基于所述预设的对应关系输出标准候选词作为识别结果。通过该方式，能够将与用户关联度高的地点名纳入到第一子语料库中。由于这些地点名被用户使用的几率高，通过同时将其的预测性扩展纳入到第一子语料库中进行优先匹配，能够提高语音识别的正确率。

可选地，所述与用户有关的地点信息可以包括从至少一个用户的用户数据中获取的与地点信息有关的词。因此，第一子语料库中的标准候选词还可以包括从至少一个用户的用户数据中获取的与地点信息有关的词，并且错误候选词包括基于与所述标准候选词的发音相似性而预先设置的词。在地图或导航应用程序的示例中，所述与地点信息有关的词可以包括从用户在该应用程序中预先录入的用户信息中获取的。例如，用户已在该应用程序中录入的家庭地址、公司地址、常用地址等等地点信息。通过该方式，能够关联到用户使用率相对较高的地点名，通过同时将其的预测性扩展纳入到第一子语料库中进行优先匹配，能够进一步提高语音识别的正确率。

图3示出根据本公开实施例的语料库的示意图。如图3所示，语料库300可以包括第一子语料库302和第二子语料库304。

第一子语料库302可以是如上结合图1描述的第一子语料库。第一子语料库302可以与至少一个用户有关。如图3所示，第一子语料库302可以包括第一标准候选词3020-1和第一错误候选词3020-2至3020-n。第一标准候选词3020-1可以是基于至少一个用户的用户纠错行为而获取的，且第一错误候选词3020-2至3020-n可以与第一标准候选词3020-1在语音上相近。并且，第一标准候选词3020-1与第一错误候选词3020-2至3020-n之间具有预设的对应关系。例如，第一错误候选词3020-2至3020-n中的每一个都可以具有用于指示其映射到第一标准候选词3020-1的信息或标志。

第一子语料库302还可以包括第二标准候选词3022-1和第二错误候选词3022-2至3022-n。第二标准候选词3022-1可以是基于与至少一个用户有关的地点信息而获取的，并且第二错误候选词3022-2至3022-n可以与第二标准候选词3022-1在语音上相近。类似地，第二标准候选词3022-1与第二错误候选词3022-2至3022-n之间具有预设的对应关系。例如，第二错误候选词3022-2至3022-n中的每一个都可以具有用于指示其映射到第二标准候选词3022-1的信息或标志。

第二子语料库304可以与本地热点地区有关。第二子语料库304可以包括与本地热点地区对应的第三标准候选词3040-1。由于本地热点地区具有较强的区域特性，用户前往该地区的可能性相对较高，通过将其纳入到语料库中进行优先匹配，能够进一步提高语音识别的正确率。

可选地，第二子语料库304还可以包括与第三标准候选词3040-1在语音上相近的第三错误候选词3040-2至3040-n。第三错误候选词3040-2至3040-n与第三标准候选词3040-1之间具有预设的对应关系。例如，第三错误候选词3040-2至3040-n中的每一个都可以具有用于指示其映射到第三标准候选词3040-1的信息或标志。在语音识别过程中，响应于提取出的特征词与第三错误候选词3040-2至3040-n中任一者的相似度满足预定条件，基于所述预设的对应关系输出第三标准候选词3040-1作为识别结果。由此，通过将本地热点地区的预测性扩展纳入到语料库中进行优先匹配，能够进一步提高语音识别的正确率。

可选地，第三标准候选词3040-1可以根据时间来更新。由此，能够使第三标准候选词具有时效性，进一步提高语音识别的正确率。

根据本公开的另一方面，还提供了一种语音识别装置。图4示出根据本公开实施例的语音识别装置的框图。如图4所示，语音识别装置400可以包括：

语音处理模块402，其可以被配置为从待识别的语音中提取与地点信息有关的特征词；

计算模块404，其可以被配置为分别计算特征词与语料库中的多个候选词之间的相似度，其中，语料库包括与至少一个用户有关的第一子语料库，所述多个候选词包括第一子语料库中的基于所述至少一个用户的用户纠错行为而获取的第一标准候选词以及与第一标准候选词在语音上相近的至少一个第一错误候选词，其中，所述至少一个第一错误候选词与第一标准候选词之间具有预设的对应关系；以及

输出模块406，其可以被配置为响应于特征词与所述至少一个第一错误候选词中任一者之间的相似度满足预定条件，基于所述预设的对应关系输出第一标准候选词作为识别结果。

可选地，第一标准候选词可以包括曾被错误识别或未被识别而引起用户纠错行为的与地点信息有关的词，并且所述至少一个第一错误候选词可以包括基于与第一标准候选词的发音相似性而预先设置的词。

可选地，所述多个候选词还可以包括第一子语料库中的基于与所述至少一个用户有关的地点信息而获取的第二标准候选词以及与第二标准候选词在语音上相近的至少一个第二错误候选词，其中，所述至少一个第二错误候选词与第二标准候选词具有预设的对应关系；以及响应于特征词与所述至少一个第二错误候选词中任一者之间的相似度满足预定条件，可以基于所述预设的对应关系输出第二标准候选词作为识别结果。

可选地，第二标准候选词可以包括从所述至少一个用户的用户数据中获取的与地点信息有关的词，并且第二错误候选词可以包括基于与第二标准候选词的发音相似性而预先设置的词。

可选地，语料库还可以包括与本地热点地区有关的第二子语料库，所述多个候选词还包括第二子语料库中的与本地热点地区对应的第三标准候选词。

可选地，所述多个候选词还可以包括第二子语料库中的与第三标准候选词在语音上相近的至少一个第三错误候选词，其中，所述至少一个第三错误候选词与第三标准候选词之间具有预设的对应关系；以及响应于特征词与所述至少一个第三错误候选词中任一者的相似度满足预定条件，基于所述预设的对应关系输出第三标准候选词作为识别结果。

语音识别装置400的上述模块402、404和406的操作可以分别与前面结合图1描述的步骤S201、S202、S203的操作对应，在此不再赘述。

根据本公开的另一方面，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的语音识别方法。

根据本公开的另一方面，还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，其中，所述计算机指令用于使所述计算机执行如上所述的语音识别方法。

根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的语音识别方法。

参考图5，现将描述可以应用于本公开的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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。

如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

电子设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙

计算单元501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501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501执行上文所描述的各个方法和处理，例如语音识别方法。例如，在一些实施例中，语音识别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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的语音识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音识别方法。

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。

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。

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。

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。

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。

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。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。