语音识别方法、装置、介质及电子设备与流程

2021-01-28 14:01:05|

283|

起点商标网

本公开涉及语音识别领域，具体地，涉及一种语音识别方法、装置、介质及电子设备。

背景技术：

随着人工智能技术的发展，语音识别(automaticspeechrecognition，asr)技术取得了巨大的进步，并开始进入家电、通信、汽车、医疗等各个领域。其中，asr技术常用于获取视频中音频对应的文本内容。但当视频中有杂音或者背景音乐时，asr的识别准确度将受到影响。

技术实现要素：

提供该发明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。该发明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。

第一方面，本公开提供一种语音识别方法，包括：

获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；

提取所述目标音频数据对应的第一文本数据；

提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；

根据所述第二文本数据，对所述第一文本数据进行修正，得到修正后的第一文本数据。

第二方面，本公开提供一种语音识别装置，包括：

获取模块，用于获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；

第一提取模块，用于提取所述获取模块获取到的所述目标音频数据对应的第一文本数据；

第二提取模块，用于提取所述获取模块获取到的所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；

修正模块，用于根据所述第二提取模块提取到的所述第二文本数据，对所述第一提取模块提取到的所述第一文本数据进行修正，得到修正后的第一文本数据。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。

在上述技术方案中，当目标视频数据中存在杂音或者背景音乐时，可能导致提取到的目标视频数据中目标音频数据对应的第一文本数据不准确，因此，在提取到第一文本数据后，并不直接将其作为语音识别结果，而是通过用于描述目标视频数据中目标图像数据的第二文本数据对其进行修正，并将修正后的第一文本数据作为语音识别结果。由此，可以避免因目标视频数据中杂音或者背景音乐对语音识别准确度的影响，从而提升了目标音频数据对应的文本内容的准确度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

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。在附图中：

图1是根据一示例性实施例示出的一种语音识别方法的流程图。

图2是根据一示例性实施例示出的一种模型训练方法的流程图。

图3是根据一示例性实施例示出的一种模型训练过程的示意图。

图4是根据另一示例性实施例示出的一种模型训练方法的流程图。

图5是根据一示例性实施例示出的一种语音识别模型和描述信息生成模型的预训练过程的示意图。

图6是根据一示例性实施例示出的一种语音识别模型、语音合成模型、图像生成模型以及描述信息生成模型分别进行初步训练的示意图。

图7是根据一示例性实施例示出的一种语音识别装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

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。

图1是根据一示例性实施例示出的一种语音识别方法的流程图。如图1所示，该方法包括s101～s104。

在s101中，获取目标视频数据，目标视频数据包括目标音频数据和目标图像数据。

在s102中，提取目标音频数据对应的第一文本数据。

在s103中，提取目标图像数据的特征信息，并根据特征信息，生成用于描述目标图像数据的第二文本数据。

在本公开中，目标图像数据的特征信息可以包括目标图像数据对应的全局特征信息以及目标图像数据中包含的目标物体(例如，人、背包，太阳等)的特征信息。

在s104中，根据第二文本数据，对第一文本数据进行修正，得到修正后的第一文本数据。

示例地，第一文本数据为“一群人背着冰雕走在山间的小路上”，第二文本数据为“多人背着背包走在山间的小路上”，可知，第一文本数据中的“冰雕”有误，根据第二文本数据，可以将其修正为“背包”。这样，修正后的第一文本数据为“一群人背着背包走在山间的小路上”。

下面针对上述s102中的提取目标音频数据对应的第一文本数据的具体实施方式进行详细说明。

在一种实施方式中，可以以人工标注的方式来获取目标音频数据对应的第一文本数据。

在另一种实施方式中，可以将目标音频数据输入至语音识别模型中，以得到目标音频数据对应的第一文本数据。其中，语音识别模型可以例如是前馈神经网络(deep-feedforwardsequentialmemorynetworks，dfsmn)模型、长短时记忆网络(longshort-termmemory，lstm)模型等。

下面针对上述s103中的提取目标图像数据的特征信息，并根据特征信息，生成用于描述目标图像数据的第二文本数据的具体实施方式进行详细说明。

在一种实施方式中，可以通过图像特征提取模型(例如，预先训练的一卷积神经网络)来提取目标图像数据的特征信息，然后，将该特征信息输入至描述信息生成子模型(例如，mask-rcnn网络)中，以生成用于描述目标图像数据的第二文本数据。

在另一种实施方式中，可以将目标图像数据输入至描述信息生成模型中，以通过描述信息生成模型提取目标图像数据的特征信息，并根据特征信息，生成用于描述目标图像数据的第二文本数据。其中，描述信息生成模型可以包括多层卷积神经网络和mask-rcnn网络。

其中，语音识别模型和描述信息生成模型可以通过图2中所示的s201和s202训练得到。

在s201中，获取第一参考文本数据。

示例地，可以从本地文本库、网络中下载多个第一参考文本数据。

在s202中，通过将第一参考文本数据、语音识别模型的输出以及描述信息生成模型的输出作为语音合成模型的输入，将语音合成模型的输出作为语音识别模型的输入，将第一参考文本数据作为语音识别模型的目标输出，将第一参考文本数据、语音识别模型的输出以及描述信息生成模型的输出作为图像生成模型的输入，将图像生成模型的输出作为描述信息生成模型的输入，将第一参考文本数据作为描述信息生成模型的目标输出的方式进行模型训练，以得到语音识别模型和描述信息生成模型。

在本公开中，由于语音识别模型对训练样本的多样性要求较高，例如，其需要不同信噪比、不同说话人、不同年龄段说话人(例如，老人、小孩、成年人等)的音频数据作为训练样本，而实际获取到的音频数据比较有限，难以满足多样性的需求，故可以通过语音合成模型(例如，端到端的语音合成模型)来生成不同信噪比、不同说话人、不同年龄段的说话人的音频数据，以作为语音识别模型的训练样本。

同样地，描述信息生成模型对训练样本的多样性要求也较高，例如，其需要不同光照条件、不同物体的图像数据作为训练样本，而实际获取到的图像数据比较有限，难以满足多样性的需求，故可以通过图像生成模型(例如，多层卷积神经网络)来生成不同光照条件、不同物体的图像数据，以作为描述信息生成模型的训练样本。

如图3中所示，将第一参考文本数据输入至语音合成模型中，得到第一生成音频数据，之后，将该第一生成音频数据输入至语音识别模型中，得到第一生成音频数据对应的预测文本数据；同时，将第一参考文本数据输入至图像生成模型，得到第一生成图像数据，之后，将该第一生成图像数据输入至描述信息生成模型中，得到第一生成图像数据对应的预测文本数据。然后，将第一生成音频数据对应的预测文本数据和第一生成图像数据对应的预测文本数据(二者统称为第一生成文本数据)与第一参考文本数据一并输入至语音合成模型中，得到新的第一生成音频数据，之后，将该新的第一生成音频数据输入至语音识别模型中，得到新的第一生成音频数据对应的预测文本数据；同时，将第一生成文本数据和第一参考文本数据输入至图像生成模型中，得到新的第一生成图像数据，之后，将该新的第一生成图像数据输入至描述信息生成模型中，得到新的第一生成图像数据对应的预测文本数据。接下来，将新的第一生成音频数据对应的预测文本数据、新的第一生成图像数据对应的预测文本数据、第一参考文本数据一并输入至语音合成模型、图像生成模型中，如此循环，直到语音识别模型的识别准确度和描述信息生成模型的识别准确度均不再增长时，获取新的第一参考数据，并基于新的第一参考数据进行模型训练，直到语音识别模型的识别准确度大于第一预设准确度阈值(例如，90％)和描述信息生成模型的识别准确度大于第二预设准确度阈值(例如，90％)时为止。其中，在模型训练过程中，根据第一生成音频数据对应的预测文本数据与第一参考文本数据的比较结果，对语音识别模型的模型参数进行更新，同时，根据第一生成图像数据对应的预测文本数据与第一参考文本数据的比较结果，对描述信息生成模型的模型参数进行更新。

示例地，在模型训练过程中，语音识别模型的损失函数可以采用基于神经网络的时序类分类(connectionisttemporalclassification，ctc)损失，以提升语音识别模型的识别准确度，描述信息生成模型的损失函数可以采用困惑度损失和mask-rcnn损失，其中，采用mask-rcnn损失可使得描述信息生成工作充分利用图像的局部信息，使得生成的描述信息更加准确。

通过语音合成模型生成语音识别模型的训练样本，通过图像生成模型生成描述信息生成模型的训练样本，可以实现语音识别模型和描述信息生成模型对训练样本的多样性需求，从而可以提升语音识别模型和描述信息生成模型的识别准确度。另外，在模型训练过程中，语音合成模型和图像生成模型的输入除了包括第一参考文本数据外，还包括语音识别模型的输出和描述信息生成模型的输出，并且，将语音合成模型的输出作为语音识别模型的输入，以及将图像生成模型的输出作为描述信息生成模型的输入，由此，可以在四个模型之间形成一个闭环，从而实现语音识别模型和描述信息生成模型的联合更新，进一步提升了语音识别模型和描述信息生成模型和识别准确度。此外，图像生成模型根据第一参考文本数据生成的第一生成图像数据包含了第一参考文本数据的全部信息，从而可以使得描述信息生成模型的训练样本包含更加丰富的信息，由此可以进一步提升描述信息生成模型的识别准确度。

另外，为了提升语音识别模型和描述信息生成模型的识别准确度、并降低模型训练的时间开销，如图4所示，在上述s201之前，上述方法还可以包括以下s203。

在s203中，对语音识别模型和描述信息生成模型进行预训练。

在一种实施方式中，可以先对语音识别模型进行预训练，然后基于预训练过程中、语音识别模型最后一次的输出，再对描述信息生成模型进行预训练。具体来说，可以通过以下步骤来实现：

(1)获取第二参考文本数据。

其中，第二参考文本数据可以与上述第一参考文本数据相同，也可以不相同，在本公开中不作具体限定。

(2)通过将第二参考文本数据和语音识别模型的输出作为语音合成模型的输入，将语音合成模型的输出作为语音识别模型的输入，将第二参考文本数据作为语音识别模型的目标输出的方式对语音识别模型进行预训练。

(3)通过将第二参考文本数据、描述信息生成模型的输出以及预训练后所得的语音识别模型的输出作为图像生成模型的输入，将图像生成模型的输出作为描述信息生成模型的输入，将第二参考文本数据作为描述信息生成模型的目标输出的方式对描述信息生成模型进行预训练。

如图5中所示，将第二参考文本数据输入至语音合成模型中，得到第二生成音频数据，之后，将该第二生成音频数据输入至语音识别模型中，得到第二生成文本数据；将第二生成文本数据与第二参考文本数据一并输入至语音合成模型中，得到新的第二生成音频数据，之后，将该新的第二生成音频数据输入至语音识别模型中，得到新的第二生成文本数据；接下来，将新的第二生成文本数据和第二参考文本数据输入至语音合成模型中，如此循环，直到语音识别模型的识别准确度不再增长时，获取新的第二参考文本数据，并基于新的第二参考文本数据继续进行模型预训练，直到语音识别模型的识别准确度大于第三预设准确度阈值(例如，85％)时为止，其中，第三预设准确度阈值小于第一预设准确度阈值。其中，在模型预训练过程中，根据第二生成文本数据与第二参考文本数据的比较结果，对语音识别模型的模型参数进行更新。

在语音识别模型预训练完成后，可以将语音识别模型预训练时最后一次输出的第二生成文本数据和第二参考文本数据共同输入至图像生成模型中，得到第二生成图像数据，之后，将该第二生成图像数据输入至描述信息生成模型中，得到第三生成文本数据；将第三生成文本数据与第二参考文本数据一并输入至图像生成模型中，得到新的第二生成图像数据，之后，将该新的第二生成图像数据输入至描述信息生成模型中，得到新的第三生成文本数据；接下来，将新的第三生成文本数据和第二参考文本数据输入至图像生成模型中，如此循环，直到描述信息生成模型的识别准确度不再增长时，获取新的第二参考文本数据，并基于新的第二参考文本数据继续进行模型预训练，直到描述信息生成的识别准确度大于第四预设准确度阈值(例如，85％)时为止，其中，第四预设准确度阈值小于第二预设准确度阈值。其中，在模型预训练过程中，根据第三生成文本数据与第二参考文本数据的比较结果，对描述信息生成模型的模型参数进行更新。

在另一种实施方式中，可以先对描述信息生成模型语音识别模型进行预训练，然后基于预训练过程中、描述信息生成模型最后一次的输出，再对语音识别模型进行预训练。具体来说，可以通过以下步骤来实现：

(1)获取第二参考文本数据。

(2)通过将第二参考文本数据和描述信息生成模型的输出作为图像生成模型的输入，将图像生成模型的输出作为描述信息生成模型的输入，将第二参考文本数据作为描述信息生成模型的目标输出的方式对描述信息生成模型进行预训练。

(3)通过将第二参考文本数据、语音识别模型的输出以及预训练后所得的描述信息生成模型的输出作为语音合成模型的输入，将语音合成模型的输出作为语音识别模型的输入，将第二参考文本数据作为语音识别模型的目标输出的方式对语音识别模型进行预训练。

另外，为了进一步提升语音识别模型和描述信息生成模型的识别准确度并降低模型训练的时间开销，在上述s203之前，上述方法还可以包括以下步骤：

获取参考视频数据，其中，参考音频数据包括参考图像数据、参考音频数据和参考音频数据对应的第三参考文本数据；根据参考视频数据，对语音识别模型、语音合成模型、图像生成模型、描述信息生成模型分别进行初步训练。

如图6所示，可以将参考音频数据作为语音识别模型的输入，将第三参考文本数据作为语音识别模型的目标输出，对语音识别模型进行初步训练；将参考图像数据作为描述信息生成模型的输入，将第三参考文本数据作为描述信息生成模型的目标输出，对描述信息生成模型进行初步训练；将第三参考文本数据作为语音合成模型的输入，将参考音频数据作为语音合成模型的目标输出，对语音合成模型进行初步训练；将第三参考文本数据作为图像生成模型的输入，将参考图像数据作为图像生成模型的目标输出，对图像生成模型进行初步训练。

示例地，在模型训练过程中，语音合成模型的损失函数可以采用均方误差损失、光滑后的l1范数损失和判断语音合成模型的输出序列何时停下来的停止损失，其中，光滑后的l1范数损失可以提升语音合成模型合成的语音的平滑度；图像生成模型的损失函数可以采用像素级别的均方误差损失和损失敏感生成式对抗网络(losssensitivegan，lsgan)的disciriminationloss，其中，采用像素级别的均方误差损失，可以使得图像生成模型生成的图像更加准确。

图7是根据一示例性实施例示出的一种语音识别装置的框图。如图7所示，该装置700包括：获取模块701，用于获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；第一提取模块702，用于提取所述获取模块701获取到的所述目标音频数据对应的第一文本数据；第二提取模块703，用于提取所述获取模块701获取到的所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；修正模块704，用于根据所述第二提取模块703提取到的所述第二文本数据，对所述第一提取模块702提取到的所述第一文本数据进行修正，得到修正后的第一文本数据。

在一种实施方式中，所述第一提取模块702用于以人工标注的方式来获取目标音频数据对应的第一文本数据。

在另一种实施方式中，所述第一提取模块702用于将所述目标音频数据输入至语音识别模型中，以得到所述目标音频数据对应的第一文本数据，其中，其中，所述语音识别模型的训练样本是通过语音合成模型生成的。

在一种实施方式中，所述第二提取模块703用于通过图像特征提取模型来提取目标图像数据的特征信息，然后，将该特征信息输入至描述信息生成子模型中，以生成用于描述目标图像数据的第二文本数据。

在另一种实施方式中，所述第二提取模块703用于将所述目标图像数据输入至描述信息生成模型中，以通过所述描述信息生成模型提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；其中，所述描述信息生成模型的训练样本是通过图像生成模型生成的。

可选地，所述语音识别模型和所述描述信息生成模型通过如下方式训练得到：获取第一参考文本数据；通过将所述第一参考文本数据、所述语音识别模型的输出以及所述描述信息生成模型的输出作为所述语音合成模型的输入，将所述语音合成模型的输出作为所述语音识别模型的输入，将所述第一参考文本数据作为所述语音识别模型的目标输出，将所述第一参考文本数据、所述语音识别模型的输出以及所述描述信息生成模型的输出作为所述图像生成模型的输入，将所述图像生成模型的输出作为所述描述信息生成模型的输入，将所述第一参考文本数据作为所述描述信息生成模型的目标输出的方式进行模型训练，以得到所述语音识别模型和所述描述信息生成模型。

可选地，在进行模型训练之前，所述装置700还包括：预训练模块，用于对所述语音识别模型和所述描述信息生成模型进行预训练。

可选地，所示预训练模块，包括：第一获取子模块，用于获取第二参考文本数据；第一预训练子模块，用于通过将所述第二参考文本数据和所述语音识别模型的输出作为所述语音合成模型的输入，将所述语音合成模型的输出作为所述语音识别模型的输入，将所述第二参考文本数据作为所述语音识别模型的目标输出的方式对所述语音识别模型进行预训练；第二预训练子模块，用于通过将所述第二参考文本数据、所述描述信息生成模型的输出以及预训练后所得的语音识别模型的输出作为所述图像生成模型的输入，将所述图像生成模型的输出作为所述描述信息生成模型的输入，将所述第二参考文本数据作为所述描述信息生成模型的目标输出的方式对所述描述信息生成模型进行预训练。

可选地，所述预训练模块包括：第二获取子模块，用于获取第二参考文本数据；第三预训练子模块，用于通过将所述第二参考文本数据和所述描述信息生成模型的输出作为所述图像生成模型的输入，将所述图像生成模型的输出作为所述描述信息生成模型的输入，将所述第二参考文本数据作为所述描述信息生成模型的目标输出的方式对所述描述信息生成模型进行预训练；第四预训练子模块，用于通过将所述第二参考文本数据、所述语音识别模型的输出以及预训练后所得的描述信息生成模型的输出作为所述语音合成模型的输入，将所述语音合成模型的输出作为所述语音识别模型的输入，将所述第二参考文本数据作为所述语音识别模型的目标输出的方式对所述语音识别模型进行预训练。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)800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8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8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

通常，以下装置可以连接至i/o接口805：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806；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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809从网络上被下载和安装，或者从存储装置808被安装，或者从rom802被安装。在该计算机程序被处理装置801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(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：获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；提取所述目标音频数据对应的第一文本数据；提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；根据所述第二文本数据，对所述第一文本数据进行修正，得到修正后的第一文本数据。

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模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一提取模块还可以被描述为“提取所述目标音频数据对应的第一文本数据的模块”。

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。

根据本公开的一个或多个实施例，示例1提供了一种语音识别方法，包括：获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；提取所述目标音频数据对应的第一文本数据；提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；根据所述第二文本数据，对所述第一文本数据进行修正，得到修正后的第一文本数据。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述提取所述目标音频数据对应的第一文本数据，包括：将所述目标音频数据输入至语音识别模型中，以得到所述目标音频数据对应的第一文本数据；所述提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据，包括：将所述目标图像数据输入至描述信息生成模型中，以通过所述描述信息生成模型提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；其中，所述语音识别模型的训练样本是通过语音合成模型生成的，所述描述信息生成模型的训练样本是通过图像生成模型生成的。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述语音识别模型和所述描述信息生成模型通过如下方式训练得到：获取第一参考文本数据；通过将所述第一参考文本数据、所述语音识别模型的输出以及所述描述信息生成模型的输出作为所述语音合成模型的输入，将所述语音合成模型的输出作为所述语音识别模型的输入，将所述第一参考文本数据作为所述语音识别模型的目标输出，将所述第一参考文本数据、所述语音识别模型的输出以及所述描述信息生成模型的输出作为所述图像生成模型的输入，将所述图像生成模型的输出作为所述描述信息生成模型的输入，将所述第一参考文本数据作为所述描述信息生成模型的目标输出的方式进行模型训练，以得到所述语音识别模型和所述描述信息生成模型。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，在进行模型训练之前，所述方法还包括：对所述语音识别模型和所述描述信息生成模型进行预训练。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述对所述语音识别模型和所述描述信息生成模型进行预训练，包括：获取第二参考文本数据；通过将所述第二参考文本数据和所述语音识别模型的输出作为所述语音合成模型的输入，将所述语音合成模型的输出作为所述语音识别模型的输入，将所述第二参考文本数据作为所述语音识别模型的目标输出的方式对所述语音识别模型进行预训练；通过将所述第二参考文本数据、所述描述信息生成模型的输出以及预训练后所得的语音识别模型的输出作为所述图像生成模型的输入，将所述图像生成模型的输出作为所述描述信息生成模型的输入，将所述第二参考文本数据作为所述描述信息生成模型的目标输出的方式对所述描述信息生成模型进行预训练。

根据本公开的一个或多个实施例，示例6提供了示例4的方法，所述对所述语音识别模型和所述描述信息生成模型进行预训练，包括：获取第二参考文本数据；通过将所述第二参考文本数据和所述描述信息生成模型的输出作为所述图像生成模型的输入，将所述图像生成模型的输出作为所述描述信息生成模型的输入，将所述第二参考文本数据作为所述描述信息生成模型的目标输出的方式对所述描述信息生成模型进行预训练；通过将所述第二参考文本数据、所述语音识别模型的输出以及预训练后所得的描述信息生成模型的输出作为所述语音合成模型的输入，将所述语音合成模型的输出作为所述语音识别模型的输入，将所述第二参考文本数据作为所述语音识别模型的目标输出的方式对所述语音识别模型进行预训练。

根据本公开的一个或多个实施例，示例7提供了一种语音识别装置，包括：获取模块，用于获取目标视频数据，所述目标视频数据包括目标音频数据和目标图像数据；第一提取模块，用于提取所述获取模块获取到的所述目标音频数据对应的第一文本数据；第二提取模块，用于提取所述获取模块获取到的所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；修正模块，用于根据所述第二提取模块提取到的所述第二文本数据，对所述第一提取模块提取到的所述第一文本数据进行修正，得到修正后的第一文本数据。

根据本公开的一个或多个实施例，示例8提供了示例7的装置，所述第一提取模块用于将所述目标音频数据输入至语音识别模型中，以得到所述目标音频数据对应的第一文本数据；所述第二提取模块用于将所述目标图像数据输入至描述信息生成模型中，以通过所述描述信息生成模型提取所述目标图像数据的特征信息，并根据所述特征信息，生成用于描述所述目标图像数据的第二文本数据；其中，所述语音识别模型的训练样本是通过语音合成模型生成的，所述描述信息生成模型的训练样本是通过图像生成模型生成的。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-6中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-6中任一项所述方法的步骤。

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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。