一种语言模型的优化方法、装置、电子设备及存储介质与流程

本申请涉及计算机技术领域，具体涉及语音技术。

背景技术：

基于智能语音技能的开发平台，开发者可以开发多种功能的智能语音应用。语言模型是智能语音应用中的核心技术。对于任何智能语音应用，语言模型的优化都是关键环节，语言模型的优化效果对开发者的智能语音应用至关重要。

技术实现要素：

本申请实施例提供了一种语言模型的优化方法、装置、电子设备及存储介质，以提高语言模型的优化效果和优化效率。

第一方面，本申请实施例提供了一种语言模型的优化方法，应用于语音开发平台，包括：

在语言模型的开发阶段进行模型开发，得到待优化语言模型；

将所述待优化语言模型发布至所述语音开发平台的语音调试模块；

根据所述语音调试模块对所述待优化语言模型进行语音功能优化，得到优化语言模型。

第二方面，本申请实施例提供了一种语言模型的优化装置，配置于语音开发平台，包括：

待优化语言模型开发模块，用于在语言模型的开发阶段进行模型开发，得到待优化语言模型；

待优化语言模型发布模块，用于将所述待优化语言模型发布至所述语音开发平台的语音调试模块；

语音调试模块，用于对所述待优化语言模型进行语音功能优化，得到优化语言模型。

第三方面，本申请实施例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第一方面实施例所提供的语言模型的优化方法。

第四方面，本申请实施例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，所述计算机指令用于使所述计算机执行第一方面实施例所提供的语言模型的优化方法。

本申请实施例通过语音开发平台在语言模型的开发阶段进行模型开发，得到待优化语言模型，并将待优化语言模型发布至语音开发平台的语音调试模块，以根据语音调试模块对开发得到的待优化语言模型进行语音功能优化，得到优化语言模型，解决现有语言模型优化效果不理想、优化周期长等问题，以提高语言模型的优化效果和优化效率。

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

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的一种语言模型的优化方法的流程图；

图2是本申请实施例提供的一种开发待优化语言模型的流程示意图；

图3是本申请实施例提供的一种语言模型的优化方法的流程图；

图4是本申请实施例提供的一种优化待优化语言模型的流程示意图；

图5是本申请实施例提供的一种目标语言模型线上发布的流程示意图；

图6是本申请实施例提供的一种目标语言模型线上应用的流程示意图；

图7是本申请实施例提供的一种语言模型的优化装置的结构图；

图8是用来实现本申请实施例的语言模型的优化方法的电子设备的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

可以理解的是，开发用户所开发的语言模型对应的语音应用往往是面向特定领域的，如医疗领域的病例语音转写，餐饮领域的语音点菜，金融领域的理财语音查询等。而现有的语音开发云平台尤其是开放平台类型，是面向所有开发用户的通用开发平台。这导致面向特定领域应用的智能语音交互效果会受到很大影响，尤其是对一些专业领域中的特定词汇，如金融领域的理财名称，医疗领域的药品名称，以及餐饮领域的特殊菜品名称等，语言模型的语音处理效果都不够理想。例如，对于餐饮领域中的菜品“驴打滚”，语音识别模型的语音识别效果不够理想，或者语义理解模型的语义理解效果不够理想。因此，开发用户在开发语音应用时，针对语音应用的语言模型有很大的优化需求，对语言模型的优化成为nlp领域的关键技术之一。

现有技术中，针对语音应用的语言模型的优化过程一般都是在语音应用正式上线应用后，根据用户使用的历史数据进行评估，从而进一步实现语言模型的优化。但是这种优化方式存在两个主要问题：(1)、语言模型的优化过程依赖于语音应用的上线后搜集的数据，导致整个优化流程的时间周期长，效率较低。(2)、在语音应用刚开始上线的阶段，由于语言模型没有经过优化处理，导致语言模型对语音处理的效果不理想，如无法识别某一特殊语音等。语言模型的不良处理效果导致语音应用降低了用户体验，会造成用户的流失。

在一个示例中，图1是本申请实施例提供的一种语言模型的优化方法的流程图，本实施例可适用于在语言模型的开发阶段对语言模型进行优化的情况，该方法可以应用于语音开发平台，由语言模型的优化装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中。该电子设备可以是计算机设备等。相应的，如图1所示，该方法包括如下操作：

s110、在语言模型的开发阶段进行模型开发，得到待优化语言模型。

其中，语音开发平台可以用于开发多种功能的智能语音应用，且各类智能语音应用中需要对应配置相应功能的语言模型。可选的，语音开发平台的类型可以是任意开放的语音平台，如dbp(duerosbotplatform，技能开放平台)等，本申请实施例并不对语音开发平台的具体平台类型进行限定。语言模型可以是各种类型语音应用中的模型，如语音识别模型、语义理解模型或语音合成模型等。待优化语言模型可以是在语言模型开发过程中获取的、尚未完成优化功能的语言模型。同理，待优化语言模型也可以包括优化语音识别模型、优化语义理解模型及优化语音合成模型。本申请实施例并不对语言模型和待优化语言模型的具体模型类型进行限定。

在本申请实施例中，开发用户可以利用语音开发平台在语言模型的开发阶段进行模型开发，得到初始的语言模型。该初始的语言模型也即待优化语言模型。

s120、将所述待优化语言模型发布至所述语音开发平台的语音调试模块。

其中，语音调试模块可以用于对待优化语言模型进行调试。

相应的，在得到待优化语言模型后，不直接将待优化语言模型正式上线应用，而是将待优化语言模型发布至语音开发平台的语音调试模块，以利用语音调试模块对待优化语言模型进行语音功能优化。

s130、根据所述语音调试模块对所述待优化语言模型进行语音功能优化，得到优化语言模型。

其中，优化语言模型也即对待优化语言模型完成模型优化后得到的语言模型。

可选的，优化语言模型可以包括优化语音识别模型、优化语义理解模型及优化语音合成模型。相应的，利用语音调试模块对待优化语言模型进行语音功能优化时，需要根据语言模型的语音功能具体优化。例如，如果语言模型为语音识别模型，则可以利用语音调试模块对待优化语言模型进行asr(automaticspeechrecognition，自动语音识别)优化。如果语言模型为语义理解模型，则可以利用语音调试模块对待优化语言模型进行语义理解优化。如果语言模型为语音合成模型，则可以利用语音调试模块对待优化语言模型进行语音合成优化。

相应的，在得到优化语音模型后，可以将具有优化语音模型的语音应用正式上线应用。正式上线后的语音应用中的语言模型并不是开发阶段得到的初始的语言模型，而是已经完成语音功能优化的语言模型。也即，语音功能优化的效果也可以同时随着语音应用的正式上线在线上应用，从而极大地提高语音应用的用户体验。并且，正式上线后的语音应用无需再搜集用户的历史数据进行后续的语言模型的优化过程，进而缩短了整个语言模型优化的时间周期，提高了语言模型的优化效率。

由此可见，本申请实施例所提供的语言模型的优化方法可以让在开发用户在语音应用的开发阶段及时对语音应用中涉及的用户交互的语言模型进行优化，及时地体验语音功能优化的效果，从而提高优化效率。在语音应用上线后，语音功能优化的效果也同时在线上应用，可以较大地提高用户地体验。

图2是本申请实施例提供的一种开发待优化语言模型的流程示意图，在一个可选的示例中，如图2所示，dbp表示语音开发平台，daassistant表示语义分析模块，asropenspeech表示开发环境的语音识别开放网关，asrdebugtraining表示开发环境的语音识别模型训练模块，debugdecoder表示开发环境的语音识别译码器，也即语音调试模块。图2所示的流程实际属于开发环境的数据配送流程。

本示例中，将语音识别模型作为语言模型。相应的，开发用户可以通过dbp平台进入技能调试模式，并向da(decisionattention)assistant推送nlu(naturallanguageunderstanding，自然语言理解)语料。daassistant对接收的nlu语料进行语义分析，得到query语料，并反馈至dbp平台。其中，nlu语料可以是针对一个或多个特定应用领域的自然语料，query语料可以是包括实体的短文本语料，可以用于训练语音识别模型。然后，dbp平台将query语料的相关信息发送至asropenspeech，例如，将query语料对应的lmid和ftp(filetransferprotocol，文件传输协议)路径发送至asropenspeech。其中，lmid用于标识要开发的功能，如语音查询天气或语音点餐等。ftp路径可以用于下载query语料，也即，一个应用领域可以对应一个lmid。lmid的数量可以是一个或多个，本申请实施例对此并不进行限制。asropenspeech接收到dbp平台发送的信息后，可以通知asrdebugtraining有新数据。然后，asrdebugtraining即可根据query语料对应的lmid和ftp路径从dbp平台获取query数据，也即获取query语料，并利用获取的query语料开始训练语言模型，得到待优化语言模型。得到待优化语言模型后，asrdebugtraining即可将待优化语言模型发布到debugdecoder中。随后，asrdebugtraining通知dbp待优化语言模型上线完成，此处上线的含义是发布到debug环境而不是真正发布到线上环境。也即，asrdebugtraining不是直接将训练得到的语言模型正式发布到线上环境，而是发布到debug环境，以在debug环境中对待优化语言模型进行优化。

本申请实施例通过语音开发平台在语言模型的开发阶段进行模型开发，得到待优化语言模型，并将待优化语言模型发布至语音开发平台的语音调试模块，以根据语音调试模块对开发得到的待优化语言模型进行语音功能优化，得到优化语言模型，解决现有语言模型优化效果不理想、优化周期长等问题，以提高语言模型的优化效果和优化效率。

在一个示例中，图3是本申请实施例提供的一种语言模型的优化方法的流程图，本申请实施例在上述各实施例的技术方案的基础上，进行了优化改进，给出了根据所述语音调试模块对所述待优化语言模型进行语音功能优化的具体实现方式。

如图3所示的一种语言模型的优化方法，包括：

s210、在语言模型的开发阶段进行模型开发，得到待优化语言模型。

s220、将所述待优化语言模型发布至所述语音开发平台的语音调试模块。

s230、通过所述语音调试模块运行所述待优化语言模型。

在根据语音调试模块对待优化语言模型进行语音功能优化时，需要首先通过语音调试模块运行待优化语言模型。

s240、接收调试设备发送的实时自然语料。

s250、将所述调试设备发送的实时自然语料作为所述调试自然语料。

s260、根据所述待优化语言模型对调试自然语料进行语音处理，以实现对所述待优化语言模型的语音功能调试。

其中，调试设备可以用于对待优化语音模型进行调试。可选的，调试设备可以是各种智能语音设备，如智能音箱或智能手机等，本申请实施例并不对调试设备的具体设备类型进行限定。实时自然语料可以是调试设备实时生成的自然语料，可以是同一领域的相关语料，也可以是不同领域的语料，本申请实施例对此并不进行限制。调试自然语料可以用于对待优化语言模型进行调试。

相应的，当待优化语言模型在语音调试模块运行后，可以接收调试设备发送的实时自然语料，并将接收的实时自然语料作为调试自然语料，以利用调试自然语料对待优化语言模型进行调试。可选的，待优化语言模型可以对调试自然语料进行语音处理，从而实现对待优化语言模型的语音功能调试。

通过将调试设备发送的实时自然语料作为调试自然语料对待优化语言模型进行语音功能调试，使得语音功能调试阶段可以有效模拟语言模型的线上应用过程，从而提高语言模型的调试效果。

示例性的，假设待优化语言模型为待优化语音识别模型，接收的实时自然语料为“附近哪里有驴打滚？”，则将“附近哪里有驴打滚？”作为调试自然语料，并利用待优化语音识别模型对该调试自然语料进行语音识别。如果待优化语音识别模型能够识别出调试自然语料中的语音内容，也即识别出“附近哪里有驴打滚”，则表示调试成功，待优化语音识别模型可以有效识别该调试自然语料；否则，表示调试失败。

s270、根据语音功能调试结果确定待优化语料。

其中，待优化语料也即待优化语言模型无法有效处理的语料。

相应的，根据调试自然语料对待优化语言模型进行语音功能调试后，可以根据语音功能调试的结果确定待优化语料。

示例性的，在上述示例中，如果待优化语音识别模型无法识别“附近哪里有驴打滚”中的“驴打滚”，则可以将“驴打滚”确定为待优化语料。

s280、将所述待优化语料输入至所述待优化语言模型中进行优化训练，以对所述待优化语言模型进行语音功能优化。

在本申请实施例中，当获取到待优化语料后，可以将待优化语料输入至待优化语言模型中进行优化训练，也即利用待优化语言模型重新根据待优化语料进行模型训练，使得训练得到的模型能够有效处理待优化语料，从而实现对待优化语言模型的语音功能优化。

示例性的，在上述示例中，如果将“驴打滚”确定为待优化语料，则可以将“驴打滚”输入至待优化语音识别模型中进行语音识别的优化训练，使得训练得到的语音识别模型能够有效识别“驴打滚”。

需要说明的是，语音功能调试阶段可以通过调试设备发送大量的实时自然语料，对待优化语言模型进行语音功能优化。调试设备一次调试过程可以发送单条实时自然语料，也还可以同时发送多条自然语料，本申请实施例对此并不进行限制。也即，步骤s240-步骤s280可以反复循环执行，直到最终获取的语言模型能够对调试设备发送的所有实时自然语料进行有效处理，表明待优化语言模型的语音功能优化完成。

上述方案中，通过利用调试设备发送的实时自然语料对待优化语言模型的语音功能调试，以获取待优化语言模型无法有效处理的待优化语料，并利用待优化语料对待优化语言模型进行语音功能优化，

图4是本申请实施例提供的一种优化待优化语言模型的流程示意图，在一个可选的例子中，如图4所示，device表示调试设备，dcs(duerosconversationservice)/ui(userinterface)表示dueros接入服务模块，us(unifyservice)表示会话统一管理中心，session表示会话存储系统，cds(centraldeviceservice)表示设备信息系统，asropenspeech表示开发环境的语音识别开放网关，asrdebugdecoder表示开发环境的语音识别译码器。图4所示的流程实际属于开发用户在开发环境的业务流程。

本示例中，将语音识别模型作为语言模型。相应的，开发用户可以通过device(如智能语音设备)进入技能调试模式，接入到dbp的dueros接入服务，并通过dcs/ui调用dbp的dm(用于调用debug数据)接口，以接入dbp平台。device接入到dbp后，dbp向dcs/ui返回debug数据，该debug数据也即lmid。然后，通过dcs/ui向us传输debug数据，以通过us从device出获取query语料并开始进行语音识别模型训练。上述流程是图2所示数据配送流程的业务流程体现，也即语音识别模型的训练过程。模型训练完成得到待优化语音识别模型后，可以将待优化语音识别模型发布到asrdebugdecoder中，也即发布到语音调试模块(模型发布过程图4中未示出)。模型训练过程中，可以将训练数据写入session中。模型训练完成后，device开始发送实时自然语料，该实时自然语料作为调试自然语料发送至asropenspeech。asropenspeech接收到调试自然语料后，根据pam(设备管理系统)从cds处获取lmid。而cds需要从session处获取lmid并返回给asropenspeech。需要说明的是，cds属于设备信息系统，为各领域应用场景而服务。如果不考虑具体的应用场景，也即，语言模型不是为某一特定的应用领域而训练，则可以省略cds的应用，由asropenspeech直接从session处获取lmid。随后，asropenspeech可以将获取的调试自然语料和lmid发送至asrdebugdecoder，以利用待优化语音识别模型对其进行识别，也即开始对待优化语音识别模型进行调试，并根据调试结果确定待优化语料，在确定了待优化语料后，可以将待优化语料通过图2的数据配送流程输入至待优化语音识别模型中，对待优化语音识别模型进行优化训练，从而实现对待优化语音识别模型的asr功能优化。

在本申请的一个可选实施例中，语言模型的优化方法还可以包括：获取训练自然语料；通过所述优化语言模型对所述训练自然语料进行训练，得到目标语言模型；将所述目标语言模型发布至线上生产环境。

其中，训练自然语料可以用于对优化语言模型进行训练，以获取特定功能的目标语言模型。

相应的，开发用户在语言模型的开发过程中获取到优化语言模型后，可以将优化语言模型正式线上发布。其他用户可以从线上获取优化语言模型并根据应用需求提供训练自然语料对优化语音模型进行训练，从而得到符合自身应用需求的目标语言模型，并将目标语言模型发布至线上生产环境。

图5是本申请实施例提供的一种目标语言模型线上发布的流程示意图，在一个可选的例子中，如图5所示，其中，asrtraining表示线上生产环境的语音识别模型训练，asrdecoder表示线上生产环境的语音识别译码器。图5所示的流程实际属于线上环境的数据配送流程。

本示例中，以语音识别模型为例说明，当dbp平台线上发布优化语音识别模型后，用户需要利用优化语音识别模型开发目标语音识别模型时，可以通dbp提交请求，请求审核通过后，用户即可通过dbp发送训练自然语料以训练目标语音识别模型。目标语音识别模型的训练过程与待优化语音识别模型的训练过程相同，不再赘述。当训练得到目标语音识别模型后，可以将目标语音识别模型正式线上发布。

上述方案中，通过利用优化后的语言模型进一步开发特定领域的目标语言模型，可以使得目标语音识别模型本身具有语音功能优化效果，无需对上线应用后的目标语言模型再次进行模型优化过程，从而提高目标语言模型的开发效率和优化效率。

在本申请的一个可选实施例中，语言模型的优化方法还可以包括：通过所述线上生产环境运行所述目标语言模型；获取应用设备发送的应用自然语料；根据所述目标语言模型对所述应用自然语料进行语音处理。

其中，应用自然语料也即模型使用用户发送的自然语料。

在本申请实施例中，目标语言模型可以对应用自然语料进行语音处理，以对用户提供语音服务。例如，语音识别、语义理解或语音合成等成熟的服务。由于目标语言模型已经进行了模型优化过程，因此在目标语言模型的使用初期，也可以给用户提供良好的语音功能，从而提高用户体验，避免用户流失。

图6是本申请实施例提供的一种目标语言模型线上应用的流程示意图，在一个可选的例子中，如图6所示，asrdecoder表示线上环境的语音识别译码器。图6所示的流程实际属于线上环境的业务流程。在目标语音识别模型正式上线后，可以直接利用目标语音识别模型对获取的应用自然语料进行语音识别，且不会出现部分词汇无法识别的问题，可以获取理想的语音识别效果，后期无需再对目标语音识别模型进行asr优化。

采用上述技术方案，通过将语言模型的优化过程进行前置，使得在模型的开发阶段同步对语言模型进行优化，将离线分析替换为及时性增量分析，可以实现优化语言模型在开发环境与线上环境的同步迁移，以提高语言模型的优化效果和优化效率。

在一个示例中，图7是本申请实施例提供的一种语言模型的优化装置的结构图，本申请实施例可适用于在语言模型的开发阶段对语言模型进行优化的情况，该装置通过软件和/或硬件实现，并具体配置于电子设备中。该电子设备可以是计算机设备等。

如图7所示的一种语言模型的优化装置300，包括：待优化语言模型开发模块310、待优化语言模型发布模块320和语音调试模块330。其中，

待优化语言模型开发模块310，用于在语言模型的开发阶段进行模型开发，得到待优化语言模型；

待优化语言模型发布模块320，用于将所述待优化语言模型发布至所述语音开发平台的语音调试模块；

语音调试模块330，用于对所述待优化语言模型进行语音功能优化，得到优化语言模型。

本申请实施例通过语音开发平台在语言模型的开发阶段进行模型开发，得到待优化语言模型，并将待优化语言模型发布至语音开发平台的语音调试模块，以根据语音调试模块对开发得到的待优化语言模型进行语音功能优化，得到优化语言模型，解决现有语言模型优化效果不理想、优化周期长等问题，以提高语言模型的优化效果和优化效率。

可选的，语音调试模块330具体用于：

通过所述语音调试模块运行所述待优化语言模型；

根据所述待优化语言模型对调试自然语料进行语音处理，以实现对所述待优化语言模型的语音功能调试；

根据语音功能调试结果确定待优化语料；

将所述待优化语料输入至所述待优化语言模型中进行优化训练，以对所述待优化语言模型进行语音功能优化。

可选的，所述装置还包括：实时自然语料接收模块，用于接收调试设备发送的实时自然语料；调试自然语料确定模块，用于将所述调试设备发送的实时自然语料作为所述调试自然语料。

可选的，所述装置还包括：训练自然语料获取模块，用于获取训练自然语料；目标语言模型获取模块，用于通过所述优化语言模型对所述训练自然语料进行训练，得到目标语言模型；目标语言模型发布模块，用于将所述目标语言模型发布至线上生产环境。

可选的，所述装置还包括：目标语言模型运行模块，用于通过所述线上生产环境运行所述目标语言模型；应用自然语料获取模块，用于获取应用设备发送的应用自然语料；应用自然语料处理模块，用于根据所述目标语言模型对所述应用自然语料进行语音处理。

可选的，所述优化语言模型为优化语音识别模型和/或优化语义理解模型。

上述语言模型的优化装置可执行本申请任意实施例所提供的语言模型的优化方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的语言模型的优化方法。

由于上述所介绍的语言模型的优化装置为可以执行本申请实施例中的语言模型的优化方法的装置，故而基于本申请实施例中所介绍的语言模型的优化方法，本领域所属技术人员能够了解本实施例的语言模型的优化装置的具体实施方式以及其各种变化形式，所以在此对于该语言模型的优化装置如何实现本申请实施例中的语言模型的优化方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中语言模型的优化方法所采用的装置，都属于本申请所欲保护的范围。

在一个示例中，本申请还提供了一种电子设备和一种可读存储介质。

图8是用来实现本申请实施例的语言模型的优化方法的电子设备的结构示意图。如图8所示，是根据本申请实施例的语言模型的优化方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本申请的实现。

如图8所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语言模型的优化方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语言模型的优化方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语言模型的优化方法对应的程序指令/模块(例如，附图7所示的待优化语言模型开发模块310、待优化语言模型发布模块320和语音调试模块330)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语言模型的优化方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现语言模型的优化方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现语言模型的优化方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现语言模型的优化方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与实现语言模型的优化方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处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、专用asic(专用集成电路)、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。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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。客户端可以是智能手机、笔记本电脑、台式计算机、平板电脑、智能音箱等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算、云服务、云数据库、云存储等基础云计算服务的云服务器。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。

本申请实施例通过语音开发平台在语言模型的开发阶段进行模型开发，得到待优化语言模型，并将待优化语言模型发布至语音开发平台的语音调试模块，以根据语音调试模块对开发得到的待优化语言模型进行语音功能优化，得到优化语言模型，解决现有语言模型优化效果不理想、优化周期长等问题，以提高语言模型的优化效果和优化效率。

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，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

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。

此文章来源于网络,如有侵权,请联系删除