语音翻译方法、语音翻译装置、电子设备及存储介质与流程

1.本技术涉及金融科技技术领域，尤其涉及一种语音翻译方法、语音翻译装置、电子设备及存储介质。


背景技术：

2.随着网络、通讯、计算机技术的发展，企业呈现出电子化、远程化、虚拟化、网络化的特点，更多的线上企业大量涌现。而客户与企业之间的通信与对话，也由面对面的咨询、交涉发展到基于网络、电话等远程手段的交流和沟通。在此背景下，智能语音交互在被广泛应用于金融、物流、客服等领域。
3.目前，基于语音交互的金融交易平台每天都面对着大量的电话语音服务，处理客户多样化的服务需求，包括售前咨询、购买、售后、投诉等。在电话服务的过程中，智能客服机器人需要应对不同的服务对象，并作出合适的反应。如果智能客服在对话交流中无法准确地识别到不同方言、不同语种的服务对象在语音数据中所表征的诉求，会导致基于语音数据反馈的服务应答不符合对象需求等问题，影响服务质量和对象满意度。
4.目前，在语音翻译时，常常通过预训练模型构建级联的语音翻译系统来实现语音翻译，但这一方式构建的语音翻译系统往往在提取语音数据的语音特征信息时会存在特征信息缺失、提取过程复杂等问题，会导致语音翻译的准确性较差，翻译效率不高。


技术实现要素：

5.本技术实施例的主要目的在于提出一种语音翻译方法、语音翻译装置、电子设备及存储介质，旨在提高语音翻译的准确性和效率。
6.为实现上述目的，本技术实施例的第一方面提出了一种语音翻译方法，所述方法包括：
7.获取原始语音数据；
8.将所述原始语音数据输入至预先训练的语音翻译模型中，所述语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；
9.基于所述语音识别网络对所述原始语音数据进行语音识别，得到初步语音隐状态特征；
10.基于所述特征对齐网络对所述初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，所述中间语音隐状态特征包含所述原始语音数据的字符语义信息；
11.基于所述特征变换网络对所述中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，所述目标语音隐状态特征包含所述原始语音数据的词语语义信息；
12.基于所述语音翻译网络和目标语音隐状态特征进行语音翻译，得到所述原始语音数据的翻译文本数据。
13.在一些实施例，所述基于所述特征对齐网络对所述初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，包括：
14.基于所述原始语音数据中字符的字符位置，对所述初步语音隐状态特征进行分类，得到每个所述字符的特征集合，每个所述特征集合包括至少一个所述初步语音隐状态特征；
15.基于所述特征对齐网络对同一所述特征集合的初步语音隐状态特征进行均值计算，得到所述中间语音隐状态特征。
16.在一些实施例，所述特征变换网络包括第一bi-lstm层、第二bi-lstm层和第三bi-lstm层，所述基于所述特征变换网络对所述中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，包括：
17.通过所述第一bi-lstm层对所述中间语音隐状态特征进行第一上下文本提取，得到第一语义融合向量；
18.通过所述第二bi-lstm层对所述第一语义融合向量进行第二上下文本提取，得到第二语义融合向量；
19.通过所述第三bi-lstm层对所述第二语义融合向量进行第三上下文本提取，得到所述目标语音隐状态特征。
20.在一些实施例，所述语音翻译网络包括编码器、解码器，所述基于所述语音翻译网络和目标语音隐状态特征进行语音翻译，得到所述原始语音数据的翻译文本数据，包括：
21.通过所述编码器对所述目标语音隐状态特征进行语义分析，得到语音上下文特征向量；
22.通过所述解码器对所述语音上下文特征向量进行内容识别，得到翻译文本序列；
23.将所述翻译文本序列映射到预设的数据空间，得到所述翻译文本数据。
24.在一些实施例，在所述将所述原始语音数据输入至预先训练的语音翻译模型中之前，所述方法还包括预先训练所述语音翻译模型，具体包括：
25.获取样本音频的样本音频数据和样本翻译文本；
26.将所述样本音频数据和所述样本翻译文本输入至所述语音翻译模型中；
27.基于所述语音识别网络对所述样本音频数据进行语音识别，得到第一样本语音隐状态特征；
28.基于所述特征对齐网络对所述第一样本语音隐状态特征进行特征对齐，得到第二样本语音隐状态特征，其中，所述第二样本语音隐状态特征包含所述样本音频数据的字符语义信息；
29.基于所述特征变换网络对所述第二样本语音隐状态特征进行特征变换，得到第三样本语音隐状态特征，其中，所述第三样本语音隐状态特征包含所述样本音频数据的词语语义信息；
30.基于所述语音翻译网络对第三样本语音隐状态特征和所述样本翻译文本进行相似度评分，得到样本评分数据；
31.基于所述样本评分数据对所述语音翻译模型的模型参数进行更新。
32.在一些实施例，所述语音翻译网络包括嵌入层和编码层，所述基于所述语音翻译网络对第三样本语音隐状态特征和所述样本翻译文本进行相似度评分，得到样本评分数据，包括：
33.基于所述嵌入层对所述样本翻译文本进行语言嵌入，得到所述样本翻译文本对应
的翻译语言嵌入特征，并基于所述嵌入层对所述样本翻译文本进行内容嵌入，得到所述样本翻译文本的样本文本嵌入特征；
34.基于所述编码层对所述样本文本嵌入特征进行编码处理，得到样本翻译文本表征向量，并基于所述编码层对所述翻译语言嵌入特征和所述第三样本语音隐状态特征进行编码处理，得到样本语音表征向量；
35.基于所述样本语音表征向量和所述样本翻译文本表征向量对进行相似度评分，得到所述样本评分数据。
36.在一些实施例，所述基于所述样本语音表征向量和所述样本翻译文本表征向量对进行相似度评分，得到所述样本评分数据，包括：
37.针对每个所述样本音频，计算所述样本语音表征向量和所述样本翻译文本表征向量之间的相似分数；
38.根据所有所述样本音频的相似分数，得到所述样本评分数据。
39.为实现上述目的，本技术实施例的第二方面提出了一种语音翻译装置，所述装置包括：
40.语音数据获取模块，用于获取原始语音数据；
41.输入模块，用于将所述原始语音数据输入至预先训练的语音翻译模型中，所述语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；
42.语音识别模块，用于基于所述语音识别网络对所述原始语音数据进行语音识别，得到初步语音隐状态特征；
43.特征对齐模块，用于基于所述特征对齐网络对所述初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，所述中间语音隐状态特征包含所述原始语音数据的字符语义信息；
44.特征变换模块，用于基于所述特征变换网络对所述中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，所述目标语音隐状态特征包含所述原始语音数据的词语语义信息；
45.语音翻译模块，用于基于所述语音翻译网络和目标语音隐状态特征进行语音翻译，得到所述原始语音数据的翻译文本数据。
46.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
47.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
48.本技术提出的语音翻译方法、语音翻译装置、电子设备及存储介质，其通过获取原始语音数据；将原始语音数据输入至预先训练的语音翻译模型中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；基于语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；基于特征对齐网络对初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息；基于特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐
状态特征，其中，目标语音隐状态特征包含原始语音数据的词语语义信息，这一方式能够实现不同级别的音频语义信息的转换，有利于改善特征质量，最后，基于语音翻译网络和目标语音隐状态特征进行语音翻译，得到原始语音数据的翻译文本数据，能够提高语音翻译的准确性和效率，进而使得智能客服机器人在与服务对象的对话过程中，能更为准确地识别服务对象的语音数据中所表征的诉求，从而提高有针对性的应答和服务反馈，能有效地改善金融交易过程中的对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度，从而提高业务成交率。
附图说明
49.图1是本技术实施例提供的语音翻译方法的流程图；
50.图2是本技术实施例提供的语音翻译方法的另一流程图；
51.图3是图2中的步骤s206的流程图；
52.图4是图3中的步骤s303的流程图；
53.图5是图1中的步骤s104的流程图；
54.图6是图1中的步骤s105的流程图；
55.图7是图1中的步骤s106的流程图；
56.图8是本技术实施例提供的语音翻译装置的结构示意图；
57.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
58.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
59.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
60.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
61.首先，对本技术中涉及的若干名词进行解析：
62.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
63.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解
以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
64.信息抽取(information extraction，ner)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
65.随着网络、通讯、计算机技术的发展，企业呈现出电子化、远程化、虚拟化、网络化的特点，更多的线上企业大量涌现。而客户与企业之间的通信与对话，也由面对面的咨询、交涉发展到基于网络、电话等远程手段的交流和沟通。在此背景下，智能语音交互在被广泛应用于金融、物流、客服等领域。
66.目前，基于语音交互的金融交易平台每天都面对着大量的电话语音服务，处理客户多样化的服务需求，包括售前咨询、购买、售后、投诉等。在电话服务的过程中，智能客服机器人需要应对不同的服务对象，并作出合适的反应。如果智能客服在对话交流中无法准确地识别到服务对象在语音数据中所表征的诉求，会导致基于语音数据反馈的服务应答不符合对象需求等问题，影响服务质量和对象满意度。
67.例如，基于语音交互的金融交易平台在通过虚拟人物进行产品推荐过程中，当服务对象存在疑问需要咨询和沟通时，由于当前虚拟人物只能识别固定语种的语音数据，并在设定好的选项中寻找答案，不能准确识别不同方言、不同语种的服务对象在语音数据中所表征的诉求，造成“答非所问”的现象，造成虚拟人物的语音交互准确度低。
68.目前，在语音翻译时，常常通过预训练模型构建级联的语音翻译系统来实现语音翻译，但这一方式构建的语音翻译系统往往在提取语音数据的语音特征信息时会存在特征信息缺失、提取过程复杂等问题，会导致语音翻译的准确性较差，翻译效率不高。
69.基于此，本技术实施例提供了一种语音翻译方法、语音翻译装置、电子设备及存储介质，旨在提高语音翻译的准确性和效率。
70.本技术实施例提供的语音翻译方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的语音翻译方法。
71.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
72.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深
度学习等几大方向。
73.本技术实施例提供的语音翻译方法，涉及人工智能技术领域。本技术实施例提供的语音翻译方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现语音翻译方法的应用等，但并不局限于以上形式。
74.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
75.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
76.图1是本技术实施例提供的语音翻译方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s106。
77.步骤s101，获取原始语音数据；
78.步骤s102，将原始语音数据输入至预先训练的语音翻译模型中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；
79.步骤s103，基于语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；
80.步骤s104，基于特征对齐网络对初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息；
81.步骤s105，基于特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，目标语音隐状态特征包含原始语音数据的词语语义信息；
82.步骤s106，基于语音翻译网络和目标语音隐状态特征进行语音翻译，得到原始语音数据的翻译文本数据。
83.本技术实施例所示意的步骤s101至步骤s106，通过获取原始语音数据；将原始语音数据输入至预先训练的语音翻译模型中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；基于语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；基于特征对齐网络对初步语音隐状态特征进行特征对齐，得到中
间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息；基于特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，目标语音隐状态特征包含原始语音数据的词语语义信息，这一方式能够实现不同级别的音频语义信息的转换，有利于改善特征质量，最后，基于语音翻译网络和目标语音隐状态特征进行语音翻译，得到原始语音数据的翻译文本数据，能够提高语音翻译的准确性和效率。
84.在一些实施例的步骤s101中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到原始语音数据，其中，数据源可以是各种类型的网络平台、社交媒体也可以是某些特定的音频数据库等，原始语音数据可以是目标说话对象的音乐素材、演讲汇报、聊天对话等，不做限制。
85.例如，在金融交易场景中，原始语音数据是包含金融领域常用对话话术的音频数据，在保险推销场景中，原始语音数据是包含某一保险产品的险种、费用、适用人群等描述内容的音频数据。
86.请参阅图2，在一些实施例的步骤s102之前，语音翻译方法还包括预先训练语音翻译模型，具体可以包括但不限于包括步骤s201至步骤s207：
87.步骤s201，获取样本音频的样本音频数据和样本翻译文本；
88.步骤s202，将样本音频数据和样本翻译文本输入至语音翻译模型中；
89.步骤s203，基于语音识别网络对样本音频数据进行语音识别，得到第一样本语音隐状态特征；
90.步骤s204，基于特征对齐网络对第一样本语音隐状态特征进行特征对齐，得到第二样本语音隐状态特征，其中，第二样本语音隐状态特征包含样本音频数据的字符语义信息；
91.步骤s205，基于特征变换网络对第二样本语音隐状态特征进行特征变换，得到第三样本语音隐状态特征，其中，第三样本语音隐状态特征包含样本音频数据的词语语义信息；
92.步骤s206，基于语音翻译网络对第三样本语音隐状态特征和样本翻译文本进行相似度评分，得到样本评分数据；
93.步骤s207，基于样本评分数据对语音翻译模型的模型参数进行更新。
94.在一些实施例的步骤s201中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到样本音频的样本音频数据和对应的样本翻译文本，其中，数据源可以是各种类型的网络平台、社交媒体也可以是某些特定的音频数据库等，样本音频数据可以是音乐素材、演讲汇报、聊天对话等，样本翻译文本的文本信息能够表征样本音频数据的语音内容。通过上述方式能够较为方便地获取样本音频数据和样本翻译文本，提高了数据获取效率。
95.例如，在金融交易场景中，样本音频数据是包含金融领域常用对话话术的音频数据，在保险推销场景中，样本音频数据是包含某一保险产品的险种、费用、适用人群等描述内容的音频数据。样本翻译文本可以是含有金融领域的专有名词、金融业务模板词汇、也可以是含有保险产品的产品描述、理财产品的产品描述以及金融领域的常用对话话术等的文本数据。
96.在一些实施例的步骤s202中，通过预设的脚本程序或者其他计算机程序将样本音
频数据和样本翻译文本输入至语音翻译模型中，其中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络。
97.在一些实施例的步骤s203中，在基于语音识别网络对样本音频数据进行语音识别时，首先利用语音识别网络对样本音频数据进行静音消除，降低不相关的冗余语音信息的干扰；再将经过静音消除的样本音频数据进行声音分帧，将经过静音消除的样本音频数据切分成一小段一小段，每小段成为一帧，其中，在声音分帧时是使用移动窗函数进行声音分帧，并不是简单的将样本音频数据切开，各帧之间一般会有重叠。进一步地，利用梅尔倒谱滤波器对每个样本音频帧进行特征提取，得到每一个样本音频帧对应的多维向量，该多维向量包含有该样本音频帧的声音信息；对所有的多维向量进行整合至同一集合，得到第一样本语音隐状态特征，第一样本语音隐状态特征是字符级别的文本特征，即每个第一样本语音隐状态特征对应样本音频数据的一个字符，同一字符存在至少一个第一样本语音隐状态特征与之对应，每个字符的第一样本语音隐状态特征能够用于表征该字符的语义信息。
98.在一些实施例的步骤s204中，在基于特征对齐网络对第一样本语音隐状态特征进行特征对齐时，由于样本音频数据中存在着一个字符对应几个第一样本语音隐状态特征的情况，这会造成信息冗余，因此，需要根据字符的字符位置，确定每个第一样本语音隐状态特征对应的字符，将属于同一个字符的第一样本语音隐状态特征进行分类至同一个特征集合，再对每个特征集合的第一样本语音隐状态特征进行求均值，将得到的平均语音隐状态特征作为该特征集合与字符对应的特征，即得到第二样本语音隐状态特征。这一方式能构建字符与第二样本语音隐状态特征之间一一对应的关系，能够压缩冗余和无信息的向量特征，提高第二样本语音隐状态特征的特征质量，其中，第二样本语音隐状态特征包含样本音频数据的字符语义信息。
99.在一些实施例的步骤s205中，特征转换网络的设置主要用于解决语音识别网络输出的基于字符级别的第一样本语音隐状态特征与语音翻译网络所要求输入为基于词语级别的特征之间的特征差异，该特征转换网络包括三个依次连接的bi-lstm层。基于特征转换网络的bi-lstm层对第二样本语音隐状态特征进行上下文信息提取，得到第三样本语音隐状态特征，其中，第三样本语音隐状态特征是词语级别的文本特征，第三样本语音隐状态特征包含样本音频数据的词语语义信息。
100.在一些实施例的步骤s206中，语音翻译网络包括嵌入层和编码层，基于嵌入层对样本翻译文本进行语言嵌入，得到样本翻译文本对应的翻译语言嵌入特征，并基于嵌入层对样本翻译文本进行内容嵌入，得到样本翻译文本的样本文本嵌入特征，再基于编码层对样本文本嵌入特征进行编码处理，得到样本翻译文本表征向量，并基于编码层对翻译语言嵌入特征和第三样本语音隐状态特征进行编码处理，得到样本语音表征向量，能够提取样本翻译文本的翻译语言嵌入特征，并将翻译语言嵌入特征嵌入至第三样本语音隐状态特征，能实现目标强制机制，有利于提高模型的训练效果。最后，基于预设的相似损失函数样本语音表征向量和样本翻译文本表征向量对进行相似度评分，得到样本评分数据。
101.在一些实施例的步骤s207中，根据样本评分数据进行反向传播，通过优化样本评分数据更新神经网络模型的内部参数(也即损失参数)，得到语音翻译模型。可以理解的是，反向传播原理可以应用常规的反向传播原理，本技术实施例不做限定。
102.通过上述步骤s201至步骤s207能够将语音翻译模型构建为端到端的模型形式，相
较于级联方式，能够减小模型的错误传播概率以及减小模型的计算复杂度。同时，在语音翻译模型的语音识别网络和语音翻译网络之间设置特征对齐网络和特征转换网络，能够实现对样本音频数据的语音信息在字符级别和词语级别上的转换，使得语音识别网络和语音翻译网络之间的语义信息能够被集成，能够降低模型参数调整的复杂度，节省模型参数调整的时间，有利于提高模型性能，此外，本技术实施例在模型训练中引入了相似度评分，基于相似损失函数调整整个模型的模型参数，能够有效地解决模型训练时样本数据缺乏导致模型训练精度不高的问题，能够使得语音翻译模型具备较高的语音翻译准确性和语音翻译效率。
103.请参阅图3，在一些实施例中，语音翻译网络包括嵌入层和编码层，步骤s206可以包括但不限于包括步骤s301至步骤s303：
104.步骤s301，基于嵌入层对样本翻译文本进行语言嵌入，得到样本翻译文本对应的翻译语言嵌入特征，并基于嵌入层对样本翻译文本进行内容嵌入，得到样本翻译文本的样本文本嵌入特征；
105.步骤s302，基于编码层对样本文本嵌入特征进行编码处理，得到样本翻译文本表征向量，并基于编码层对翻译语言嵌入特征和第三样本语音隐状态特征进行编码处理，得到样本语音表征向量；
106.步骤s303，基于样本语音表征向量和样本翻译文本表征向量对进行相似度评分，得到样本评分数据。
107.在一些实施例的步骤s301中，基于嵌入层对样本翻译文本进行语言嵌入，将样本翻译文本的语言类型从数据空间映射到向量空间，得到样本翻译文本对应的翻译语言嵌入特征；同样地，基于嵌入层对样本翻译文本进行内容嵌入，将样本翻译文本的文本内容信息从数据空间映射到向量空间，得到样本翻译文本的样本文本嵌入特征，该样本文本嵌入特征能够表征样本翻译文本的文本内容信息，该翻译语言嵌入特征能够表征样本翻译文本的语言类型。
108.在一些实施例的步骤s302中，基于编码层对样本文本嵌入特征进行编码处理，获取样本文本嵌入特征中的文本内容信息，得到样本翻译文本表征向量；将翻译语言嵌入特征嵌入至第三样本语音隐状态特征，并基于编码层对嵌入在一起的特征进行编码，获取具备该语言类型特征的语音内容信息，得到样本语音表征向量。
109.在一些实施例的步骤s303中，在基于样本语音表征向量和样本翻译文本表征向量对进行相似度评分时，可以利用预设的相似损失函数对每个样本音频的样本语音表征向量和样本翻译文本表征向量进行均方误差计算，将得到的均方误差值作为样本语音表征向量和样本翻译文本表征向量之间的相似分数；再将所有样本音频的相似分数进行直接求和或者求平方和，得到样本评分数据。
110.通过上述步骤s301至步骤s303能够提取到眼部翻译文本的文本内容信息和样本音频数据的语音内容信息，使得能够将两种内容信息进行特征比对，计算样本语音表征向量和样本翻译文本表征向量之间的相似分数，以相似分数来量化样本音频数据和样本翻译文本的相似程度，从而根据相似程度来训练模型，有利于提高模型对语音翻译的准确性和效率。
111.请参阅图4，在一些实施例中，步骤s303可以包括但不限于包括步骤s401至步骤
s402：
112.步骤s401，针对每个样本音频，计算样本语音表征向量和样本翻译文本表征向量之间的相似分数；
113.步骤s402，根据所有样本音频的相似分数，得到样本评分数据。
114.在一些实施例的步骤s401中，针对每个样本音频，利用相似损失函数计算样本语音表征向量和样本翻译文本表征向量之间的均方误差值，将该均方误值作为样本语音表征向量和样本翻译文本表征向量之间的相似分数，即相似分数越小，则样本语音表征向量和样本翻译文本表征向量越相似。
115.在一些实施例的步骤s402中，对所有的样本音频的相似分数进行直接求和或者求平方和，得到样本评分数据。
116.上述步骤s401至步骤s402，通过样本评分数据能够较为直观地反映出模型挖掘样本音频数据和样本翻译文本之间的相关信息的能力，能够反映出模型的训练情况。
117.在一些实施例的步骤s102中，通过预设的脚本程序或者其他计算机程序将原始语音数据输入至语音翻译模型中，其中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络。
118.在一些实施例的步骤s103中，在基于语音识别网络对原始语音数据进行语音识别时，首先利用语音识别网络对原始语音数据进行静音消除，降低不相关的冗余语音信息的干扰；再将经过静音消除的原始语音数据进行声音分帧，将经过静音消除的原始语音数据切分成一小段一小段，每小段成为一帧，其中，在声音分帧时是使用移动窗函数进行声音分帧，并不是简单的将样本音频数据切开，各帧之间一般会有重叠。进一步地，利用梅尔倒谱滤波器对每个原始音频帧进行特征提取，得到每一个原始音频帧对应的多维向量，该多维向量包含有该原始音频帧的声音信息；对所有的多维向量进行整合至同一集合，得到初步语音隐状态特征，该初步语音隐状态特征是文本特征，该初步语音隐状态特征包含原始音频数据在字符级别上的声音信息，即每个初步语音隐状态特征对应原始音频数据的一个字符，同一字符存在至少一个初步语音隐状态特征与之对应，每个字符的初步语音隐状态特征能够用于表征该字符的语义信息。这一方式能够较为方便地提取到原始音频数据在字符级别上的语义信息，能够实现利用字符级别的语义信息进行语音翻译，有助于提高语音翻译的准确性。
119.请参阅图5，在一些实施例中，步骤s104可以包括但不限于包括步骤s501至步骤s502：
120.步骤s501，基于原始语音数据中字符的字符位置，对初步语音隐状态特征进行分类，得到每个字符的特征集合，每个特征集合包括至少一个初步语音隐状态特征；
121.步骤s502，基于特征对齐网络对同一特征集合的初步语音隐状态特征进行均值计算，得到中间语音隐状态特征。
122.在一些实施例的步骤s501中，在基于特征对齐网络对初步语音隐状态特征进行特征对齐时，由于原始音频数据中存在着一个字符对应几个初步语音隐状态特征的情况，这会造成信息冗余，因此，需要根据字符的字符位置，确定每个初步语音隐状态特征对应的字符，将属于同一个字符的初步语音隐状态特征进行分类至同一个特征集合，得到每个字符的特征集合。
123.在一些实施例的步骤s502中，对每个特征集合的初步语音隐状态特征进行求均值，将得到的平均语音隐状态特征作为该特征集合与字符对应的特征，即得到中间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息，即中间语音隐状态特征能够表征原始语音数据在字符级别上的语义内容信息。
124.通过上述步骤s501至步骤s502能够构建原始音频数据的字符与中间语音隐状态特征之间一一对应的关系，能够压缩冗余和无信息的向量特征，提高中间语音隐状态特征的特征质量。
125.请参阅图6，在一些实施例，特征变换网络包括第一bi-lstm层、第二bi-lstm层和第三bi-lstm层，步骤s105包括但不限于包括步骤s601至步骤s603：
126.步骤s601，通过第一bi-lstm层对中间语音隐状态特征进行第一上下文本提取，得到第一语义融合向量；
127.步骤s602，通过第二bi-lstm层对第一语义融合向量进行第二上下文本提取，得到第二语义融合向量；
128.步骤s603，通过第三bi-lstm层对第二语义融合向量进行第三上下文本提取，得到目标语音隐状态特征。
129.在一些实施例的步骤s601中，在通过第一bi-lstm层对中间语音隐状态特征进行第一上下文本提取时，对中间语音隐状态特征按照从左到右的时间顺序进行正向编码，再对中间语音隐状态特征按照从右到左的时间顺序进行反向编码，将正向编码的结果和反向编码的结果进行合并，得到第一语义融合向量。
130.在一些实施例的步骤s602中，在通过第二bi-lstm层对第一语义融合向量进行第二上下文本提取时，对第一语义融合向量按照从左到右的时间顺序进行正向编码，再对第一语义融合向量按照从右到左的时间顺序进行反向编码，将正向编码的结果和反向编码的结果进行合并，得到第二语义融合向量。
131.在一些实施例的步骤s603中，在通过第三bi-lstm层对第二语义融合向量进行第三上下文本提取时，对第二语义融合向量按照从左到右的时间顺序进行正向编码，再对第二语义融合向量按照从右到左的时间顺序进行反向编码，将正向编码的结果和反向编码的结果进行合并，得到目标语音隐状态特征，目标语音隐状态特征包含原始语音数据的词语语义信息。
132.通过上述步骤s601至步骤s603能够实现基于字符级别的中间语音隐状态特征到基于词语级别的目标语音隐状态特征的特征转换，消除了不同维度造成的特征差异，有利于提高语音翻译的准确性。
133.请参阅图7，在一些实施例中，语音翻译网络包括编码器、解码器，步骤s106可以包括但不限于包括步骤s701至步骤s703：
134.步骤s701，通过编码器对目标语音隐状态特征进行语义分析，得到语音上下文特征向量；
135.步骤s702，通过解码器对语音上下文特征向量进行内容识别，得到翻译文本序列；
136.步骤s703，将翻译文本序列映射到预设的数据空间，得到翻译文本数据。
137.在一些实施例的步骤s701中，通过编码器对目标语音隐状态特征进行语义分析，从目标语音隐状态特征中提取原始音频数据的语义内容，得到语音上下文特征向量。
138.在一些实施例的步骤s702中，通过解码器对语音上下文特征向量进行内容识别，将语音上下文特征向量由向量形式转换为序列形式，得到翻译文本序列。
139.在一些实施例的步骤s703中，将翻译文本序列映射到预设的数据空间，将序列形式的翻译文本内容转换为文本形式，得到翻译文本数据。
140.例如，在金融业务办理时，当目标对话类型为查询时，相应的对象意图为业务查询、用户数据查询，例如当对象输入的目标语音数据为“明细查询”，则确定目标对话类型为数据查询，即对象意图为用户数据查询。
141.通过上述步骤s701至步骤s703能够较为方便地对目标语音隐状态特征进行语义分析，提取到原始音频数据的语义内容，得到语音上下文特征向量，并将这一语音上下文特征向量解码成翻译文本序列，从而得到原始音频数据对应的翻译文本数据，能够提高语音翻译的准确性和效率。
142.本技术实施例的语音翻译方法，其通过获取原始语音数据；将原始语音数据输入至预先训练的语音翻译模型中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；基于语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；基于特征对齐网络对初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息；基于特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，目标语音隐状态特征包含原始语音数据的词语语义信息，这一方式能够实现不同级别的音频语义信息的转换，有利于改善特征质量，最后，基于语音翻译网络和目标语音隐状态特征进行语音翻译，得到原始语音数据的翻译文本数据，能够提高语音翻译的准确性和效率，进而使得智能客服机器人在与服务对象的对话过程中，能更为准确地识别服务对象的语音数据中所表征的诉求，从而提高有针对性的应答和服务反馈，能有效地改善金融交易过程中的对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度，从而提高业务成交率。
143.请参阅图8，本技术实施例还提供一种语音翻译装置，可以实现上述语音翻译方法，该装置包括：
144.语音数据获取模块801，用于获取原始语音数据；
145.输入模块802，用于将原始语音数据输入至预先训练的语音翻译模型中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；
146.语音识别模块803，用于基于语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；
147.特征对齐模块804，用于基于特征对齐网络对初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息；
148.特征变换模块805，用于基于特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，目标语音隐状态特征包含原始语音数据的词语语义信息；
149.语音翻译模块806，用于基于语音翻译网络和目标语音隐状态特征进行语音翻译，得到原始语音数据的翻译文本数据。
150.该语音翻译装置的具体实施方式与上述语音翻译方法的具体实施例基本相同，在此不再赘述。
151.本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述语音翻译方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
152.请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
153.处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
154.存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的语音翻译方法；
155.输入/输出接口903，用于实现信息输入及输出；
156.通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
157.总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
158.其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
159.本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述语音翻译方法。
160.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
161.本技术实施例提供的语音翻译方法、语音翻译装置、电子设备及计算机可读存储介质，其通过获取原始语音数据；将原始语音数据输入至预先训练的语音翻译模型中，语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；基于语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；基于特征对齐网络对初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，中间语音隐状态特征包含原始语音数据的字符语义信息；基于特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，目标语音隐状态特征包含原始语音数据的词语语义信息，这一方式能够实现不同级别的音频语义信息的转换，有利于改善特征质量，最后，基于语音翻译网络和目标语音隐状态特征进行语音翻译，得到原始语音数据的翻译文本数据，能够提高语音翻译的准确性和效率，进而使得智能客服机器人在与服务对象的对话过程
中，能更为准确地识别服务对象的语音数据中所表征的诉求，从而提高有针对性的应答和服务反馈，能有效地改善金融交易过程中的对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度，从而提高业务成交率。
162.本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
163.本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
164.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
165.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
166.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
167.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
168.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
169.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
170.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
171.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
172.以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种语音翻译方法，其特征在于，所述方法包括：获取原始语音数据；将所述原始语音数据输入至预先训练的语音翻译模型中，所述语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；基于所述语音识别网络对所述原始语音数据进行语音识别，得到初步语音隐状态特征；基于所述特征对齐网络对所述初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，所述中间语音隐状态特征包含所述原始语音数据的字符语义信息；基于所述特征变换网络对所述中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，所述目标语音隐状态特征包含所述原始语音数据的词语语义信息；基于所述语音翻译网络和目标语音隐状态特征进行语音翻译，得到所述原始语音数据的翻译文本数据。2.根据权利要求1所述的语音翻译方法，其特征在于，所述基于所述特征对齐网络对所述初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，包括：基于所述原始语音数据中字符的字符位置，对所述初步语音隐状态特征进行分类，得到每个所述字符的特征集合，每个所述特征集合包括至少一个所述初步语音隐状态特征；基于所述特征对齐网络对同一所述特征集合的初步语音隐状态特征进行均值计算，得到所述中间语音隐状态特征。3.根据权利要求1所述的语音翻译方法，其特征在于，所述特征变换网络包括第一bi-lstm层、第二bi-lstm层和第三bi-lstm层，所述基于所述特征变换网络对所述中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，包括：通过所述第一bi-lstm层对所述中间语音隐状态特征进行第一上下文本提取，得到第一语义融合向量；通过所述第二bi-lstm层对所述第一语义融合向量进行第二上下文本提取，得到第二语义融合向量；通过所述第三bi-lstm层对所述第二语义融合向量进行第三上下文本提取，得到所述目标语音隐状态特征。4.根据权利要求1所述的语音翻译方法，其特征在于，所述语音翻译网络包括编码器、解码器，所述基于所述语音翻译网络和目标语音隐状态特征进行语音翻译，得到所述原始语音数据的翻译文本数据，包括：通过所述编码器对所述目标语音隐状态特征进行语义分析，得到语音上下文特征向量；通过所述解码器对所述语音上下文特征向量进行内容识别，得到翻译文本序列；将所述翻译文本序列映射到预设的数据空间，得到所述翻译文本数据。5.根据权利要求1至4任一项所述的语音翻译方法，其特征在于，在所述将所述原始语音数据输入至预先训练的语音翻译模型中之前，所述方法还包括预先训练所述语音翻译模型，具体包括：获取样本音频的样本音频数据和样本翻译文本；将所述样本音频数据和所述样本翻译文本输入至所述语音翻译模型中；
基于所述语音识别网络对所述样本音频数据进行语音识别，得到第一样本语音隐状态特征；基于所述特征对齐网络对所述第一样本语音隐状态特征进行特征对齐，得到第二样本语音隐状态特征，其中，所述第二样本语音隐状态特征包含所述样本音频数据的字符语义信息；基于所述特征变换网络对所述第二样本语音隐状态特征进行特征变换，得到第三样本语音隐状态特征，其中，所述第三样本语音隐状态特征包含所述样本音频数据的词语语义信息；基于所述语音翻译网络对第三样本语音隐状态特征和所述样本翻译文本进行相似度评分，得到样本评分数据；基于所述样本评分数据对所述语音翻译模型的模型参数进行更新。6.根据权利要求5所述的语音翻译方法，其特征在于，所述语音翻译网络包括嵌入层和编码层，所述基于所述语音翻译网络对第三样本语音隐状态特征和所述样本翻译文本进行相似度评分，得到样本评分数据，包括：基于所述嵌入层对所述样本翻译文本进行语言嵌入，得到所述样本翻译文本对应的翻译语言嵌入特征，并基于所述嵌入层对所述样本翻译文本进行内容嵌入，得到所述样本翻译文本的样本文本嵌入特征；基于所述编码层对所述样本文本嵌入特征进行编码处理，得到样本翻译文本表征向量，并基于所述编码层对所述翻译语言嵌入特征和所述第三样本语音隐状态特征进行编码处理，得到样本语音表征向量；基于所述样本语音表征向量和所述样本翻译文本表征向量对进行相似度评分，得到所述样本评分数据。7.根据权利要求6所述的语音翻译方法，其特征在于，所述基于所述样本语音表征向量和所述样本翻译文本表征向量对进行相似度评分，得到所述样本评分数据，包括：针对每个所述样本音频，计算所述样本语音表征向量和所述样本翻译文本表征向量之间的相似分数；根据所有所述样本音频的相似分数，得到所述样本评分数据。8.一种语音翻译装置，其特征在于，所述装置包括：语音数据获取模块，用于获取原始语音数据；输入模块，用于将所述原始语音数据输入至预先训练的语音翻译模型中，所述语音翻译模型包括语音识别网络、特征对齐网络、特征变换网络以及语音翻译网络；语音识别模块，用于基于所述语音识别网络对所述原始语音数据进行语音识别，得到初步语音隐状态特征；特征对齐模块，用于基于所述特征对齐网络对所述初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，其中，所述中间语音隐状态特征包含所述原始语音数据的字符语义信息；特征变换模块，用于基于所述特征变换网络对所述中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，其中，所述目标语音隐状态特征包含所述原始语音数据的词语语义信息；
语音翻译模块，用于基于所述语音翻译网络和目标语音隐状态特征进行语音翻译，得到所述原始语音数据的翻译文本数据。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的语音翻译方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的语音翻译方法。

技术总结
本申请提供了一种语音翻译方法、语音翻译装置、电子设备及存储介质，属于金融科技技术领域。方法包括：获取原始语音数据，基于语音翻译模型的语音识别网络对原始语音数据进行语音识别，得到初步语音隐状态特征；基于语音翻译模型的特征对齐网络对初步语音隐状态特征进行特征对齐，得到中间语音隐状态特征，中间语音隐状态特征包含原始语音数据的字符语义信息；基于语音翻译模型的特征变换网络对中间语音隐状态特征进行特征变换，得到目标语音隐状态特征，目标语音隐状态特征包含原始语音数据的词语语义信息；基于语音翻译模型的语音翻译网络和目标语音隐状态特征进行语音翻译，得到翻译文本数据。本申请能够提高金融场景中的语音翻译的准确性。语音翻译的准确性。语音翻译的准确性。


技术研发人员：凌天东 程宁 王健宗
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.16
技术公布日：2023/8/28