1.一种语音识别模型的训练方法，其特征在于，包括：将样本语音特征输入至初始模型的编码网络，得到声学编码特征，并根据所述声学编码特征和样本语音特征的特征监督数据，确定编码损失；将所述声学编码特征输入至所述初始模型的解码网络，得到语音识别内容，并根据所述语音识别内容、样本语音特征的内容监督数据、以及所述声学编码特征，确定识别损失；根据所述编码损失和所述识别损失，确定所述初始模型的总损失；根据所述总损失，对所述初始模型进行训练，得到目标语音识别模型；其中，所述根据所述声学编码特征和样本语音特征的特征监督数据，确定编码损失，包括：将所述声学编码特征采用深度神经网络进行处理，得到对齐损失；根据所述声学编码特征和样本语音特征的特征监督数据，确定互信息损失；根据所述对齐损失和所述互信息损失，确定编码损失；所述根据所述对齐损失和所述互信息损失，确定编码损失，包括：将所述对齐损失和所述互信息损失进行加权求和，将求和得到的结果作为编码损失。
2.根据权利要求1所述的方法，其特征在于，所述根据所述语音识别内容、样本语音特征的内容监督数据、以及所述声学编码特征，确定识别损失，包括：基于注意力机制，根据所述语音识别内容、样本语音特征的内容监督数据、以及所述声学编码特征，确定识别损失。
3.根据权利要求1所述的方法，其特征在于，所述根据所述编码损失和所述识别损失，确定所述初始模型的总损失，包括：对所述编码损失和所述识别损失进行加权处理，得到所述初始模型的总损失。
4.根据权利要求1所述的方法，其特征在于，还包括：对语音样本数据进行梅尔倒谱分析处理，得到样本语音特征。
5.根据权利要求4所述的方法，其特征在于，还包括：对原始语音数据进行清洗和/或增强处理，得到语音样本数据。
6.一种语音识别方法，其特征在于，包括：获取目标语音数据，对所述目标语音数据进行梅尔倒谱分析处理，得到目标语音特征；将所述目标语音特征输入至目标语音识别模型中，得到目标语音内容；其中，所述目标语音识别模型是通过如权利要求1-5任一项所述的语音识别模型的训练方法训练得到的。
7.一种语音识别模型的训练装置，其特征在于，包括：编码损失确定模块，用于将样本语音特征输入至初始模型的编码网络，得到声学编码特征，并根据所述声学编码特征和样本语音特征的特征监督数据，确定编码损失；识别损失确定模块，用于将所述声学编码特征输入至所述初始模型的解码网络，得到语音识别内容，并根据所述语音识别内容、样本语音特征的内容监督数据、以及所述声学编码特征，确定识别损失；总损失确定模块，用于根据所述编码损失和所述识别损失，确定所述初始模型的总损失；识别模型确定模块，用于根据所述总损失，对所述初始模型进行训练，得到目标语音识别模型；其中，所述编码损失确定模块具体用于：将所述声学编码特征采用深度神经网络进行处理，得到对齐损失；根据所述声学编码特征和样本语音特征的特征监督数据，确定互信息损失；将所述对齐损失和所述互信息损失进行加权求和，将求和得到的结果作为编码损失。
8.一种电子设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的语音识别模型的训练方法或者如权利要求6中所述的语音识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的语音识别模型的训练方法或者如权利要求6中所述的语音识别方法。
