摘要
本申请提供了一种模型训练方法、语音识别方法、装置及存储介质，包括：获取多个语音图像对数据，多个语音图像对数据中的目标语音图像对数据包括：对应内容一致的目标语音数据和目标图像数据；针对多个语音图像对数据中的任一目标语音图像对数据，通过语音特征提取模型对目标语音数据进行特征提取，得到目标语音数据的语音特征，语音特征包括：语音全局特征和/或语音局部特征；通过视觉特征提取模型对目标图像数据进行特征提取，得到目标图像数据的图像特征，图像特征包括：图像全局特征和/或图像局部特征；根据语音特征和图像特征，训练语音特征提取模型，提高语音特征的提取准确性和语音识别结果的准确性。
