1.一种模型训练方法，其特征在于，包括：
获取多媒体文件集；
对于所述多媒体文件集中任一多媒体文件，将该多媒体文件的语音输入第一语音识别模型，得到语音识别结果；
对该多媒体文件的字幕进行光学字符识别，得到文本识别结果；以及
根据所述多媒体文件集中多媒体文件的语音、语音识别结果和文本识别结果训练第二语音识别模型。
2.根据权利要求1所述的模型训练方法，其特征在于，
在所述对该多媒体文件的字幕进行光学字符识别之前，还包括：
获取所述语音识别结果中句子对应的起始时间和终止时间；
所述对该多媒体文件的字幕进行光学字符识别，包括：根据句子对应的起始时间和终止时间对该多媒体文件的字幕进行光学字符识别。
3.根据权利要求1或2所述的模型训练方法，其特征在于，所述根据所述多媒体文件集中多媒体文件的语音、语音识别结果和文本识别结果训练第二语音识别模型，包括：
根据所述语音识别结果和文本识别结果获取字误率；
根据所述语音识别结果、文本识别结果和字误率确定目标识别结果；以及根据所述多媒体文件集中多媒体文件的语音和目标识别结果训练所述第二语音识别模型。
4.根据权利要求3所述的模型训练方法，其特征在于，所述根据所述语音识别结果和文本识别结果获取字误率，包括：
将所述语音识别结果作为参考文本，获取所述文本识别结果的字误率；或者，将所述文本识别结果作为参考文本，获取所述语音识别结果的字误率。
5.根据权利要求3所述的模型训练方法，其特征在于，所述将所述语音识别结果作为参考文本获取字误率时，所述根据所述语音识别结果、文本识别结果和字误率确定目标识别结果，包括：
判断所述语音识别结果中句子的字误率是否小于预设第一阈值；
如果小于，将该句子对应的文本识别结果作为所述目标识别结果；以及如果不小于，将该句子对应的语音识别结果作为所述目标识别结果。
6.根据权利要求5所述模型训练方法，其特征在于，所述将所述语音识别结果作为参考文本计算字误率时，所述根据所述语音识别结果、文本识别结果和字误率确定目标识别结果，还包括：
判断所述语音识别结果中句子的字误率是否小于预设第二阈值；
如果不小于，推移该句子对应的多媒体文件，得到推移文件；
对所述推移文件的字幕进行光学字符识别，得到推移识别结果；以及
根据该句子的语音识别结果和推移识别结果确定目标识别结果。
7.根据权利要求6所述的模型训练方法，其特征在于，在所述根据该句子的语音识别结果和推移识别结果确定目标识别结果之前，还包括：
根据该句子对应的文本识别结果和推移识别结果获取变化率；
判断所述变化率是否超过预设第三阈值；
如果不超过，将该句子对应的语音识别结果作为所述目标识别结果；以及如果超过，执行根据该句子的语音识别结果和推移识别结果确定目标识别结果步骤。
8.一种电子设备，其特征在于，包括：
存储器，所述存储器存储执行指令；以及
处理器，所述处理器执行所述存储器存储的执行指令，实现权利要求1至7中任一项所述的模型训练方法。
9.一种可读存储介质，其特征在于，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时实现如权利要求1至7中任一项所述的模型训练方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述的模型训练方法。