1.一种基于增量学习的语种识别方法，其特征在于，包括：
步骤1：对原始音频文件进行预处理，提取得到音频特征序列；
步骤2：搭建基于Transformer的语种识别模型框架；
步骤3：使用多语种数据集训练语种识别模型，采用交叉熵损失函数进行优化训练；
步骤4：保持步骤3训练好的语种识别模型的结构和参数不变，在其解码端添加新预测层，构成新的语种识别模型；
步骤5：将新的多语种数据集输入到新的语种识别模型中，得到旧预测层输出的预测的语种概率和新预测层输出的预测的语种概率；
步骤6：设置新的损失函数，通过最小化损失函数来更新新的语种识别模型的参数；
步骤7：使用随机梯度下降法训练新的语种识别模型，最终得到基于增量学习的语种识别模型。
2.如权利要求1所述的基于增量学习的语种识别方法，其特征在于，所述步骤1具体为：
针对原始音频，使用梅尔倒谱系数语音特征提取算法处理计算得到对应的梅尔倒谱系数。
3.如权利要求1所述的基于增量学习的语种识别方法，其特征在于，所述步骤2中的语种识别模型框架包括：特征提取器、编码器、解码器和预测层；
所述特征提取器包括两个间隔为2，卷积核为2×2的卷积层；特征提取器将输入的音频特征序列的长度进行压缩，得到长度为原始音频特征序列长度四分之一的音频序列；
编码器由多个相同的编码层组成，每个都编码层包含自注意力层和前馈神经网络层两个子层；
解码器由多个相同的解码层组成，每个解码层包含自注意力层、交叉注意力层和前馈神经网络层三个子层；
预测层：解码器的输出经过预测层后得到维度为语种数量的向量，归一化后得到预测的语种概率分布，得到每个语种的预测概率。
4.如权利要求1所述的基于增量学习的语种识别方法，其特征在于，所述步骤3具体为：
步骤3.1：采集多语种数据集{X,Y}，X为多语种的音频文件经过预处理得到的音频特征序列集合，Y为X对应的真实的语种概率分布；
步骤3.2：将多语种数据集输入到语种识别模型中，得到预测的语种概率分布；
步骤3.3：采用如下交叉熵损失函数进行优化训练，使得语种识别模型能准确识别各种语种，最终得到训练好的语种识别模型；
其中，C为多语种数据集的语种数量， 为预测的语种概率分布， 为预
测的语种概率，Y＝(y1,y2,…yC)为真实的语种概率分布，yi为真实的语种概率。
5.如权利要求1所述的基于增量学习的语种识别方法，其特征在于，所述步骤4具体为：
保持步骤3训练好的语种识别模型的结构和参数不变，仅在解码器后添加新的预测层，使得解码器的输出经过新的预测层输出得到维度大小为更新后语种数量的向量，进而支持预测新增加的语种。
6.如权利要求4所述的基于增量学习的语种识别方法，其特征在于，所述步骤5具体为：
步骤5.1：采集新的多语种数据集{Xn,Yn}，Xn为新的多语种的音频文件经预处理得到的音频特征序列集合，Yn为Xn对应的真实的语种概率分布；
步骤5.2：将Xn输入到新的语种识别模型中，得到旧预测层输出的预测的语种概率分布和新预测层输出的预测的语种概率分布 D为新的多语
种数据集的语种数量。
7.如权利要求6所述的基于增量学习的语种识别方法，其特征在于，所述步骤6的修改后的损失函数为：
其中，Lnew为交叉熵损失函数，Lold为知识蒸馏损失函数，Yn为真实的语种概率分布， 为新预测层输出的预测的语种概率分布； 为旧预测层输出的预测的语种概率分布； 为 的子集，是取 前C个元素得到的集合，即 λo为权重参数； 为正则项；
其中，T＝2，λ为正则化参数，θ为新的语种识别模型的参数，n为新的语种识别模型的参数总数。