[发明专利]语音训练数据生成方法、装置、设备及可读存储介质

权利要求书

1.一种语音训练数据生成方法，其特征在于，所述语音训练数据生成方法包括以下步骤：

获取视频文件，并检测所述视频文件是否为目标视频文件；

若所述视频文件为目标视频文件，则对所述目标视频文件进行图像分帧处理，得到若干图片帧；

对每张图片帧进行OCR识别，得到每张图片帧的OCR识别结果；

将OCR识别结果相同的图片帧归集到同一组，得到若干图片组；

提取每个图片组对应的子音频文件，并将每个图片组分别对应的子音频文件与OCR识别结果关联为一组语音训练数据，得到若干语音训练数据。

2.如权利要求1所述的语音训练数据生成方法，其特征在于，所述获取视频文件，并检测所述视频文件是否为目标视频文件的步骤包括：

获取视频文件，并检测所述视频文件是否为带字幕版视频文件；

若所述视频文件为带字幕版视频文件，则将所述视频文件设为目标视频文件。

3.如权利要求2所述的语音训练数据生成方法，其特征在于，所述获取视频文件，并检测所述视频文件是否为带字幕版视频文件的步骤包括：

从所述视频文件中获取N张待测图片；

检测所述N张待测图片中目标图片的数量是否大于或等于

若所述N张待测图片中目标图片的数量大于或等于则确定所述视频文件为带字幕版视频文件。

4.如权利要求3所述的语音训练数据生成方法，其特征在于，所述检测所述N张待测图片中目标图片的数量是否大于或等于的步骤包括：

分别对所述N张待测图片的预设区域进行OCR识别，得到N个OCR识别结果；

检测所述N个OCR识别结果中识别结果不为空的数量是否大于或等于

若所述N个OCR识别结果中识别结果不为空的数量大于或等于则确定所述N张待测图片中目标图片的数量大于或等于

5.如权利要求1所述的语音训练数据生成方法，其特征在于，所述对每张图片帧进行OCR识别，得到每张图片帧的OCR识别结果的步骤包括：

对每张图片帧的预设区域进行OCR识别，得到每张图片帧的OCR识别结果。

6.如权利要求1所述的语音训练数据生成方法，其特征在于，所述将OCR识别结果相同的图片帧归集到同一组，得到若干图片组的步骤包括：

基于每张图片帧的时间戳，按照时间先后顺序，从第二帧图片帧开始，依次判断当前图片帧与上一图片帧的OCR识别结果是否相同；

若当前图片帧与上一图片帧的OCR识别结果相同，则将当前图片帧归集到上一图片帧所在的图片组；

若当前图片帧与上一图片帧的OCR识别结果不相同，则将当前图片帧归集到新的图片组；

当对所有图片帧的判断结束时，得到若干图片组。

7.如权利要求1至6中任一项所述的语音训练数据生成方法，其特征在于，所述提取每个图片组对应的子音频文件，并将每个图片组分别对应的子音频文件与OCR识别结果关联为一组语音训练数据，得到若干语音训练数据的步骤包括：

获取每个图片组中每张图片帧对应的时间戳，并确定每个图片组对应的最小时间戳和最大时间戳；

根据所述每个图片组对应的最小时间戳和最大时间戳，确定每个图片组对应的发音时间段；

根据所述每个图片组对应的发音时间段，从所述视频文件对应的音频文件中，提取每个发音时间段对应的子音频文件，得到每个图片组对应的子音频文件；

将每个图片组分别对应的子音频文件与OCR识别结果关联为一组语音训练数据，得到若干组语音训练数据。