[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

说明书

本发明涉及数据采集技术领域，公开了一种语音训练数据生成方法、装置、设备及可读存储介质。语音训练数据生成方法包括：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。通过本发明，大大提高了生成语音训练数据的效率，且降低了生成成本。

技术领域

本发明涉及数据采集技术领域，尤其涉及语音训练数据生成方法、装置、设备及可读存储介质。

背景技术

近年来，基于深度神经元网络的语音识别技术已经越来越成熟，该技术需要利用大量语音数据训练深度神经元网络从而获取语音识别模型。

而目前普遍采用人工录制以及人工标注的方式，得到用于训练深度神经元网络的语音数据，人工工作量大、语音数据获取周期长，使得训练性能优良的语音识别模型需要付出较高的代价。

发明内容

本发明的主要目的在于提供一种语音训练数据生成方法、装置、设备及可读存储介质，旨在解决现有技术中生成大批量语音训练数据的效率低且成本高的技术问题。

为实现上述目的，本发明提供一种语音训练数据生成方法，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。

可选地，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。

可选地，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。

可选地，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

可选地，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。

可选地，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：