[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：获取音频文件以及所述音频文件对应的原文文本；对所述音频文件进行静音点检测，确定所述音频文件的静音点；根据所述静音点，将所述音频文件拆分为若干个音频片段文件；通过通用模型对所述若干个音频片段进行识别，得到每个音频片段对应的识别结果；从所述原文文本中确定所述识别结果对应的文本片段；将所述识别结果对应的音频片段以及文本片段关联为一组语音训练数据，得到若干组语音训练数据。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：

获取音频文件以及所述音频文件对应的原文文本；

对所述音频文件进行静音点检测，确定所述音频文件的静音点；

根据所述静音点，将所述音频文件拆分为若干个音频片段文件；

通过通用模型对所述若干个音频片段进行识别，得到每个音频片段对应的识别结果；

从所述原文文本中确定所述识别结果对应的文本片段；

将所述识别结果对应的音频片段以及文本片段关联为一组语音训练数据，得到若干组语音训练数据。

可选的，所述对所述音频文件进行静音点检测，确定所述音频文件的静音点的步骤包括：

计算所述音频文件中每一语音帧的能熵比；

将能熵比小于预设阈值的语音帧标记为静音点。

可选的，所述从所述原文文本中确定所述识别结果对应的文本片段的步骤包括：

对所述原文文本进行切分，得到多个原文文本片段；

从所述多个原文文本片段中，确定所述识别结果对应的文本片段。

可选的，所述对所述原文文本进行切分，得到多个原文文本片段的步骤包括：

检测所述原文文本中是否存在目标字符；

若所述原文文本中存在目标字符，则将所述目标字符转换成其对应的中文字符，得到新的原文文本；

基于所述新的原文文本中的标点符号，对所述新的原文文本进行切分，得到多个原文文本片段。

可选的，所述从所述多个原文文本片段中，确定所述识别结果对应的文本片段的步骤包括：

计算所述识别结果与每个原文文本片段的编辑距离，得到所述识别结果对应的多个编辑距离；

从所述多个编辑距离中确定所述识别结果对应的最小编辑距离；

检测所述最小编辑距离是否小于预设阈值；

若最小编辑距离小于预设阈值，则将所述最小编辑距离对应的原文文本片段，作为所述识别结果对应的文本片段。