[发明专利]适用于多音字的音素预测方法、装置、设备及存储介质

说明书

本申请涉及人工智能技术领域，揭示了一种适用于多音字的音素预测方法、装置、设备及存储介质，其中方法包括：对待预测的文本数据进行句子结构分析、文本正则化处理、分词处理和词性预测得到预处理后的文本数据，然后输入音素预测模型进行音素预测，音素预测模型是基于Bert模型、含有多音字的多个训练样本和MLM模型训练方法进行训练得到的模型，MLM模型训练方法包括：多音字掩码的训练方法、多音字随机拼音替代的训练方法、不掩码和不遮蔽的训练方法；获取音素预测模型输出的目标音素预测结果。提高了音素预测的覆盖面、智能度，降低了维护成本。

技术领域

本申请涉及到人工智能技术领域，特别是涉及到一种适用于多音字的音素预测方法、装置、设备及存储介质。

背景技术

字形转音素(G2P，Grapheme-to-Phoneme)是中文TTS(从文本到语音)系统的文本前端的关键环节之一，作用是将作为象形文字的中文转换为声学模型能识别的音素。因为汉字中存在大量一词多音的情况，在字形转音素环节中常用词表命中、正则表达式匹配等基于规则的方法解决针对多音字准确赋予正确的音素的问题。但是基于规则的方法存在如下问题：(1)覆盖面不足、智能度缺乏，往往只能通过手动新增词表或规则来解决，并且难以避免业务响应时差的问题；(2)维护成本高，规则难以全面覆盖在特定语境中的语义读音。

发明内容

本申请的主要目的为提供一种适用于多音字的音素预测方法、装置、设备及存储介质，旨在解决现有技术基于规则的方法解决针对多音字准确赋予正确的音素的问题，存在覆盖面不足、智能度缺乏，维护成本高的技术问题。

为了实现上述发明目的，本申请提出一种适用于多音字的音素预测方法，所述方法包括：

获取待预测的文本数据；

对所述待预测的文本数据进行句子结构分析、文本正则化处理、分词处理和词性预测，得到预处理后的文本数据；

将所述预处理后的文本数据输入音素预测模型进行音素预测，其中，所述音素预测模型是基于Bert模型、含有多音字的多个训练样本和MLM模型训练方法进行训练得到的模型，所述MLM模型训练方法包括：多音字掩码的训练方法、多音字随机拼音替代的训练方法、不掩码和不遮蔽的训练方法；

获取所述音素预测模型输出的目标音素预测结果。

进一步的，所述将所述预处理后的文本数据输入音素预测模型进行音素预测的步骤之前，还包括：

获取所述多个训练样本，其中，所述多个训练样本中的每个训练样本包括：文本样本数据和音素标定数据，所述文本样本数据中包括至少一个多音字；

采用预设的划分规则，对所述多个训练样本进行划分，得到第一训练样本集合、第二训练样本集合和第三训练样本集合；

采用所述第一训练样本集合，对初始模型进行多音字掩码训练，训练结束得到多音字掩码训练后的初始模型，其中，所述初始模型是基于所述Bert模型得到的模型；

采用所述第二训练样本集合，对所述多音字掩码训练后的初始模型进行多音字随机拼音替代训练，训练结束得到多音字随机拼音替代训练后的初始模型；

采用所述第三训练样本集合，对所述多音字随机拼音替代训练后的初始模型进行训练，训练结束得到所述音素预测模型。

进一步的，所述获取所述多个训练样本的步骤，包括：

获取多个待处理的文本数据，所述多个待处理的文本数据中每个待处理的文本数据包括至少一个多音字；

分别对所述多个待处理的文本数据中的每个待处理的文本数据进行句子结构分析、文本正则化处理、分词处理和词性预测，得到所述多个待处理的文本数据各自对应的所述文本样本数据；