[发明专利]音素级的发音纠错方法、装置、设备及存储介质

权利要求书

1.一种音素级的发音纠错方法，其特征在于，所述方法包括：

获取跟读文本对应的跟读音频数据；

获取所述跟读音频数据中各个音频帧分别对应的音频特征，以及获取所述跟读文本包含的音素的音素特征；

将各个所述音频帧分别对应的音频特征与所述音素特征分别进行融合，得到各个所述音频帧分别对应的融合特征；

根据各个所述音频帧分别对应的融合特征，获取所述跟读音频数据包含的至少一个音素数据，以及各个所述音素数据的读错概率；

基于各个所述音素数据的读错概率，确定所述跟读音频数据中的读错音素。

2.根据权利要求1所述的方法，其特征在于，所述将各个所述音频帧分别对应的音频特征与所述音素特征分别进行融合，得到各个所述音频帧分别对应的融合特征，包括：

对于各个所述音频帧中的目标音频帧，根据所述音素特征和所述目标音频帧对应的音频特征，生成所述目标音频帧对应的待拼接特征；

将所述目标音频帧对应的音频特征和所述目标音频帧对应的待拼接特征进行拼接，得到所述目标音频帧对应的融合特征。

3.根据权利要求1所述的方法，其特征在于，所述根据各个所述音频帧分别对应的融合特征，获取所述跟读音频数据包含的至少一个音素数据，以及各个所述音素数据的读错概率，包括：

根据各个所述音频帧分别对应的融合特征，对所述跟读音频数据进行音素分类和音素判错，得到各个所述音频帧分别对应的音素识别结果；其中，所述音素识别结果中包括所述音频帧对应的单帧音素数据，以及所述单帧音素数据对应的读错概率；

对各个所述音素识别结果进行时序合并处理，得到所述跟读音频数据包含的至少一个音素数据，以及各个所述音素数据的读错概率。

4.根据权利要求3所述的方法，其特征在于，所述根据各个所述音频帧分别对应的融合特征，对所述跟读音频数据进行音素分类和音素判错，得到各个所述音频帧分别对应的音素识别结果，包括：

对于各个所述音频帧中的目标音频帧，根据所述目标音频帧对应的融合特征，以及所述目标音频帧对应的融合特征在时序上的相邻融合特征，得到所述目标音频帧对应的局部特征；

根据各个所述音频帧分别对应的局部特征，对所述跟读音频数据进行音素分类和音素判错，得到各个所述音频帧分别对应的音素识别结果。

5.根据权利要求3所述的方法，其特征在于，所述对各个所述音素识别结果进行时序合并处理，得到所述跟读音频数据包含的至少一个音素数据，以及各个所述音素数据的读错概，包括：

基于各个所述音频帧在所述跟读音频数据中的时间顺序，将各个所述音素识别结果包含的单帧音素数据进行排序，得到排序后的单帧音素数据；

将所述排序后的单帧音素数据中的相邻且相同音素数据合并为同一音素数据，得到所述跟读音频数据包含的至少一个音素数据；

对于所述至少一个音素数据中的目标音素数据，根据所述目标音素数据对应的单帧音素数据的读错概率，确定所述目标音素数据的读错概率。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于各个所述音素数据的读错概率，确定所述跟读音频数据中的读错音素，包括：

将所述读错概率满足条件的音素数据，确定为所述跟读音频数据中的第一读错音素；

其中，所述第一读错音素是指所述跟读音频数据中发音不准确的音素。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

若所述跟读音频数据包含的音素数据中存在与所述跟读文本包含的音素不匹配的音素数据，则将所述不匹配的音素数据确定为所述跟读音频数据中的第二读错音素；

其中，所述第二读错音素是指所述跟读音频数据中相对于所述跟读文本的错误音素。