[发明专利]一种语音识别中快速标注声学模型训练数据的方法

说明书

本发明公开了一种语音识别中快速标注声学模型训练数据的方法。该方法运用已训练的基础的声学模型进行语音识别工作；对记录的识别错误的词语和句子，使用音频切割工具进行切割，得到识别错误的音频文件WrongPart；将预先准备的正确原始文本句子中对应于所述WrongPart的词语删除后得到原始文本中剩余的文本ResidueScript，并标记删除位置；将相应的音频文件ResidueWav与WrongPart按照原始文字位置进行组合，得到一条声学模型的标注数据，最终多条不同的TrainFile组成用于声学模型微调的训练集，用于声学模型的微调，从而高效地达到修正ASR易错部分的目的。

技术领域

本申请涉及语音识别技术领域，具体涉及一种语音识别中声学模型的训练数据快速准备方法。

背景技术

语音识别技术已成为当前人工智能应用的主要技术，其主要解决的问题是通过计算机将语音转化为文本，对给定的波形序列得到相应的单词或字符序列。一般来讲，语音识别系统主要由前端处理、声学模型、语言模型和解码器四个模块组成。其中前端处理主要包括：端点检测、降噪、特征提取三个方面的操作。声学模型、语言模型和解码器属于后端处理，声学模型主要用来构建语音和输出声学单元之间的概率映射关系，语言模型主要用来描述不同字词之间的概率搭配关系，使识别出的句子更通顺自然。

语音识别系统构建的过程整体上包括：训练和识别两部分，训练具体是指对声学模型和语言模型的训练，一般离线进行。识别为将用户的语音识别为文本的实际工作过程，一般在线进行。

在对声学模型的训练中，需要大量的样本标注音频数据，该数据的获取主要通过人工完成，耗时耗力，成本高昂。而若直接采用语音识别后的标注音频数据作为声学模型的训练样本，会由于语音识别出的标注音频数据质量不稳定，导致使用其作为样本训练基础的声学模型的准确率不高。

另外，得到基础的声学模型之后，可能由于某些类别的词语的训练数据不足，引起识别错误。所以，可继续添加合适的易错样本作为训练数据，在已有的语音识别模型的基础上继续微调以提高识别效果。易错样本的准备，通常也只是手动收集，因而准备此类训练数据的过程较慢，影响模型快速迭代优化，导致难以高效提高语音识别的准确率。

发明内容

基于此，针对上述技术问题，本发明提供一种语音识别中快速标注声学模型训练数据的方法。

第一方面，一种语音识别中快速标注声学模型训练数据的方法，包括：

运用已训练的基础的声学模型进行语音识别工作，其中会出现识别错误的词语和句子；

对记录的识别错误的词语和句子，使用音频切割工具进行切割，得到识别错误的音频文件，记为WrongPart，WrongPart包含识别的一个或多个词语；

将预先准备的正确原始文本句子中对应于所述WrongPart的词语删除，并标记删除位置；删除后得到的原始文本中剩余的文本，记为ResidueScript；

利用语音合成系统将所述ResidueScript转换为音频文件，记为ResidueWav，将ResidueWav与WrongPart按照原始文字位置进行组合，使WrongPart填补所述删除位置，得到一条声学模型的标注数据，记为TrainFile；

多条不同的TrainFile组成用于声学模型微调的训练集TrainFiles。

上述方案中，可选地，所述预先准备的正确原始文本句子，来自按照以下方式准备的文本句子集：

根据设定行业的业务预先进行业务分类，建立常见的业务类型，每种业务类型下获取对应的文本句子集合备用；

对于不同业务类型的文本句子，进行切割和再组合，每个业务类型得到扩增后的文本句子，共同组成该业务类型下的文本句子集。