[发明专利]语音识别的后处理方法、装置、设备及存储介质

说明书

本发明属于计算机技术领域，公开了一种语音识别的后处理方法、装置、设备及存储介质。该方法包括：通过多种方式分别对语料库中的文本数据进行数据构造，生成多样化训练数据，多种方式包括标点删除方式、标准化处理方式、文本内容纠正方式以及文本片段截断方式中的至少两种方式；根据多样化训练数据对初始模型进行训练，得到后处理模型；获取语音识别后的初始文本数据；利用训练好的后处理模型对初始文本数据进行后处理，得到目标文本数据。通过上述方式，采用单一模型即可实现标点恢复、逆文本标准化、修改错误词等后处理步骤，解决了分多步骤进行造成的耗时问题，无需标注数据，降低了标注成本。

技术领域

本发明涉及计算机技术领域，尤其涉及一种语音识别的后处理方法、装置、设备及存储介质。

背景技术

语音识别是计算机科学和计算语言学的一个跨学科子领域，它能够通过深度学习等技术将语音识别为文本，广泛应用于智能客服、车载导航、智能家居、同声传译等场景。但现有的大部分语音识别模型都只是识别为字符序列，为了提高可读性，优化用户体验，提高识别文本在下游任务的准确性，还需要对语音识别输出的文本进行口语顺滑、标点恢复、逆文本标准化、修改错误词等后处理。当前的后处理方式存在以下问题：针对后处理分为多步骤进行，耗时较多，且会进行误差传递；当前的逆文本标准化、纠错模型等都需要收集或标注训练数据，标注数据成本昂贵，且不利于拓展到新领域；当前的后处理方式大多是针对整句进行建模，当模型运用于流式识别的不完整句子时候，效果较差，影响用户体验与下游任务的准确性。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种语音识别的后处理方法、装置、设备及存储介质，旨在解决当前的后处理方式分多步骤进行，耗时较多的技术问题。

为实现上述目的，本发明提供了一种语音识别的后处理方法，所述方法包括以下步骤：

通过多种方式分别对语料库中的文本数据进行数据构造，生成多样化训练数据，所述多种方式包括标点删除方式、标准化处理方式、文本内容纠正方式以及文本片段截断方式中的至少两种方式；

根据所述多样化训练数据对初始模型进行训练，得到后处理模型；

获取语音识别后的初始文本数据；

利用训练好的所述后处理模型对所述初始文本数据进行后处理，得到目标文本数据。

可选地，所述通过多种方式分别对语料库中的文本数据进行数据构造，生成多样化训练数据，包括：

对语料库中的文本数据进行标点符号删除处理，得到第一文本数据；

根据所述第一文本数据和所述语料库中的文本数据生成第一训练数据；

对所述第一训练数据和其他方式生成的训练数据进行混合，得到多样化训练数据。

可选地，所述通过多种方式分别对语料库中的文本数据进行数据构造，生成多样化训练数据，包括：

对语料库中的文本数据进行标准化处理，得到第二文本数据；

根据所述第二文本数据和所述语料库中的文本数据生成第二训练数据；

对所述第二训练数据和其他方式生成的训练数据进行混合，得到多样化训练数据。

可选地，所述通过多种方式分别对语料库中的文本数据进行数据构造，生成多样化训练数据，包括：

对语料库中的文本数据进行语音合成，得到语音数据；

利用语音识别模型对所述语音数据进行识别，得到第三文本数据；

根据所述第三文本数据和所述语料库中的文本数据生成第三训练数据；

对所述第三训练数据和其他方式生成的训练数据进行混合，得到多样化训练数据。

可选地，所述根据所述第三文本数据和所述语料库中的文本数据生成第三训练数据之后，所述方法还包括：