[發(fā)明專利]一種語(yǔ)種訓(xùn)練數(shù)據(jù)獲得方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201910015434.1
• 申請(qǐng)日: 2019-01-08
• 公開(kāi)（公告）號(hào): CN109741731B
• 公開(kāi)（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 袁慶升;汪立東;包秀國(guó);張鴻;時(shí)磊;張衛(wèi)強(qiáng);邵云飛
• 申請(qǐng)（專利權(quán)）人: 國(guó)家計(jì)算機(jī)網(wǎng)絡(luò)與信息安全管理中心;清華大學(xué)
• 主分類號(hào): G10L15/00
• 分類號(hào): G10L15/00;G10L15/06;G10L15/32
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 李勤媛

本發(fā)明提供一種語(yǔ)種訓(xùn)練數(shù)據(jù)獲得方法及裝置，用以解決相關(guān)技術(shù)中語(yǔ)種訓(xùn)練數(shù)據(jù)質(zhì)量較低的問(wèn)題。該方法包括：訓(xùn)練用于識(shí)別各種語(yǔ)種的語(yǔ)種識(shí)別模型；使用各語(yǔ)種識(shí)別模型識(shí)別數(shù)據(jù)集中的第二音頻數(shù)據(jù)，獲得與各語(yǔ)種識(shí)別模型對(duì)應(yīng)的得分；確定第二音頻數(shù)據(jù)對(duì)應(yīng)的識(shí)別語(yǔ)種；計(jì)算數(shù)據(jù)集中各條第二音頻數(shù)據(jù)的得分信息熵；將所述數(shù)據(jù)集中，得分信息熵滿足第一預(yù)設(shè)條件且實(shí)際語(yǔ)種與識(shí)別語(yǔ)種一致的第二音頻數(shù)據(jù)的集合作為訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集中的第二音頻數(shù)據(jù)用于訓(xùn)練所述語(yǔ)種識(shí)別模型，返回執(zhí)行所述使用訓(xùn)練數(shù)據(jù)訓(xùn)練用于識(shí)別語(yǔ)種的各語(yǔ)種識(shí)別模型的步驟，直至獲得的所述訓(xùn)練數(shù)據(jù)集中的音頻數(shù)據(jù)的數(shù)量滿足第二預(yù)設(shè)條件。本發(fā)明提高了語(yǔ)種訓(xùn)練數(shù)據(jù)的質(zhì)量。

技術(shù)領(lǐng)域

本發(fā)明涉及語(yǔ)音信號(hào)處理技術(shù)領(lǐng)域，尤其涉及一種語(yǔ)種訓(xùn)練數(shù)據(jù)獲得方法及裝置。

背景技術(shù)

語(yǔ)種識(shí)別模型的質(zhì)量取決于用于訓(xùn)練該模型的訓(xùn)練數(shù)據(jù)的質(zhì)量，然而一般情況下，訓(xùn)練數(shù)據(jù)中總會(huì)有一些標(biāo)注錯(cuò)誤的情況，這些數(shù)據(jù)的存在會(huì)使得訓(xùn)練得到的語(yǔ)種識(shí)別模型的描述能力較差，最終影響語(yǔ)種識(shí)別模型的識(shí)別性能。故如何將這些數(shù)據(jù)篩除變得非常重要。目前，語(yǔ)種訓(xùn)練數(shù)據(jù)的選擇主要依靠人工檢查，將標(biāo)注好的訓(xùn)練數(shù)據(jù)進(jìn)行抽檢，發(fā)現(xiàn)標(biāo)注錯(cuò)誤率較大時(shí)，則重新對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注。這種方式費(fèi)時(shí)費(fèi)力，在數(shù)據(jù)量較大時(shí)，不可避免的會(huì)殘留一些錯(cuò)誤。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種語(yǔ)種訓(xùn)練數(shù)據(jù)獲得方法及裝置，以解決相關(guān)技術(shù)中用于訓(xùn)練語(yǔ)種識(shí)別模型的訓(xùn)練數(shù)據(jù)質(zhì)量較低的問(wèn)題。

根據(jù)本公開(kāi)的第一個(gè)方面，提供了一種語(yǔ)種訓(xùn)練數(shù)據(jù)獲得方法，包括：使用訓(xùn)練數(shù)據(jù)分別訓(xùn)練用于識(shí)別各種語(yǔ)種的語(yǔ)種識(shí)別模型，其中，所述訓(xùn)練數(shù)據(jù)中包括各種語(yǔ)種的第一音頻數(shù)據(jù)；分別使用所述各語(yǔ)種識(shí)別模型識(shí)別數(shù)據(jù)集中的第二音頻數(shù)據(jù)，所述第二音頻數(shù)據(jù)預(yù)先標(biāo)注有其所屬語(yǔ)種，獲得與各所述語(yǔ)種識(shí)別模型對(duì)應(yīng)的得分；根據(jù)所述得分基于各所述語(yǔ)種識(shí)別模型確定出所述第二音頻數(shù)據(jù)對(duì)應(yīng)的識(shí)別語(yǔ)種；計(jì)算所述數(shù)據(jù)集中各條第二音頻數(shù)據(jù)的得分信息熵；將所述數(shù)據(jù)集中，所述得分信息熵滿足第一預(yù)設(shè)條件且實(shí)際語(yǔ)種與所述識(shí)別語(yǔ)種一致的第二音頻數(shù)據(jù)的集合作為訓(xùn)練數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集中的第二音頻數(shù)據(jù)用于訓(xùn)練所述語(yǔ)種識(shí)別模型，返回執(zhí)行所述使用訓(xùn)練數(shù)據(jù)訓(xùn)練用于識(shí)別語(yǔ)種的各語(yǔ)種識(shí)別模型的步驟，直至獲得的所述訓(xùn)練數(shù)據(jù)集中的音頻數(shù)據(jù)的數(shù)量滿足第二預(yù)設(shè)條件。

可選地，所述計(jì)算所述數(shù)據(jù)集中各條第二音頻數(shù)據(jù)的得分信息熵，包括：使用如下公式對(duì)使用各所述語(yǔ)種識(shí)別模型識(shí)別所述第二音頻數(shù)據(jù)得到的分?jǐn)?shù)進(jìn)行歸一化；其中，I為所述語(yǔ)種識(shí)別模型的總個(gè)數(shù)，為第i個(gè)語(yǔ)種識(shí)別模型，的上標(biāo)(0)表示迭代次數(shù)，表示使用第i個(gè)語(yǔ)種識(shí)別模型識(shí)別所述數(shù)據(jù)集中第j條第二音頻數(shù)據(jù)的得分；

使用如下公式計(jì)算所述得分信息熵；其中，H(j)表示所述數(shù)據(jù)集中第j條第二音頻數(shù)據(jù)對(duì)應(yīng)的得分信息熵。

可選地，所述第一預(yù)設(shè)條件，包括：H(j)≤κlog I，其中，H(j)表示所述數(shù)據(jù)集中第j條第二音頻數(shù)據(jù)對(duì)應(yīng)的得分信息熵，κ為預(yù)設(shè)常數(shù)，I為所述語(yǔ)種識(shí)別模型的總個(gè)數(shù)。

可選地，所述第二預(yù)設(shè)條件包括，當(dāng)前得到的所述訓(xùn)練數(shù)據(jù)的數(shù)量與上一次得到的所述訓(xùn)練數(shù)據(jù)的數(shù)量一致。

可選地，所述根據(jù)所述得分基于各所述語(yǔ)種識(shí)別模型確定出所述第二音頻數(shù)據(jù)對(duì)應(yīng)的識(shí)別語(yǔ)種，包括：選擇各所述語(yǔ)種識(shí)別模型對(duì)所述第二音頻數(shù)據(jù)進(jìn)行識(shí)別得到的得分中，得分最高的分?jǐn)?shù)對(duì)應(yīng)的語(yǔ)種作為所述第二音頻數(shù)據(jù)的識(shí)別語(yǔ)種。