[發明專利]一種語料收集方法、裝置及系統

有效

• 申請號: 201910110199.6
• 申請日: 2019-02-11
• 公開（公告）號: CN109801628B
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 聶穎;王竹欣;鄭權
• 申請（專利權）人: 龍馬智芯（珠海橫琴）科技有限公司
• 主分類號: G10L15/22
• 分類號: G10L15/22;G10L15/00;G10L15/26;H04L29/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種語料收集方法，其特征在于，包括：

在服務器中預置標準語料文本；

聲音采集裝置檢測任務啟動指令，當檢測到任務啟動指令后開始采集基于所述標準語料文本錄入的語音作為初始語料；

利用語音識別技術把所述初始語料轉換為初始文字，比較所述初始文字與所述標準語料文本的長度，當所述初始文字與所述標準語料文本的長度不一致時，則判斷所述初始語料為無效語料，把所述初始語料存儲至服務器中的無效語料庫；當所述初始文字與所述標準語料文本的長度一致時，則進一步進行以下步驟，

逐字比較所述初始文字與所述標準語料文本，當所述初始文字與所述標準語料文本的文字全部相同時，則判斷所述初始語料為有效語料，把所述初始語料存儲至服務器中的有效語料庫；

當所述初始文字與所述標準語料文本存在不相同的文字時，則分別提取所述初始文字和所述標準語料文本的拼音，計算所述初始文字的拼音相對于所述標準語料文本的拼音的編輯距離，所述初始文字的拼音相對于所述標準語料文本的拼音的編輯距離與所述標準語料文本的拼音的長度的比值記為所述初始語料的誤差率，當所述初始語料的誤差率不大于閾值α時，則判斷所述初始語料為有效語料，把所述初始語料存儲至服務器中的有效語料庫；當所述初始語料的誤差率大于閾值α時，則判斷所述初始語料為無效語料，把所述初始語料存儲至服務器中的無效語料庫。

2.如權利要求1所述的語料收集方法，其特征在于，所述閾值α隨著所述標準語料文本的拼音的長度不同而變化，所述標準語料文本的拼音的長度越長則所述閾值α越小，且0＜α＜1。

3.如權利要求2所述的語料收集方法，其特征在于，所述閾值α的計算公式為：

其中，L為所述標準語料文本的拼音的長度，k為預置的系數且k為正數。

4.如權利要求1所述的語料收集方法，其特征在于，在服務器中預置測試文本，在聲音采集裝置檢測到任務啟動指令之后、開始采集基于所述標準語料文本錄入的語音之前，聲音采集裝置采集基于所述測試文本錄入的測試語音，利用語音識別技術把所述測試語音轉換為測試文字，分別提取所述測試文字和所述測試文本的拼音，對比所述測試文字和所述測試文本的拼音，利用尋優算法確定閾值α的取值。

5.如權利要求1-4中任一項所述的語料收集方法，其特征在于，還包括：

在服務器中還預置基于標準語料文本的地方方言語料；

利用語音識別技術把所述地方方言語料轉換為方言語料文本，提取所述方言語料文本的拼音作為所述地方方言語料的基準拼音；

當所述初始文字與所述標準語料文本存在不相同的文字時，分別計算所述初始文字的拼音相對于所述標準語料文本的拼音的編輯距離、和所述初始文字的拼音相對于所述地方方言語料的基準拼音的編輯距離；

所述初始文字的拼音相對于所述標準語料文本的拼音的編輯距離與所述標準語料文本的拼音的長度的比值記為所述初始語料的第一誤差率，所述初始文字的拼音相對于所述地方方言語料的基準拼音的編輯距離與所述地方方言語料的基準拼音的長度的比值記為所述初始語料的第二誤差率；

在所述第一誤差率和所述第二誤差率中取最小值記為所述初始語料的誤差率，當所述初始語料的誤差率不大于閾值α時，則判斷所述初始語料為有效語料，把所述初始語料存儲至服務器中的有效語料庫；當所述初始語料的誤差率大于閾值α時，則判斷所述初始語料為無效語料，把所述初始語料存儲至服務器中的無效語料庫。

6.如權利要求5所述的語料收集方法，其特征在于，在把所述初始語料存儲至服務器之前，對所述初始語料進行標注，標注內容包括：正確或錯誤標識、語音來源體的唯一標識、語料內容。

7.如權利要求6所述的語料收集方法，其特征在于，對判斷為無效語料的所述初始語料進行標注的標注內容還包括：對應的標準語料文本。