[發明專利]音頻語料自動標注方法、系統、介質和電子設備

在審

• 申請號: 202010046552.1
• 申請日: 2020-01-16
• 公開（公告）號: CN111274434A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 袁鵬;江文斌;李健
• 申請（專利權）人: 上海攜程國際旅行社有限公司
• 主分類號: G06F16/683
• 分類號: G06F16/683;G10L15/04;G10L15/26
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 薛琦;張冉

1.一種音頻語料自動標注方法，其特征在于，包括：

S1、從一音頻庫里抓取一音頻文件；

S2、轉換所述音頻文件的格式；

S3、通過VAD方法將所述音頻文件切割為多個音頻片段；

S4、調用語音識別API對多個音頻片段進行識別，以獲得一識別文本；

S5、抓取所述音頻文件對應的原始文本，并將所述識別文本與所述原始文本進行對比，并根據對比的結果對所述音頻文件進行標注。

2.如權利要求1所述的音頻語料自動標注方法，其特征在于，步驟S3和步驟S4之間包括：

S3a、判斷所述音頻片段的時長是否在一預設范圍內，若是，則進入步驟S4；若否，則對該音頻片段重新切割。

3.如權利要求1所述的音頻語料自動標注方法，其特征在于，步驟S3包括：

S31、通過比較似然比的方法判斷所述音頻文件是否為語音，并對所述音頻文件為語音以及為非語音的情形分別進行標注。

4.如權利要求1-3中任意一項所述的音頻語料自動標注方法，其特征在于，步驟S5中將所述識別文本與所述原始文本進行對比的方法為：基于Python中gensim模塊計算相似度，或者通過Levenshtein距離法計算相似度。

5.一種音頻語料自動標注系統，其特征在于，包括：

音頻抓取模塊，用于從一音頻庫里抓取一音頻文件；

格式轉換模塊，用于轉換所述音頻文件的格式；

切割模塊，用于通過VAD方法將所述音頻文件切割為多個音頻片段；

識別模塊，用于調用語音識別API對多個音頻片段進行識別，以獲得一識別文本；

對比模塊，用于抓取所述音頻文件對應的原始文本，并將所述識別文本與所述原始文本進行對比，并根據對比的結果對所述音頻文件進行標注。

6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1-4中任意一項所述的音頻語料自動標注方法的步驟。

7.一種電子設備，包括存儲器，處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-4中任意一項所述的音頻語料自動標注方法的步驟。