[發明專利]一種音頻數據標注方法、裝置及系統

有效

• 申請號: 202010147984.1
• 申請日: 2020-03-05
• 公開（公告）號: CN111341305B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 孫澤明;齊欣;王寧;張旭華;朱林林
• 申請（專利權）人: 蘇寧云計算有限公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/05;G10L15/18;G10L15/22;G10L15/26
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 陳怡

本發明公開了一種音頻數據標注方法、裝置及系統。方法包括：將待標注音頻數據利用語音識別引擎進行語音識別獲得參考標注文本；由待標注音頻數據解碼獲得的詞圖網絡中查找與參考標注文本編輯距離最短的最優識別路徑，計算最優識別路徑上各單詞的置信度，將各單詞的置信度與預設的第一置信度條件對比，輸出最優識別路徑上滿足第一置信度條件的目標單詞；按照詞圖網絡中各單詞的時間參數對齊目標單詞，形成待標注音頻數據的標注文本。本發明將待標注音頻數據的詞圖網絡中的單詞按照置信度做區分，將置信度高的單詞提取出來形成待標注音頻數據的標注文，本并標記置信度低的單詞，自動完成音頻數據標注，提高了標注效率，提高了標注的準確度。

技術領域

本發明涉及語音識別技術領域，特別涉及一種音頻數據標注方法、裝置及系統。

背景技術

語音識別是以語音為研究對象，通過語音信號處理和模式識別讓機器自動識別和理解人類口述語言的技術，其所要解決的技術問題是讓計算機將語音轉化成文本，對給定的波形序列得到相應的單詞或者字符序列，本質上是信道解碼和模式識別的問題。

一般來講，語音識別系統主要由前端處理、聲學模型、語言模型和解碼器四個模塊組成。其中前端處理主要包括：端點檢測、降噪、特征提取三個方面的操作。聲學模型、語言模型和解碼器屬于后端處理，聲學模型主要用來構建輸入語音和輸出聲學單元之間的概率映射關系，語言模型主要用來描述不同字詞之間的概率搭配關系，使識別出的句子更通順自然。

語音識別系統構建的過程整體上包括：訓練和識別兩部分。訓練是指對聲學模型和語言模型的訓練，一般離線進行。識別為將用戶的語音識別為文本的過程，一般在線進行。在對聲學模型的訓練中需要大量的樣本標注音頻數據，該數據的獲取主要通過人工完成，耗時耗力，成本高昂。而直接采用語音識別后的標注音頻數據作為聲學模型的訓練樣本，由于語音識別出的標注音頻數據質量不穩定，會導致使用其作為樣本訓練出的聲學模型的準確度不高的問題。

發明內容

為了解決現有技術的問題，本發明實施例提供了一種音頻數據標注方法、裝置及系統。所述技術方案如下：

第一方面，提供了一種音頻數據標注方法，所述方法包括：

將待標注音頻數據利用語音識別引擎進行語音識別獲得參考標注文本；

以所述參考標注文本為參照，在由所述待標注音頻數據解碼獲得的詞圖網絡中查找與所述參考標注文本編輯距離最短的最優識別路徑，計算所述最優識別路徑上各單詞的置信度，將各單詞的所述置信度與預設的第一置信度條件對比，輸出所述最優識別路徑上滿足所述第一置信度條件的目標單詞；

按照所述詞圖網絡中各單詞的時間參數對齊所述目標單詞，形成所述待標注音頻數據的標注文本。

進一步地，所述詞圖網絡的獲得方法包括：

利用已標注音頻數據訓練聲學模型，根據所述參考標注文本構建有偏語言模型；

利用發音詞典連接訓練后的所述聲學模型和所述有偏語言模型，形成解碼網絡；

利用所述解碼網絡解碼所述待標注音頻數據獲得所述詞圖網絡。

進一步地，所述有偏語言模型的構建方法包括：

以句子為單元將所述參考標注文本分成N個簇，建立所述簇和相應音頻數據的映射；

為每個簇構建一個語言模型。

進一步地，所述詞圖網絡為混淆網絡。

進一步地，在獲得參考標注文本之前所述方法還包括：

獲取音頻素材的時長；

將所述音頻素材的時長與預設的時長條件對比，刪除不滿足所述時長條件的所述音頻素材；