[發明專利]一種語音服務質量檢測方法、模型訓練方法及裝置

有效

• 申請號: 202010312316.X
• 申請日: 2020-04-20
• 公開（公告）號: CN111522916B
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 席澤西;趙立軍
• 申請（專利權）人: 馬上消費金融股份有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F40/289;G06F40/30;H04M3/22
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 黃燦;羅婷

1.一種語音服務質量檢測方法，其特征在于，包括：

將待檢測的語音轉換為文本；

確定所述文本中每個詞對應的詞向量；

將所述每個詞對應的詞向量輸入預先訓練的質量檢測模型，得到所述語音對應的N個質檢項的質檢結果；

所述方法還包括：

獲取所述語音對應的語音對象的特征信息；

根據所述語音對象的特征信息生成所述語音對象的特征向量；其中，所述質量檢測模型包括編碼層和N個全連接層，所述編碼層輸出的語義特征向量輸入所述N個全連接層，所述N個全連接層用于基于所述編碼層輸出的語義特征向量和所述語音對象的特征向量輸出所述N個質檢項的質檢結果，N為大于1的整數。

2.根據權利要求1所述的方法，其特征在于，所述質量檢測模型還包括N個注意力層，所述N個注意力層與所述N個全連接層一一對應，所述編碼層輸出的語義特征向量分別經由所述N個注意力層中每個注意力層處理后輸入所述每個注意力層對應的全連接層。

3.根據權利要求1所述的方法，其特征在于，所述確定所述文本中每個詞對應的詞向量，包括：

對所述文本進行分詞，得到詞序列；

基于預先訓練的BERT模型確定所述詞序列中每個詞對應的詞向量；

其中，所述BERT模型的訓練任務包括掩碼語言模型MLM任務，所述MLM任務用于對用于訓練的詞序列中的預設比例的詞進行掩碼處理并預測被掩碼處理的詞。

4.根據權利要求3所述的方法，其特征在于，所述基于預先訓練的BERT模型確定所述詞序列中每個詞對應的詞向量之前，所述方法還包括：

確定所述詞序列中每個詞對應的初始詞向量、類別向量和位置向量，其中，所述類別向量用于表示所述詞對應的語音對象，所述位置向量用于表示所述詞在所述詞序列中的相對位置；

分別將所述詞序列中每個詞對應的初始向量、類別向量和位置向量進行疊加，得到所述每個詞對應的目標向量；

所述基于預先訓練的BERT模型確定所述詞序列中每個詞對應的詞向量，包括：

將所述每個詞對應的目標向量輸入所述BERT模型，得到所述詞序列中每個詞對應的詞向量。

5.一種模型訓練方法，其特征在于，包括：

獲取M個語音樣本，其中，所述M個語音樣本中每個語音樣本均標注有N個分類標簽，所述N個分類標簽與N個質檢項一一對應，M和N均為大于1的整數；

分別將所述M個語音樣本中的每個語音樣本轉換為文本，得到M個文本；

分別確定所述M個文本中每個文本的每個詞對應的詞向量；

根據所述M個文本中每個文本的每個詞對應的詞向量，訓練質量檢測模型；

所述方法還包括：

獲取所述M個語音樣本中每個語音樣本對應的語音對象的特征信息；

分別根據所述每個語音樣本對應的語音對象的特征信息，生成所述每個語音樣本對應的語音對象的特征向量；

所述根據所述M個文本中每個文本的每個詞對應的詞向量，訓練質量檢測模型，包括：

根據所述每個文本的每個詞對應的詞向量和所述每個語音樣本對應的語音對象的特征向量，訓練質量檢測模型；

其中，所述質量檢測模型包括編碼層和N個全連接層，所述編碼層輸出的語義特征向量輸入所述N個全連接層。

6.一種語音服務質量檢測裝置，其特征在于，包括：

第一轉換模塊，用于將待檢測的語音轉換為文本；

第一確定模塊，用于確定所述文本中每個詞對應的詞向量；

輸入模塊，用于將所述每個詞對應的詞向量輸入預先訓練的質量檢測模型，得到所述語音對應的N個質檢項的質檢結果；

所述裝置還包括：

第一獲取模塊，用于獲取所述語音對應的語音對象的特征信息；

第一生成模塊，用于根據所述語音對象的特征信息生成所述語音對象的特征向量；

其中，所述質量檢測模型包括編碼層和N個全連接層，所述編碼層輸出的語義特征向量輸入所述N個全連接層，所述N個全連接層用于基于所述編碼層輸出的語義特征向量和所述語音對象的特征向量輸出所述N個質檢項的質檢結果，N為大于1的整數。