[發(fā)明專利]一種語音數(shù)據(jù)的擴(kuò)充方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011369921.7
• 申請日: 2020-11-30
• 公開（公告）號: CN112530399A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計）人: 金炎馳;梁志婷;韓振龍
• 申請（專利權(quán)）人: 上海明略人工智能（集團(tuán)）有限公司
• 主分類號: G10L13/02
• 分類號: G10L13/02
• 代理公司: 青島清泰聯(lián)信知識產(chǎn)權(quán)代理有限公司 37256
• 代理人: 李紅巖

本發(fā)明提出一種語音數(shù)據(jù)的擴(kuò)充方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)，其方法技術(shù)方案包括對話設(shè)計步驟，根據(jù)一預(yù)設(shè)場景設(shè)計文本形式的對話內(nèi)容；文本轉(zhuǎn)化步驟，將所述對話內(nèi)容轉(zhuǎn)化為對話語音；音頻混合步驟，將所述對話語音與所述預(yù)設(shè)場景下的噪音混合，得到模擬音頻數(shù)據(jù)并輸出。本發(fā)明解決了現(xiàn)有語音數(shù)據(jù)的擴(kuò)充方法復(fù)雜且可靠性不強(qiáng)的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于語言處理領(lǐng)域，尤其涉及一種可適用于語音識別技術(shù)的語音數(shù) 據(jù)的擴(kuò)充方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

隨著信息技術(shù)的發(fā)展，互聯(lián)網(wǎng)的普及，實現(xiàn)人機(jī)之間人性化、智能化的有 效交互，構(gòu)建高效自然的人機(jī)交流環(huán)境，已經(jīng)成為當(dāng)前信息技術(shù)應(yīng)用和發(fā)展的 迫切需求。

近二十年來，語音識別技術(shù)取得顯著進(jìn)步，開始從實驗室走向市場。隨著 語音識別技術(shù)的飛速發(fā)展，語音輸入、語音擴(kuò)充、語音識別、語音判斷、語音 播放、語音調(diào)速等各種在線語音識別受到了越來越多的關(guān)注，人們預(yù)計，未來 10年內(nèi)，語音識別技術(shù)將進(jìn)入工業(yè)、家電、通信、汽車電子、醫(yī)療、家庭服務(wù)、 消費電子產(chǎn)品等各個領(lǐng)域。語音識別聽寫機(jī)在一些領(lǐng)域的應(yīng)用被美國新聞界評 為1997年計算機(jī)發(fā)展十件大事之一。很多專家都認(rèn)為語音識別技術(shù)是2000年 至2010年間信息技術(shù)領(lǐng)域十大重要的科技發(fā)展技術(shù)之一。語音識別技術(shù)所涉及 的領(lǐng)域包括：信號處理、模式識別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、 人工智能等等。

目前在進(jìn)行對音頻的處理時往往需要進(jìn)行訓(xùn)練，在訓(xùn)練時往往需要增加不 同于說話人的語音當(dāng)做干擾項或?qū)为氄f話人的不同特征來當(dāng)做干擾項進(jìn)行訓(xùn) 練，目前最常用的技術(shù)是將未經(jīng)修改的音頻直接作為訓(xùn)練數(shù)據(jù)，或者將音頻分 割成多段的語音，便于進(jìn)行語音中的特征提取生成語音特征，再通過多個語音 特征拼接成新音頻，但是這樣的音頻不具有很高的干擾性，需要本身存在原始 音頻，且原始音頻的切分重組會導(dǎo)致音頻丟失時序信息，以及環(huán)境信息和本身 的情感信息和內(nèi)容信息等。

發(fā)明內(nèi)容

本申請實施例提供了一種語音數(shù)據(jù)的擴(kuò)充方法、系統(tǒng)、電子設(shè)備及存儲介 質(zhì)，以至少解決現(xiàn)有語音數(shù)據(jù)的擴(kuò)充方法復(fù)雜且可靠性不強(qiáng)的問題。

第一方面，本申請實施例提供了一種語音數(shù)據(jù)的擴(kuò)充方法，包括：對話設(shè) 計步驟，根據(jù)一預(yù)設(shè)場景設(shè)計文本形式的對話內(nèi)容；文本轉(zhuǎn)化步驟，將所述對 話內(nèi)容轉(zhuǎn)化為對話語音；音頻混合步驟，將所述對話語音與所述預(yù)設(shè)場景下的 噪音混合，得到模擬音頻數(shù)據(jù)并輸出。

優(yōu)選的，所述對話設(shè)計步驟還包括：根據(jù)一預(yù)設(shè)場景，獲取所述預(yù)設(shè)場景 下的文本數(shù)據(jù)，通過獲取的所述文本數(shù)據(jù)設(shè)計對話內(nèi)容。

優(yōu)選的，所述文本轉(zhuǎn)化步驟還包括：將所述對話內(nèi)容通過一TTS系統(tǒng)轉(zhuǎn) 化為對話語音。

優(yōu)選的，所述音頻混合步驟包括：在一真實場景中播放所述對話語音，并 同時采集所述真實場景下的真實噪音數(shù)據(jù)與所述對話語音。

優(yōu)選的，所述音頻混合步驟包括：獲取現(xiàn)有的所述預(yù)設(shè)場景下的模擬噪音 數(shù)據(jù)，并將所述對話語音直接與所述模擬噪音數(shù)據(jù)直接混合。

第二方面，本申請實施例提供了一種語音數(shù)據(jù)的擴(kuò)充系統(tǒng)，適用于上述一 種語音數(shù)據(jù)的擴(kuò)充方法，包括：對話設(shè)計單元，根據(jù)一預(yù)設(shè)場景，獲取所述預(yù) 設(shè)場景下的文本數(shù)據(jù)，通過獲取的所述文本數(shù)據(jù)設(shè)計對話內(nèi)容；文本轉(zhuǎn)化單元， 將所述對話內(nèi)容通過一TTS系統(tǒng)轉(zhuǎn)化為對話語音；音頻混合單元，將所述對話 語音與所述預(yù)設(shè)場景下的噪音混合，得到模擬音頻數(shù)據(jù)并輸出。

在其中一些實施例中，所述音頻混合單元包括：在一真實場景中播放所述 對話語音，并同時采集所述真實場景下的真實噪音數(shù)據(jù)與所述對話語音。

在其中一些實施例中，所述模型建立模塊還包括：所述音頻混合單元包括： 獲取現(xiàn)有的所述預(yù)設(shè)場景下的模擬噪音數(shù)據(jù)，并將所述對話語音直接與所述模 擬噪音數(shù)據(jù)直接混合。