[发明专利]语音合成中文本分词方法及系统

说明书

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种语音合成中文本分词方法及系统。

背景技术

当前的语音合成系统，大多数是基于内部通用词典实现文本的分析，对于合成系统来说，其处理过程是：“文本”到“语音”。

然而，“文本”到“语音”方法存在的问题是不能对文本的差异性做很好地处理，因为现实情况中的合成文本除了包含通用词典中的词汇外，还有一些与其内容和题材相关的特有词汇，例如，在小说、散文等各类文学作品中，每篇文本都有该文本中常用而在其他文本中几乎不会出现的词汇(例如武侠招式、虚构人名、地名等)，这些词汇一般很少收录到合成系统的通用词典中。例如，在小说中，可能会出现“王勇飞马来到”，在这一句子中，由于“王勇”这个人名一般不会是词典词，在“飞马”不是词典词的情况下，分词处理中很容易把“王勇飞”作为一个人名合并为一个词，导致分词错误，进而影响合成效果。即便分词正确，人名或其他类型名称的多音字问题也无法得到很好的解决，例如“曾(zeng)飞扬”、“刘禅(shan)”、“聂玢玢(bin)”等。

考虑到合成产品应用的快速响应要求以及资源大小的限制，不可能无限扩充合成系统的通用词典中的词条量，显然不能通过向通用词典中追加词条的方式解决文本差异性问题，因此需要开发一种针对合成文本的优化分析方法来解决这一问题。

发明内容

本发明的目的是解决分析合成文本过程中的文本差异性问题，提供了一种语音合成中文本分词方法及系统，提高文本分析结果的准确性。

为实现上述目的，本发明的技术方案为：

一种语音合成中文本分词方法，包括：

预先建立与待处理文本相对应的绑定词典，并绑定所述文本和所述绑定词典，所述绑定词典中的词包括所述文本中未收录在通用词典中的未登录词；

将所述文本与所述通用词典中的词进行匹配，得到准分词结果；

根据所述绑定词典中的词对所述准分词结果进行修正。

优选的是，所述建立与待处理文本相对应的绑定词典包括：

获取所述文本中未收录在通用词典中的未登录词；

确定所述未登录词在所述文本中出现的频次；

如果所述频次高于设定阈值，则将所述未登录词收录到与所述文本相对应的绑定词典中。

优选的是，所述获取所述文本中未收录在通用词典中的未登录词包括：

通过新词发现方法、热词发现方法和人工标注方法中的一种或多种获取所述文本中未收录在通用词典中的未登录词。

优选的是，所述建立与待处理文本相对应的绑定词典还包括：将对应所述未登录词的词性、字数、拼音和韵律信息保存到所述绑定词典中。

优选的是，所述绑定所述文本和所述绑定词典包括：使所述绑定词典的文件名称包括所述文本的文件名称。

一种语音合成中文本分词系统，包括：

绑定词典构建单元，用于预先建立与待处理文本相对应的绑定词典，所述绑定词典中的词包括所述文本中未收录在通用词典中的未登录词；

绑定单元，用于绑定所述文本和所述绑定词典；

准分词结果获取单元，用于将所述文本与所述通用词典中的词进行匹配，得到准分词结果；

修正单元，用于根据所述绑定词典中的词对所述准分词结果进行修正。

优选的是，所述绑定词典构建单元包括：

未登录词获取单元，用于获取所述文本中未收录在通用词典中的未登录词；

频次确定单元，用于确定所述未登录词在所述文本中出现的频次；

收录单元，用于在所述频次高于设定阈值时，将所述未登录词收录到与所述文本相对应的绑定词典中。

优选的是，所述未登录词获取单元具体用于：

通过新词发现方法、热词发现方法和人工标注方法中的一种或多种获取所述文本中未收录在通用词典中的未登录词。

优选的是，所述绑定词典构建单元还用于：将对应所述未登录词的词性、字数、拼音和韵律信息保存到所述绑定词典中。

优选的是，所述绑定单元具体用于：使所述绑定词典的文件名称包括所述文本的文件名称。

本发明的有益效果在于，采用本发明所述的文本分词方法及系统，通过增加绑定词典，为实现给不同的文本定制相应的词典资源提供了很大的自由度，在不需要修改通用词典情况下，实现文本分析结果的优化；另外，除了在绑定词典中收录未登录词之外，本发明还将各个未登录词的词性、字数、拼音和韵律信息保存在所述绑定词典中，从而可以较好地解决文学作品中的多音字问题。

附图说明