[发明专利]将书面文本转换为口语文本的方法及系统

说明书

本发明公开了一种将书面文本转换为口语文本的方法，所述方法包括：接收待转换的源文本数据；对所述源文本数据进行分词及向量化处理，得到每句源文本数据的词向量序列；依次将每句源文本数据的词向量序列输入预先构建的文本转换模型，根据所述文本转换模型的输出得到所述源文本数据对应的目标文本数据；在所述目标文本数据中插入副语言信息，得到带有副语言信息的口语化文本数据。利用本发明，可以使转换后的口语文本更符合口语表达的习惯。

技术领域

本发明涉及自然语言处理领域，具体涉及一种将书面文本转换为口语文本的方法及系统。

背景技术

语言是人们用来进行交际的系统，通常有两种不同的表现形式，即口语和书面语。口语即口头语言，书面语即用文字书写的语言，二者有着不同的特点。一般来说，口语比书面语灵活简短，对语境的依赖性比较强，表达时常伴有副语言现象，如喘息、拖音、停顿等，从而使口语听起来比书面语亲切自然，更容易理解，因此，为了便于人们理解，研究人员提出，可以将书面文本转换成口语化文本。

现有的文本转换方法在将书面语转换为口语时，一般是直接在书面语上加入一些口语中经常出现的副语言信息。具体加入时，通过预先设定的规则，对书面文本进行文本分析后，确定副语言信息加入的位置，直接将副语言信息添加到相应书面语上；如对书面文本“中国社会和经济已发生翻天覆地的变化”添加停顿后得到转换后的口语化文本“中国社会和经济#已发生翻天覆地的变化”，其中，“#”为停顿标识符。

现有的文本转换方法直接对书面文本进行分析添加相应副语言后得到转换后的口语化文本，转换后的口语化文本只是简单地在书面文本上添加了口语中常见的副语言信息，转换后的口语化文本并不符合语言的表达习惯，有时在书面文本中出现了口语化的副语言信息反而会让用户感觉到生硬、拗口，表达不流畅等感觉，严重影响用户体验。

发明内容

本发明实施例提供一种将书面文本转换为口语文本的方法及系统，以使转换后的口语文本更符合口语表达的习惯。

为此，本发明提供如下技术方案：

一种将书面文本转换为口语文本的方法，所述方法包括：

接收待转换的源文本数据；

对所述源文本数据进行分词及向量化处理，得到每句源文本数据的词向量序列；

依次将每句源文本数据的词向量序列输入预先通过收集书面语文本数据及与其对应的口语化本数据构建的文本转换模型，根据所述文本转换模型的输出得到所述源文本数据对应的目标文本数据；所述文本转换模型包括编码网络和解码网络，在训练过程中利用所述书面语文本数据输入所述编码网络后，所述解码网络输出的目标文本序列与所述书面语文本数据对应的口语化文本数据之间的差值对模型参数进行更新；

在所述目标文本数据中插入副语言信息，得到带有副语言信息的口语化文本数据。

优选地，所述方法还包括：所述文本转换模型的构建过程包括：

确定文本转换模型的拓扑结构，所述拓扑结构包括编码网络和解码网络，所述编码网络的输入为词向量序列、输出为词编码向量；所述解码网络的输入为所述编码网络输出的词编码向量及当前待转换词之前的历史词向量、输出为目标文本序列；

收集大量文本数据，所述文本数据包括书面语文本数据及与其对应的口语化文本数据；

对所述书面语文本数据进行分词及向量化处理，得到每句书面语文本数据的词向量序列；

根据所述词向量序列及对应的目标文本数据训练模型参数，在训练过程中依次将每句源文本数据的词向量序列输入所述编码网络，利用所述解码网络输出的目标文本序列与所述源文本数据对应的目标文本数据之间的差值对模型参数进行更新；并在训练结束后，得到模型参数。

优选地，所述方法还包括：