[发明专利]一种语种训练数据获得方法及装置

权利要求书

1.一种语种训练数据获得方法，其特征在于，包括：

使用训练数据分别训练用于识别各种语种的语种识别模型，其中，所述训练数据中包括各种语种的第一音频数据；

分别使用所述各语种识别模型识别数据集中的第二音频数据，所述第二音频数据预先标注有其所属语种，获得与各所述语种识别模型对应的得分；

根据所述得分基于各所述语种识别模型确定出所述第二音频数据对应的识别语种；

计算所述数据集中各条所述第二音频数据的得分信息熵；

将所述数据集中，所述得分信息熵满足第一预设条件且实际语种与所述识别语种一致的第二音频数据的集合作为训练数据集，所述训练数据集中的第二音频数据用于训练所述语种识别模型，返回执行所述使用训练数据训练用于识别语种的各语种识别模型的步骤，直至获得的所述训练数据集中的音频数据的数量满足第二预设条件。

2.根据权利要求1所述的方法，其特征在于，所述计算所述数据集中各条所述第二音频数据的得分信息熵，包括：

使用如下公式对使用各所述语种识别模型识别所述第二音频数据得到的分数进行归一化；

其中，I为所述语种识别模型的总个数，为第i个语种识别模型，的上标(0)表示迭代次数，表示使用第i个语种识别模型识别所述数据集中第j条第二音频数据的得分；

使用如下公式计算所述得分信息熵；

其中，H(j)表示所述数据集中第j条第二音频数据对应的得分信息熵。

3.根据权利要求1所述的方法，其特征在于，所述第一预设条件，包括：

H(j)≤κlogI，其中，H(j)表示所述数据集中第j条第二音频数据对应的得分信息熵，κ为预设常数，I为所述语种识别模型的总个数。

4.根据权利要求1所述的方法，其特征在于，所述第二预设条件包括：当前得到的所述训练数据的数量与上一次得到的所述训练数据的数量一致。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述得分基于各所述语种识别模型确定出所述第二音频数据对应的识别语种，包括：

选择各所述语种识别模型对所述第二音频数据进行识别得到的得分中，得分最高的分数对应的语种作为所述第二音频数据的识别语种。

6.一种语种训练数据获得装置，其特征在于，包括：

训练模块，用于使用训练数据分别训练用于识别各种语种的语种识别模型，其中，所述训练数据中包括各种语种的第一音频数据；

识别模块，用于分别使用所述各语种识别模型识别数据集中的第二音频数据，所述第二音频数据预先标注有其所属语种，获得与各所述语种识别模型对应的得分；

第一确定模块，用于根据所述得分基于各所述语种识别模型确定出所述第二音频数据对应的识别语种；

计算模块，用于计算所述数据集中各条所述第二音频数据的得分信息熵；

第二确定模块，用于将所述数据集中，所述得分信息熵满足第一预设条件且实际语种与所述识别语种一致的第二音频数据的集合作为训练数据集，所述训练数据集中的第二音频数据用于训练所述语种识别模型，返回执行所述使用训练数据训练用于识别语种的各语种识别模型的步骤，直至获得的所述训练数据集中的音频数据的数量满足第二预设条件。

7.根据权利要求6所述的装置，其特征在于，所述计算模块，包括：

第一计算单元，用于使用如下公式对使用各所述语种识别模型识别所述第二音频数据得到的分数进行归一化；

其中，I为所述语种识别模型的总个数，为第i个语种识别模型，的上标(0)表示迭代次数，表示使用第i个语种识别模型识别所述数据集中第j条第二音频数据的得分；

第二计算单元，用于使用如下公式计算所述得分信息熵；

其中，H(j)表示所述数据集中第j条第二音频数据对应的得分信息熵。