[发明专利]一种基于验证码的语音数据样本采集系统及其方法

说明书

本发明公开了一种基于验证码的语音数据样本采集系统及其方法，用户终端与语音验证及采集模块连接，用户通过用户终端发起校验请求，通过主要由样本采集服务器、样本数据库、呼叫终端和语音转文字服务器构成的语音验证及采集模块为用户终端提供验证服务，在使用时，语音验证及采集模块根据校验请求发出标准文字样本数据，用户根据指令通过用户终端朗读标准文字样本数据的文字内容，得到语音样本；语音验证及采集模块对该语音样本进行语音转文字的处理，得到即时文字样本，进行验证对比，对比成功则采集该语音样本，否则丢弃。整个过程，只需用户验证参与即可，无需现场采集，与传统人工录入的做法相比，语音样本采集工作量少、采样成本的投入更低。

技术领域

本发明涉及一种语音数据采集技术，特别是一种基于验证码的语音数据样本采集系统及其方法。

背景技术

随着大数据产业与人工智能深度学习的迅猛发展，对数据样本的需求呈指数级增长。因为不管是人工智能还是大数据都是需要基于前端数据获取的基础上才能进行下一步的数据处理，而不同领域和不同功能的应用场景对于数据样本的采集区别较大，尤其是涉及人体本身的生物特征的采集。例如人脸识别、图像识别、语音识别、语音翻译等，由于采集的数据样本涉及不同人群的指纹、脸部图像、声音等人本身特有生物特征，因此需要采集大量的数据样本。现有技术中，对于语音数据样本的采集一般是通过人工录入而进行的采集，耗费人力资源大，造成数据采集成本提高。

验证码(CAPTCHA)是“Completely Automated Public Turing test to tellComputers and Humans Apart”(全自动区分计算机和人类的图灵测试)的缩写，是一种区分用户是计算机还是人的公共全自动程序。用户在第三平台上使用时可防止：恶意破解密码、刷票、论坛灌水、身份核实等功能，验证码已成为很多网站/平台通行的方式。因此，基于第三平台并通过验证码技术实现语音数据样本的采集成为数据采集领域的一大挑战。

发明内容

本发明的发明目的是，针对上述问题，提供一种基于验证码的语音数据样本采集系统，本发明基于为第三方平台提供验证码服务的途径，并利用用户在验证码服务中的广泛参与，顺利且快捷完成语音数据样本的采集，有效节约数据采集的成本。

为达到上述目的，本发明所采用的技术方案是：

一种基于验证码的语音数据样本采集系统，包括用户终端和语音验证及采集模块，所述用户终端与语音验证及采集模块连接，用以向语音验证及采集模块发起校验请求，用户根据语音验证及采集模块发来的指令朗读文字样本数据中的文字内容，并对应生成语音样本，所述语音样本由用户终端发送给语音验证及采集模块，所述文字样本数据包括文字样本和编号；

所述语音验证及采集模块，用以接收用户终端的校验请求，并根据校验请求向用户终端发送待识别的文字样本数据，同时接收用户终端发来的语音样本且将该语音样本进行语音转文字的处理后，得到即时文字样本数据，然后将即时文字样本数据与语音验证及采集模块内存储的标准文字样本数据进行校验对比，通过校验对比的结果来确定是否采集该语音样本。

作为优选实施方式，所述语音验证及采集模块包括样本采集服务器、样本数据库、呼叫终端和语音转文字服务器，

所述用户终端与样本采集服务器连接，用于与样本采集服务器进行信息交互并向样本采集服务器发起验证请求；所述用户终端还与呼叫终端连接，用以接收呼叫终端发来的话路呼叫，并根据话路呼叫朗读文字样本数据，以向呼叫终端输出文字样本数据对应的语音样本；

所述样本采集服务器，用以向用户终端提供验证服务；所述样本采集服务器还与样本数据库连接，用于调取样本数据库中存储的文字样本数据；所述样本采集服务器还与呼叫终端连接，用于控制呼叫终端向用户终端发起呼叫验证；

所述样本数据库与样本采集服务器连接，用于向样本采集服务器提供文字样本的编号以及存储识别的样本标签；所述样本数据库还与呼叫终端连接，用于存储呼叫终端发来的语音样本；