[发明专利]一种语料收集方法、装置及系统

权利要求书

1.一种语料收集方法，其特征在于，包括：

在服务器中预置标准语料文本；

声音采集装置检测任务启动指令，当检测到任务启动指令后开始采集基于所述标准语料文本录入的语音作为初始语料；

利用语音识别技术把所述初始语料转换为初始文字，比较所述初始文字与所述标准语料文本的长度，当所述初始文字与所述标准语料文本的长度不一致时，则判断所述初始语料为无效语料，把所述初始语料存储至服务器中的无效语料库；当所述初始文字与所述标准语料文本的长度一致时，则进一步进行以下步骤，

逐字比较所述初始文字与所述标准语料文本，当所述初始文字与所述标准语料文本的文字全部相同时，则判断所述初始语料为有效语料，把所述初始语料存储至服务器中的有效语料库；

当所述初始文字与所述标准语料文本存在不相同的文字时，则分别提取所述初始文字和所述标准语料文本的拼音，计算所述初始文字的拼音相对于所述标准语料文本的拼音的编辑距离，所述初始文字的拼音相对于所述标准语料文本的拼音的编辑距离与所述标准语料文本的拼音的长度的比值记为所述初始语料的误差率，当所述初始语料的误差率不大于阈值α时，则判断所述初始语料为有效语料，把所述初始语料存储至服务器中的有效语料库；当所述初始语料的误差率大于阈值α时，则判断所述初始语料为无效语料，把所述初始语料存储至服务器中的无效语料库。

2.如权利要求1所述的语料收集方法，其特征在于，所述阈值α随着所述标准语料文本的拼音的长度不同而变化，所述标准语料文本的拼音的长度越长则所述阈值α越小，且0＜α＜1。

3.如权利要求2所述的语料收集方法，其特征在于，所述阈值α的计算公式为：

其中，L为所述标准语料文本的拼音的长度，k为预置的系数且k为正数。

4.如权利要求1所述的语料收集方法，其特征在于，在服务器中预置测试文本，在声音采集装置检测到任务启动指令之后、开始采集基于所述标准语料文本录入的语音之前，声音采集装置采集基于所述测试文本录入的测试语音，利用语音识别技术把所述测试语音转换为测试文字，分别提取所述测试文字和所述测试文本的拼音，对比所述测试文字和所述测试文本的拼音，利用寻优算法确定阈值α的取值。

5.如权利要求1-4中任一项所述的语料收集方法，其特征在于，还包括：

在服务器中还预置基于标准语料文本的地方方言语料；

利用语音识别技术把所述地方方言语料转换为方言语料文本，提取所述方言语料文本的拼音作为所述地方方言语料的基准拼音；

当所述初始文字与所述标准语料文本存在不相同的文字时，分别计算所述初始文字的拼音相对于所述标准语料文本的拼音的编辑距离、和所述初始文字的拼音相对于所述地方方言语料的基准拼音的编辑距离；

所述初始文字的拼音相对于所述标准语料文本的拼音的编辑距离与所述标准语料文本的拼音的长度的比值记为所述初始语料的第一误差率，所述初始文字的拼音相对于所述地方方言语料的基准拼音的编辑距离与所述地方方言语料的基准拼音的长度的比值记为所述初始语料的第二误差率；

在所述第一误差率和所述第二误差率中取最小值记为所述初始语料的误差率，当所述初始语料的误差率不大于阈值α时，则判断所述初始语料为有效语料，把所述初始语料存储至服务器中的有效语料库；当所述初始语料的误差率大于阈值α时，则判断所述初始语料为无效语料，把所述初始语料存储至服务器中的无效语料库。

6.如权利要求5所述的语料收集方法，其特征在于，在把所述初始语料存储至服务器之前，对所述初始语料进行标注，标注内容包括：正确或错误标识、语音来源体的唯一标识、语料内容。

7.如权利要求6所述的语料收集方法，其特征在于，对判断为无效语料的所述初始语料进行标注的标注内容还包括：对应的标准语料文本。