[发明专利]一种模型训练的方法、语种识别的方法、装置及设备

权利要求书

1.一种模型训练的方法，其特征在于，包括：

获取第一语音数据样本集合，其中，所述第一语音数据样本集合包括至少一个第一语音数据样本，所述第一语音数据样本具有已标注的真实语种标签；

根据所述第一语音数据样本集合生成第二语音数据样本集合，其中，所述第二语音数据样本集合包括至少一个第二语音数据样本，所述第二语音数据样本为所述第一语音数据样本经过基频随机变换后得到的；

根据所述第二语音数据样本集合以及伴奏数据样本集合，生成音频数据样本集合，其中，所述音频数据样本集合包括至少一个音频数据样本；

基于所述音频数据样本集合，通过待训练语种识别模型获取预测语种标签；

基于所述真实语种标签以及所述预测语种标签，采用损失函数对所述待训练语种识别模型进行训练，得到语种识别模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一语音数据样本集合生成第二语音数据样本集合，包括：

对所述第一语音数据样本集合中的N个第一语音数据样本进行基频的随机变换，得到所述第二语音数据样本集合，其中，所述第二语音数据样本集合包括N个第二语音数据样本，所述第二语音数据样本与所述第一语音数据样本具有对应的关系，所述N为大于或等于1的整数。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一语音数据样本集合生成第二语音数据样本集合，包括：

基于所述第一语音数据样本集合，通过语音变换模型获取所述第二语音数据样本集合，其中，所述第一语音数据样本集合包括N个第一语音数据样本，所述第二语音数据样本集合包括N个第二语音数据样本，所述第二语音数据样本与所述第一语音数据样本具有对应的关系，所述N为大于或等于1的整数。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述第二语音数据样本集合以及伴奏数据样本集合，生成音频数据样本集合，包括：

将所述第二语音数据样本集合中的N个第二语音数据样本集与所述伴奏数据样本集合中的M个伴奏数据样本进行组合，得到所述音频数据样本集合，其中，所述音频数据样本集合包括Q个音频数据样本，所述N为大于或等于1的整数，所述M为大于或等于1的整数，所述Q为大于或等于1，且小于或等于(N*M)的整数。

5.一种语种识别的方法，其特征在于，包括：

获取待识别音频数据；

根据所述待识别音频数据生成音频频域特征；

基于所述音频频域特征，通过语种识别模型获取语种分布概率，其中，所述语种识别模型为采用上述权利要求1至4中任一项方法训练得到的；

根据所述语种分布概率生成所述待识别音频数据所对应的语种识别结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述待识别音频数据生成音频频域特征，包括：

对所述待识别音频数据进行分帧处理，得到P个音频数据帧，其中，所述待识别音频数据属于音频时域信号，所述P为大于或等于1的整数；

根据所述P个音频数据帧生成声学特征，其中，所述声学特征属于频域特征；

根据所述P个音频数据帧生成音素判别特征；

根据所述声学特征以及所述音素判别特征，生成所述音频频域特征。

7.根据权利要求5或6所述的方法，其特征在于，所述基于所述音频频域特征，通过语种识别模型获取语种分布概率，包括：

基于所述音频频域特征，通过所述语种识别模型获取音频深度特征；

基于所述音频深度特征，通过所述语种识别模型获取目标特征向量；

基于所述目标特征向量，通过所述语种识别模型获取所述语种分布概率。

8.根据权利要求7所述的方法，其特征在于，所述基于所述音频频域特征，通过所述语种识别模型获取音频深度特征，包括：

基于所述音频频域特征，通过所述语种识别模型所包括的残差神经网络获取所述音频深度特征；

或，

基于所述音频频域特征，通过所述语种识别模型所包括的密集卷积网络获取所述音频深度特征。