[发明专利]用于语音识别训练和评分的音译

说明书

一种用于语音识别训练和评分的音译的方法、系统和装置，包括存储在计算机可读存储介质上的计算机程序。在一些实施方式中，访问语言示例，其中的一些包括第一脚本中的词和一个或多个其他脚本中的词。语言示例中的一些的至少一部分被音译到第一脚本以生成训练数据集。基于第一脚本中的训练数据集中的词的不同序列的出现来生成语言模型。语言模型用于执行针对话语的语音识别。

背景技术

口语和书面语言的许多实例包括来自两种或更多种不同语言或方言的词。许多语音识别系统很难准确地转录结合了来自不同语言或方言的词的语音。类似地，通常难以使用包括以不同语言或方言——尤其是来自多种书写系统的语言——的词的书面语言示例来训练语音识别系统。

发明内容

在一些实施方式中，可以处理语言示例以将至少一些词音译成不同的脚本，以增强对语音识别模型的训练并提供对语音识别模型的更准确的评估。在某些情况下，书面语言示例，诸如用于训练或测试语言模型的书面语言示例，可以包括以一个脚本(例如，第一脚本或主要脚本)书写的词以及以不同脚本书写的一个或多个词。在训练或评估模型之前，可以通过将脚本外的词音译为主要脚本来对语言样本进行标准化。可以对所有脚本外的词执行此操作，也可以更选择性地执行此操作(例如，不对专有名称进行音译)。与从训练中排除带有混合脚本的示例的模型和使用不带音译的混合脚本的模型相比，生成的模型提供了更好的准确性。

通常，在单个短语或句子中使用多个脚本可能会使语言模型难以适当地学习对不在主脚本中的词的正确使用。结果，通常从训练数据集中移除带有混合脚本的示例，使得它们不会在语言模型训练中使用。这样做的缺点是限制了模型可以从中学习的示例数量，尤其是消除了模型学习多个脚本中的词一起使用的上下文和用法的机会。为了提高识别准确性，音译可用于对所需脚本的训练数据集进行标准化，从而提高建模的准确性。

语言模型训练数据的音译减少了转录中的不一致，提供了更好的标准化并提高了自动语音识别器系统的整体性能。此功能允许扩充语言模型训练数据，并强制识别器的假设以符合一个书写系统。相反，如果模型训练仅允许训练中的次要书写系统的所有语音，则生成的模型将倾向于在次要书写系统中输出更多语音，从而进一步增加了模型假设和转录真相之间已经存在的书写脚本不匹配的情况。即使两个词都指代相同的语义和发音，它也会在两个或更多个表示形式——例如，第一个脚本中的词以及第二个脚本中的词——中分散字数统计。通过音译训练数据，模型输出主要保留在所需的脚本中，同时由于针对任何脚本中的实例合并了相同词的词计数，从而提高了准确性。

在一些实施方式中，由一个或多个计算机执行的方法包括：访问指示用于第一脚本的语言示例的数据集，其中语言示例中的至少一些包括所述第一脚本中的词和一个或多个其他脚本中的词；将语言示例中的一些的至少一部分音译到第一脚本，以生成具有被音译到第一脚本的词的训练数据集；基于具有被音译到所述第一脚本的词的所述训练数据集中的词的序列的出现，来生成语音识别模型。该方法可以可选地进一步包括使用语音识别模型来针对话语执行语音识别。

在一些实施方式中，语音识别模型是语言模型、声学模型、序列到序列模型或端到端模型。

在一些实施方式中，音译包括将表示来自不同脚本的文本的不同形符映射到单个标准化音译表示。

在一些实施方式中，对所述语言示例进行音译包括将所述语言示例中的不在所述第一脚本中的词音译到所述第一脚本。

在一些实施方式中，对所述语言示例进行音译包括：访问不同于所述第一脚本的脚本中的词项的黑名单；并绕过所述语言示例中出现的、来自黑名单中的词项实例的音译。

在一些实施方式中，对所述语言示例进行音译包括生成改变的语言示例，其中以不同于所述第一脚本的第二脚本书写的词被替换为近似所述第一脚本中的词的声学特性的所述第一脚本中的一个或多个词。

在一些实施方式中，在逐个词的基础上，将以所述第二脚本书写的词分别音译到所述第一脚本。