[发明专利]一种音频数据标注方法、装置及系统

说明书

本发明公开了一种音频数据标注方法、装置及系统。方法包括：将待标注音频数据利用语音识别引擎进行语音识别获得参考标注文本；由待标注音频数据解码获得的词图网络中查找与参考标注文本编辑距离最短的最优识别路径，计算最优识别路径上各单词的置信度，将各单词的置信度与预设的第一置信度条件对比，输出最优识别路径上满足第一置信度条件的目标单词；按照词图网络中各单词的时间参数对齐目标单词，形成待标注音频数据的标注文本。本发明将待标注音频数据的词图网络中的单词按照置信度做区分，将置信度高的单词提取出来形成待标注音频数据的标注文，本并标记置信度低的单词，自动完成音频数据标注，提高了标注效率，提高了标注的准确度。

技术领域

本发明涉及语音识别技术领域，特别涉及一种音频数据标注方法、装置及系统。

背景技术

语音识别是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述语言的技术，其所要解决的技术问题是让计算机将语音转化成文本，对给定的波形序列得到相应的单词或者字符序列，本质上是信道解码和模式识别的问题。

一般来讲，语音识别系统主要由前端处理、声学模型、语言模型和解码器四个模块组成。其中前端处理主要包括：端点检测、降噪、特征提取三个方面的操作。声学模型、语言模型和解码器属于后端处理，声学模型主要用来构建输入语音和输出声学单元之间的概率映射关系，语言模型主要用来描述不同字词之间的概率搭配关系，使识别出的句子更通顺自然。

语音识别系统构建的过程整体上包括：训练和识别两部分。训练是指对声学模型和语言模型的训练，一般离线进行。识别为将用户的语音识别为文本的过程，一般在线进行。在对声学模型的训练中需要大量的样本标注音频数据，该数据的获取主要通过人工完成，耗时耗力，成本高昂。而直接采用语音识别后的标注音频数据作为声学模型的训练样本，由于语音识别出的标注音频数据质量不稳定，会导致使用其作为样本训练出的声学模型的准确度不高的问题。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种音频数据标注方法、装置及系统。所述技术方案如下：

第一方面，提供了一种音频数据标注方法，所述方法包括：

将待标注音频数据利用语音识别引擎进行语音识别获得参考标注文本；

以所述参考标注文本为参照，在由所述待标注音频数据解码获得的词图网络中查找与所述参考标注文本编辑距离最短的最优识别路径，计算所述最优识别路径上各单词的置信度，将各单词的所述置信度与预设的第一置信度条件对比，输出所述最优识别路径上满足所述第一置信度条件的目标单词；

按照所述词图网络中各单词的时间参数对齐所述目标单词，形成所述待标注音频数据的标注文本。

进一步地，所述词图网络的获得方法包括：

利用已标注音频数据训练声学模型，根据所述参考标注文本构建有偏语言模型；

利用发音词典连接训练后的所述声学模型和所述有偏语言模型，形成解码网络；

利用所述解码网络解码所述待标注音频数据获得所述词图网络。

进一步地，所述有偏语言模型的构建方法包括：

以句子为单元将所述参考标注文本分成N个簇，建立所述簇和相应音频数据的映射；

为每个簇构建一个语言模型。

进一步地，所述词图网络为混淆网络。

进一步地，在获得参考标注文本之前所述方法还包括：

获取音频素材的时长；

将所述音频素材的时长与预设的时长条件对比，删除不满足所述时长条件的所述音频素材；