[发明专利]语音识别模型的训练样本选取方法、装置及介质

说明书

本发明公开了一种语音识别模型的训练样本选取方法、装置及介质，其中，方法包括：获取待识别语音的正确读音训练样本；对待识别语音中的汉字进行形近字扩展；利用扩展的形近字构建形成容错训练样本；将所述正确读音训练样本与所述容错训练样本融合为模型训练样本，用于对语音识别模型进行训练。本发明对训练样本进行读音容错处理，提高了语音识别系统的容错性，达到即使在读音错误的情况下输入法也能提供正确候选词的目的，从而提升语音输入的准确率和实用性。

技术领域

本发明涉及人工智能技术领域，具体地，涉及一种语音识别模型的训练样本选取方法、装置及介质。

背景技术

随着语音识别技术的飞速发展，智能语音输入法正逐渐成为文字录入的常见选择，被越来越多地应用于不同行业的众多场景中。智能语音输入法以语音识别技术为核心，主要包含特征提取、声学模型、语言模型以及字典与解码等部分，通过提取待识别语音数据的声学特征，基于声学模型将其解码为音素阵列，利用字典和语言模型输出相对应文字。这种策略以汉字的正确读音为基础和前提，如果读音错误，则很难得到正确的文字输出。而在实际使用场景中，汉字读音错误的情况十分普遍。对于不熟悉的汉字，人们通常会采取“读半边”或“读形近字”的方法，如“妊娠”中的“娠”、“龋齿”中的“龋”、“头孢克肟”中的“肟”等等。错误的读音导致语音输入法中的语音识别模型无法正确识别用户真正想要输入的汉字，使语音录入的效果和体验都大打折扣。

发明内容

鉴于以上问题，本发明的目的是提供一种语音识别模型的训练样本选取方法、装置及介质，以解决当前智能语音输入法中的语音识别模型由于读音错误而无法正确识别输入文字的问题。

为了实现上述目的，本发明的第一个方面是提供一种语音识别模型的训练样本选取方法，包括：

获取待识别语音的正确读音训练样本；

对待识别语音中的汉字进行形近字扩展；

利用扩展的形近字构建形成容错训练样本；

将所述正确读音训练样本与所述容错训练样本融合为模型训练样本，用于对语音识别模型进行训练。

优选地，通过去掉部首或替换部首的方式对待识别语音中的汉字进行形近字扩展。

优选地，利用扩展的形近字构建形成容错训练样本的步骤包括：

根据发音对扩展的形近字进行分组，将相同发音的形近字分为一组；

每一个发音分组均对应生成一个容错训练样本。

优选地，对语音识别模型进行训练时，设定容错训练样本的权重小于正确读音训练样本的权重。

优选地，所述容错训练样本的权重由模型训练方法和容错训练样本中形近字在汉语语料库中的单字出现频率共同决定。

优选地，所述容错训练样本的权重通过下式获取：

其中，W_near(a)表示容错训练样本的权重，a表示容错训练样本中的形近字发音，W₀表示预设的固定权重，n表示容错训练样本中发音为a的形近字的数量，P_i表示容错训练样本中发音为a的第i个形近字在汉语语料库中的单字出现概率。

为了实现上述目的，本发明的第二个方面是提供一种语音识别模型的训练样本选取装置，包括：

第一样本获取模块，用于获取待识别语音的正确读音训练样本；

扩展模块，用于对待识别语音中的汉字进行形近字扩展；

第二样本获取模块，用于利用扩展的形近字构建形成容错训练样本；