[发明专利]基于几何学的语音样本筛选方法、装置及计算机设备

说明书

本发明公开了基于几何学的语音样本筛选方法、装置、计算机设备及存储介质，涉及人工智能技术，包括获取初始语音样本集，提取初始语音样本集中每一条初始语音样本数据对应的语音特征，以组成语音特征集；通过动态时间规整算法获取语音特征集中各语音特征之间的欧式距离以进行K‑means聚类，以得到聚类结果；调用预设的样本子集筛选条件，获取聚类结果中满足样本子集筛选条件的聚类簇，以组成目标聚类簇集合；获取目标聚类簇集合中每一语音特征对应的标注值，以得到与目标聚类簇集合对应的当前语音样本集。该方法实现了自动选择出冗余度较小的样本对语音识别模型进行训练，减少深度学习背景下语音识别任务的标注代价，提升语音识别模型的训练速度。

技术领域

本发明涉及人工智能的语音语义技术领域，尤其涉及一种基于几何学的语音样本筛选方法、装置、计算机设备及存储介质。

背景技术

近年来，随着深度神经网络技术(Deep Neural Network，DNN)在信号处理领域的巨大成功，基于DNN的语音识别算法愈来成为研究热点，然而通过监督学习的方式训练语音识别的DNN通常需要大量的带有标注的语音数据。虽然随着感知设备的发展和推广，未标注的语音数据变得更加容易获取。但是给未标注的语音数据人工打上标注仍然需耗费大量的人力成本。

为了给未标注的语音数据打标注可采用主动学习技术，主动学习是机器学习的一个分支，它允许模型自行选择要学习的数据。主动学习的思想来源于一个假设∶即一个机器学习算法，如果能自行选择想要学习的数据，那么只用较少的训练数据，它将表现得更好。

最广泛使用的主动学习查询策略叫做不确定性采样(Uncertainty Sampling)，在该项技术中模型将选择模型预测最不确定的样本进行标注。该技术在样本选择数量较小的情况下取得了良好的效果，但是在使用深度神经网络作为训练模型的背景下，模型需要大量的训练数据，随着选择的标注样本数量的增长，模型预测不确定的样本就会有冗余和重叠，更加容易选择到相似的样本。然而选择出这些相似的样本对模型训练的帮助是十分有限的。

而且，语音数据不同于图片等非序列数据，语音数据具长度不定，结构化信息丰富等特点，对于语音数据的处理和选择难度会更大。

发明内容

本发明实施例提供了一种基于几何学的语音样本筛选方法、装置、计算机设备及存储介质，旨在解决现有技术中通过不确定性采样技术应用于语音识别用途的神经网络的训练时，模型预测不确定的样本就会有冗余和重叠，这些相似的样本对模型训练的帮助有限，而且因语音结构复杂导致不确定性采样技术选择出语音样本的难度较大的的问题。

第一方面，本发明实施例提供了一种基于几何学的语音样本筛选方法，其包括：

获取初始语音样本集，提取所述初始语音样本集中每一条初始语音样本数据对应的语音特征，以组成语音特征集；其中，所述初始语音样本集中包括多条初始语音样本数据；

通过动态时间规整算法获取所述语音特征集中各语音特征之间的欧式距离，根据各语音特征之间的欧式距离进行K-means聚类，以得到聚类结果；

调用预设的样本子集筛选条件，获取所述聚类结果中满足所述样本子集筛选条件的聚类簇，以组成目标聚类簇集合；

获取所述目标聚类簇集合中每一语音特征对应的标注值，以得到与所述目标聚类簇集合对应的当前语音样本集；

将所述当前语音样本集中每一语音特征作为待训练语音识别模型的输入，将每一语音特征对应的标注值作为待训练语音识别模型的输出以对待训练语音识别模型进行训练，得到语音识别模型；其中，所述待训练语音识别模型中包括链接时序分类子模型和基于注意力机制子模型；以及

若检测到用户端上传的当前待识别语音数据，将所述当前待识别语音数据对应的语音特征输入至所述语音识别模型进行运算，得到并向用户端发送当前语音识别结果。