[发明专利]迭代式大规模发音词典构建方法及装置

权利要求书

1.一种迭代式大规模发音词典构建方法，其特征在于，包括：

对输入的文本生数据进行预处理，生成词条序列；

对输入的音频生数据进行预处理，生成音标序列；

基于G2P模型对词条序列进行处理获得音标序列，生成二元组词条，音标；

基于P2G模型对音标序列进行处理获得词条序列，生成二元组音标，词条；

计算二元组词条，音标和二元组音标，词条之间的匹配度；

将所述匹配度与预设匹配度进行比较，对所述匹配度小于预设匹配度对应的二元组词条，音标和二元组音标，词条进行鉴别性样本抽取，获得鉴别性样本；

获取领域专家对所述鉴别性样本的标注和校正，将标注和校正后的二元组词条，音标和二元组音标，词条存入多层次大规模发音词典。

2.如权利要求1所述的迭代式大规模发音词典构建方法，其特征在于，对输入的文本生数据进行预处理，生成词条序列，包括：

对输入的文本生数据进行清洗和标准化处理，生成词条序列；

对输入的音频生数据进行预处理，生成音标序列，包括：

对输入的音频生数据进行音频去噪和音素切分操作，生成音标序列。

3.如权利要求1所述的迭代式大规模发音词典构建方法，其特征在于，还包括：若所述匹配度大于预设匹配度，则将对应的二元组词条，音标和二元组音标，词条存入多层次大规模发音词典。

4.如权利要求1所述的迭代式大规模发音词典构建方法，其特征在于，对所述匹配度小于预设匹配度对应的二元组词条，音标和二元组音标，词条进行鉴别性样本抽取，获得鉴别性样本，包括：

计算所述匹配度小于预设匹配度对应的二元组词条，音标和二元组音标，词条的信息熵；

将所述信息熵与预设信息熵阈值比较，将所述信息熵大于预设信息熵阈值对应的二元组词条，音标和二元组音标，词条作为鉴别性样本。

5.如权利要求1所述的迭代式大规模发音词典构建方法，其特征在于，还包括：

利用标注和校正后的二元组词条，音标和二元组音标，词条对G2P模型和P2G模型进行迭代式训练。

6.如权利要求1所述的迭代式大规模发音词典构建方法，其特征在于，利用标注和校正后的二元组词条，音标和二元组音标，词条对G2P模型和P2G模型进行迭代式训练，包括：

将标注和校正后的二元组词条，音标和二元组音标，词条化为三种不同权重的操作：增加操作权重为1，删除操作权重为1，修改操作权重为2；

基于三种不同权重的操作得到损失函数Loss；

利用损失函数Loss约束G2P模型和P2G模型进行迭代式训练。

7.如权利要求1所述的迭代式大规模发音词典构建方法，其特征在于，按照如下公式基于三种不同权重的操作得到损失函数Loss：

8.一种迭代式大规模发音词典构建装置，其特征在于，包括：

数据预处理模块，用于对输入的文本生数据进行预处理，生成词条序列；对输入的音频生数据进行预处理，生成音标序列；

G2P模块，用于基于G2P模型对词条序列进行处理获得音标序列，生成二元组词条，音标；

P2G模块，用于基于P2G模型对音标序列进行处理获得词条序列，生成二元组音标，词条；

主动学习模块，用于计算二元组词条，音标和二元组音标，词条之间的匹配度；将所述匹配度与预设匹配度进行比较，对所述匹配度小于预设匹配度对应的二元组词条，音标和二元组音标，词条进行鉴别性样本抽取，获得鉴别性样本；获取领域专家对所述鉴别性样本的标注和校正，将标注和校正后的二元组词条，音标和二元组音标，词条存入多层次大规模发音词典。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述迭代式大规模发音词典构建方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一所述迭代式大规模发音词典构建方法的步骤。