[发明专利]语音模型训练数据集构建方法及装置

权利要求书

1.一种语音模型训练数据集构建方法，其特征在于，包括：

获取语音模型训练样本集，其中，所述语音模型训练样本集包括多音字样本和非多音字样本，所述多音字样本为至少包含一个中文多音字的句子，所述非多音字样本为不包含中文多音字的句子，所述非多音字样本的数量多于所述多音字样本的数量，所述多音字样本和所述非多音字样本均为句子样本；

对所述句子样本进行词分割处理和字分割处理；

将词分割处理后的所述句子样本输入词向量表征模型，得到所述句子样本中每个词的向量表征，以及对每个词的向量表征求均值，得到所述句子样本的词向量均值表征；

从字向量库获取所述句子样本中每个字的向量表征，以及对每个字的向量表征求均值，得到所述句子样本的字向量均值表征；

拼接所述句子样本的所述词向量均值表征和所述句子样本的所述字向量均值表征，得到句子样本向量表征，其中，所述句子样本向量表征为所述多音字样本向量表征和所述非多音字样本向量表征；

对所述多音字样本向量表征进行重复采样处理，以及根据重复采样的所述多音字样本向量表征构建新的所述多音字样本向量表征；

将所述多音字样本向量表征、所述非多音字样本向量表征以及新的所述多音字样本向量表征合并后，得到构建的语音模型训练数据集。

2.根据权利要求1所述的语音模型训练数据集构建方法，其特征在于，在对所述多音字样本向量表征进行重复采样处理之前，所述方法还包括：

对所述多音字样本向量表征和所述非多音字样本向量表征进行编号；

对所述多音字样本向量表征进行重复采样处理，具体步骤为：

按照所述编号，对所述多音字样本向量表征进行重复采样处理。

3.根据权利要求1所述的语音模型训练数据集构建方法，其特征在于，在对所述多音字样本向量表征进行重复采样处理后，在采样结果中，所述多音字样本向量表征与所述非多音字样本向量表征的比例达到1:2。

4.根据权利要求1所述的语音模型训练数据集构建方法，其特征在于，所述方法包括：利用SMOTE算法根据重复采样的所述多音字样本向量表征构建新的样本。

5.根据权利要求1所述的语音模型训练数据集构建方法，其特征在于，所述方法还包括：

将随机打乱后的所述语音模型训练数据集输入搭建好的深度学习模型，对所述深度学习模型进行训练。

6.一种语音模型训练数据集构建装置，其特征在于，包括：

语音模型训练样本集获取单元，用于执行：获取语音模型训练样本集，其中，所述语音模型训练样本集包括多音字样本和非多音字样本，所述多音字样本为至少包含一个中文多音字的句子，所述非多音字样本为不包含中文多音字的句子，所述非多音字样本的数量多于所述多音字样本的数量，所述多音字样本和所述非多音字样本均为句子样本；

向量表征单元，用于执行：对所述句子样本进行词分割处理和字分割处理；

将词分割处理后的所述句子样本输入词向量表征模型，得到所述句子样本中每个词的向量表征，以及对每个词的向量表征求均值，得到所述句子样本的词向量均值表征；

从字向量库获取所述句子样本中每个字的向量表征，以及对每个字的向量表征求均值，得到所述句子样本的字向量均值表征；

拼接所述句子样本的所述词向量均值表征和所述句子样本的所述字向量均值表征，得到句子样本向量表征，其中，所述句子样本向量表征为所述多音字样本向量表征和所述非多音字样本向量表征；

重采样单元，用于执行：对所述多音字样本向量表征进行重复采样处理；

新数据生成单元，用于执行：根据重复采样的所述多音字样本向量表征构建新的所述多音字样本向量表征；

数据合并单元，用于执行：将所述多音字样本向量表征、所述非多音字样本向量表征以及新的所述多音字样本向量表征合并后，得到构建的语音模型训练数据集。

7.根据权利要求6所述的语音模型训练数据集构建装置，其特征在于，在对所述多音字样本向量表征进行重复采样处理后，在采样结果中，所述多音字样本向量表征与所述非多音字样本向量表征的比例达到1:2。

8.根据权利要求6所述的语音模型训练数据集构建装置，其特征在于，所述新数据生成单元，具体用于执行：利用SMOTE算法根据重复采样的所述多音字样本向量表征构建新的样本。