[发明专利]语音模型训练数据集构建方法及装置

说明书

本申请实施例提供一种语音模型训练数据集构建方法及装置，方法包括：获取多音字样本和非多音字样本后，对多音字样本和非多音字样本分别向量表征。进一步对多音字样本向量表征进行重复采样处理，根据重复采样的多音字样本向量表征构建新的多音字样本向量表征。最后合并多音字样本向量表征，新的多音字样本向量表征以及非多音字样本向量表征，得到构建的语音模型训练数据集。本申请提供的语音模型训练数据集构建方法及提取装置，能够增加语音模型训练数据集中多音字样本向量表征，避免多音字训练样本和非多音字训练样本分布不平衡的情况，进而提升被训练语音模型的转化准确率，提升用户使用体验。

技术领域

本申请涉及语音交互技术领域，尤其涉及一种语音模型训练数据集构建方法及装置。

背景技术

随着人工智能在语音交互领域的发展，智能设备可将用户输入的文本转化为音频。

目前有大量的基于深度学习的端对端文本转音频的语音模型。用给定的数据集训练这些语音模型之后，再将需要转化的文本输入训练之后的语音模型，就能够得到对应的音频。

然而，在文本转音频的过程中，核心难点在于多音字的发音问题。而由于多音字数据在日常生活中的使用比例不高，用于对语音模型进行训练的训练样本中，多音字训练样本较少，多音字训练样本和非多音字训练样本分布不平衡。因此，使用现有训练数据集训练得到的语音模型进行文本转音频操作时，容易将多音字预测为非多音字，转化准确率较低，最终造成用户使用体验较差。

发明内容

本申请提供了一种语音模型训练数据集构建方法及装置，用于解决使用现有训练数据集训练得到的语音模型进行文本转音频操作时，容易将多音字预测为非多音字，转化准确率较低，最终造成用户使用体验较差的问题。

第一方面，本申请实施例提供一种语音模型训练数据集构建方法，该方法包括：

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；

对所述多音字样本和所述非多音字样本进行向量表征，得到对应的多音字样本向量表征和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样本，得到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。

第二方面，本申请实施例提供一种语音模型训练数据集构建装置，该装置包括：

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；

向量表征单元，用于执行：对所述多音字样本和所述非多音字样本进行向量表征，得到对应的多音字样本向量表征和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样本，得到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。