[发明专利]一种训练数据的获取方法及装置

权利要求书

1.一种训练数据的获取方法，其特征在于，所述训练数据用于训练语音识别模型，包括：

获取多媒体文件的原始字幕文本，并对所述原始字幕文本执行第一处理流程，获得候选字幕文本；

获取所述多媒体文件的原始音频片段，并对所述原始音频片段执行第二处理流程，获得候选音频片段；

对所述候选字幕文本和所述候选音频片段进行对齐处理，获得所述训练数据，其中，所述训练数据包括对应于时间序列的目标字幕文本和目标音频片段。

2.如权利要求1所述的方法，其特征在于，所述获取多媒体文件的原始字幕文本，包括：

获取所述多媒体文件的外挂式字幕文件；

对所述外挂式字幕文件进行文件解析，获得外挂式字幕文本，并将所述外挂式字幕文本作为所述原始字幕文本。

3.如权利要求1所述的方法，其特征在于，所述获取多媒体文件的原始字幕文本，包括：

对所述多媒体文件的各帧第一视频图像进行字符识别处理，获得各帧第一视频图像所包含的初始字符序列；

对各个初始字符序列进行筛选，剔除不符合预设文本筛选规则的初始字符序列，获得候选字符序列集合，并将所述候选字符序列集合作为所述原始字幕文本。

4.如权利要求1所述的方法，其特征在于，所述获取多媒体文件的原始字幕文本，包括：

对所述多媒体文件的原始音频片段进行语音识别处理，将语音识别结果作为所述原始字幕文本；或者，

获取所述多媒体文件的音频字幕文件，对所述音频字幕文件进行文件解析，获得所述原始字幕文本。

5.如权利要求1所述的方法，其特征在于，所述对所述原始字幕文本执行第一处理流程，获得候选字幕文本，包括以下至少一种操作：

将所述原始字幕文本中的特定字符，转换为对应的汉字；

基于预设的映射关系，将所述原始字幕文本中的拼音缩写转换为对应的映射词集合；

若所述原始字幕文本中存在混淆词，则在所述原始字幕文本中插入对应的混淆词集合。

6.如权利要求1所述的方法，其特征在于，所述对所述原始音频片段执行第二处理流程，获得候选音频片段，包括：

对所述多媒体文件的原始音频片段进行语音活性检测处理，滤除所述原始音频片段中的冗余音频片段，获得所述候选音频片段。

7.如权利要求1所述的方法，其特征在于，所述对所述候选字幕文本和所述候选音频片段进行对齐处理，获得所述训练数据，包括：

将所述候选音频片段输入预设的声学模型中，获得对应的声学状态序列；

基于所述声学状态序列中的各帧声学状态，与所述候选字幕文本中的各个候选词语之间的匹配概率值，对所述候选字幕文本和所述候选音频片段进行对齐处理，并将对齐结果作为所述训练数据。

8.一种训练数据的获取装置，其特征在于，所述训练数据用于训练语音识别模型，包括：

文本生成单元，用于获取多媒体文件的原始字幕文本，并对所述原始字幕文本执行第一处理流程，获得候选字幕文本；

音频生成单元，用于获取所述多媒体文件的原始音频片段，并对所述原始音频片段执行第二处理流程，获得候选音频片段；

对齐单元，用于对所述候选字幕文本和所述候选音频片段进行对齐处理，获得所述训练数据，其中，所述训练数据包括对应于时间序列的目标字幕文本和目标音频片段。

9.一种计算机设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1～7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，其包括程序代码，当程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行权利要求1～7中任一项所述方法的步骤。