[发明专利]语音标注系统、方法、终端及存储介质

说明书

本发明提供语音标注系统、方法、终端及存储介质，优化平台标注流程，解耦数据采集、数据标注及方案设计这三个阶段，让各个阶段变成可独立运转的系统模块，不再相互等待，模块之间通过语音数据作为联系的载体，从而实现研发人员可随时从语音库中获取最新、分类最全面、最贴近业务场景的标注语音数据；可依托庞大的用户基数，在脱敏、数据安全治理和用户许可下，定时自动获取用户线上语音数据作为数据采集源，由此可获得更为庞大、复杂度更高、更贴合业务场景的标注数据，能够训练出效果更好的模型；引入人工标注+自研AI算法辅助标注并存的模式，能够切实有效地提高标注效率和质量，降低标注成本。

技术领域

本发明涉及计算机应用技术领域，尤其涉及语音标注系统、方法、终端及存储介质。

背景技术

人工智能是机器产生的智能，在计算机领域是指根据对环境的感知，做出合理的行动并获得最大收益的计算机程序。要想实现人工智能，就需要把人类理解和判断事物的能力教给计算机，让其拥有类似人类的识别能力。数据标注可视为模仿人类学习过程中的经验学习，相当于人类从书本中获取已知知识的认知行为。数据标注为人工智能企业提供了大量带标签的数据，供机器训练和学习，从而保证算法模型的有效性。

目前常用的模型训练上线流程如图1所示：先沟通需求，再获取样本，对样本进行标注，基于标注过的样本进行模型训练，再调整样本，训练模型至准确率达标，交付应用且交互研发，最后将模型上线使用。

其中的样本标注即数据标注，是对未处理的初级数据进行加工处理，并转换为机器可识别信息的过程；原始数据一般通过数据采集获得，随后的数据标注相当于对数据进行加工，然后输送到人工智能算法和模型里进行调用。数据标注产业主要是根据用户或企业的需求，对数据进行不同方式的标注，从而为人工智能算法提供大量的训练数据以供机器学习使用。如今在技术的推动下，数据标注平台已经替代传统人工成为数据标注的主力。数据标注是帮助机器学习认知数据特征的重要过程。数据标注平台针对数据标注过程，实现包括数据提取、标注任务分配、标注人员管理等一系列功能，不断为模型训练提供优质、可靠的标注数据。

目前很多语音识别产品升级，需要进行大量的模型训练来提高语音识别的性能，例如哈啰ASR语音识别系统。而模型训练要求前期对各类语音进行大量标注并输入到训练系统中，由训练系统对标注数据进行加工处理并经过一系列算法调优后，输出业务可用的ASR语音识别系统。作为模型训练的先导环节，语音标注具有至关重要的意义。

当前业界较为成熟的解决方案如图2所示，具体包括如下各个阶段：

阶段一：方案设计阶段。在该阶段中，根据产品需求选择对应的数据，并将数据组合成各种场景。例如，哈啰电动车VVSmart的ASR语音识别需求，语音数据类型需要包含：是否含唤醒词，男女声区分，普通话方言区分，远近距离区分，是否含噪声等等。研发人员需要根据业务场景灵活组合各类数据类型。

阶段二：标注实施阶段。在该阶段中，对挑选出来的语音，通过任务分配的方式，安排人工进行语音数据的清洗、评估、提取、标注等操作，而后再通过人工多级审核的方式进行数据质检，确保标注结果正确性。

阶段三：数据验收阶段。将标注完成后的语音数据，提交给模型训练人员，验收后供模型训练使用。

然而，上述的解决方案仍存在如下各种问题：

首先是数据体量问题：对于机器学习和深度学习等算法来说，数据样本量越大，分类越丰富，复杂度越高，越贴合产品业务场景，对算法模型的训练效果就越好。但单纯通过人工搜集的语音样本，极难满足模型训练样本的要求。

其次是流程设计问题：上述语音标注流程中，用户选取数据场景后，需要等待语音标注完成才能进行模型训练。等待时长＝待标注语音数量*单条语音标注耗时。这势必会拖慢算法模型训练节奏，影响产品上线周期。同时，未经标注的语音，研发人员根据需求场景进行选取时，往往会出现无从下手的局面。需要花费很多的时间在语音试听，筛选的工作上。