[发明专利]关键词数据集获取、模型训练方法、装置、设备及介质

说明书

本发明适用于音频处理技术领域，提供了一种关键词数据集获取方法、关键词检测模型训练方法、装置、设备及存储介质，该方法包括：获取初始音频集，以及与所述初始音频集对应的初始音频字典，根据所述初始音频字典以及预设的音频子类划分规则，对所述初始音频集进行音频子类划分，得到第一音频子类，采用预设的逐类增广方式对第二音频子类的音频进行数据增广，得到训练音频集，所述第二音频子类包含于所述第一音频子类中，从而通过递进地增加音频的复杂度，避免音频特征的突变，在尽可能少的资源消耗和工作量下完成训练音频集的获取，并保证了训练音频集的质量。

技术领域

本发明属于音频处理技术领域，尤其涉及一种关键词数据集获取方法、关键词检测模型训练方法、装置、设备及存储介质。

背景技术

KWS（keyword spotting，语音唤醒）即在连续语音流中实时检测出说话人特定片段（比如：hey siri，天猫精灵等特定的语音内容），是一种小资源的关键词检索任务，也可以看作是一类特殊的语音识别。人机交互时，经常扮演一个激活设备、开启系统的入口角色，在手机助手、车载、可穿戴设备、智能家居、机器人等方面运用地尤其普遍。

近年来，人工智能技术的迅猛发展，人机语音交互的广泛需求，使得搭载语音唤醒的智能设备越来越多，许多厂商开始基于自己专属的关键词来开发相关语音产品。理论上，收集关键词数据时，发音人数越多，发音场景越丰富，训练出来的模型唤醒效果越好。但受实际情况中人力、物力和财力的约束，采集到的音频数量有限且质量参差不齐，甚至出现音频录制场景和产品定位的使用场景不一致，导致产品在落地时出现无法正常使用的问题。虽然现有数据增广方式可以在一定程度上弥补数据采集工作中的不足，但获取到的关键词数据集质量仍旧不够高，进而限制语音模型性能的提升。

发明内容

本发明的目的在于提供一种关键词数据集获取、关键词检测模型训练方法、装置、设备及存储介质，旨在解决由于现有技术中在人力、物力和财力约束下获取到的关键词数据集质量不够高的问题。

一方面，本发明提供一种关键词数据集获取方法，所述方法包括下述步骤：

获取初始音频集，以及与所述初始音频集对应的初始音频字典；

根据所述初始音频字典以及预设的音频子类划分规则，对所述初始音频集进行音频子类划分，得到第一音频子类；

采用预设的逐类增广方式对第二音频子类的音频进行数据增广，得到训练音频集，所述第二音频子类包含于所述第一音频子类中。

优选地，所述初始音频字典中包括每个关键词音频的第一音频标注信息，所述第一音频标注信息包括音频采集场景以及发音人的语速。

优选地，所述初始音频集中包括正样本和负样本，所述正样本为关键词音频，所述负样本包括关键词的近似发音词音频、不完整的关键词音频以及所述关键词在对应应用场景下的背景音频。

优选地，采用预设的逐类增广方式对第二音频子类的音频进行数据增广的步骤之前，包括：

获取数据增广目标和/或数据增广因子，所述数据增广目标和/或数据增广因子根据获取到的所述第一音频子类中每个子类下的音频数量确定；

采用预设的逐类增广方式对第二音频子类的音频进行数据增广的步骤，包括：

根据所述增广目标和/或数据增广因子，采用所述逐类增广方式对所述第二音频子类的音频进行数据增广。

优选地，所述训练音频集中包括所述初始音频集。

优选地，所述第二音频子类包括安静类音频、中速类音频和调整语速类音频，采用预设的逐类增广方式对第二音频子类的音频进行数据增广的步骤，包括：

从所述初始音频集中获取所述安静类音频，对所述安静类音频进行加噪处理，得到第一音频增广集；

从所述第一音频增广集中获取所述中速类音频，对所述中速类音频进行语速调整，得到第二音频增广集；