CN112489628B - 语音数据选择方法、装置、电子设备及存储介质 - Google Patents
语音数据选择方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112489628B CN112489628B CN202011320979.2A CN202011320979A CN112489628B CN 112489628 B CN112489628 B CN 112489628B CN 202011320979 A CN202011320979 A CN 202011320979A CN 112489628 B CN112489628 B CN 112489628B
- Authority
- CN
- China
- Prior art keywords
- voice data
- standard
- diversity
- data set
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种语音数据选择方法，包括：获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合，计算所述标准语音数据集合中的语音数据的语义多样性分数及说话人多样性分数，利用所述语义多样性分数及所述说话人多样性分数得到各个语音数据的最终分数，并根据所述最终分数得到标准训练集，利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。此外，本发明还涉及区块链技术，所述标准训练集可存储于区块链的节点。本发明还提出一种语音数据选择装置、电子设备以及计算机可读存储介质。本发明可以解决语音数据缺乏语义多样性的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种语音数据选择方法、装置、电子设备及计算机可读存储介质。
背景技术
语音识别系统广泛应用于各种领域，通常需要使用大量训练样本数据对深度神经网络(Deep Neural Network,DNN)进行训练，得到语音识别模型。其中，训练样本的选择至关重要。现有技术下，通常使用主动学习(Active Learning,AL)的方法来选择信息量最大的训练样本，传统的AL技术大多基于语音识别模型中识别出的语音数据的不确定性，但是一方面由于采用的不确定性度量都是基于单个语音数据的预测，因此这些方法通常会导致AL选择出的样本相似或者冗余，降低了模型训练效果。另一方面，有些AL技术使用样本特征空间中的全局特征进行度量，这些特征表示没有包含语音数据中组成对象的类别信息，因此忽视了样本语义空间的多样性。
发明内容
本发明提供一种语音数据选择方法、装置及计算机可读存储介质，其主要目的在于解决语音数据缺乏语义多样性的问题。
为实现上述目的，本发明提供的一种语音数据选择方法，包括：
获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合；
计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数；
利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集；
利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。
可选地，所述对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合，包括：
对所述原始语音数据集合中的语音数据进行预加重、分帧及加窗操作，得到预处理语音数据；
利用预设的特征提取算法对所述预处理语音数据进行特征提取，得到语音特征参数，并汇总所述语音特征参数得到所述标准语音数据集合。
可选地，所述计算所述标准语音数据集合中每帧语音数据的语义多样性分数，包括：
利用预构建的语音识别模型计算所述标准语音数据集合中每帧语音数据的预测概率；
根据所述预测概率确定所述每帧语音数据的混合分布；
根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，并得到所述语义多样性分数。
可选地，所述所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，包括：
利用下述公式计算所述语义多样性差别值：
其中，D(Si,Sj)为任意一对语音数据(Si,Sj)的语义多样性差别值，为所述语音数据对中识别的字c的混合分布，KL为对称K-L散度(symmetrical Kullback-LeiblerDivergence)，是一种量化两种混合分布之间差异的算法。
可选地，所述计算所述每帧语音数据的说话人多样性分数，包括：
提取所述语音数据中的说话人信息；
根据所述说话人信息中不同属性的数据，计算说话人的属性类别比例；
根据所述说话人的属性类别比例及预设的多样性计算方法，计算得到所述说话人多样性分数。
可选地，所述利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集，包括：
获取所述标准语音数据集合中各帧语音数据的语义多样性分数及说话人多样性分数；
利用所述语义多样性分数及所述说话人多样性分数计算每个语音数据的最终分数；
从所述标准语音数据集合中根据所述最终分数的排序，选择预设数量的语音数据作为所述标准训练集。
可选地，所述利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型，包括：
利用所述预构建的语音识别模型计算所述标准训练集中每帧语音数据的预测概率；
根据预设的解码方法对所述预测概率进行解码处理，当解码后的数据使得所述语音识别模型中的对齐函数收敛时，得到所述标准语音识别模型。
为了解决上述问题，本发明还提供一种语音数据选择装置，所述装置包括：
预处理模块，用于获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合；
多样性计算模块，用于计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数；
分数计算模块，用于利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集；
模型训练模块，用于利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的语音数据选择方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的语音数据选择方法。
本发明通过对原始语音数据集合中的语音数据进行预处理，可以消除因为人类发声器官缺陷和采集设备缺陷等因素对所述语音数据的影响。同时，计算所述语音数据的语义多样性分数，及计算所述语音数据的说话人多样性分数，可以对语义多样性及说话人多样性进行量化，并根据所述语义多样性分数和说话人多样性分数计算得到最终分数，根据所述最终分数选择预设数量的语音数据作为所述标准训练集，由于所述标准训练集中的数据量较小且多样性较强，可以显著提高模型的训练速度，减少了语音识别系统的计算压力。因此本发明提出的语音数据选择方法、装置、电子设备及计算机可读存储介质，可以解决语音数据缺乏语义多样性的问题。
附图说明
图1为本发明一实施例提供的语音数据选择方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为图1中另一个步骤的详细实施流程示意图；
图6为本发明一实施例提供的语音数据选择装置的功能模块图；
图7为本发明一实施例提供的实现所述语音数据选择方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种语音数据选择方法。所述语音数据选择方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述语音数据选择方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的语音数据选择方法的流程示意图。在本实施例中，所述语音数据选择方法包括：
S1、获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合。
本发明实施例中，所述原始语音数据集中包含多个语音数据。所述原始语音数据集合可以为来自不同场景、不同语言的语音数据，比如，不同语言可以为中文语音数据、英语语音数据及日语语音数据等，不同场景可以为日常对话、金融咨询等。
较佳地，参考图2所示，所述对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合，包括：
S10、对所述原始语音数据集合中的语音数据进行预加重、分帧及加窗操作，得到预处理语音数据；
S11、利用预设的特征提取算法对所述预处理语音数据进行特征提取，得到语音特征参数，并汇总所述语音特征参数得到所述标准语音数据集合。
由于所述语音数据的平均功率谱受声门刺激和口鼻辐射的影响，使得所述语音数据在高频部分跌落，利用预加重的方法可以提高所述语音数据的高频部分，使得语音数据的频谱变得平坦。本发明其中一个实施例可以使用传递函数为一阶FIR(Finite ImpulseResponse，有限长单位冲激响应)的高通数字滤波器来实现所述预加重。进一步地，由于所述语音数据具有短时平稳性(10—30ms内可以认为语音数据近似不变)，利用分帧处理可以把语音数据分为语音帧，以提高所述语音数据分析的稳定性。此外，本发明实施例利用预设的窗函数对所述分帧的语音数据进行加窗操作，以获得短时的语音数据，所述预设的窗函数可以为汉明窗函数。
本发明实施通过所述预处理可以消除因为人类发声器官缺陷和采集设备缺陷带来的混叠、高次谐波失真等因素对所述语音数据的影响。
进一步地，由于在语音识别中，语音数据的原始波形不能直接用于识别，必须经过一定的变换提取反应语音本质特征的语音特征参数来进行识别，因此，本发明实施例利用预设的特征提取算法提取所述语音数据的语音特征参数。较佳地，所述预设的特征提取算法可以为梅尔频率倒谱系数或Filter-Bank特征提取算法。
S2、计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数。
较佳地，参考图3所示，所述计算所述标准语音数据集合中每帧语音数据的语义多样性分数，包括：
S20、利用预构建的语音识别模型计算所述标准语音数据集合中每帧语音数据的预测概率；
S21、根据所述预测概率确定所述每帧语音数据的混合分布；
S22、根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，并得到所述语义多样性分数。
优选地，所述预构建的语音识别模型可以采用基于CTC(Connectionist TemporalClassification，联结主义时间分类)的深度神经网络模型，网络结构可采用LSTM(LongShort-Term Memory，长短期记忆网络)/CNN(Convolutional Neural Networks，卷积神经网络)/GRU(gated recurrent unit，门循环单元)等。
本发明实施例利用所述语音识别模型对所述标准语音数据集合中的每一帧语音数据进行预测，输出所述语音数据的预测概率Pf(c|θ)：
其中，c是所述每一帧语音数据中识别的字，θ为模型参数，f为每一帧语音数据。
进一步地，本发明实施例中，所述根据所述预测概率确定所述每帧语音数据的混合分布包括：
采用下述公式计算所述每帧语音数据的混合分布：
其中，为语音数据S中对识别出的每一个字c的混合分布描述，f为其中一帧语音数据，wf为其中一帧语音数据的权重，S为所述标准语音数据集合，Pf(c|θ)为每一帧的预测概率，c为每一帧语音数据中识别的字，C为识别的字的集合，∈为定值，使得所述权重始终非负。
本发明实施例中，根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，包括：
利用下述公式计算所述语义多样性差别值：
其中，D(Si,Sj)为任意一对语音数据(Si,Sj)的语义多样性差别值，为所述语音数据对中识别的字c的混合分布，KL为对称K-L散度(symmetrical Kullback-LeiblerDivergence)，是一种量化两种混合分布之间差异的算法。
进一步地，本发明实施例通过计算所述标准语音数据集合内任意一对语音数据的语义多样性差别值，得到所述标准语音数据集合中语音数据的语义多样性分数：
其中，Dsemantic为语音数据的语义多样性分数，S为标准语音数据集合。
进一步地，所述计算所述每帧语音数据的说话人多样性分数，包括：
提取所述语音数据中的说话人信息；
根据所述说话人信息中不同属性的数据，计算说话人的属性类别比例；
根据所述说话人的属性类别比例及预设的多样性计算方法，计算得到所述说话人多样性分数。
本发明实施例中，所述标准语音数据集合中包括说话人的性别、年龄、区域、口音、情绪、声调和说话方式等属性。以年纪为例，可以先按年龄大小划分出几个区间，包括少儿，青少年，青年，中年，老年等年龄类别，以区域为例，可以按照地理位置划分为几个区间，包括华东、华南、华北、西南、东北、西北等区域类别，本发明实施例利用数学统计算法统计出所述标准语音数据集合各个类别i的比例pi。
进一步地，本发明实施例中，所述预设的多样性计算方法可以为香农多样性指数(Shannon's diversity index)，并利用下述公式计算得到所述说话人多样性分数：
其中，Dspeaker为说话人多样性分数，wa代表说话人信息中不同属性的权重系数，A为说话人信息，a为所述说话人信息中的属性，I为根据所述属性划分的区间，i为所述区间对应的类别，pi为所述类别的比例。
本发明实施通过使用所述标准语音数据集合的预测概率，使用对称KL散度的方式计算语音数据子集的语义多样性，并收集所述标准语音数据集合的说话人信息，通过香农多样性指数计算语音数据的说话人多样性。根据所述语义多样性以及说话人多样性可以选择出更适和深度神经网络训练数据，极大地减少不必要冗余的语音数据。
S3、利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集。
较佳地，参阅图4所示，所述S3具体包括：
S30、获取所述标准语音数据集合中各帧语音数据的语义多样性分数及说话人多样性分数；
S31、利用所述语义多样性分数及所述说话人多样性分数计算每个语音数据的最终分数；
S32、从所述标准语音数据集合中根据所述最终分数的排序，选择预设数量的语音数据作为所述标准训练集。
本发明实施例中，通过下述方法计算每个语音数据的所述最终分数：
Socre＝Dsemantic+βDspeaker
其中，Socre为所述最终分数，β为预设权衡系数，所述β可以根据实际情况对两类多样性进行权衡。
S4、利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。
较佳地，参阅图5所示，所述S4包括：
S40、利用所述预构建的语音识别模型计算所述标准训练集中每帧语音数据的预测概率；
S41、根据预设的解码方法对所述预测概率进行解码处理，当解码后的数据使得所述语音识别模型中的对齐函数收敛时，得到所述标准语音识别模型。
其中，所述预设的解码方法可以使用束搜索(beam-search)的方法进行解码，所述对齐函数可以为CTC(Connectionist Temporal Classification，联结主义时间分类)对齐函数。
优选地，本发明实施例基于所述标准训练集进行训练，由于所述标准训练集中的数据量较小且多样性较强，可以显著提高模型的训练速度，减少了语音识别系统的计算压力。
本发明通过对原始语音数据集合中的语音数据进行预处理，可以消除因为人类发声器官缺陷和采集设备缺陷等因素对所述语音数据的影响。同时，计算所述语音数据的语义多样性分数，及计算所述语音数据的说话人多样性分数，可以对语义多样性及说话人多样性进行量化，并根据所述语义多样性分数和说话人多样性分数计算得到最终分数，根据所述最终分数选择预设数量的语音数据作为所述标准训练集，由于所述标准训练集中的数据量较小且多样性较强，可以显著提高模型的训练速度，减少了语音识别系统的计算压力。因此本发明提出的实施例可以解决语音数据缺乏语义多样性的问题。
如图6所示，是本发明一实施例提供的语音数据选择装置的功能模块图。
本发明所述语音数据选择装置100可以安装于电子设备中。根据实现的功能，所述语音数据选择装置100可以包括预处理模块101、多样性计算模块102、分数计算模块103及模型训练模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述预处理模块101，用于获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合。
本发明实施例中，所述原始语音数据集中包含多个语音数据。所述原始语音数据集合可以为来自不同场景、不同语言的语音数据，比如，不同语言可以为中文语音数据、英语语音数据及日语语音数据等，不同场景可以为日常对话、金融咨询等。
较佳地，所述预处理模块101通过下述操作得到所述标准语音数据集合：
对所述原始语音数据集合中的语音数据进行预加重、分帧及加窗操作，得到预处理语音数据；
利用预设的特征提取算法对所述预处理语音数据进行特征提取，得到语音特征参数，并汇总所述语音特征参数得到所述标准语音数据集合。
由于所述语音数据的平均功率谱受声门刺激和口鼻辐射的影响，使得所述语音数据在高频部分跌落，利用预加重的方法可以提高所述语音数据的高频部分，使得语音数据的频谱变得平坦。本发明其中一个实施例可以使用传递函数为一阶FIR(Finite ImpulseResponse，有限长单位冲激响应)的高通数字滤波器来实现所述预加重。进一步地，由于所述语音数据具有短时平稳性(10—30ms内可以认为语音数据近似不变)，利用分帧处理可以把语音数据分为语音帧，以提高所述语音数据分析的稳定性。此外，本发明实施例利用预设的窗函数对所述分帧的语音数据进行加窗操作，以获得短时的语音数据，所述预设的窗函数可以为汉明窗函数。
本发明实施通过所述预处理可以消除因为人类发声器官缺陷和采集设备缺陷带来的混叠、高次谐波失真等因素对所述语音数据的影响。
进一步地，由于在语音识别中，语音数据的原始波形不能直接用于识别，必须经过一定的变换提取反应语音本质特征的语音特征参数来进行识别，因此，本发明实施例利用预设的特征提取算法提取所述语音数据的语音特征参数。较佳地，所述预设的特征提取算法可以为梅尔频率倒谱系数或Filter-Bank特征提取算法。
所述多样性计算模块102，用于计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数。
较佳地，所述多样性计算模块102通过下述操作得到所述语义多样性分数：
利用预构建的语音识别模型计算所述标准语音数据集合中每帧语音数据的预测概率；
根据所述预测概率确定所述每帧语音数据的混合分布；
根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，并得到所述语义多样性分数。
优选地，所述预构建的语音识别模型可以采用基于CTC(Connectionist TemporalClassification，联结主义时间分类)的深度神经网络模型，网络结构可采用LSTM(LongShort-Term Memory，长短期记忆网络)/CNN(Convolutional Neural Networks，卷积神经网络)/GRU(gated recurrent unit，门循环单元)等。
本发明实施例利用所述语音识别模型对所述标准语音数据集合中的每一帧语音数据进行预测，输出所述语音数据的预测概率Pf(c|θ)：
其中，c是所述每一帧语音数据中识别的字，θ为模型参数，f为每一帧语音数据。
进一步地，本发明实施例中，所述根据所述预测概率确定所述每帧语音数据的混合分布包括：
采用下述公式计算所述每帧语音数据的混合分布：
其中，为语音数据S中对识别出的每一个字c的混合分布描述，f为其中一帧语音数据，wf为其中一帧语音数据的权重，S为所述标准语音数据集合，Pf(c|θ)为每一帧的预测概率，c为每一帧语音数据中识别的字，C为识别的字的集合，∈为定值，使得所述权重始终非负。
本发明实施例中，根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，包括：
利用下述公式计算所述语义多样性差别值：
其中，D(Si,Sj)为任意一对语音数据(Si,Sj)的语义多样性差别值，为所述语音数据对中识别的字c的混合分布，KL为对称K-L散度(symmetrical Kullback-LeiblerDivergence)，是一种量化两种混合分布之间差异的算法。
进一步地，本发明实施例通过计算所述标准语音数据集合内任意一对语音数据的语义多样性差别值，得到所述标准语音数据集合中语音数据的语义多样性分数：
其中，Dsemantic为语音数据的语义多样性分数，S为标准语音数据集合。
进一步地，所述多样性计算模块102通过下述操作得到所述说话人多样性分数：
提取所述语音数据中的说话人信息；
根据所述说话人信息中不同属性的数据，计算说话人的属性类别比例；
根据所述说话人的属性类别比例及预设的多样性计算方法，计算得到所述说话人多样性分数。
本发明实施例中，所述标准语音数据集合中包括说话人的性别、年龄、区域、口音、情绪、声调和说话方式等属性。以年纪为例，可以先按年龄大小划分出几个区间，包括少儿，青少年，青年，中年，老年等年龄类别，以区域为例，可以按照地理位置划分为几个区间，包括华东、华南、华北、西南、东北、西北等区域类别，本发明实施例利用数学统计算法统计出所述标准语音数据集合各个类别i的比例pi。
进一步地，本发明实施例中，所述预设的多样性计算方法可以为香农多样性指数(Shannon's diversity index)，并利用下述公式计算得到所述说话人多样性分数：
其中，Dspeaker为说话人多样性分数，wa代表说话人信息中不同属性的权重系数，A为说话人信息，a为所述说话人信息中的属性，I为根据所述属性划分的区间，i为所述区间对应的类别，pi为所述类别的比例。
本发明实施通过使用所述标准语音数据集合的预测概率，使用对称KL散度的方式计算语音数据子集的语义多样性，并收集所述标准语音数据集合的说话人信息，通过香农多样性指数计算语音数据的说话人多样性。根据所述语义多样性以及说话人多样性可以选择出更适和深度神经网络训练数据，极大地减少不必要冗余的语音数据。
所述分数计算模块103，用于利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集。
较佳地，所述分数计算模块103通过下述操作得到所述标准训练集：
获取所述标准语音数据集合中各帧语音数据的语义多样性分数及说话人多样性分数；
利用所述语义多样性分数及所述说话人多样性分数计算每个语音数据的最终分数；
从所述标准语音数据集合中根据所述最终分数的排序，选择预设数量的语音数据作为所述标准训练集。
本发明实施例中，通过下述方法计算每个语音数据的所述最终分数：
Socre＝Dsemantic+βDspeaker
其中，Socre为所述最终分数，β为预设权衡系数，所述β可以根据实际情况对两类多样性进行权衡。
所述模型训练模块104，用于利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。
较佳地，所述模型训练模块104通过下述操作得到所述标准语音识别模型：
利用所述预构建的语音识别模型计算所述标准训练集中每帧语音数据的预测概率；
根据预设的解码方法对所述预测概率进行解码处理，当解码后的数据使得所述语音识别模型中的对齐函数收敛时，得到所述标准语音识别模型。
其中，所述预设的解码方法可以使用束搜索(beam-search)的方法进行解码，所述对齐函数可以为CTC(Connectionist Temporal Classification，联结主义时间分类)对齐函数。
优选地，本发明实施例基于所述标准训练集进行训练，由于所述标准训练集中的数据量较小且多样性较强，可以显著提高模型的训练速度，减少了语音识别系统的计算压力。
如图7所示，是本发明一实施例提供的实现语音数据选择方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如语音数据选择程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如语音数据选择程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如语音数据选择程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的语音数据选择程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合；
计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数；
利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集；
利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种语音数据选择方法，其特征在于，所述方法包括：
获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合；
计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数；
利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集；
利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型；
其中，所述计算所述标准语音数据集合中每帧语音数据的语义多样性分数，包括：利用预构建的语音识别模型计算所述标准语音数据集合中每帧语音数据的预测概率；根据所述预测概率确定所述每帧语音数据的混合分布；根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，并得到所述语义多样性分数；
所述根据所述混合分布计算所述标准语音数据集合中每帧语音数据的语义多样性差别值，包括：利用下述公式计算所述语义多样性差别值：
其中，D(Si,Sj)为任意一对语音数据(Si,Sj)的语义多样性差别值，为所述语音数据对中识别的字c的混合分布，C为识别的字的集合，KL为对称K-L散度，是一种量化两种混合分布之间差异的算法；
所述计算所述每帧语音数据的说话人多样性分数，包括：提取所述语音数据中的说话人信息；根据所述说话人信息中不同属性的数据，计算说话人的属性类别比例；根据所述说话人的属性类别比例及预设的多样性计算方法，计算得到所述说话人多样性分数。
2.如权利要求1所述的语音数据选择方法，其特征在于，所述对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合，包括：
对所述原始语音数据集合中的语音数据进行预加重、分帧及加窗操作，得到预处理语音数据；
利用预设的特征提取算法对所述预处理语音数据进行特征提取，得到语音特征参数，并汇总所述语音特征参数得到所述标准语音数据集合。
3.如权利要求1所述的语音数据选择方法，其特征在于，所述利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集，包括：
获取所述标准语音数据集合中各帧语音数据的语义多样性分数及说话人多样性分数；
利用所述语义多样性分数及所述说话人多样性分数计算每个语音数据的最终分数；
从所述标准语音数据集合中根据所述最终分数的排序，选择预设数量的语音数据作为所述标准训练集。
4.如权利要求1所述的语音数据选择方法，其特征在于，所述利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型，包括：
利用所述预构建的语音识别模型计算所述标准训练集中每帧语音数据的预测概率；
根据预设的解码方法对所述预测概率进行解码处理，当解码后的数据使得所述语音识别模型中的对齐函数收敛时，得到所述标准语音识别模型。
5.一种语音数据选择装置，用于实现如权利要求1至4中任意一项所述的语音数据选择方法，其特征在于，所述装置包括：
预处理模块，用于获取原始语音数据集合，对所述原始语音数据集合中的语音数据进行预处理及特征提取，得到标准语音数据集合；
多样性计算模块，用于计算所述标准语音数据集合中每帧语音数据的语义多样性分数，及计算所述每帧语音数据的说话人多样性分数；
分数计算模块，用于利用所述语义多样性分数及所述说话人多样性分数得到所述标准语音数据集合中每帧语音数据的最终分数，并根据所述最终分数从所述原始语音数据集合中筛选得到标准训练集；
模型训练模块，用于利用所述标准训练集对预构建的语音识别模型进行训练，得到标准语音识别模型。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的语音数据选择方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的语音数据选择方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011320979.2A CN112489628B (zh) | 2020-11-23 | 2020-11-23 | 语音数据选择方法、装置、电子设备及存储介质 |
| PCT/CN2021/083075 WO2021208700A1 (zh) | 2020-11-23 | 2021-03-25 | 语音数据选择方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011320979.2A CN112489628B (zh) | 2020-11-23 | 2020-11-23 | 语音数据选择方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112489628A CN112489628A (zh) | 2021-03-12 |
| CN112489628B true CN112489628B (zh) | 2024-02-06 |
Family
ID=74933589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011320979.2A Active CN112489628B (zh) | 2020-11-23 | 2020-11-23 | 语音数据选择方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112489628B (zh) |
| WO (1) | WO2021208700A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489628B (zh) * | 2020-11-23 | 2024-02-06 | 平安科技（深圳）有限公司 | 语音数据选择方法、装置、电子设备及存储介质 |
| US20220351055A1 (en) * | 2021-04-28 | 2022-11-03 | GE Precision Healthcare LLC | Data diversity visualization and quantification for machine learning models |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428842A (zh) * | 2019-08-13 | 2019-11-08 | 广州国音智能科技有限公司 | 语音模型训练方法、装置、设备及计算机可读存储介质 |
| CN111209363A (zh) * | 2019-12-25 | 2020-05-29 | 华为技术有限公司 | 语料数据处理方法、装置、服务器和存储介质 |
| CN111816162A (zh) * | 2020-07-09 | 2020-10-23 | 腾讯科技（深圳）有限公司 | 一种语音变化信息检测方法、模型训练方法以及相关装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781833B2 (en) * | 2008-07-17 | 2014-07-15 | Nuance Communications, Inc. | Speech recognition semantic classification training |
| CN105593936B (zh) * | 2013-10-24 | 2020-10-23 | 宝马股份公司 | 用于文本转语音性能评价的系统和方法 |
| CN111026884B (zh) * | 2019-12-12 | 2023-06-02 | 上海益商网络科技有限公司 | 一种提升人机交互对话语料质量与多样性的对话语料库生成方法 |
| CN112185359B (zh) * | 2020-09-28 | 2023-08-29 | 广州秉理科技有限公司 | 一种基于词覆盖率的语音训练集最小化方法 |
| CN112308143A (zh) * | 2020-10-30 | 2021-02-02 | 江苏云从曦和人工智能有限公司 | 一种基于多样性的样本筛选方法、系统、设备及介质 |
| CN112489628B (zh) * | 2020-11-23 | 2024-02-06 | 平安科技（深圳）有限公司 | 语音数据选择方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-23 CN CN202011320979.2A patent/CN112489628B/zh active Active
-
2021
- 2021-03-25 WO PCT/CN2021/083075 patent/WO2021208700A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428842A (zh) * | 2019-08-13 | 2019-11-08 | 广州国音智能科技有限公司 | 语音模型训练方法、装置、设备及计算机可读存储介质 |
| CN111209363A (zh) * | 2019-12-25 | 2020-05-29 | 华为技术有限公司 | 语料数据处理方法、装置、服务器和存储介质 |
| CN111816162A (zh) * | 2020-07-09 | 2020-10-23 | 腾讯科技（深圳）有限公司 | 一种语音变化信息检测方法、模型训练方法以及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021208700A1 (zh) | 2021-10-21 |
| CN112489628A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859772B (zh) | 情绪识别方法、装置及计算机可读存储介质 | |
| US20210118424A1 (en) | Predicting personality traits based on text-speech hybrid data | |
| CN112185348B (zh) | 多语种语音识别方法、装置及电子设备 | |
| CN110265040A (zh) | 声纹模型的训练方法、装置、存储介质及电子设备 | |
| CN114416934B (zh) | 多模态的对话生成模型的训练方法、装置及电子设备 | |
| CN108491389B (zh) | 点击诱饵标题语料识别模型训练方法和装置 | |
| CN112951203B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN112489628B (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
| CN113420556B (zh) | 基于多模态信号的情感识别方法、装置、设备及存储介质 | |
| CN110738998A (zh) | 基于语音的个人信用评估方法、装置、终端及存储介质 | |
| CN113807103B (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
| CN113903363B (zh) | 基于人工智能的违规行为检测方法、装置、设备及介质 | |
| CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
| CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
| CN112863529A (zh) | 基于对抗学习的说话人语音转换方法及相关设备 | |
| CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
| CN113887200A (zh) | 文本变长纠错方法、装置、电子设备及存储介质 | |
| CN114155832A (zh) | 基于深度学习的语音识别方法、装置、设备及介质 | |
| CN116450797A (zh) | 基于多模态对话的情感分类方法、装置、设备及介质 | |
| CN113555026B (zh) | 语音转换方法、装置、电子设备及介质 | |
| CN114842880A (zh) | 智能客服语音节奏调节方法、装置、设备及存储介质 | |
| CN113011164B (zh) | 数据质量检测方法、装置、电子设备及介质 | |
| CN115544204A (zh) | 一种不良语料过滤方法以及系统 | |
| CN113808577A (zh) | 语音摘要的智能提取方法、装置、电子设备及存储介质 | |
| CN113990286A (zh) | 语音合成方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |