CN114398952A - 训练文本生成方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种训练文本生成方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体为语音识别和自然语言处理技术领域。具体实现方案为：对音频进行识别处理，以得到初始语音文本和参考语音文本，确定初始语音文本和参考语音文本之间的相似度信息，根据相似度信息，从初始语音文本之中确定出第一目标语音文本，以及根据第一目标语音文本和参考语音文本，生成训练文本。由此，可以实现联合初始语音文本与参考语音文本生成音频对应的训练文本，降低训练文本生成的出错率，有效提升生成的训练文本的样本质量和样本准确性，有效提升训练文本的产出率。

Description

训练文本生成方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及语音识别和自然语言处理技术领域，尤其涉及一种训练文本生成方法、装置、电子设备及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术，以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。

相关技术中，在采用有字幕视频中的音频生成语音训练文本时，通常会受到视频画面中非字幕信息以及字幕错别字的干扰，导致训练文本生成效果不佳。

发明内容

本公开提供了一种训练文本生成方法、装置、电子设备、存储介质及计算机程序产品。

根据本公开的第一方面，提供了一种训练文本生成方法，包括：对音频进行识别处理，以得到初始语音文本和参考语音文本；确定所述初始语音文本和所述参考语音文本之间的相似度信息；根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本；以及根据所述第一目标语音文本和所述参考语音文本，生成训练文本。

根据本公开的第二方面，提供了一种训练文本生成装置，包括：识别模块，用于对音频进行识别处理，以得到初始语音文本和参考语音文本；第一确定模块，用于确定所述初始语音文本和所述参考语音文本之间的相似度信息；第二确定模块，用于根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本；以及生成模块，用于根据所述第一目标语音文本和所述参考语音文本，生成训练文本。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一方面实施例的训练文本生成方法。

根据本公开的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开第一方面实施例的训练文本生成方法。

根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，当计算机程序由处理器执行时实现本公开第一方面实施例的训练文本生成方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是本公开实施例中的训练文本生成流程示意图；

图4是根据本公开第三实施例的示意图；

图5是本公开实施例中的置信度模型结构示意图；

图6是根据本公开第四实施例的示意图；

图7是根据本公开第五实施例的示意图；

图8示出了可以用来实施本公开的实施例的训练文本生成方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开第一实施例的示意图。

其中，需要说明的是，本实施例的训练文本生成方法的执行主体为训练文本生成装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开实施例涉及人工智能技术领域，具体涉及语音识别和自然语言处理技术领域。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

语音识别，是指让机器通过识别和理解过程把语音信号转变为相应的文本或命令，将语音中的词汇内容转化为计算机可读的输入，将话语中的语音信息转化为计算机中的文字信息。

自然语言处理(Natural Language Processing，NLP)，即计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。是以语言为对象，利用计算机技术来分析、理解和处理自然语言，即把计算机作为语言研究工具，在计算机的支持下对语言信息进行定量化的研究处理，并提供可供人与计算机之间能共同使用的语言描写。

如图1所示，该训练文本生成方法，包括：

S101：对音频进行识别处理，以得到初始语音文本和参考语音文本。

其中，待对其进行识别处理的音频可以为视频中的音轨文件，在获取待对其进行识别处理的音频文件时，可以获取多个视频数据，并对视频数据进行音轨抽取处理，以获得视频中的音轨文件作为待对其进行识别处理的音频。

本公开实施例中，在获取待对其进行音轨抽取的视频数据时，可以在预先在训练文本生成装置上配置视频数据采集装置，利用视频数据采集装置从网络上下载多个带有字幕的视频文件，或者可以在训练文本生成装置上配置数据传输接口，经由该数据传输接口接收其他电子设备传输的包含字幕的视频文件作为待对其进行音轨抽取的视频数据。

其中，初始语音文本是指对视频中的视频帧进行字符识别处理后得到的文本数据。

其中，参考语音文本是指对音频进行语音识别处理后得到的文本数据，参考语音文本可以被用于对初始语音文本进行优化调整处理。

本公开实施例中，初始语音文本是利用光学字符识别技术对视频帧图像中的所有字符提取得到的文本数据，初始语音文本可以被视为视觉信息，利用初始语音文本中包含视频帧中的字幕文字信息，还可以包含视频帧中的电视台标中的文字信息，而参考语音文本则是对视频帧中字幕对应的音频片段进行语音识别处理得到的文本数据，参考语音文本可以被视为声学信息。

举例而言，对一段视频中的一帧图像进行光学字符识别处理，提取图像中的文本数据为“影视频道他们今天心晴不错”，对视频帧所在的音频片段进行语音识别处理，提取音频片段中的文字数据为“她们今天心情不错”，则提取到的“影视频道他们今天心晴不错”的图像文本数据，即可以为初始语音文本，提取到的“她们今天心情不错”的音频文本数据即可以作为参考语音文本。

本公开实施例中，在获取初始语音文本时，可以对获取的带有字幕的视频数据进行分帧处理，得到带有字幕的视频帧图像，利用光学字符识别技术对视频帧图像进行字符识别处理，将字符识别处理的识别结果作为初始语音文本。

本公开实施例中，在对音频进行识别处理，以得到参考语音文本时，可以利用语音识别解码器对音频进行语音识别处理，提取音频对应的文本信息，并将提取到的音频对应的文本信息作为参考语音文本，或者也可以采用其他语音识别模型对音频进行语音识别处理，以提取音频对应的文本信息作为参考语音文本。

S102：确定初始语音文本和参考语音文本之间的相似度信息。

其中，相似度信息用于描述初始语音文本和参考语音文本之间的相似程度，例如，初始语音文本对应的字符序列，和参考语音文本对应的字符序列之间的相似程度，或者，初始语音文本和参考语音文本之间语义的相似程度等，对此不做限制。

本公开实施例在确定初始语音文本和参考语音文本之间的相似度信息之后，可以采用该相似度信息来实现对初始语音文本中的非字幕文本进行剪切处理，使得保留下来的初始语音文本均为有效的字幕文本，处理后的初始语音文本以及参考文本可以用于训练文本的生成，从而可以保证生成的训练文本的准确性。

本公开实施例中，在确定初始语音文本和参考语音文本之间的相似度信息时，可以计算初始语音文本与参考语音文本对应的字符序列的编辑距离，其中，编辑距离可以用于表示将初始语音文本转换为参考语音文本的编辑次数，而后利用相似度计算公式根据编辑距离计算初始语音文本和参考语音文本的相似度。

另一些实施例中，在确定初始语音文本和参考语音文本之间的相似度信息时，可以对初始语音文本和参考语音文本进行分词处理，而后计算分词后的词语的编辑距离，在计算过程中加入权重等参数进行距离调整，或者可以基于同义词词库进行距离调整，而后根据编辑距离计算初始语音文本和参考语音文本之间的相似度信息，或者也可以采用其他可能的方式计算初始语音文本和参考语音文本之间的相似度信息，对此不做限制。

S103：根据相似度信息，从初始语音文本之中确定出第一目标语音文本。

其中，第一目标语音文本是指对初始文本进行编辑处理后的语音文本，该编辑处理例如可以为对初始语音文本中的字符进行删除处理，或者还可以为向初始语音文本中插入字符。

其中，可以根据相似度信息，从初始语音文本之中确定出第一目标语音文本，使得第一目标语音文本的文本长度与参考语音文本的文本长度相同，或者，还可以使得第一目标语音文本与参考语音文本之间的语义相似度满足相似度阈值，或者，还可以使得第一目标语音文本与参考语音文本之间满足其他任意可能形式的文本匹配需求，对此不做限制。

本公开实施例在上述确定初始语音文本和参考语音文本之间的相似度信息之后，可以根据相似度信息，从初始语音文本之中确定出第一目标语音文本。

本公开实施例中，在从初始语音文本之中确定出第一目标语音文本时，可以根据相似度信息，对初始语音文本和参考语音文本进行字符比对处理，分析得到初始语音文本和参考语音文本的文本长度差别，如果初始语音文本的文本长度大于参考语音文本的文本长度，则可以对初始语音文本中与参考语音文本中不相同的字符进行删除处理，如果初始语音文本的文本长度小于参考语音文本的文本长度，则可以根据比对结果在初始语音文本的对应位置插入相应的字符，并将编辑处理后的初始语音文本作为第一目标语音文本。

S104：根据第一目标语音文本和参考语音文本，生成训练文本。

其中，训练文本是指根据一定的处理策略从第一目标语音文本和参考语音文本中选取的语音文本，可以用于对语音识别模型、语音置信度模型等多种模型进行训练。

本公开实施例在上述从初始语音文本之中确定出第一目标语音文本之后，可以根据第一目标语音文本和参考语音文本生成训练文本。

本公开实施例中，在根据第一目标语音文本和参考语音文本生成训练文本时，可以引入置信度模型，针对第一目标语音文本和参考语音文本中的每个字进行识别结果的置信度评估，得到第一目标语音文本和参考语音文本中每个字的置信度分数，保留第一目标语音文本和参考语音文本中置信度分数较大的字，并根据保留下来的字生成训练文本。

另一些实施例中，在根据第一目标语音文本和参考语音文本生成训练文本时，也可以设定一个相似度阈值，根据相似度阈值对初始语音文本进行过滤筛选得到第一目标语音文本，而后结合其他识别结果判定策略对第一目标语音文本和参考语音文本中的字进行选取，以实现生成训练文本，或者也可以采用其他任意可能的方式根据第一目标语音文本和参考语音文本，生成训练文本，对此不做限制。

本实施例中，通过对音频进行识别处理，以得到初始语音文本和参考语音文本，确定初始语音文本和参考语音文本之间的相似度信息，根据相似度信息，从初始语音文本之中确定出第一目标语音文本，以及根据第一目标语音文本和参考语音文本，生成训练文本。由此，可以实现联合初始语音文本与参考语音文本生成音频对应的训练文本，降低训练文本生成的出错率，有效提升生成的训练文本的样本质量和样本准确性，有效提升训练文本的产出率。

图2是根据本公开第二实施例的示意图。

如图2所示，该训练文本生成方法，包括：

S201：对音频进行识别处理，以得到初始语音文本和参考语音文本。

S202：确定初始语音文本和参考语音文本之间的相似度信息。

S201-S202的描述说明可以示例参见上述实施例，在此不再赘述。

S203：基于相似度信息，对初始语音文本和参考语音文本进行对齐处理。

本公开实施例在上述对音频进行识别处理，以得到初始语音文本和参考语音文本，并确定初始语音文本和参考语音文本之间的相似度信息之后，可以基于相似度信息，对初始语音文本和参考语音文本进行对齐处理。

本公开实施例中，在基于相似度信息，对初始语音文本和参考语音文本进行对齐处理时，可以根据相似度信息，筛选出文本长度大于参考语音文本的文本长度的初始语音文本，对初始语音文本和参考语音文本中的字符进行匹配判断处理，计算初始语音文本和参考语音文本的编辑距离，并基于编辑距离对初始语音文本进行字符位置调整，使得初始语音文本向参考语音文本对齐，以实现初始语音文本和参考语音文本的对齐处理。

另一些实施例中，也可以对初始语音文本和参考语音文本中的字符进行匹配处理，对初始语音文本中与参考语音文本中相同的字符进行定位处理，使得初始语音文本向参考语音文本对齐，以实现初始语音文本和参考语音文本的对齐处理，或者也可以采用其他任意可能的方式对初始语音文本和参考语音文本进行对齐处理，对此不做限制。

S204：从对齐处理后的初始语音文本之中确定出第一目标语音文本。

本公开实施例在上述基于相似度信息对初始语音文本和参考语音文本进行对齐处理后，可以从对齐处理后的初始语音文本之中确定出第一目标语音文本。

本公开实施例中，在从对齐处理后的初始语音文本之中确定出第一目标语音文本时，可以基于计算得到的编辑距离，对初始语音文本进行字符删除、字符插入以及字符替换等编辑处理，使得处理后的初始语音文本的文本长度与参考语音文本的文本长度相同，则该对齐处理后的与参考语音文本的文本长度相同的初始语音文本即可以作为第一目标语音文本，以实现从对齐处理后的初始语音文本之中确定出第一目标语音文本，第一目标语音文本可以用于辅助生成训练文本，具体可见后续实施例。

本实施例中，通过基于相似度信息，对初始语音文本和参考语音文本进行对齐处理，并从对齐处理后的初始语音文本之中确定出第一目标语音文本，从而可以选取文本长度大于参考语音文本的初始语音文本进行对齐处理，可以避免对初始语音文本的过度剪切，有效提升第一目标语音文本的产出率，保证对齐处理后的第一目标语音文本可以配合后续的处理策略，有效保证第一目标语音文本的表征准确性。

可选地，一些实施例中，初始语音文本包括：多个初始子文本，参考语音文本包括：多个参考子文本，在基于相似度信息，对初始语音文本和参考语音文本进行对齐处理时，可以基于相似度信息，对初始子文本和参考子文本进行对齐处理，在从对齐处理后的初始语音文本之中确定出第一目标语音文本时，可以确定对齐处理后的初始语音文本和参考语音文本的对齐边界，对初始语音文本中位于对齐边界之外的部分初始子文本进行删除处理，并将初始语音文本中剩余的初始子文本共同作为第一目标语音文本，从而可以对多个初始子文本和多个参考子文本进行对齐处理，实现对初始语音文本中非字幕文本部分进行剪切，保留初始语音文本中剩余的初始子文本作为第一目标语音文本并参与后续的训练文本生成操作，有效提升训练文本的产出质量和表征准确性。

其中，多个初始子文本是视频中一帧视频图像中的字符组成的文本，参考子文本是指视频对应的音轨文件中一行字幕对应的语音片段对应的文本。

本公开实施例中，在对音频进行识别处理，以得到初始语音文本和参考语音文本时，可以对音频对应的视频文件进行分帧处理，以一行字幕出现的起始帧和结束帧为时间点对视频对应的音轨文件进行音频分割处理，以得到每一行字幕对应的音频片段，而后可以对多个起始帧和结束帧中的任意一帧图像进行光学字符识别处理，以得到多个初始子文本，初始子文本中包含图像中的字幕文本信息，还可以包含图像中的弹幕文本信息以及水印文本信息等，利用语音解码器对多行字幕分别对应的音频片段进行语音识别处理，以得到多个参考语音文本。

本公开实施例中，在基于相似度信息，对初始语音文本和参考语音文本进行对齐处理时，可以基于相似度信息，对初始子文本和参考子文本进行对齐处理，可以对多个初始子文本和多个参考子文本中的字符进行匹配判断处理，计算初始子文本和参考子文本的编辑距离，并基于编辑距离对初始子文本进行字符位置调整，使得多个初始子文本向对应的多个参考语音文本对齐，以实现初始语音文本和参考语音文本的对齐处理。

本公开实施例中，在从对齐处理后的初始语音文本之中确定出第一目标语音文本时，可以对对齐处理后的初始语音文本和参考语音文本进行匹配字符定位处理，确定对齐处理后的初始语音文本和参考语音文本的对齐边界，而后可以对初始语音文本中位于对齐边界之外的部分初始子文本进行删除处理，并将初始语音文本中剩余的初始子文本共同作为第一目标语音文本。

S205：根据第一目标语音文本对参考语音文本进行纠错处理，以得到第二目标语音文本。

本公开实施例中，在根据第一目标语音文本对参考语音文本进行纠错处理时，可以根据第一目标语音文本对参考语音文本中的同音字进行识别处理，如果在参考语音文本中识别到与第一目标语音文本中对应的同音字，则对参考语音文本中的同音字进行替换处理，并将处理后的参考语音文本作为第二目标语音文本。

举例而言，如图3所示，图3是本公开实施例中的训练文本生成流程示意图，分别利用光学字符识别技术(Optical Character Recognition，OCR)对视频帧进行字符识别处理得到初始语音文本ocr_text，利用语音解码器对对应的音频片段进行音频识别处理以得到参考识别文本dec_text，而后可以计算初始语音文本ocr_text和参考识别文本dec_text的编辑距离，基于编辑距离对初始语音文本ocr_text和参考识别文本dec_text进行对齐处理，计算初始语音文本ocr_text和参考识别文本dec_text的对齐边界，并对初始语音文本ocr_text中对齐边界外的部分进行删除处理，以得到第一目标语音文本cliped_ocr_text，而后可以根据第一目标语音文本cliped_ocr_text对参考语音文本dec_text进行纠错处理，对参考语音文本dec_text中的同音字进行替换，以得到第二目标语音文本correct_dec_text。

另一些实施例中，可以基于编辑距离对初始语音文本和参考语音文本进行对齐，并先进行同音字替换处理，可以解决语音解码器对音频片段进行识别处理得到的参考语音文本中的同音字问题，避免初始语音文本和参考语音文本由于同音字导致的编辑距离较大而被丢弃的问题，增加训练文本生成的召回率，有效提升训练文本的产出率。

S206：根据第一目标语音文本和第二目标语音文本，生成训练文本。

本公开实施例在上述根据第一目标语音文本对参考语音文本进行纠错处理以得到第二目标语音文本值之后，可以根据第一目标语音文本和第二目标语音文本生成训练文本。

本公开实施例中，在根据第一目标语音文本和第二目标语音文本生成训练文本时，可以引入置信度模型分别对第一目标语音文本和第二目标语音文本中的每个字计算对应的置信度分数，对第一目标语音文本和第二目标语音文本的识别结果正确性进行置信评估，置信度分数越高，表明识别结果为正确的识别结果的可能性越高，而后选取第一目标语音文本和第二目标语音文本中对齐位置上置信度分数较高的字生成训练文本。

举例而言，如图3所示，在根据第一目标语音文本cliped_ocr_text对参考语音文本dec_text进行同音字替换以得到第二目标语音文本correct_dec_text之后，可以对第一目标语音文本cliped_ocr_text和第二目标语音文本correct_dec_text中的字符分别进行音节置信度的计算，得到第一目标语音文本中字符的置信度分数ocr_scores和第二目标语音文本中字符的置信度分数dec_scores，而后在第一目标语音文本cliped_ocr_text和第二目标语音文本correct_dec_text的对齐位置上选取置信度分数较高的字生成训练文本。

本实施例中，通过根据第一目标语音文本对参考语音文本进行纠错处理，以得到第二目标语音文本，并根据第一目标语音文本和第二目标语音文本，生成训练文本，从而可以实现对参考语音文本中的同音字进行纠错处理，获取表征准确性较高的第二目标语音文本以生成训练文本，有效避免同音字对训练文本生成的正确性造成干扰，有效提升训练文本的表征准确性。

本实施例中，通过基于相似度信息，对初始语音文本和参考语音文本进行对齐处理，并从对齐处理后的初始语音文本之中确定出第一目标语音文本，从而可以选取文本长度大于参考语音文本的初始语音文本进行对齐处理，可以避免对初始语音文本的过度剪切，有效提升第一目标语音文本的产出率，保证对齐处理后的第一目标语音文本可以配合后续的处理策略，有效保证第一目标语音文本的表征准确性，通过根据第一目标语音文本对参考语音文本进行纠错处理，以得到第二目标语音文本，并根据第一目标语音文本和第二目标语音文本，生成训练文本，从而可以实现对参考语音文本中的同音字进行纠错处理，获取表征准确性较高的第二目标语音文本以生成训练文本，有效避免同音字对训练文本生成的正确性造成干扰，有效提升训练文本的表征准确性。

图4是根据本公开第三实施例的示意图。

如图4所示，该训练文本生成方法，包括：

S401：对音频进行识别处理，以得到初始语音文本和参考语音文本，其中，初始语音文本包括：多个初始子文本，参考语音文本包括：多个参考子文本。

其中，多个初始子文本是视频中一帧视频图像中的字符组成的文本，参考子文本是指视频对应的音轨文件中一行字幕对应的语音片段对应的文本。

S402：确定初始子文本分别与多个参考子文本之间的多个初始编辑距离。

其中，编辑距离是指初始子文本和参考子文本之间，由初始子文本转换成参考子文本所需的最少编辑操作次数，该编辑操作包括对初始子文本进行字符插入操作、字符删除操作以及字符替换操作，编辑距离可以用于表征初始子文本和参考子文本之间的相似度，编辑距离越小，表明初始子文本与参考子文本越相似。

本公开实施例中，在确定初始子文本分别与多个参考子文本之间的多个初始编辑距离时，可以建立编辑距离数值矩阵，分别对初始子文本与多个参考子文本中的字符进行比对，并将比对结果数值填入编辑距离数值矩阵中，而后利用编辑距离计算公式对初始子文本与多个参考子文本之间对应的初始编辑距离进行计算，将计算结果作为初始子文本分别与多个参考子文本之间的多个初始编辑距离。

S404：从多个初始编辑距离之中确定出目标编辑距离。

本公开实施例在上述分别确定初始子文本与多个参考子文本之间的多个初始编辑距离之后，可以从多个初始编辑距离之中确定出目标编辑距离。

本公开实施例中，在从多个初始编辑距离之中确定出目标编辑距离时，可以利用相似度计算公式对多个初始编辑距离进行计算处理，以计算得到多个初始子文本与多个参考子文本之间的相似度，选择相似度最高的参考子文本对应的初始编辑距离作为目标编辑距离，或者可以采用其他任意可能的方式实现从多个初始编辑距离之中确定出目标编辑距离，对此不做限制。

可选地，一些实施例中，从多个初始编辑距离之中确定出距离最小的初始编辑距离，并将距离最小的初始编辑距离作为目标编辑距离，由于编辑距离可以用于表征初始子文本与参考子文本之间的相似度，从多个初始编辑距离之中确定出距离最小的初始编辑距离作为目标编辑距离，从而可以实现选择相似度最高的参考子文本用于进行训练文本的生成，辅助提升生成的训练文本的准确性。

本公开实施例中，在从多个初始编辑距离之中确定出目标编辑距离时，可以对计算得到的多个初始编辑距离进行排序处理，从多个初始编辑距离之中确定出距离最小的初始编辑距离，并将该距离最小的初始编辑距离作为目标编辑距离。

S404：将与多个初始子文本分别对应的多个目标编辑距离共同作为相似度信息。

本公开实施例中，在上述从多个初始编辑距离之中确定出目标编辑距离，并将多个初始编辑距离之中值最小初始编辑距离作为目标编辑距离之后，可以将多个初始子文本分别对应的多个目标编辑距离共同作为相似度信息。

本公开实施例中，在将与多个初始子文本分别对应的多个目标编辑距离共同作为相似度信息之后，可以根据相似度信息从初始语音文本之中确定出第一目标语音文本，而后进行后续的训练文本生成步骤，具体可见后续实施例

本实施例中，通过确定初始子文本分别与多个参考子文本之间的多个初始编辑距离，从多个初始编辑距离之中确定出目标编辑距离，将与多个初始子文本分别对应的多个目标编辑距离共同作为相似度信息，从而可以确定出多个初始子文本对应的多个目标编辑距离作为相似度信息，目标编辑距离可以为最小的初始编辑距离，从而可以根据目标编辑距离确定出与初始子文本相似度最高的参考子文本，参考子文本可以用于辅助生成训练文本，从而有效提升训练文本生成的准确性。

S405：根据相似度信息，从初始语音文本之中确定出第一目标语音文本。

S406：根据第一目标语音文本对参考语音文本进行纠错处理，以得到第二目标语音文本。

S405-S406：的描述说明可以示例参见上述实施例，在此不再赘述。

S407：确定第一目标语音文本之中初始子文本的第一置信度。

其中，置信度用于对识别结果的正确性进行评估，第一置信度用于描述第一目标语音文本的识别正确性。

本公开实施例中，在确定目标语音文本之中初始子文本的第一置信度时，可以预先训练置信度模型，利用置信度模型对第一目标语音文本之中初始子文本的置信度分数进行计算，并将计算得到的置信度分数作为第一目标语音文本之中初始子文本的第一置信度。

举例而言，如图5所示，图5是本公开实施例中的置信度模型结构示意图，在对置信度模型进行训练时，可以输入音频特征与其对应的利用自动语音识别技术(AutomaticSpeech Recognition，ASR)得到的识别结果，分别对音频特征和识别结果进行编码处理，利用跨越注意力层对音频特征与识别结果的编码进行联合编码，得到特征矩阵，将特征矩阵输入至全连接层得到每个字的分类损失分数，并利用该分类损失分数矩阵与编辑距离矩阵对模型进行联合训练，以得到置信度模型确定第一目标语音文本之中初始子文本的第一置信度。

S408：确定第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度。

其中，第二置信度用于描述第二目标语音文本的识别正确性。

本公开实施例中，在确定第一目标语音文本之中初始子文本的第一置信度之后，可以确定第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度，可以利用置信度模型对第二目标语音文本中与初始子文本相对齐的参考子文本的置信度分数进行计算，并将计算得到置信度分数作为第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度。

S409：根据第一置信度和第二置信度确定训练子文本，其中，训练子文本是初始子文本，或者是与初始子文本相对齐的参考子文本。

本公开实施例在上述确定第一目标语音文本之中初始子文本的第一置信度，并确定第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度之后，可以根据第一置信度和第二置信度确定训练子文本。

本公开实施例中，在根据第一置信度和第二置信度确定训练子文本时，可以对初始子文本的置信度分数和参考子文本的置信度分数进行比较，如果初始子文本的置信度分数大于与初始子文本相对齐的参考子文本的置信度分数，则选取初始子文本作为训练子文本，如果初始子文本的置信度分数小于与初始子文本相对齐的参考子文本的置信度分数，则选取与初始子文本相对齐的参考子文本作为训练子文本，如果初始子文本的置信度分数等于与初始子文本相对齐的参考子文本的置信度分数，则选取初始子文本或者与初始子文本相对齐的参考子文本作为训练子文本。

S410：根据多个训练子文本，生成训练文本。

本公开实施例在上述根据第一置信度和第二置信度确定训练子文本之后，可以根据多个训练子文本生成训练文本，可以对多个训练子文本进行拼接输出处理，并将拼接处理得到的文本作为训练文本，以实现根据多个训练子文本，生成训练文本。

本公开实施例中，引入置信度评估对第一目标语音文本和第二目标语音文本进行处理，以选取训练子文本生成训练文本，可以在参考初始语音识别文本的同时，解决初始语音文本中的个别错别字的问题，从第一目标语音文本和第二目标语音文本中选取训练子文本生成最终的训练文本，可以有效提升训练文本的产出率和准确性。

本实施例中，通过确定第一目标语音文本之中初始子文本的第一置信度，确定第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度，根据第一置信度和第二置信度确定训练子文本，并根据多个训练子文本，生成训练文本，从而可以利用置信度信息根据初始语音文本和参考语音文本生成训练文本，由于置信度信息可以用于表征识别结果的正确性，从而可以从初始语音文本和参考语音文本中选择识别正确性较高的子文本生成训练文本，保证训练文本生成的正确性，有效提升训练文本生成的表征准确性。

可选地，一些实施例中，如果第一置信度大于第二置信度，则训练子文本是初始子文本，如果第一置信度小于第二置信度，则训练子文本是与初始子文本相对齐的参考子文本，如果第一置信度等于第二置信度，则训练子文本是初始子文本，或者是与初始子文本相对齐的参考子文本，从而可以根据第一置信度和第二置信度，从初始子文本以及与初始子文本相对齐的参考子文本中选择训练子文本，以生成训练文本，有效提升生成的训练文本的准确性和样本质量。

本公开实施例中，在根据第一置信度和第二置信度确定训练子文本时，可以对第一置信度和第二置信度进行比较，如果第一置信度大于第二置信度，则选取初始子文本作为训练子文本，如果第一置信度小于第二置信度，则选取与初始子文本相对齐的参考子文本作为训练子文本，如果第一置信度等于第二置信度，则选取初始子文本或者与初始子文本相对齐的参考子文本作为训练子文本，而后可以根据训练子文本生成训练文本。

本实施例中，通过确定初始子文本分别与多个参考子文本之间的多个初始编辑距离，从多个初始编辑距离之中确定出目标编辑距离，将与多个初始子文本分别对应的多个目标编辑距离共同作为相似度信息，从而可以确定出多个初始子文本对应的多个目标编辑距离作为相似度信息，目标编辑距离可以为最小的初始编辑距离，从而可以根据目标编辑距离确定出与初始子文本相似度最高的参考子文本，参考子文本可以用于辅助生成训练文本，从而有效提升训练文本生成的准确性，通过确定第一目标语音文本之中初始子文本的第一置信度，确定第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度，根据第一置信度和第二置信度确定训练子文本，并根据多个训练子文本，生成训练文本，从而可以利用置信度信息根据初始语音文本和参考语音文本生成训练文本，由于置信度信息可以用于表征识别结果的正确性，从而可以从初始语音文本和参考语音文本中选择识别正确性较高的子文本生成训练文本，保证训练文本生成的正确性，有效提升训练文本生成的表征准确性。

图6是根据本公开第四实施例的示意图。

如图6所示，该训练文本生成装置60，包括：

识别模块601，用于对音频进行识别处理，以得到初始语音文本和参考语音文本；

第一确定模块602，用于确定初始语音文本和参考语音文本之间的相似度信息；

第二确定模块603，用于根据相似度信息，从初始语音文本之中确定出第一目标语音文本；以及

生成模块604，用于根据第一目标语音文本和参考语音文本，生成训练文本。

在本公开的一些实施例中，如图7所示，图7是根据本公开第五实施例的示意图，该训练文本生成装置70，包括：识别模块701，第一确定模块702，第二确定模块703，生成模块704，其中，第二确定模块703，包括：

对齐子模块7031，用于基于相似度信息，对初始语音文本和参考语音文本进行对齐处理；

确定子模块7032，用于从对齐处理后的初始语音文本之中确定出第一目标语音文本。

在本公开的一些实施例中，初始语音文本包括：多个初始子文本，参考语音文本包括：多个参考子文本；

其中，对齐子模块7031，具体用于：

基于相似度信息，对初始子文本和参考子文本进行对齐处理；

其中，确定子模块7032，具体用于：

确定对齐处理后的初始语音文本和参考语音文本的对齐边界；

对初始语音文本中位于对齐边界之外的部分初始子文本进行删除处理，并将初始语音文本中剩余的初始子文本共同作为第一目标语音文本。

在本公开的一些实施例中，其中，第一确定模块702，具体用于：

确定初始子文本分别与多个参考子文本之间的多个初始编辑距离；

从多个初始编辑距离之中确定出目标编辑距离；

将与多个初始子文本分别对应的多个目标编辑距离共同作为相似度信息。

在本公开的一些实施例中，其中，第一确定模块702，还用于：

从多个初始编辑距离之中确定出距离最小的初始编辑距离，并将距离最小的初始编辑距离作为目标编辑距离。

在本公开的一些实施例中，其中，装置还包括：

处理模块705，用于在根据相似度信息，从初始语音文本之中确定出第一目标语音文本之后，根据第一目标语音文本对参考语音文本进行纠错处理，以得到第二目标语音文本；

其中，生成模块704，具体用于；

根据第一目标语音文本和第二目标语音文本，生成训练文本。

在本公开的一些实施例中，其中，生成模块704，还用于：

确定第一目标语音文本之中初始子文本的第一置信度；

确定第二目标语音文本之中与初始子文本相对齐的参考子文本的第二置信度；

根据第一置信度和第二置信度确定训练子文本，其中，训练子文本是初始子文本，或者是与初始子文本相对齐的参考子文本；

根据多个训练子文本，生成训练文本。

在本公开的一些实施例中，其中，生成模块704，还用于：

如果第一置信度大于第二置信度，则训练子文本是初始子文本；

如果第一置信度小于第二置信度，则训练子文本是与初始子文本相对齐的参考子文本；

如果第一置信度等于第二置信度，则训练子文本是初始子文本，或者是与初始子文本相对齐的参考子文本。

需要说明的是，前述对训练文本生成方法的解释说明也适用于本实施例的训练文本生成装置，在此不再赘述。

本实施例中，通过对音频进行识别处理，以得到初始语音文本和参考语音文本，确定初始语音文本和参考语音文本之间的相似度信息，根据相似度信息，从初始语音文本之中确定出第一目标语音文本，以及根据第一目标语音文本和参考语音文本，生成训练文本。由此，可以实现联合初始语音文本与参考语音文本生成音频对应的训练文本，降低训练文本生成的出错率，有效提升生成的训练文本的样本质量和样本准确性，有效提升训练文本的产出率。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如训练文本生成方法。例如，在一些实施例中，训练文本生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的训练文本生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练文本生成方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种训练文本生成方法，包括：

对音频进行识别处理，以得到初始语音文本和参考语音文本；

确定所述初始语音文本和所述参考语音文本之间的相似度信息；

根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本；以及

根据所述第一目标语音文本和所述参考语音文本，生成训练文本。

2.根据权利要求1所述的方法，其中，所述根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本，包括：

基于所述相似度信息，对所述初始语音文本和所述参考语音文本进行对齐处理；

从对齐处理后的所述初始语音文本之中确定出所述第一目标语音文本。

3.根据权利要求2所述的方法，所述初始语音文本包括：多个初始子文本，所述参考语音文本包括：多个参考子文本；

其中，所述基于所述相似度信息，对所述初始语音文本和所述参考语音文本进行对齐处理，包括：

基于所述相似度信息，对所述初始子文本和所述参考子文本进行对齐处理；

其中，所述从对齐处理后的所述初始语音文本之中确定出所述第一目标语音文本，包括：

确定对齐处理后的所述初始语音文本和所述参考语音文本的对齐边界；

对所述初始语音文本中位于所述对齐边界之外的部分所述初始子文本进行删除处理，并将所述初始语音文本中剩余的初始子文本共同作为所述第一目标语音文本。

4.根据权利要求3所述的方法，其中，所述确定所述初始语音文本和所述参考语音文本之间的相似度信息，包括：

确定所述初始子文本分别与所述多个参考子文本之间的多个初始编辑距离；

从所述多个初始编辑距离之中确定出目标编辑距离；

将与所述多个初始子文本分别对应的多个目标编辑距离共同作为所述相似度信息。

5.根据权利要求4所述的方法，其中，所述从所述多个初始编辑距离之中确定出目标编辑距离，包括：

从所述多个初始编辑距离之中确定出距离最小的所述初始编辑距离，并将所述距离最小的所述初始编辑距离作为所述目标编辑距离。

6.根据权利要求3所述的方法，在所述根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本之后，还包括：

根据所述第一目标语音文本对所述参考语音文本进行纠错处理，以得到第二目标语音文本；

其中，所述根据所述第一目标语音文本和所述参考语音文本，生成训练文本，包括：

根据所述第一目标语音文本和所述第二目标语音文本，生成所述训练文本。

7.根据权利要求6所述的方法，其中，所述根据所述第一目标语音文本和所述第二目标语音文本，生成所述训练文本，包括：

确定所述第一目标语音文本之中所述初始子文本的第一置信度；

确定所述第二目标语音文本之中与所述初始子文本相对齐的所述参考子文本的第二置信度；

根据所述第一置信度和所述第二置信度确定训练子文本，其中，所述训练子文本是所述初始子文本，或者是与所述初始子文本相对齐的所述参考子文本；

根据多个所述训练子文本，生成所述训练文本。

8.根据权利要求7所述的方法，其中，

如果所述第一置信度大于所述第二置信度，则所述训练子文本是所述初始子文本；

如果所述第一置信度小于所述第二置信度，则所述训练子文本是与所述初始子文本相对齐的所述参考子文本；

如果所述第一置信度等于所述第二置信度，则所述训练子文本是所述初始子文本，或者是与所述初始子文本相对齐的所述参考子文本。

9.一种训练文本生成装置，包括：

识别模块，用于对音频进行识别处理，以得到初始语音文本和参考语音文本；

第一确定模块，用于确定所述初始语音文本和所述参考语音文本之间的相似度信息；

第二确定模块，用于根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本；以及

生成模块，用于根据所述第一目标语音文本和所述参考语音文本，生成训练文本。

10.根据权利要求9所述的装置，其中，所述第二确定模块，包括：

对齐子模块，用于基于所述相似度信息，对所述初始语音文本和所述参考语音文本进行对齐处理；

确定子模块，用于从对齐处理后的所述初始语音文本之中确定出所述第一目标语音文本。

11.根据权利要求10所述的装置，所述初始语音文本包括：多个初始子文本，所述参考语音文本包括：多个参考子文本；

其中，所述对齐子模块，具体用于：

基于所述相似度信息，对所述初始子文本和所述参考子文本进行对齐处理；

其中，所述确定子模块，具体用于：

确定对齐处理后的所述初始语音文本和所述参考语音文本的对齐边界；

对所述初始语音文本中位于所述对齐边界之外的部分所述初始子文本进行删除处理，并将所述初始语音文本中剩余的初始子文本共同作为所述第一目标语音文本。

12.根据权利要求11所述的装置，其中，所述第一确定模块，具体用于：

确定所述初始子文本分别与所述多个参考子文本之间的多个初始编辑距离；

从所述多个初始编辑距离之中确定出目标编辑距离；

将与所述多个初始子文本分别对应的多个目标编辑距离共同作为所述相似度信息。

13.根据权利要求12所述的装置，其中，所述第一确定模块，还用于：

从所述多个初始编辑距离之中确定出距离最小的所述初始编辑距离，并将所述距离最小的所述初始编辑距离作为所述目标编辑距离。

14.根据权利要求11所述的装置，所述装置还包括：

处理模块，用于在所述根据所述相似度信息，从所述初始语音文本之中确定出第一目标语音文本之后，根据所述第一目标语音文本对所述参考语音文本进行纠错处理，以得到第二目标语音文本；

其中，所述生成模块，具体用于；

根据所述第一目标语音文本和所述第二目标语音文本，生成所述训练文本。

15.根据权利要求14所述的装置，其中，所述生成模块，还用于：

确定所述第一目标语音文本之中所述初始子文本的第一置信度；

确定所述第二目标语音文本之中与所述初始子文本相对齐的所述参考子文本的第二置信度；

根据所述第一置信度和所述第二置信度确定训练子文本，其中，所述训练子文本是所述初始子文本，或者是与所述初始子文本相对齐的所述参考子文本；

根据多个所述训练子文本，生成所述训练文本。

16.根据权利要求15所述的装置，其中，所述生成模块，还用于：

如果所述第一置信度大于所述第二置信度，则所述训练子文本是所述初始子文本；

如果所述第一置信度小于所述第二置信度，则所述训练子文本是与所述初始子文本相对齐的所述参考子文本；

如果所述第一置信度等于所述第二置信度，则所述训练子文本是所述初始子文本，或者是与所述初始子文本相对齐的所述参考子文本。

17.一种电子设备，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权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述方法的步骤。

Images