ASR文本纠错训练样本集的构造方法、系统和电子设备

摘要：

本发明涉及语音识别技术领域，尤其涉及一种ASR文本纠错训练样本集的构造方法、系统和电子设备，方法包括：对预设音频库中的任一音频的人工标注语料和ASR转译文本进行编辑距离对齐，得到该音频对应的对齐文本对，得到每个对齐文本对中的待构造字词对，得到每个音频的待构造字词对应的第一训练样本，根据所有待构造字词对得到字词级别的的混淆集，根据所述字词级别的的混淆集得到通用领域的每个纯文本语料对应的字级别的训练样本，以及得到所述预设应用领域的每个纯文本语料对应的训练样本，由此得到最终的训练样本集，能够对最终的训练样本集进行高质量地数据规模扩充。

专利类型：发明专利

申请/专利号：CN202211598033.1

申请日期：2022-12-12

公开/公告号：CN116189664A

公开/公告日：2023-05-30

主分类号：G10L15/06(2013.01)

申请/专利权人:北京数美时代科技有限公司%数美天下(北京)科技有限公司

发明/设计人:孙晓兵

主申请人地址:100012 北京市朝阳区来广营西路5号院诚盈中心3号楼14层1401-1404单元;

专利代理机构:北京轻创知识产权代理有限公司

代理人:姚晓丽

权利要求：

1.一种ASR文本纠错训练样本集的构造方法，其特征在于，包括： 获取预设应用领域的预设重要词词表； 对预设音频库中的任一音频的人工标注语料和ASR转译文本进行编辑距离对齐，得到该音频对应的对齐文本对，对该对齐文本对中的错误进行判别，得到该音频对应的判别结果，直至得到每个音频对应判别结果； 根据任一判别结果，确定该判别结果对应的对齐文本对中的待构造字词对，直至得到每个对齐文本对中的待构造字词对； 以任一音频的待构造字词和ASR转译文本为模板，以及以该音频的待构造字词和人工标注语料为模板，基于通用领域的音近字错误和所述预设应用领域的词错误的字词多粒度融合的构造策略，构建该音频的待构造字词对应的两个第一训练样本，直至得到每个音频的待构造字词对应的第一训练样本； 根据所有待构造字词对得到字词级别的的混淆集，根据所述字词级别的的混淆集得到通用领域的每个纯文本语料对应的字级别的训练样本，以及得到所述预设应用领域的每个纯文本语料对应的训练样本； 对所有的第一训练样本、通用领域的每个纯文本语料对应的字级别的训练样本和所述预设应用领域的每个纯文本语料对应的训练样本进行组合，得到最终的训练样本集。 2.根据权利要求1所述的一种ASR文本纠错训练样本集的构造方法，其特征在于，所述字词级别的的混淆集包括字级别的混淆表和词级别的混淆表，根据所述字词级别的的混淆集得到通用领域的每个纯文本语料对应的字级别的训练样本，以及得到所述预设应用领域的每个纯文本语料对应的训练样本，包括： 使用所述字级别的混淆表对通用领域的每个纯文本语料进行构建，得到通用领域的每个纯文本语料对应的字级别的训练样本； 依次使用所述词级别的混淆表和所述字级别的混淆表对预设应用领域的每个纯文本语料进行构建，得到预设应用领域的每个纯文本语料对应的训练样本。 3.根据权利要求1所述的一种ASR文本纠错训练样本集的构造方法，其特征在于，对任一对齐文本对的的错误进行判别的过程包括： 根据音近规则和预设重要词词表，对任一对齐文本对的的错误进行判别。 4.根据权利要求1至3任一项所述的一种ASR文本纠错训练样本集的构造方法，其特征在于，还包括： 基于所述纠错训练样本集对ASR模型进行训练，得到训练好的ASR模型； 将预设应用领域的待识别音频输入所述训练好的ASR模型，得到所述待识别音频的文本。 5.一种ASR文本纠错训练样本集的构造系统，其特征在于，包括获取模块、判别模块、确定模块、构建模块和组合模块； 所述获取模块用于：获取预设应用领域的预设重要词词表； 所述判别模块用于：对预设音频库中的任一音频的人工标注语料和ASR转译文本进行编辑距离对齐，得到该音频对应的对齐文本对，对该对齐文本对中的错误进行判别，得到该音频对应的判别结果，直至得到每个音频对应判别结果； 所述确定模块用于：根据任一判别结果，确定该判别结果对应的对齐文本对中的待构造字词对，直至得到每个对齐文本对中的待构造字词对； 所述构建模块用于： 以任一音频的待构造字词和ASR转译文本为模板，以及以该音频的待构造字词和人工标注语料为模板，基于通用领域的音近字错误和所述预设应用领域的词错误的字词多粒度融合的构造策略，构建该音频的待构造字词对应的两个第一训练样本，直至得到每个音频的待构造字词对应的第一训练样本； 根据所有待构造字词对得到字词级别的的混淆集，根据所述字词级别的的混淆集得到通用领域的每个纯文本语料对应的字级别的训练样本，以及得到所述预设应用领域的每个纯文本语料对应的训练样本； 所述组合模块用于：对所有的第一训练样本、通用领域的每个纯文本语料对应的字级别的训练样本和所述预设应用领域的每个纯文本语料对应的训练样本进行组合，得到最终的训练样本集。 6.根据权利要求5所述的一种ASR文本纠错训练样本集的构造系统，其特征在于，所述字词级别的的混淆集包括字级别的混淆表和词级别的混淆表，所述构建模块根据所述字词级别的的混淆集得到通用领域的每个纯文本语料对应的字级别的训练样本以及得到所述预设应用领域的每个纯文本语料对应的训练样本的过程，包括： 使用所述字级别的混淆表对通用领域的每个纯文本语料进行构建，得到通用领域的每个纯文本语料对应的字级别的训练样本； 依次使用所述词级别的混淆表和所述字级别的混淆表对预设应用领域的每个纯文本语料进行构建，得到预设应用领域的每个纯文本语料对应的训练样本。 7.根据权利要求5所述的一种ASR文本纠错训练样本集的构造系统，其特征在于，所述判别模块对任一对齐文本对的的错误进行判别的过程包括： 根据音近规则和预设重要词词表，对任一对齐文本对的的错误进行判别。 8.根据权利要求5至7任一项所述的一种ASR文本纠错训练样本集的构造系统，其特征在于，还包括训练识别模块，所述训练识别模块用于： 基于所述纠错训练样本集对ASR模型进行训练，得到训练好的ASR模型； 将预设应用领域的待识别音频输入所述训练好的ASR模型，得到所述待识别音频的文本。 9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的一种ASR文本纠错训练样本集的构造方法。 10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。