[发明专利]语料过滤方法与装置

说明书

本发明提供了一种语料过滤方法与装置，涉及语音识别领域。该语料过滤方法与装置，通过接收语音客服机器人发送的原始话轮语料；然后将原始话轮语料转化文本字符集合，将文本字符集合划分为单字语料集合和词句语料集合；最后将单字语料集合中未包含于预建立的有意义字表的话轮语料进行过滤、将词句语料集合中包含有预建立的非自然语音关键词表的负关键词的话轮语料进行过滤，通过不正常的语音进行过滤，实现了非自然语音的拒识别，提高了语音识别的正确率，以及提高了对在噪声环境下鲁棒的语音识别性能的鲁棒性、极大地提高了用户的交互体验。

技术领域

本发明涉及语音识别领域，具体而言，涉及一种语料过滤方法与装置。

背景技术

当前，随着智能语音客服机器人产业的迅速发展，尤其是在2017年的 AI风潮后，在2020年我国智能语音客服市场将达到万亿级别。自动语音识别(Automatic SpeechRecognition，简称ASR)作为智能语音客服机器人的“耳朵”，在安静环境下语音识别准确率接近97％，具备解决“听”的能力，但由于环境噪声、信道噪声等噪声问题，口语对话语音的形式多样性，例如方言，口语助词、迟疑、重复与停顿造成的语音不流畅，多说话人重叠，以及句子边界定义模糊等，导致实际环境中语音识别的正确率一直不尽如人意，识别率甚至可能不到50％，如果ASR系统没有拒识能力，在收到非预期输入时也根据最大似然的识别结果将文本送给后续的自然语言理解并做出交互动作，会导致语音交互流程不可控，在噪声环境下鲁棒的语音识别性能的鲁棒性差、严重影响交互体验。

发明内容

有鉴于此，本发明实施例的目的在于提供一种语料过滤方法与装置，以改善上述的问题。

第一方面，本发明实施例提供了一种语料过滤方法，所述语料过滤方法包括：

接收语音客服机器人发送的原始话轮语料；

将原始话轮语料转化文本字符集合，将文本字符集合划分为单字语料集合和词句语料集合；

将单字语料集合中未包含于预建立的有意义字表的话轮语料进行过滤、将词句语料集合中包含有预建立的非自然语音关键词表的负关键词的话轮语料进行过滤。

第二方面，本发明实施例还提供了一种语料过滤装置，所述语料过滤装置包括：

信息接收单元，用于接收语音客服机器人发送的原始话轮语料；

语料划分单元，用于将原始话轮语料转化文本字符集合，将文本字符集合划分为单字语料集合和词句语料集合；

语料过滤单元，用于将单字语料集合中未包含于预建立的有意义字表的话轮语料进行过滤、将词句语料集合中包含有预建立的非自然语音关键词表的负关键词的话轮语料进行过滤。

与现有技术相比，本发明提供的语料过滤方法与装置，通过接收语音客服机器人发送的原始话轮语料；然后将原始话轮语料转化文本字符集合，将文本字符集合划分为单字语料集合和词句语料集合；最后将单字语料集合中未包含于预建立的有意义字表的话轮语料进行过滤、将词句语料集合中包含有预建立的非自然语音关键词表的负关键词的话轮语料进行过滤，通过不正常的语音进行过滤，实现了非自然语音的拒识别，提高了语音识别的正确率，以及提高了对在噪声环境下鲁棒的语音识别性能的鲁棒性、极大地提高了用户的交互体验。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明