[发明专利]音频语料智能清洗方法、装置、存储介质和计算机设备

说明书

本发明提供一种音频语料智能清洗方法，包括：获取目标音频数据及所述目标音频数据对应的正确文本；对所述目标音频数据进行切分处理，得到切分处理后的音频片段；根据所述音频片段，基于预置的语音文本切换方法获取所述音频片段对应的翻译文本；将所述翻译文本与所述正确文本进行动态匹配，得到所述翻译文本对应的所述正确文本中的正确分句文本；根据所述音频片段和所述正确分句文本，得到清洗处理后的音频语料。该方法可基于智能匹配替代人工检测实现音频语料智能清洗，相比人工处理方式显著减少了处理成本，提高了工作效率，且显著提高文本与音频的对应程度，确保音频语料的准确性。

技术领域

本发明涉及计算机技术领域，具体而言，本发明涉及一种音频语料智能清洗方法、装置、计算机可读存储介质和计算机设备。

背景技术

随着人工智能技术的快速发展，语音识别逐渐被应用于各类应用软件、设备，为人们的工作、学习和生活提供便利。为实现语音识别，需要大量的语音和文本语料，文本与音频的对应程度影响着语音识别结果的准确性。

目前，主要通过人工标注的方式获取语料，其局限在于，通过人工标注或者其他手段获取的语料容易存在多字、少词或者错字等一系列问题，人工处理效率低下的同时存在较高的错误率，且人工成本高。

发明内容

为至少能解决上述的技术缺陷之一，本发明提供了以下技术方案的音频语料智能清洗方法及对应的装置、计算机可读存储介质和计算机设备。

本发明的实施例根据一个方面，提供了一种音频语料智能清洗方法，包括如下步骤：

获取目标音频数据及所述目标音频数据对应的正确文本；

对所述目标音频数据进行切分处理，得到切分处理后的音频片段；根据所述音频片段，基于预置的语音文本切换方法获取所述音频片段对应的翻译文本；

将所述翻译文本与所述正确文本进行动态匹配，得到所述翻译文本对应的所述正确文本中的正确分句文本；

根据所述音频片段和所述正确分句文本，得到清洗处理后的音频语料。

优选地，所述将所述翻译文本与所述正确文本进行动态匹配，得到所述翻译文本对应的所述正确文本中的正确分句文本，包括：

对所述正确文本进行切分处理，得到所述正确文本切分处理后的分句文本；

将所述翻译文本与所述分句文本进行动态匹配，从所述分句文本中确定所述翻译文本对应的所述正确文本中的正确分句文本。

进一步地，所述将所述翻译文本与所述分句文本进行动态匹配，从所述分句文本中确定所述翻译文本对应的所述正确文本中的正确分句文本，包括：

基于最短编辑距离算法，计算所述翻译文本分别与所述正确文本中的预置数量分句文本之间的相似度；

根据所述相似度，从所述预置数量分句文本中确定所述翻译文本对应的所述正确文本中的正确分句文本。

进一步地，所述基于最短编辑距离算法，计算所述翻译文本分别与所述正确文本中的预置数量分句文本之间的相似度之前，还包括：

获取所述翻译文本的文本序号；

根据所述文本序号，获取文本序号与所述翻译文本对应的分句文本及该分句文本前后各至少一个的分句文本；

将所述文本序号与所述翻译文本对应的分句文本及该分句文本前后各至少一个的分句文本设为所述预置数量分句文本，以用于计算所述翻译文本分别与所述正确文本中的预置数量分句文本之间的相似度。

优选地，所述根据所述相似度，从所述预置数量分句文本中确定所述翻译文本对应的所述正确文本中的正确分句文本之后，还包括：

获取所述翻译文本与所述正确分句文本之间的相似度；