[发明专利]数据采集的方法及装置

说明书

本申请公开了数据采集的方法及装置，涉及人工智能技术领域，有助于减少人工参与，从而提高数据采集和所采集的数据的质量。该方法包括：获取第一语音片段和第一唇语片段。第一唇语片段是录制第一语音片段时采集的录制人员的唇语片段。对第一语音片段进行语音识别，得到第一语音片段的内容。对第一唇语片段进行唇语识别，得到第一唇语片段的内容。若第一语音片段的内容和第一唇语片段的内容都包含预定义内容，则根据预定义内容对第一语音片段进行切割或标注，得到第二语音片段。第二语音片段是预定义内容的子片段。将第二语音片段与预定义内容的对应关系存入数据库，第二语音片段与预定义内容的对应关系用于训练语音识别模型。

技术领域

本申请涉及人工智能技术领域，尤其涉及数据采集的方法及装置。

背景技术

人工智能技术的发展需要数据提供基础的保障，语音数据库的建设是人工智能技术中不可或缺的一部分。在语音数据库的建设中，需要采集大量的语音数据。

目前，一般通过手机、平板电脑、笔记本电脑等计算机设备进行语音数据的采集。为了能够得到有效的语音数据，采集结束后需要对无效语音进行筛选、剔除和标注。筛选、剔除和标注无效语音的工作离不开人工作业，人工作业导致工作效率和准确率得不到保证。一方面，在噪声场景下采集的语音或带有口音的语音，人耳较难分辨。另一方面，人工标注的随机性，使得语音起始或末尾的语音保留的空余部分长短不一，可能混入噪声，或者丢词，这会导致语音数据采集效率低，且所采集的语音数据的质量差。

发明内容

本申请的实施例提供数据采集的方法及装置，有助于减少人工参与，从而提高语音数据采集的效率及所采集的语音数据的质量。

为达到上述目的，本申请的实施例采用如下技术方案：

第一方面，提供一种数据采集方法，该方法包括：获取第一语音片段和第一唇语片段。第一唇语片段是录制第一语音片段时采集的录制人员的唇语片段。对第一语音片段进行语音识别，得到第一语音片段的内容。对第一唇语片段进行唇语识别，得到第一唇语片段的内容。若第一语音片段的内容和第一唇语片段的内容都包含预定义内容，则根据预定义内容对第一语音片段进行切割或标注，得到第二语音片段。第二语音片段的内容是预定义内容。第二语音片段是第一语音片段中的子片段。将第二语音片段与预定义内容的对应关系存入数据库。该对应关系用于训练语音识别模型。这样，不需要人工判断第一语音片段的内容是否包含预定义内容，同时对语音片段的内容与唇语片段的内容进行判断是否包含预定义内容，只有两者都包含预定义内容，才自动完成对第一语音片段的切割或标注，减少了人工作业，提高了数据采集的效率和采集的语音的质量。

根据第一方面，在第一方面的第一种可能的实现方式中，该方法还包括：根据预定义内容对第一唇语片段进行切割或标注，得到第二唇语片段。第二唇语片段的内容是预定义内容。第二唇语片段是第一唇语片段中的子片段。将第二唇语片段与预定义内容的对应关系存入数据库。第二唇语片段与预定义内容的对应关系用于训练唇语识别模型。这样，不需要人工判断第一唇语片段的内容是否包含预定义内容，并自动完成对第一唇语片段的切割或标注，减少了人工作业，提高了数据采集的效率。对于采集的唇语数据来说，同时对语音片段的内容与唇语片段的内容进行判断是否包含预定义内容，只有两者都包含预定义内容，才获取第二唇语片段，提高了采集的唇语数据的质量。

根据第一方面或第一方面的第一种可能的实现方式中，在第一方面的第二种可能的实现方式中，采集第一语音片段的语音采集设备与录制人员之间的距离小于等于阈值。这样，可以提高采集的数据的质量，以及准确率。