[发明专利]多音字消歧方法及装置

说明书

本发明提供了一种多音字消歧方法及装置，该方法包括：获取包含多音字的待检测语句文本数据；根据待检测语句文本数据，在预先构建的四级多音字词表中查询得到待检测语句文本数据所包含的多音字对应的四级字词表；得到待检测语句文本数据所包含的多音字对应的候选读音数据集合；将待检测语句文本数据和候选读音数据集合结合后，输入文本匹配模型；根据文本匹配模型的输出结果，确定待检测语句文本数据中所包含的多音字的读音。能够将待检测语句文本数据与多音字的候选读音逐一匹配，相较于分类的方法，能够提升在非常规发音上的识别准确率。将全部多音字以及对应的读音数据导入，即使文本匹配模型未见过的罕见读音，也能够准确识别。

技术领域

本发明涉及语音识别领域，尤其涉及一种多音字消歧方法及装置。

背景技术

在语音识别系统中，字音转换是必不可少的模块之一，其准确率直接影响识别出的语音的可懂性。在普通话语音合成系统中，字音转换任务就是将文字序列转换为对应的拼音序列。大多数情况下，字音转换都是在词典中检索当前词，配以对应的拼音。然而，普通话中有的字对应多个拼音。如“好”字，在“好成绩”中读“hao(3声)”，在“好客”中读“hao(4声)”。字音转换的关键和难点就是如何解决这种一字多音的问题。

在普通话中常见的多音字约200个，每个多音字有常规发音和非常规发音，为了将语音数据中的多音字确定为正确的文字，需要进行多音字消歧，其中，多音字消歧是指在语音合成系统中，将数据中的多音字预测为正确的拼音序列。现有技术进行多音字消歧时，采用的是基于分类方法的模型，但在真实场景中，多音字的发音是非常不平衡的，例如表1中展示的发音分布统计情况：

由于非常规发音数据的数量远远少于常规发音数据，利用基于分类方法的模型在非常规发音这种小样本数据中性能表现较差，且对于模型未见过的数据集外的读音数据，例如在真实场景中，多音字存在罕见发音，训练语料中有可能无法覆盖。如发音为“zhe 1声”的“折”字，基于分类方法的模型无法识别。

因此，现有的多音字消歧方法对多音字识别准确率低。

发明内容

本发明实施例提供一种多音字消歧方法，用以提高对多音字的识别准确率，该方法包括：

获取包含多音字的待检测语句文本数据；

根据待检测语句文本数据，在预先构建的四级多音字词表中查询得到待检测语句文本数据所包含的多音字对应的四级字词表；所述四级多音字词表中记录有多个多音字与每个多音字对应的四级字词表之间的关联关系；

根据待检测语句文本数据所包含的多音字对应的四级字词表，得到待检测语句文本数据所包含的多音字对应的候选读音数据集合；

将待检测语句文本数据和所述候选读音数据集合结合后，输入文本匹配模型；其中，所述文本匹配模型是预先构建的用于确定待检测语句文本数据与多音字的候选读音之间的适配度的BERT模型；

根据文本匹配模型的输出结果，确定待检测语句文本数据中所包含的多音字的读音；

每个多音字对应的四级字词表，包括：

每个多音字的文本、每个多音字的不同读音、每个多音字不同读音对应的释义信息以及每个多音字不同读音对应的常用词组；

根据待检测语句文本数据所包含的多音字对应的四级字词表，得到待检测语句文本数据所包含的多音字对应的候选读音数据集合，包括：

根据待检测语句文本数据所包含的多音字对应的四级字词表，确定待检测语句文本数据所包含的多音字对应的多个候选读音及每个候选读音对应的释义信息和常用词组；

根据待检测语句文本数据所包含的多音字对应的多个候选读音及每个候选读音对应的释义信息和常用词组，确定每个候选读音数据子集；