[发明专利]声音合成训练数据的采集方法、装置、服务器及存储介质

权利要求书

1.一种声音合成训练数据的采集方法，其特征在于，所述方法包括有：

获取终端所采集的根据目标录音文本所录制的实际录音音频，并使用ASR对实际录音音频进行识别，获得实际录音文本及文本对应在音频中的起始时间；

根据目标录音文本判断实际录音文本是否符合质量要求，以符合质量要求的实际录音文本作为声音合成训练数据；

对实际录音文本符合质量要求的实际录音音频进行处理，其中，对具有单一起始时间的实际录音音频进行降噪处理，而对具有多个起始时间的实际录音音频根据起始时间进行分拆而成多个子音频，对每一子音频进行降噪处理并合并降噪处理后的子音频，以经处理后的实际录音音频作为声音合成训练数据。

2.如权利要求1所述的声音合成训练数据的生成方法，其特征在于，在所述获取终端所采集的根据目标录音文本所录制的实际录音音频之前，还包括有：

获取终端所在的音频采集现场的录制环境音频，并根据录制环境音频判断音频采集现场是否满足音频采集要求。

3.如权利要求2所述的声音合成训练数据的生成方法，其特征在于，所述根据录制环境音频判断音频采集现场是否满足音频采集要求包括有：

检测录制环境音频的声音响度以及声音响度在所设定的阈值范围内的声音持续时间；

判断所检测的声音响度和声音响度在所设定的阈值范围内的声音持续时间是否处于所设定的阈值范围内，以确定音频采集现场是否满足音频采集要求，并将判定结果反馈至终端。

4.如权利要求1所述的声音合成训练数据的生成方法，其特征在于，所述根据目标录音文本判断识别出的实际录音文本是否符合质量要求包括有：

通过如下公式计算实际录音文本与目标录音文本的字数误差值，其中，e为字数误差值，x_real为实际录音文本的字数，x_target为目标录音文本的字数，

判断字数误差值e是否处于所预设的误差阈值范围之内，如字数误差值e在误差阈值范围内，则判定实际录音文本符合质量要求，如字数误差值e超出误差阈值范围，则判定实际录音文本不符合质量要求，根据所述判定结果反馈音频采集是否成功的信息至终端。

5.如权利要求4所述的声音合成训练数据的采集方法，其特征在于，在判定实际录音文本符合质量要求之后，还包括有：

判定当前实际录音文本是否为目标录音文本的最后一句，如是，则判定音频采集完成，如否，则判定音频采集未完成，并反馈音频采集未完毕的信息至终端。

6.如权利要求1所述的声音合成训练数据的采集方法，其特征在于，在合并子音频时，补充音频的静默时长。

7.一种声音合成训练数据的采集装置，其特征在于，所述采集装置包括有：

实际录音音频识别模块，用于获取终端所采集的根据目标录音文本所录制的实际录音音频，并使用ASR对实际录音音频进行识别，获得实际录音文本及文本对应在音频中的起始时间；

实际录音文本判断模块，用于根据目标录音文本判断实际录音文本是否符合质量要求；

实际录音音频处理模块，用于对实际录音文本符合质量要求的实际录音音频进行处理，其中，对具有单一起始时间的实际录音音频进行降噪处理，而对具有多个起始时间的实际录音音频根据起始时间进行分拆而成多个子音频，对每一子音频进行降噪处理并合并降噪处理后的子音频，以经处理后的实际录音音频作为声音合成训练数据。

8.如权利要求7所述的声音合成训练数据的采集装置，其特征在于，所述采集装置还包括有：

录制环境判断模块，用于获取终端所在的音频采集现场的录制环境音频，并根据录制环境音频判断音频采集现场是否满足音频采集要求。

9.一种服务器，其特征在于，所述服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～6任一项所述的声音合成训练数据的采集方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1～6任一项所述的声音合成训练数据的采集方法。