[发明专利]一种面向无标签音频数据的语音识别模型训练方法及系统

权利要求书

1.一种面向无标签音频数据的语音识别模型训练方法，其特征在于，包括：

步骤1，使用多个来自外界的语音识别模型同时对音频数据进行解码，获得多个粗标数据；

步骤2，将多个粗标数据进行交叉验证以获得各粗标数据的错误率，以小于阈值的错误率对应的各粗标数据的交集作为清洗后粗标数据；

步骤3，使用清洗后粗标数据训练目标语音识别模型，使用训练好的目标语音识别模型对无标签音频数据进行解码得到无标签音频数据识别结果，计算识别结果的置信度，选择置信度大于参数的无标签音频数据迭代训练目标语音识别模型，直到目标语音识别模型的输出收敛为止。

2.根据权利要求1所述的面向无标签音频数据的语音识别模型训练方法，包括：

来自外界的语音识别模型包括：来自开源的模型，自研的模型，第三方提供的模型。

3.根据权利要求1所述的面向无标签音频数据的语音识别模型训练方法，包括：

步骤2中，选择任意一个粗标数据Reselt_p作为标准结果，分别统计其余各粗标数据Reselt_q的错误率，如下式所示：

式中，

下标p、q均为粗标数据的编号，且p≠q，p,q＝1,2,…,M，M为粗标数据的数量，

wer_pq表示以粗标数据Reselt_p为标准结果时，粗标数据Reselt_q的错误率，

S_pq表示以粗标数据Reselt_p为标准结果时，粗标数据Reselt_q替换错误，

D_pq表示以粗标数据Reselt_p为标准结果时，粗标数据Reselt_q误删错误，

I_pq表示以粗标数据Reselt_p为标准结果时，粗标数据Reselt_q误插入错误，

N为字符串长度。

4.根据权利要求1所述的面向无标签音频数据的语音识别模型训练方法，包括：

步骤3包括：

步骤3.1，利用清洗后粗标数据及对应的音频数据，训练目标语音识别模型；

步骤3.2，使用训练好的目标语音识别模型对无标签音频数据进行解码，得到各帧音频的识别结果；

步骤3.3，各帧音频的识别结果经过softmax函数之后得到对应的最大概率P_i，其中，i表示各帧音频的编号，i＝1,2,…,n，n为音频的帧数；

步骤3.4，对n帧音频对应的最大概率进行加权取平均，得到无标签音频数据的置信度P；

步骤3.5，返回步骤3.1，利用置信度P大于参数β的无标签音频数据，训练目标语音识别模型；对目标语音识别模型进行迭代训练，直到语音识别模型的输出收敛为止。

5.根据权利要求4所述的面向无标签音频数据的语音识别模型训练方法，包括：

置信度P的计算过程如下式所示：

式中，

μ_i为各帧音频的惩罚因子，

N为字符串长度。

6.根据权利要求5所述的面向无标签音频数据的语音识别模型训练方法，包括：

当P_i的值在0至0.5之间时，惩罚因子为负值，当P_i的值在0.5至1之间时，惩罚因子为正值。

7.根据权利要求4所述的面向无标签音频数据的语音识别模型训练方法，包括：

步骤3.5中，每次迭代训练语音识别模型时，置信度P大于参数β的无标签音频数据与全部音频数据的占比不小于90％，语音识别模型的输出收敛。

8.根据权利要求5所述的面向无标签音频数据的语音识别模型训练方法，包括：

阈值、参数和惩罚因子均为超参，根据无标签音频数据的干净程度进行调整设定。

9.一种面向无标签音频数据的语音识别模型训练系统，用于实现权利要求1至8任一项所述方法，包括：

粗标模块，清洗模块，迭代训练模块；

粗标模块，使用多个来自外界的语音识别模型同时对音频数据进行解码，获得多个粗标数据；

清洗模块，将多个粗标数据进行交叉验证以获得各粗标数据的错误率，以小于阈值的错误率对应的各粗标数据的交集作为清洗后粗标数据；

迭代训练模块，使用清洗后粗标数据训练目标语音识别模型，使用训练好的目标语音识别模型对无标签音频数据进行解码得到无标签音频数据识别结果，计算识别结果的置信度，选择置信度大于参数的无标签音频数据迭代训练目标语音识别模型，直到目标语音识别模型的输出收敛为止。