多音字语料的获取方法、装置、可读介质和电子设备与流程

本公开涉及语音处理技术领域，具体地，涉及一种多音字语料的获取方法、装置、可读介质和电子设备。

背景技术：

随着计算机技术和语音处理技术的不断发展，语音作为人们获取信息的重要载体，已经被广泛应用于日常生活和工作中。语音处理通常包括两个部分：语音合成和语音识别。语音合成是指将用户指定的文本，合成为音频，语音识别则是指将用户指定的音频识别为文本。针对音频内容为中文的场景，或者文本内容为中文的场景，由于中文包括了大量的多音字，可能导致语音合成输出的音频的发音不准确，或者导致语音识别输出的文本不准确。因此，需要预先获取大量的多音字语料来辅助语音合成和语音识别。然而，多音字语料通常需要人工对大量的文本进行标注来得到，效率和准确度都较低。

技术实现要素：

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种多音字语料的获取方法，所述方法包括：

获取目标文本，所述目标文本包括至少一个多音字；

将所述目标文本分别输入多个语音合成模型，以获取每个所述语音合成模型输出的中间音频，每个所述语音合成模型各不相同；

针对每个所述语音合成模型，将该语音合成模型输出的所述中间音频，输入语音识别模型，以获取所述语音识别模型输出的，该语音合成模型对应的中间拼音序列；

根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，并将所述目标文本和所述目标拼音序列作为多音字语料。

第二方面，本公开提供一种多音字语料的获取装置，所述装置包括：

文本获取模块，用于获取目标文本，所述目标文本包括至少一个多音字；

音频获取模块，用于将所述目标文本分别输入多个语音合成模型，以获取每个所述语音合成模型输出的中间音频，每个所述语音合成模型各不相同；

拼音获取模块，用于针对每个所述语音合成模型，将该语音合成模型输出的所述中间音频，输入语音识别模型，以获取所述语音识别模型输出的，该语音合成模型对应的中间拼音序列；

确定模块，用于根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，并将所述目标文本和所述目标拼音序列作为多音字语料。

通过上述技术方案，本公开首先获取包括了至少一个多音字的目标文本，之后将目标文本分别输入多个各不相同的语音合成模型，由每个语音合成模型输出中间音频，再针对每个语音合成模型，将该语音合成模型输出的中间音频，输入语音识别模型，以获取语音识别模型输出的，该语音合成模型对应的中间拼音序列，最后根据每个语音合成模型对应的中间拼音序列，确定目标拼音序列，并将目标文本和目标拼音序列作为多音字语料。本公开通过多个语音合成模型来获取目标文本对应的多个中间音频，再利用语音识别模型对多个中间音频进行识别，并根据得到的多个中间拼音序列来确定目标文本对应的目标拼音序列，无需人工进行标注，能够快速获得大量、准确的多音字语料，提高了多音字语料获取的效率和准确度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种多音字语料的获取方法的流程图；

图2是根据一示例性实施例示出的另一种多音字语料的获取方法的流程图；

图3是根据一示例性实施例示出的另一种多音字语料的获取方法的流程图；

图4是根据一示例性实施例示出的一种多音字语料的获取装置的框图；

图5是根据一示例性实施例示出的另一种多音字语料的获取装置的框图；

图6是根据一示例性实施例示出的另一种多音字语料的获取装置的框图；

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

在介绍本公开提供的多音字语料的获取方法、装置、可读介质和电子设备之前，首先对本公开各个实施例所涉及的应用场景进行介绍。该应用场景为多音字语料的获取过程，多音字语料可以理解为文本-拼音序列对，拼音序列中包括了文本中每个汉字对应的拼音。例如，文本为“你好好啊”，对应的拼音序列为“ni3hao2hao3a5”(其中，数字表示声调，1表示第一声，2表示第二声，3表示第三声，4表示第四声，5表示轻声)，那么“你好好啊”-“ni3hao2hao3a5”可以作为一个多音字语料。针对语音合成的过程，可以通过语音合成模型将指定的文本合成为音频，在此过程中，如果指定的文本中出现了多音字，语音合成模型可以利用已有的多音字语料作为参考，来判断指定的文本中的多音字具体为哪个读音(即拼音)，从而生成相应的音频。因此，语音合成的过程中，为了能够合成准确的音频，需要使用到多音字语料。针对语音识别的过程，可以先通过语音识别模型中的声学模型将指定的音频识别为拼音序列，然后再通过语音识别模型中的语言模型将拼音序列识别为文本，在此过程中，要将保证拼音序列识别为文本的准确度，需要利用已有的多音字语料对语言模型进行训练。因此，在语音识别的训练过程中，同样也需要使用到多音字语料。

图1是根据一示例性实施例示出的一种多音字语料的获取方法的流程图，如图1所示，该方法包括：

步骤101，获取目标文本，目标文本包括至少一个多音字。

举例来说，要获取多音字语料，首先可以获取包括至少一个多音字的目标文本，其中，目标文本可以是一个，也可以是多个。例如，可以从互联网中随机抓取大量的文本，或者从指定的信息源获取大量的文本。然后对大量的文本进行筛选，得到包括了至少一个多音字的目标文本。在常用字中，至少包括140个多音字，而每个多音字出现的次数差别较大，例如，“的”、“地”、“得”三个多音字出现的次数占全部多音字出现次数的80％，而其他多音字出现的次数只占20％。因此，在目标文本为多个的情况下，可以按照预设规则对多个目标文本进行筛选，以使多个目标文本中包括的各个多音字的分布均衡。例如，可以统计多个目标文本中，各个多音字出现的次数，然后过滤掉部分包括了出现次数最多的多音字的目标文本，保留包括了出现次数较少的多音字的目标文本。例如，由于“的”、“地”、“得”三个多音字，在通常情况下出现的次数较多，可以过滤掉仅包括“的”、“地”、“得”的目标文本。进一步的，还可以通过限制包括指定多音字的目标文本的数量，来达到均衡目标文本中多音字分布的目的。

需要说明的是，本实施例中，可以预先规定目标文本所属的语系，例如可以将包括至少一个多音字的普通话文本作为目标文本。在目标文本为多个的情况下，可以保证每个目标文本属于同一个语系，例如，每个目标文本均为普通话文本。

步骤102，将目标文本分别输入多个语音合成模型，以获取每个语音合成模型输出的中间音频，每个语音合成模型各不相同。

步骤103，针对每个语音合成模型，将该语音合成模型输出的中间音频，输入语音识别模型，以获取语音识别模型输出的，该语音合成模型对应的中间拼音序列。

示例的，可以预先选择多个各不相同的语音合成模型，例如，可以从不同的音频提供商处获取不同的tts(英文：texttospeech，中文：从文本到语音)系统，作为语音合成模型。语音合成模型还可以是预先训练的，用于语音合成的神经网络，例如可以是rnn(英文：recurrentneuralnetwork，中文：循环神经网络)、cnn(英文：convolutionalneuralnetworks，中文：卷积神经网络)、lstm(英文：longshort-termmemory，中文：长短期记忆网络)等，本公开对此不作具体限定。多个语音合成模型，可以是利用不同的训练数据，或者选择不同结构的神经网络进行训练得到的。分别将目标文本输入多个语音合成模型，得到每个语音合成模型输出的中间音频。可以理解为，分别利用每个语音合成模型对目标文本进行合成，得到每个语音合成模型输出的中间音频。例如，有3个语音合成模型：tts1、tts2、tts3，分别将目标文本输入tts1、tts2、tts3，得到tts1输出的中间音频audio1、tts2输出的中间音频audio2、tts3输出的中间音频audio3。

之后，针对多个语音合成模型中的任一个语音合成模型，将该语音合成模型输出的中间音频，输入预设的语音识别模型，得到语音识别模型输出的，该语音合成模型对应的中间拼音序列。其中，中间拼音序列中至少包括一个发音(包括声调)。语音识别模型，例如可以是asr(英文：automaticspeechrecognition，中文：自动语音识别技术)系统，能够识别输入的音频对应的拼音序列。语音识别模型也可以是预先训练的，用于语音识别的神经网络。其中，每个语音合成模型，对应一个中间音频序列，即中间音频序列的数量与语音合成模型的数量相同。例如，可以将audio1输入asr系统，得到tts1对应的中间拼音序列pinyin1，将audio2输入asr系统，得到tts1对应的中间拼音序列pinyin2，将audio3输入asr系统，得到tts3对应的中间拼音序列pinyin3。

步骤104，根据多个语音合成模型中，每个语音合成模型对应的中间拼音序列，确定目标拼音序列，并将目标文本和目标拼音序列作为多音字语料。

示例的，可以根据多个语音合成模型中，每个语音合成模型对应的中间拼音序列，来确定目标文本对应的目标拼音序列。具体的，确定目标拼音序列的策略，可以将多个中间拼音序列进行比较，如果多个中间拼音序列均相同，那么可以将任一个中间拼音序列作为目标拼音序列。如果多个中间拼音序列中，存在不同的拼音序列，则丢弃多个中间拼音序列，或者将多个中间拼音序列和目标文本发送至指定的服务平台，由服务平台对多个中间拼音序列进行修正，以选定目标拼音序列。另一种实现方式，可以将多个中间拼音序列进行比较，如果多个中间拼音序列中，存在不同的拼音序列，那么可以分别统计每种拼音序列的出现次数，将出现次数最多的拼音序列作为目标拼音序列。如果多个中间拼音序列中，存在不同的拼音序列，并且，每种拼音序列的出现次数相同，那么丢弃多个中间拼音序列，或者将多个中间拼音序列和目标文本发送至指定的服务平台，由服务平台对多个中间拼音序列进行修正，以选定目标拼音序列。

可以理解为，将多个中间拼音序列输入一个投票系统，由投票系统在多个中间拼音序列中选择目标拼音序列。最后，将目标文本和目标拼音序列作为多音字语料，例如可以将多音字语料存入指定的数据库，以供语音合成的过程中使用，或者用于对语音识别的训练过程。这样，通过语音识别模型和多个语音合成模型的组合，先将目标文本合成为多个中间音频，然后将多个中间音频识别为多个中间拼音序列，最后根据多个中间拼音序列来确定目标拼音序列。基于boosting原理，根据语音识别模型和多个语音合成模型的组合得到的目标拼音序列，比利用一个语音合成模型得到的拼音序列的准确度要高。这样，本实施例中获取多音字语料的过程不需要人工的参与，就能够快速获得大量、准确的多音字语料。

综上所述，本公开首先获取包括了至少一个多音字的目标文本，之后将目标文本分别输入多个各不相同的语音合成模型，由每个语音合成模型输出中间音频，再针对每个语音合成模型，将该语音合成模型输出的中间音频，输入语音识别模型，以获取语音识别模型输出的，该语音合成模型对应的中间拼音序列，最后根据每个语音合成模型对应的中间拼音序列，确定目标拼音序列，并将目标文本和目标拼音序列作为多音字语料。本公开通过多个语音合成模型来获取目标文本对应的多个中间音频，再利用语音识别模型对多个中间音频进行识别，并根据得到的多个中间拼音序列来确定目标文本对应的目标拼音序列，无需人工进行标注，能够快速获得大量、准确的多音字语料，提高了多音字语料获取的效率和准确度。

图2是根据一示例性实施例示出的另一种多音字语料的获取方法的流程图，如图2所示，步骤101可以包括以下步骤：

步骤1011，获取多个文本。

步骤1012，针对每个文本，将该文本与预设的多音字列表进行匹配，确定该文本中包括的多音字的个数。

步骤1013，根据该文本中包括的多音字的个数，确定该文本是否为目标文本。

举例来说，要获取目标文本，可以先获取多个文本，然后从多个文本中筛选出目标文本。多个文本的获取渠道，例如可以是从互联网中随机抓取的文本，也可以是从指定的信息源(例如：数据库、服务平台等)获取的文本。之后，将每个文本与预设的多音字列表进行匹配，以确定该文本中是否包括多音字，在该文本包括多音字的情况下，确定该文本中包括的多音字的个数。其中，多音字列表存储了常用的多音字，可以将任一个文本中的每个字与多音字列表进行匹配，如果匹配，确定该字为多音字。

之后，根据该文本中包括的多音字的个数，确定该文本是否为目标文本。在常用的多音字中，每个多音字出现的次数差别较大，例如，“的”、“地”、“得”三个多音字出现的次数占全部多音字出现次数的80％。因此，可以根据该文本中包括的多音字的个数对多个文本进行筛选，以使多个目标文本中包括的各个多音字的分布均衡。

具体的，步骤1013的实现方式可以为：

若该文本中包括的多音字的个数大于或等于第一数量，且该文本中包括的目标多音字对应的记录数量小于第二数量，将该文本作为目标文本，目标多音字为该文本中的一个或多个多音字。

更新目标多音字对应的记录数量。

以多音字列表中包括m个多音字为例，每个多音字需要的目标文本的数量为x(即为第二数量)。在执行步骤1012之前，可以先将每个多音字对应的记录数量的初始值设置为0。先获取n个文本(n>>x)，分别获取每个文本中包括的多音字的个数，若该文本中包括的多音字的个数大于或等于第一数量(例如可以是1)，再确定该文本中包括的每个多音字对应的记录数量。若该文本中存在对应的记录数量小于第一数量(即x)的目标多音字，那么可以将该文本作为目标文本，并将目标多音字对应的记录数量+1。若该文本中不存在目标多音字(即该文本中的每个多音字对应的记录数量均大于或等于第一数量)，那么可以丢弃该文本。其中，目标多音字可以是一个或多个。重复执行上述步骤，直至多音字列表中每个多音字对应的记录数量都等于x为止。

例如，多音字“乐”所需要的目标文本的数量为100，之前已经记录了36个包含了“乐”的目标文本，即“乐”对应的记录数量为36。若新的文本为“我很快乐”，通过与多音字列表进行匹配，确定“我很快乐”包含“乐”，多音字的数量等于1，并且“乐”对应的记录数量36小于100，那么可以将“我很快乐”作为目标文本，并将“乐”对应的记录数量更新为37。继续对下一个文本进行判断，直至“乐”对应的记录数量为100。

图3是根据一示例性实施例示出的另一种多音字语料的获取方法的流程图，如图3所示，步骤103可以包括：

步骤1031，将目标文本和该语音合成模型输出的中间音频进行强制对齐，以对该语音合成模型输出的中间音频中的每一帧音频进行标注。

步骤1032，将标注后的该语音合成模型输出的中间音频，输入语音识别模型，以得到该语音合成模型对应的中间拼音序列。

举例来说，在将某个语音合成模型输出的中间音频，输入语音识别模型之前，可以先将目标文本和该语音合成模型输出的中间音频进行强制对齐，从而对中间音频中的每一帧音频进行标注。由于中间音频通常不只有一帧，因此需要确定中间音频中的每一帧音频对应目标文本中的哪一个汉字。具体的，对中间音频中的每一帧音频进行强制对齐，可以理解为对中间音频中的每一帧音频增加一个标签，标签的内容为对应的汉字在目标文本中的序号。例如，中间音频的时长为10s，包含3000帧音频，目标文本中包含了10个汉字，那么可以根据中间音频和目标文本的对应关系，将1-10帧音频标注为1(即目标文本中的第一个汉字)，将11-300帧音频标注为2(即目标文本中的第二个汉字)，将301-450帧音频标注为3(即目标文本中的第三个汉字)，以此类推。之后，将标注后的该语音合成模型输出的中间音频，输入语音识别模型，以得到该语音合成模型对应的中间拼音序列。

具体的，在一种实现方式中，步骤104的实现方式可以为：

若每个语音合成模型对应的中间拼音序列均相同，那么将任一个语音合成模型对应的中间拼音序列作为目标拼音序列。

示例的，可以将多个语音合成模型对应的多个中间拼音序列进行比较，如果多个中间拼音序列均相同，那么可以将任一个中间拼音序列作为目标拼音序列。如果多个中间拼音序列中，存在不同的拼音序列，则丢弃多个中间拼音序列，或者将多个中间拼音序列和目标文本发送至指定的服务平台，由服务平台对多个中间拼音序列进行修正，以选定目标拼音序列。

以目标文本为“我想喝可乐”，多个语音合成模型为tts1、tts2、tts3，语音识别模型为asr系统来举例。先将“我想喝可乐”分别输入tts1、tts2、tts3，tts1输出中间音频audio1、tts2输出中间音频audio2、tts3输出中间音频audio3。再将audio1输入asr系统，得到tts1对应的中间拼音序列“wo3xiang3he1ke3le4”，将audio2输入asr系统，得到tts2对应的中间拼音序列“wo3xiang3he1ke3le4”，将audio3输入asr系统，得到tts3对应的中间拼音序列“wo3xiang3he1ke3le4”。三个中间拼音序列均相同，那么可以将“wo3xiang3he1ke3le4”作为目标音频序列，并将“我想喝可乐”和“wo3xiang3he1ke3le4”作为多音字语料。

在另一种实现方式中，步骤104的实现方式可以为：

确定每个语音合成模型对应的中间拼音序列中，每种中间拼音序列的出现次数，将出现次数满足预设条件的中间拼音序列作为目标拼音序列。

示例的，可以将多个中间拼音序列进行比较，如果多个中间拼音序列中，存在不同的中间拼音序列，那么可以分别统计每种中间拼音序列的出现次数，并将出现次数满足预设条件的中间拼音序列作为目标拼音序列。其中，预设条件例如可以是出现次数最多的中间拼音序列，也可以是出现次数占中间拼音序列总个数的比例大于预设阈值(例如80％)的中间拼音序列。如果多个中间拼音序列中，存在不同的拼音序列，并且，每种拼音序列的出现次数相同，那么可以丢弃多个中间拼音序列，或者将多个中间拼音序列和目标文本发送至指定的服务平台，由服务平台对多个中间拼音序列进行修正，以选定目标拼音序列。

以目标文本为“车辆行驶缓慢”，多个语音合成模型为tts1、tts2、tts3、tts4，语音识别模型为asr系统来举例。先将“车辆行驶缓慢”分别输入tts1、tts2、tts3、tts4，tts1输出中间音频audio1、tts2输出中间音频audio2、tts3输出中间音频audio3，tts4输出中间音频audio4。再将audio1输入asr系统，得到tts1对应的中间拼音序列“che1liang4xing2shi3huan3man4”，将audio2输入asr系统，得到tts2对应的中间拼音序列“che1liang4xing2shi3huan3man4”，将audio3输入asr系统，得到tts3对应的中间拼音序列“che1liang4hang2shi3huan3man4”，将audio4输入asr系统，得到tts4对应的中间拼音序列“che1liang4xing2shi3huan3man4”。四个中间拼音序列中，“che1liang4xing2shi3huan3man4”的出现次数为3，“che1liang4hang2shi3huan3man4”的出现次数为1，那么可以将“che1liang4xing2shi3huan3man4”作为目标音频序列，并将“车辆行驶缓慢”和“che1liang4xing2shi3huan3man4”作为多音字语料。

综上所述，本公开首先获取包括了至少一个多音字的目标文本，之后将目标文本分别输入多个各不相同的语音合成模型，由每个语音合成模型输出中间音频，再针对每个语音合成模型，将该语音合成模型输出的中间音频，输入语音识别模型，以获取语音识别模型输出的，该语音合成模型对应的中间拼音序列，最后根据每个语音合成模型对应的中间拼音序列，确定目标拼音序列，并将目标文本和目标拼音序列作为多音字语料。本公开通过多个语音合成模型来获取目标文本对应的多个中间音频，再利用语音识别模型对多个中间音频进行识别，并根据得到的多个中间拼音序列来确定目标文本对应的目标拼音序列，无需人工进行标注，能够快速获得大量、准确的多音字语料，提高了多音字语料获取的效率和准确度。

图4是根据一示例性实施例示出的一种多音字语料的获取装置的框图，如图4所示，该装置200包括：

文本获取模块201，用于获取目标文本，目标文本包括至少一个多音字。

音频获取模块202，用于将目标文本分别输入多个语音合成模型，以获取每个语音合成模型输出的中间音频，每个语音合成模型各不相同。

拼音获取模块203，用于针对每个语音合成模型，将该语音合成模型输出的中间音频，输入语音识别模型，以获取语音识别模型输出的，该语音合成模型对应的中间拼音序列。

确定模块204，用于根据多个语音合成模型中，每个语音合成模型对应的中间拼音序列，确定目标拼音序列，并将目标文本和目标拼音序列作为多音字语料。

图5是根据一示例性实施例示出的另一种多音字语料的获取装置的框图，如图5所示，文本获取模块201包括：

文本获取子模块2011，用于获取多个文本。

匹配子模块2012，用于针对每个文本，将该文本与预设的多音字列表进行匹配，确定该文本中包括的多音字的个数。

第一确定子模块2013，用于根据该文本中包括的多音字的个数，确定该文本是否为目标文本。

具体的，第一确定子模块2013可以用于：

若该文本中包括的多音字的个数大于或等于第一数量，且该文本中包括的目标多音字对应的记录数量小于第二数量，将该文本作为目标文本，目标多音字为该文本中的一个或多个多音字。

更新目标多音字对应的记录数量。

图6是根据一示例性实施例示出的另一种多音字语料的获取装置的框图，如图6所示，拼音获取模块203可以包括：

对齐子模块2031，用于将目标文本和该语音合成模型输出的中间音频进行强制对齐，以对该语音合成模型输出的中间音频中的每一帧音频进行标注。

拼音获取子模块2032，用于将标注后的该语音合成模型输出的中间音频，输入语音识别模型，以得到该语音合成模型对应的中间拼音序列。

在一种实现场景中，确定模块204用于：若每个语音合成模型对应的中间拼音序列均相同，那么将任一个语音合成模型对应的中间拼音序列作为目标拼音序列。

在另一种实现场景中，确定模块204用于：确定每个语音合成模型对应的中间拼音序列中，每种中间拼音序列的出现次数，将出现次数满足预设条件的中间拼音序列作为目标拼音序列。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

综上所述，本公开首先获取包括了至少一个多音字的目标文本，之后将目标文本分别输入多个各不相同的语音合成模型，由每个语音合成模型输出中间音频，再针对每个语音合成模型，将该语音合成模型输出的中间音频，输入语音识别模型，以获取语音识别模型输出的，该语音合成模型对应的中间拼音序列，最后根据每个语音合成模型对应的中间拼音序列，确定目标拼音序列，并将目标文本和目标拼音序列作为多音字语料。本公开通过多个语音合成模型来获取目标文本对应的多个中间音频，再利用语音识别模型对多个中间音频进行识别，并根据得到的多个中间拼音序列来确定目标文本对应的目标拼音序列，无需人工进行标注，能够快速获得大量、准确的多音字语料，提高了多音字语料获取的效率和准确度。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。

通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306。包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307。包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，终端设备、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标文本，所述目标文本包括至少一个多音字；将所述目标文本分别输入多个语音合成模型，以获取每个所述语音合成模型输出的中间音频，每个所述语音合成模型各不相同；针对每个所述语音合成模型，将该语音合成模型输出的所述中间音频，输入语音识别模型，以获取所述语音识别模型输出的，该语音合成模型对应的中间拼音序列；根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，并将所述目标文本和所述目标拼音序列作为多音字语料。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，文本获取模块还可以被描述为“获取目标文本的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种多音字语料的获取方法，包括：获取目标文本，所述目标文本包括至少一个多音字；将所述目标文本分别输入多个语音合成模型，以获取每个所述语音合成模型输出的中间音频，每个所述语音合成模型各不相同；针对每个所述语音合成模型，将该语音合成模型输出的所述中间音频，输入语音识别模型，以获取所述语音识别模型输出的，该语音合成模型对应的中间拼音序列；根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，并将所述目标文本和所述目标拼音序列作为多音字语料。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述获取目标文本包括：获取多个文本；针对每个所述文本，将该文本与预设的多音字列表进行匹配，确定该文本中包括的多音字的个数；根据该文本中包括的多音字的个数，确定该文本是否为所述目标文本。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据该文本中包括的多音字的个数，确定该文本是否为所述目标文本，包括：若该文本中包括的多音字的个数大于或等于第一数量，且该文本中包括的目标多音字对应的记录数量小于第二数量，将该文本作为所述目标文本，所述目标多音字为该文本中的一个或多个多音字；更新所述目标多音字对应的所述记录数量。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述将该语音合成模型输出的所述中间音频，输入语音识别模型，以获取所述语音识别模型输出的，该语音合成模型对应的中间拼音序列，包括：将所述目标文本和该语音合成模型输出的所述中间音频进行强制对齐，以对该语音合成模型输出的所述中间音频中的每一帧音频进行标注；将标注后的该语音合成模型输出的所述中间音频，输入所述语音识别模型，以得到该语音合成模型对应的所述中间拼音序列。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，包括：若每个所述语音合成模型对应的中间拼音序列均相同，那么将任一个所述语音合成模型对应的中间拼音序列作为目标拼音序列。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，包括：确定每个所述语音合成模型对应的中间拼音序列中，每种中间拼音序列的出现次数，将出现次数满足预设条件的中间拼音序列作为所述目标拼音序列。

根据本公开的一个或多个实施例，示例7提供了一种多音字语料的获取装置，包括：文本获取模块，用于获取目标文本，所述目标文本包括至少一个多音字；音频获取模块，用于将所述目标文本分别输入多个语音合成模型，以获取每个所述语音合成模型输出的中间音频，每个所述语音合成模型各不相同；拼音获取模块，用于针对每个所述语音合成模型，将该语音合成模型输出的所述中间音频，输入语音识别模型，以获取所述语音识别模型输出的，该语音合成模型对应的中间拼音序列；确定模块，用于根据所述多个语音合成模型中，每个所述语音合成模型对应的中间拼音序列，确定目标拼音序列，并将所述目标文本和所述目标拼音序列作为多音字语料。

根据本公开的一个或多个实施例，示例8提供了示例7的装置，所述文本获取模块包括：文本获取子模块，用于获取多个文本；匹配子模块，用于针对每个所述文本，将该文本与预设的多音字列表进行匹配，确定该文本中包括的多音字的个数；第一确定子模块，用于根据该文本中包括的多音字的个数，确定该文本是否为所述目标文本。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例6中所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例6中所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除