【技术实现步骤摘要】
模型训练方法和装置
本专利技术涉及计算机领域，具体而言，涉及一种模型训练方法和装置。
技术介绍
相关技术中，在使用语音样本对模型进行训练的过程中，通常优质的语音样本很少。从而造成对模型进行训练的过程中，模型训练效率低。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种模型训练方法和装置，以至少解决相关技术中，模型训练效率低的技术问题。根据本专利技术实施例的一个方面，提供了一种模型训练方法，包括：获取原始语音样本，其中，上述原始语音样本用于训练原始识别模型；向上述原始语音样本中添加目标噪声，得到目标语音样本，其中，上述目标噪声为多个类型的噪声；使用上述原始语音样本与上述目标语音样本训练上述原始识别模型，得到目标识别模型，其中，上述目标识别模型的识别准确度大于第一阈值。作为一种可选的示例，上述向上述原始语音样本中添加噪声，得到目标语音样本包括：获取多个类型的原始噪声；将上述多个类型的原始噪声中，每个类型的上述原始噪声加入到上述原始语音样本中，...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：/n获取原始语音样本，其中，所述原始语音样本用于训练原始识别模型；/n向所述原始语音样本中添加目标噪声，得到目标语音样本，其中，所述目标噪声为多个类型的噪声；/n使用所述原始语音样本与所述目标语音样本训练所述原始识别模型，得到目标识别模型，其中，所述目标识别模型的识别准确度大于第一阈值。/n
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
获取原始语音样本，其中，所述原始语音样本用于训练原始识别模型；
向所述原始语音样本中添加目标噪声，得到目标语音样本，其中，所述目标噪声为多个类型的噪声；
使用所述原始语音样本与所述目标语音样本训练所述原始识别模型，得到目标识别模型，其中，所述目标识别模型的识别准确度大于第一阈值。
2.根据权利要求1所述的方法，其特征在于，所述向所述原始语音样本中添加噪声，得到目标语音样本包括：
获取多个类型的原始噪声；
将所述多个类型的原始噪声中，每个类型的所述原始噪声加入到所述原始语音样本中，得到多个所述目标语音样本。
3.根据权利要求1所述的方法，其特征在于，所述向所述原始语音样本中添加噪声，得到目标语音样本包括：
获取目标噪声，其中，所述目标噪声为对多个类型的原始噪声进行合并得到的噪声；
将所述原始语音样本拆分成M份，得到M个第一语音样本；
为每一个所述第一语音样本添加第一噪声，得到M个所述目标语音样本，其中，所述第一噪声为从所述目标噪声中截取的长度与所述第一语音样本的长度相同的噪声。
4.根据权利要求1所述的方法，其特征在于，所述向所述原始语音样本中添加噪声，得到目标语音样本包括：
获取多个类型的原始噪声；
按照每一个所述原始噪声的分贝，将所述多个类型的原始噪声划分为第一目标噪声与第二目标噪声，其中，所述第一目标噪声的分贝大于预定分贝，所述第二目标噪声的分贝小于或等于目标分贝；
将所述原始语音样本拆分成M份，得到M个第一语音样本；
为每一个所述第一语音样本添加第二噪声，得到M个第一目标语音样本，其中，所述第二噪声为从所述第一目标噪声中的一个噪声中截取的长度与所述第一语音样本的长度相同的噪声；
为每一个所述第一语音样本添加第三噪声，得到M个第二目标语音样本，其中，所述第二噪声为从所述第二目标噪声中的一个噪声中截取的长度与所述第一语音样本的长度相同的噪声；
将所述M个第一目标语音样本与所述M个第二目标语音样本确定为所述目标语音样本，得到2M个所述目标语音样本。
5.根据权利要求1至4任意一项所述的方法，其特征在于，在所述使用所述原始语音样本与所述目标语音样本训练所述原始识别模型，得到目标识别模型之后，所述方法还包括：
获取待识别的目标语音；
将所述目标语音输入到所述目标识别模型中，其中，所述目标识别模型用于识别所述目标语音的类型或内容；
获取所述目标识别模型输出的识别结果，其中，所述识别结果中包括所述目标语音的类型或内容。
6.一种模型训练装置，其特征在于，包括：
第一获取单元，用于...
【专利技术属性】
技术研发人员：刘洋，唐大闰，
申请(专利权)人：秒针信息技术有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。