于安迎　劉中濤　項(xiàng)鴻雁　高玉領(lǐng)　盧鳳

摘 要：為增強(qiáng)語(yǔ)音識(shí)別技術(shù)在不同行業(yè)的應(yīng)用，需要針對(duì)不同行業(yè)建設(shè)相應(yīng)的語(yǔ)料庫(kù)。目前，中文語(yǔ)料庫(kù)構(gòu)建尚處于起始階段，以THCHS-30語(yǔ)料庫(kù)為代表的大眾新聞?wù)Z料初步投入應(yīng)用。本文面向電力行業(yè)設(shè)計(jì)、構(gòu)建電力行業(yè)語(yǔ)音語(yǔ)料，提出電力行業(yè)語(yǔ)料庫(kù)設(shè)計(jì)規(guī)范并建立電力行業(yè)初級(jí)語(yǔ)料庫(kù)，填補(bǔ)電力行業(yè)中文語(yǔ)料庫(kù)的空白。本文分別實(shí)現(xiàn)語(yǔ)料音頻錄制和文本語(yǔ)料構(gòu)成規(guī)范分析，完成包括發(fā)音、錄制及存儲(chǔ)等的錄制和包括語(yǔ)料及詞典的編制規(guī)范。采用音頻標(biāo)注技術(shù)，完成長(zhǎng)音頻切分以及短語(yǔ)料標(biāo)注，實(shí)現(xiàn)文字和音素的兩層級(jí)標(biāo)注，建立電力音頻標(biāo)注規(guī)范。最后對(duì)語(yǔ)料庫(kù)進(jìn)行準(zhǔn)確度測(cè)試，語(yǔ)料標(biāo)注平均準(zhǔn)確率為99.75%，滿(mǎn)足語(yǔ)料庫(kù)應(yīng)用需求。

關(guān)鍵詞：電力行業(yè)；語(yǔ)料庫(kù)；語(yǔ)音標(biāo)注；詞庫(kù)

中圖分類(lèi)號(hào)：TP391.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2018）16-0148-03

1 概述

隨著人工智能（AI， Artificial Intelligence）技術(shù)[1]的推廣和深入，以帶電作業(yè)機(jī)器人、AI控制器為代表的一批智能產(chǎn)品已率先進(jìn)入電力行業(yè)，并發(fā)揮了極大的效用。因此，將人工智能技術(shù)與電力、能源等行業(yè)相結(jié)合，促進(jìn)傳統(tǒng)行業(yè)的轉(zhuǎn)型升級(jí)，是研究人員重點(diǎn)關(guān)注的領(lǐng)域之一。語(yǔ)音作為人類(lèi)最自然、最有效地交流方式，使得語(yǔ)音識(shí)別技術(shù)成為當(dāng)下熱門(mén)研究方向。目前，電力行業(yè)語(yǔ)音識(shí)別應(yīng)用主要集中在移動(dòng)作業(yè)、語(yǔ)音報(bào)警和智能調(diào)度等[2]短語(yǔ)音指令交互控制的基礎(chǔ)應(yīng)用層面，鮮少研究具有電力行業(yè)特性的大規(guī)模商用級(jí)語(yǔ)音識(shí)別服務(wù)。

運(yùn)用大規(guī)模語(yǔ)料訓(xùn)練DNN、CNN語(yǔ)音識(shí)別模型是現(xiàn)階段實(shí)現(xiàn)較高語(yǔ)音識(shí)別率的有效方法之一，那么構(gòu)建足夠大的語(yǔ)音語(yǔ)料庫(kù)就至關(guān)重要。目前，開(kāi)源的語(yǔ)音語(yǔ)料庫(kù)大多是大眾新聞[3]等語(yǔ)料為主。但該類(lèi)語(yǔ)料庫(kù)幾乎不涉及電力系統(tǒng)相關(guān)音頻和專(zhuān)業(yè)詞匯，對(duì)電力系統(tǒng)的適用性較差，有較大的專(zhuān)業(yè)隔閡，語(yǔ)音識(shí)別率較低。因此本文研究分析中文語(yǔ)料庫(kù)構(gòu)建現(xiàn)狀和電力行業(yè)語(yǔ)料特點(diǎn)，提出面向電力行業(yè)的語(yǔ)音語(yǔ)料庫(kù)設(shè)計(jì)方案，構(gòu)建包含17小時(shí)的電力行業(yè)音頻語(yǔ)料庫(kù)，為電力系統(tǒng)音頻語(yǔ)料的研究提供數(shù)據(jù)支持。

2 中文語(yǔ)料庫(kù)構(gòu)建分析

如今語(yǔ)音識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于各行各業(yè)，車(chē)載語(yǔ)音、語(yǔ)音助手等產(chǎn)品也已較為成熟。但是，絕大部分研究機(jī)構(gòu)尚不具備大規(guī)模商用級(jí)中文語(yǔ)料庫(kù)，這就制約了語(yǔ)音識(shí)別技術(shù)的深入研究和推廣。目前，中文語(yǔ)料庫(kù)構(gòu)建尚處于起始階段：2016年清華大學(xué)語(yǔ)音與語(yǔ)言研究中心開(kāi)源了THCHS-30語(yǔ)料庫(kù)[4]，該語(yǔ)料庫(kù)由40人完成錄制，時(shí)長(zhǎng)約30小時(shí)；2017年北京希爾貝殼科技有限公司開(kāi)源了AISHELL -ASR0009-OS1語(yǔ)料庫(kù)[5]，該語(yǔ)料庫(kù)錄制時(shí)長(zhǎng)178小時(shí)，由400名來(lái)自中國(guó)不同口音區(qū)域的發(fā)言人參與錄制。

隨著智能家居等系列語(yǔ)音產(chǎn)品的上線(xiàn)，其對(duì)應(yīng)領(lǐng)域語(yǔ)料庫(kù)也隨之更新。清華大學(xué)的THCHS-30語(yǔ)料庫(kù)由大眾新聞?wù)Z料構(gòu)成。與THCHS-30語(yǔ)料庫(kù)相比，北京希爾貝殼科技有限公司的AISHELL-ASR0009-OS1語(yǔ)料庫(kù)行業(yè)覆蓋雖然更為廣泛，由50萬(wàn)條常用語(yǔ)料構(gòu)成，但是涉及領(lǐng)域也以智能家居、無(wú)人駕駛、工業(yè)生產(chǎn)等語(yǔ)音識(shí)別產(chǎn)品覆蓋領(lǐng)域?yàn)橹鳌?/p>

因此，現(xiàn)有中文語(yǔ)料庫(kù)開(kāi)源資源較為有限，數(shù)據(jù)量較少。且語(yǔ)料庫(kù)文本大多集中在新聞?lì)愓Z(yǔ)料、經(jīng)濟(jì)、科技等常見(jiàn)語(yǔ)料，對(duì)特定專(zhuān)業(yè)領(lǐng)域語(yǔ)料覆蓋較少或基本無(wú)覆蓋。因此，構(gòu)建適用于某一特定行業(yè)的專(zhuān)用語(yǔ)料庫(kù)，對(duì)豐富現(xiàn)有中文語(yǔ)料庫(kù)具有重要意義。本文面向電力行業(yè)，綜合考慮電力行業(yè)語(yǔ)料特點(diǎn)，設(shè)計(jì)、構(gòu)建電力行業(yè)專(zhuān)用語(yǔ)料庫(kù)，實(shí)現(xiàn)科技進(jìn)步與傳統(tǒng)行業(yè)的有效結(jié)合，對(duì)促進(jìn)電力行業(yè)語(yǔ)音識(shí)別等技術(shù)的推廣具有重要的意義。

3 語(yǔ)料庫(kù)構(gòu)建

現(xiàn)有開(kāi)源中文語(yǔ)料庫(kù)基本不包括電力行業(yè)通用語(yǔ)料，并且電力行業(yè)語(yǔ)料庫(kù)研究大多集中在電力客服情感分析以及電力英文語(yǔ)料的構(gòu)建上[6]。本文提出一套電力行業(yè)語(yǔ)料庫(kù)設(shè)計(jì)規(guī)范，構(gòu)建17小時(shí)面向電力行業(yè)語(yǔ)音識(shí)別的語(yǔ)音語(yǔ)料庫(kù)，填補(bǔ)了電力行業(yè)語(yǔ)料庫(kù)的空白。分別從音頻語(yǔ)料錄制、文本語(yǔ)料設(shè)計(jì)及音頻標(biāo)注闡述語(yǔ)料庫(kù)設(shè)計(jì)規(guī)范。

3.1 音頻語(yǔ)料錄制

3.1.1 錄音規(guī)范

面向電力行業(yè)的語(yǔ)音語(yǔ)料庫(kù)由17小時(shí)多通道中文普通話(huà)音頻語(yǔ)料構(gòu)成。由12名來(lái)自不同口音區(qū)域發(fā)音人錄制。其中，男性發(fā)音人有7人，女性發(fā)音人5人。

錄制過(guò)程中保持安靜的室內(nèi)環(huán)境，采用高保真麥克風(fēng)（44.1kHz，16bit）采集音頻。語(yǔ)音語(yǔ)料庫(kù)設(shè)定音頻頻率為16kHz，16bit wav格式錄音，滿(mǎn)足音頻識(shí)別應(yīng)用主流設(shè)置。發(fā)音人和麥克風(fēng)距離保持在30cm左右，保證語(yǔ)音采集清晰、不失真。

3.1.2 數(shù)據(jù)集

語(yǔ)料庫(kù)數(shù)據(jù)集有訓(xùn)練集、開(kāi)發(fā)集和測(cè)試集構(gòu)成。訓(xùn)練集由8人錄制10511條電力行業(yè)語(yǔ)料構(gòu)成，錄制時(shí)長(zhǎng)約為13.5小時(shí)。開(kāi)發(fā)集由2人錄制1459條語(yǔ)料構(gòu)成，錄制時(shí)長(zhǎng)約為2小時(shí)。測(cè)試集由2人錄制1030條語(yǔ)料構(gòu)成，測(cè)試音頻語(yǔ)料約為1.5小時(shí)。語(yǔ)料庫(kù)數(shù)據(jù)結(jié)構(gòu)如表1所示。

3.2 文本語(yǔ)料設(shè)計(jì)

3.2.1 語(yǔ)料規(guī)范

面向電力行業(yè)的語(yǔ)料庫(kù)文本覆蓋電力發(fā)電、電網(wǎng)輸配電及電能消耗等電力生產(chǎn)、應(yīng)用具體環(huán)節(jié)，由1.3萬(wàn)條電力行業(yè)各個(gè)環(huán)節(jié)常用語(yǔ)料構(gòu)成，文本語(yǔ)料信息如表2所示。本語(yǔ)料庫(kù)對(duì)電力行業(yè)中涉及數(shù)字、單位、特殊符號(hào)等進(jìn)行了處理，均以漢字進(jìn)行描述，如“1KV”的漢字表述為“一千伏”。

3.2.2 專(zhuān)用詞庫(kù)構(gòu)建

本文在實(shí)現(xiàn)構(gòu)建電力行業(yè)的語(yǔ)料庫(kù)基礎(chǔ)上，完成對(duì)電力行業(yè)語(yǔ)料的自然語(yǔ)言處理實(shí)現(xiàn)語(yǔ)料分詞，生成電力行業(yè)專(zhuān)用詞典[7]。該詞典由1.3萬(wàn)條語(yǔ)料分析提取而成，電力詞匯覆蓋發(fā)電、輸電、配電和用電等電力系統(tǒng)主要應(yīng)用場(chǎng)景。

本文首先采用自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)對(duì)1電力語(yǔ)料的分詞處理，得到常用電力詞匯約1.2萬(wàn)個(gè)，基本覆蓋電力行業(yè)日常用詞。為保證電力行業(yè)專(zhuān)用詞典的通用性、增強(qiáng)對(duì)通用音頻詞匯的匹配度，本文對(duì)電力行業(yè)專(zhuān)用詞庫(kù)新增13萬(wàn)個(gè)通用領(lǐng)域常用詞，提高詞庫(kù)適用性。同時(shí)，本文采用音素標(biāo)注技術(shù)，完成詞語(yǔ)發(fā)音音素的標(biāo)注處理。通過(guò)音素標(biāo)注實(shí)現(xiàn)對(duì)音頻信號(hào)、音素和文字詞匯的準(zhǔn)確匹配，為語(yǔ)音識(shí)別訓(xùn)練和解碼[8]提供基礎(chǔ)數(shù)據(jù)。

3.3 語(yǔ)料庫(kù)標(biāo)注

語(yǔ)音標(biāo)注是語(yǔ)料庫(kù)構(gòu)建的重要環(huán)節(jié)。為了有效避免發(fā)音人機(jī)械式表達(dá)，保證電力系統(tǒng)采集音頻表達(dá)連續(xù)性和發(fā)音人狀態(tài)自然有效，本語(yǔ)料庫(kù)采取對(duì)長(zhǎng)文本統(tǒng)一錄音，再按語(yǔ)義結(jié)構(gòu)進(jìn)行切分、標(biāo)注的方法，保證錄制語(yǔ)料流暢、自然。

本文采用中文拼音和音素[9]相結(jié)合的方式，運(yùn)用開(kāi)源軟件Praat實(shí)現(xiàn)多層級(jí)音頻有效標(biāo)注。最大程度反應(yīng)發(fā)音人講話(huà)狀態(tài)，保留語(yǔ)氣詞、嘆氣、咳聲等多種錄音信息。

對(duì)發(fā)音人錄制的長(zhǎng)達(dá)半小時(shí)或一小時(shí)以上的長(zhǎng)音頻首先運(yùn)用Praat工具[10]，按語(yǔ)義進(jìn)行語(yǔ)句切分。設(shè)置語(yǔ)音標(biāo)注TextGrid為一層，即標(biāo)注出每條音頻對(duì)應(yīng)文字內(nèi)容。然后，通過(guò)編寫(xiě)超長(zhǎng)音頻切分腳本，對(duì)標(biāo)注音頻進(jìn)行批處理切分。最終得到以語(yǔ)句為單位，長(zhǎng)度約為3s～10s的標(biāo)準(zhǔn)wav音頻。超長(zhǎng)音頻標(biāo)注結(jié)果如圖1所示。

4 測(cè)試結(jié)果

為保證語(yǔ)料庫(kù)的正確性，本文隨機(jī)抽取1000條測(cè)試語(yǔ)料，對(duì)語(yǔ)音切分及標(biāo)注的準(zhǔn)確性進(jìn)行測(cè)試。對(duì)測(cè)試語(yǔ)料原文利用自然語(yǔ)言處理技術(shù)進(jìn)行分詞處理，以詞語(yǔ)為單位計(jì)算語(yǔ)音標(biāo)注的準(zhǔn)確度。通過(guò)測(cè)試得出電力行業(yè)語(yǔ)料庫(kù)準(zhǔn)確率約為99.75%，滿(mǎn)足語(yǔ)料庫(kù)應(yīng)用需求，如表3所示為部分測(cè)試結(jié)果。

5 結(jié)語(yǔ)

本文面向電力行業(yè)完成電力行業(yè)語(yǔ)音語(yǔ)料庫(kù)的設(shè)計(jì)和構(gòu)建，提出電力行業(yè)語(yǔ)音標(biāo)注規(guī)范。通過(guò)對(duì)現(xiàn)有中文語(yǔ)料庫(kù)的分析，分析構(gòu)建電力行業(yè)語(yǔ)料庫(kù)的必要性。在對(duì)電力行業(yè)語(yǔ)料特點(diǎn)進(jìn)行分析后，介紹音頻語(yǔ)料錄制及文本語(yǔ)料錄制和采集規(guī)則。從超長(zhǎng)音頻切分和短語(yǔ)料標(biāo)注闡述語(yǔ)音標(biāo)注實(shí)現(xiàn)方法。電力行業(yè)語(yǔ)料庫(kù)的構(gòu)建從一定程度上豐富了電力行業(yè)音頻數(shù)據(jù)庫(kù)，為電力行業(yè)語(yǔ)音識(shí)別的深入研究提供了真實(shí)數(shù)據(jù)。在研究過(guò)程中發(fā)現(xiàn)，本語(yǔ)料庫(kù)與其他語(yǔ)料庫(kù)相比，錄制音頻相對(duì)較少，下一步將繼續(xù)豐富電力行業(yè)語(yǔ)料庫(kù)數(shù)據(jù)。

參考文獻(xiàn)

[1]鄭南寧.人工智能面臨的挑戰(zhàn)[J].自動(dòng)化學(xué)報(bào)，2016，（05）：641-642.

[2]楊樸，游大海.電力系統(tǒng)中的語(yǔ)音應(yīng)用技術(shù)研究[J].計(jì)算機(jī)仿真，2004，21（03）：91-93.

[3]蔣泰，張林軍.語(yǔ)音識(shí)別自適應(yīng)算法在智能家居中的應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（03）：150-155.

[4]Dong Wang， Xuewei Zhang. THCHS-30： A Free Chinese Speech Corpus[C]. CSLT TECHNICAL REPORT-20150016 2016.02.

[5]Hui Bu， Jiayu Du， Xingyu Na， Bengu Wu， Hao Zheng. Aishell-1： an open-source mandarin soeech corpus and a speech recognition baseline. in Proc. Oriental COCOSDA，2017.

[6]奚雪峰，褚曉敏，孫慶英.漢語(yǔ)篇章微觀話(huà)題結(jié)構(gòu)建模與語(yǔ)料庫(kù)構(gòu)建[J].計(jì)算機(jī)研究與發(fā)展，2017，54（08）：1833-1852.

[7]楊皓東，江凌，李國(guó)俊.國(guó)內(nèi)自然語(yǔ)言處理研究熱點(diǎn)分析——基于共詞分析[J].圖書(shū)情報(bào)工作，2017.55（10）：112-117.

[8]張仕良.基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別模型研究[D].合肥： 中國(guó)科學(xué)技術(shù)大學(xué)，2017.

[9]魏星，王瑋，陳靜萍.基于發(fā)音特征的漢語(yǔ)發(fā)音偏誤自動(dòng)標(biāo)注[J].北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，152：1-7.

[10]鄒琳琳.基于PRAAT軟件的陜西學(xué)生英語(yǔ)前元音聲學(xué)研究[J].自動(dòng)化與儀器儀表，2017，（02）：192-195.