面向電力行業(yè)的語音語料庫設計與構(gòu)建

于安迎　劉中濤　項鴻雁　高玉領(lǐng)　盧鳳

摘 要：為增強語音識別技術(shù)在不同行業(yè)的應用，需要針對不同行業(yè)建設相應的語料庫。目前，中文語料庫構(gòu)建尚處于起始階段，以THCHS-30語料庫為代表的大眾新聞語料初步投入應用。本文面向電力行業(yè)設計、構(gòu)建電力行業(yè)語音語料，提出電力行業(yè)語料庫設計規(guī)范并建立電力行業(yè)初級語料庫，填補電力行業(yè)中文語料庫的空白。本文分別實現(xiàn)語料音頻錄制和文本語料構(gòu)成規(guī)范分析，完成包括發(fā)音、錄制及存儲等的錄制和包括語料及詞典的編制規(guī)范。采用音頻標注技術(shù)，完成長音頻切分以及短語料標注，實現(xiàn)文字和音素的兩層級標注，建立電力音頻標注規(guī)范。最后對語料庫進行準確度測試，語料標注平均準確率為99.75%，滿足語料庫應用需求。

關(guān)鍵詞：電力行業(yè)；語料庫；語音標注；詞庫

中圖分類號：TP391.1 文獻標識碼：A 文章編號：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)機器人、AI控制器為代表的一批智能產(chǎn)品已率先進入電力行業(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，促進傳統(tǒng)行業(yè)的轉(zhuǎn)型升級，是研究人員重點關(guān)注的領(lǐng)域之一。語音作為人類最自然、最有效地交流方式，使得語音識別技術(shù)成為當下熱門研究方向。目前，電力行業(yè)語音識別應用主要集中在移動作業(yè)、語音報警和智能調(diào)度等[2]短語音指令交互控制的基礎應用層面，鮮少研究具有電力行業(yè)特性的大規(guī)模商用級語音識別服務。

運用大規(guī)模語料訓練DNN、CNN語音識別模型是現(xiàn)階段實現(xiàn)較高語音識別率的有效方法之一，那么構(gòu)建足夠大的語音語料庫就至關(guān)重要。目前，開源的語音語料庫大多是大眾新聞[3]等語料為主。但該類語料庫幾乎不涉及電力系統(tǒng)相關(guān)音頻和專業(yè)詞匯，對電力系統(tǒng)的適用性較差，有較大的專業(yè)隔閡，語音識別率較低。因此本文研究分析中文語料庫構(gòu)建現(xiàn)狀和電力行業(yè)語料特點，提出面向電力行業(yè)的語音語料庫設計方案，構(gòu)建包含17小時的電力行業(yè)音頻語料庫，為電力系統(tǒng)音頻語料的研究提供數(shù)據(jù)支持。

2 中文語料庫構(gòu)建分析

如今語音識別技術(shù)已經(jīng)廣泛應用于各行各業(yè)，車載語音、語音助手等產(chǎn)品也已較為成熟。但是，絕大部分研究機構(gòu)尚不具備大規(guī)模商用級中文語料庫，這就制約了語音識別技術(shù)的深入研究和推廣。目前，中文語料庫構(gòu)建尚處于起始階段：2016年清華大學語音與語言研究中心開源了THCHS-30語料庫[4]，該語料庫由40人完成錄制，時長約30小時；2017年北京希爾貝殼科技有限公司開源了AISHELL -ASR0009-OS1語料庫[5]，該語料庫錄制時長178小時，由400名來自中國不同口音區(qū)域的發(fā)言人參與錄制。

隨著智能家居等系列語音產(chǎn)品的上線，其對應領(lǐng)域語料庫也隨之更新。清華大學的THCHS-30語料庫由大眾新聞語料構(gòu)成。與THCHS-30語料庫相比，北京希爾貝殼科技有限公司的AISHELL-ASR0009-OS1語料庫行業(yè)覆蓋雖然更為廣泛，由50萬條常用語料構(gòu)成，但是涉及領(lǐng)域也以智能家居、無人駕駛、工業(yè)生產(chǎn)等語音識別產(chǎn)品覆蓋領(lǐng)域為主。

因此，現(xiàn)有中文語料庫開源資源較為有限，數(shù)據(jù)量較少。且語料庫文本大多集中在新聞類語料、經(jīng)濟、科技等常見語料，對特定專業(yè)領(lǐng)域語料覆蓋較少或基本無覆蓋。因此，構(gòu)建適用于某一特定行業(yè)的專用語料庫，對豐富現(xiàn)有中文語料庫具有重要意義。本文面向電力行業(yè)，綜合考慮電力行業(yè)語料特點，設計、構(gòu)建電力行業(yè)專用語料庫，實現(xiàn)科技進步與傳統(tǒng)行業(yè)的有效結(jié)合，對促進電力行業(yè)語音識別等技術(shù)的推廣具有重要的意義。

3 語料庫構(gòu)建

現(xiàn)有開源中文語料庫基本不包括電力行業(yè)通用語料，并且電力行業(yè)語料庫研究大多集中在電力客服情感分析以及電力英文語料的構(gòu)建上[6]。本文提出一套電力行業(yè)語料庫設計規(guī)范，構(gòu)建17小時面向電力行業(yè)語音識別的語音語料庫，填補了電力行業(yè)語料庫的空白。分別從音頻語料錄制、文本語料設計及音頻標注闡述語料庫設計規(guī)范。

3.1 音頻語料錄制

3.1.1 錄音規(guī)范

面向電力行業(yè)的語音語料庫由17小時多通道中文普通話音頻語料構(gòu)成。由12名來自不同口音區(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。

錄制過程中保持安靜的室內(nèi)環(huán)境，采用高保真麥克風（44.1kHz，16bit）采集音頻。語音語料庫設定音頻頻率為16kHz，16bit wav格式錄音，滿足音頻識別應用主流設置。發(fā)音人和麥克風距離保持在30cm左右，保證語音采集清晰、不失真。

3.1.2 數(shù)據(jù)集

語料庫數(shù)據(jù)集有訓練集、開發(fā)集和測試集構(gòu)成。訓練集由8人錄制10511條電力行業(yè)語料構(gòu)成，錄制時長約為13.5小時。開發(fā)集由2人錄制1459條語料構(gòu)成，錄制時長約為2小時。測試集由2人錄制1030條語料構(gòu)成，測試音頻語料約為1.5小時。語料庫數(shù)據(jù)結(jié)構(gòu)如表1所示。

3.2 文本語料設計

3.2.1 語料規(guī)范

面向電力行業(yè)的語料庫文本覆蓋電力發(fā)電、電網(wǎng)輸配電及電能消耗等電力生產(chǎn)、應用具體環(huán)節(jié)，由1.3萬條電力行業(yè)各個環(huán)節(jié)常用語料構(gòu)成，文本語料信息如表2所示。本語料庫對電力行業(yè)中涉及數(shù)字、單位、特殊符號等進行了處理，均以漢字進行描述，如“1KV”的漢字表述為“一千伏”。

3.2.2 專用詞庫構(gòu)建

本文在實現(xiàn)構(gòu)建電力行業(yè)的語料庫基礎上，完成對電力行業(yè)語料的自然語言處理實現(xiàn)語料分詞，生成電力行業(yè)專用詞典[7]。該詞典由1.3萬條語料分析提取而成，電力詞匯覆蓋發(fā)電、輸電、配電和用電等電力系統(tǒng)主要應用場景。

本文首先采用自然語言處理技術(shù)實現(xiàn)對1電力語料的分詞處理，得到常用電力詞匯約1.2萬個，基本覆蓋電力行業(yè)日常用詞。為保證電力行業(yè)專用詞典的通用性、增強對通用音頻詞匯的匹配度，本文對電力行業(yè)專用詞庫新增13萬個通用領(lǐng)域常用詞，提高詞庫適用性。同時，本文采用音素標注技術(shù)，完成詞語發(fā)音音素的標注處理。通過音素標注實現(xiàn)對音頻信號、音素和文字詞匯的準確匹配，為語音識別訓練和解碼[8]提供基礎數(shù)據(jù)。

3.3 語料庫標注

語音標注是語料庫構(gòu)建的重要環(huán)節(jié)。為了有效避免發(fā)音人機械式表達，保證電力系統(tǒng)采集音頻表達連續(xù)性和發(fā)音人狀態(tài)自然有效，本語料庫采取對長文本統(tǒng)一錄音，再按語義結(jié)構(gòu)進行切分、標注的方法，保證錄制語料流暢、自然。

本文采用中文拼音和音素[9]相結(jié)合的方式，運用開源軟件Praat實現(xiàn)多層級音頻有效標注。最大程度反應發(fā)音人講話狀態(tài)，保留語氣詞、嘆氣、咳聲等多種錄音信息。

對發(fā)音人錄制的長達半小時或一小時以上的長音頻首先運用Praat工具[10]，按語義進行語句切分。設置語音標注TextGrid為一層，即標注出每條音頻對應文字內(nèi)容。然后，通過編寫超長音頻切分腳本，對標注音頻進行批處理切分。最終得到以語句為單位，長度約為3s～10s的標準wav音頻。超長音頻標注結(jié)果如圖1所示。

4 測試結(jié)果

為保證語料庫的正確性，本文隨機抽取1000條測試語料，對語音切分及標注的準確性進行測試。對測試語料原文利用自然語言處理技術(shù)進行分詞處理，以詞語為單位計算語音標注的準確度。通過測試得出電力行業(yè)語料庫準確率約為99.75%，滿足語料庫應用需求，如表3所示為部分測試結(jié)果。

5 結(jié)語

本文面向電力行業(yè)完成電力行業(yè)語音語料庫的設計和構(gòu)建，提出電力行業(yè)語音標注規(guī)范。通過對現(xiàn)有中文語料庫的分析，分析構(gòu)建電力行業(yè)語料庫的必要性。在對電力行業(yè)語料特點進行分析后，介紹音頻語料錄制及文本語料錄制和采集規(guī)則。從超長音頻切分和短語料標注闡述語音標注實現(xiàn)方法。電力行業(yè)語料庫的構(gòu)建從一定程度上豐富了電力行業(yè)音頻數(shù)據(jù)庫，為電力行業(yè)語音識別的深入研究提供了真實數(shù)據(jù)。在研究過程中發(fā)現(xiàn)，本語料庫與其他語料庫相比，錄制音頻相對較少，下一步將繼續(xù)豐富電力行業(yè)語料庫數(shù)據(jù)。

參考文獻

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

[2]楊樸，游大海.電力系統(tǒng)中的語音應用技術(shù)研究[J].計算機仿真，2004，21（03）：91-93.

[3]蔣泰，張林軍.語音識別自適應算法在智能家居中的應用[J].計算機系統(tǒng)應用，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.漢語篇章微觀話題結(jié)構(gòu)建模與語料庫構(gòu)建[J].計算機研究與發(fā)展，2017，54（08）：1833-1852.

[7]楊皓東，江凌，李國俊.國內(nèi)自然語言處理研究熱點分析——基于共詞分析[J].圖書情報工作，2017.55（10）：112-117.

[8]張仕良.基于深度神經(jīng)網(wǎng)絡的語音識別模型研究[D].合肥： 中國科學技術(shù)大學，2017.

[9]魏星，王瑋，陳靜萍.基于發(fā)音特征的漢語發(fā)音偏誤自動標注[J].北京大學學報（自然科學版），2017，152：1-7.

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