CN113781994A - 训练集生成方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了训练集生成方法、装置、电子设备和计算机可读介质。该训练集生成方法的一具体实施方式包括：获取数据集，其中，该数据集包括文本集和与该文本集相关联的语音集；确定该文本集中是否存在与该语音集中对应语音未对齐的文本；响应于该文本集中存在与对应语音未对齐的文本，从该数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集；根据该目标数据集，确定文本与语音模型的训练集。该实施方式通过确定文本和对应语音未对齐的至少一个数据可以准确、有效的确定训练集。

Description

训练集生成方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及训练集生成方法、装置、电子设备和计算机可读介质。

背景技术

随着人工智能的广泛应用，越来越多的场景需要使用从文本到语音(TTS，Text ToSpeech)技术来增强人工智能应用的交互性。TTS技术目前已经取得了较大的进步，合成出来的声音已经非常的接近于人声，但是需要大量的录音棚录音数据(通常需要10-20小时的专业录音)。

录音棚录音数据通过用户标注可能会存在错误标注的情况，即文本和语音对应不上的情况。这些错误的音频文本标记，会对模型的训练产生较坏的负面影响。目前，常常采用人工验证的方式对错误的音频文本进行校验，经常会存在如下技术问题：人工标注的成本较高，速度较慢导致效率较低。

发明内容

本公开的内容部分用于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。本公开的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。

本公开的一些实施例提出了训练集生成方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种训练集生成方法，该方法包括：获取数据集，其中，上述数据集包括文本集和与上述文本集相关联的语音集；确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本；响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集；根据上述目标数据集，确定文本与语音模型的训练集。

可选的，上述确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本，包括：提取上述文本集中每个文本对应的音素序列，得到音素序列组；将上述文本集中每个文本对应的音素序列和对应语音输入至预先训练的隐马尔可夫模型以输出表征上述每个文本与对应语音是否对齐的信息作为第一信息，得到第一信息集；根据上述每个文本的音素序列和对应语音，利用动态时间规整算法，生成表征上述文本集中每个文本与对应语音是否对齐的信息作为第二信息，得到第二信息集；根据上述第一信息集和上述第二信息集，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

可选的，上述响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集，包括：响应于上述文本集中存在与对应语音未对齐的文本，根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集；从上述数据集去除与上述目标文本集相关联的至少一个数据，得到上述目标数据集。

可选的，上述响应于上述文本集中存在与对应语音未对齐的文本，根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集，包括：响应于上述文本集中存在与对应语音未对齐的文本，从上述第一信息集中选择表征文本与对应语音未对齐的第一信息作为第一目标信息，得到第一目标信息集；从上述第二信息集中选择表征文本与对应语音未对齐的第二信息作为第二目标信息，得到第二目标信息集；确定上述第一目标信息集对应的文本集与上述第二目标信息集对应的文本集中相同的至少一个文本作为上述目标文本集。

可选的，上述根据上述目标数据集，确定文本与语音模型的训练集，包括：根据上述目标数据集，接收相关终端传入的、修正后的数据集，其中，上述修正后的数据集是对上述目标数据集进行修正而得到的数据集；将上述数据集中目标数据集替换为上述修正后的数据集，得到替换后的数据集作为上述文本与语音模型的训练集。

可选的，上述隐马尔可夫模型是根据强制对齐方法来训练的。

第二方面，本公开的一些实施例提供了一种训练集生成装置，装置包括：获取单元，被配置成获取数据集，其中，上述数据集包括文本集和与上述文本集相关联的语音集；第一确定单元，被配置成确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本；去除单元，被配置成响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集；第二确定单元，被配置成根据上述目标数据集，确定文本与语音模型的训练集。

可选的，第一确定单元进一步配置成：提取上述文本集中每个文本对应的音素序列，得到音素序列组；将上述文本集中每个文本对应的音素序列和对应语音输入至预先训练的隐马尔可夫模型以输出表征上述每个文本与对应语音是否对齐的信息作为第一信息，得到第一信息集；根据上述每个文本的音素序列和对应语音，利用动态时间规整算法，生成表征上述文本集中每个文本与对应语音是否对齐的信息作为第二信息，得到第二信息集；根据上述第一信息集和上述第二信息集，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

可选的，第一确定单元进一步配置成：响应于上述文本集中存在与对应语音未对齐的文本，根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集；从上述数据集去除与上述目标文本集相关联的至少一个数据，得到上述目标数据集。

可选的，第一确定单元进一步配置成：响应于上述文本集中存在与对应语音未对齐的文本，从上述第一信息集中选择表征文本与对应语音未对齐的第一信息作为第一目标信息，得到第一目标信息集；从上述第二信息集中选择表征文本与对应语音未对齐的第二信息作为第二目标信息，得到第二目标信息集；确定上述第一目标信息集对应的文本集与上述第二目标信息集对应的文本集中相同的至少一个文本作为上述目标文本集。

可选的，第二确定单元进一步配置成：根据上述目标数据集，接收相关终端传入的、修正后的数据集，其中，上述修正后的数据集是对上述目标数据集进行修正而得到的数据集；将上述数据集中目标数据集替换为上述修正后的数据集，得到替换后的数据集作为上述文本与语音模型的训练集。

可选的，上述隐马尔可夫模型是根据强制对齐方法来训练的。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的训练集生成方法可以通过确定文本和对应语音未对齐的至少一个数据可以准确、有效的确定训练集。具体来说，人工标注的成本较高，速度较慢导致效率较低。基于此，本公开的一些实施例的训练集生成方法可以首先获取数据集。其中，上述数据集包括文本集和与上述文本集相关联的语音集。然后，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本用来后续确定训练集。进而，响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集。最后，根据上述目标数据集，确定文本与语音模型的训练集。可选的，可以将去除上述目标数据集的数据集确定为文本与语音模型的训练集。由此可得，上述训练集生成方法可以通过确定文本和对应语音未对齐的至少一个数据可以准确、有效的确定训练集。

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。

图1是本公开的一些实施例的训练集生成方法的一个应用场景图的示意图；

图2是根据本公开的训练集生成方法一些实施例的流程图；

图3是根据本公开的训练集生成方法的另一些实施例的流程图；

图4是根据本公开的一些实施例的训练集生成方法的文本与音素转换的示意图；

图5是根据本公开的训练集生成装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

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。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的训练集生成方法的一个应用场景图的示意图。

如图1所示，电子设备101可以首先获取数据集102。其中，上述数据集102包括文本集和与上述文本集相关联的语音集。在本应用场景中，上述数据集102可以包括：第一数据1021、第二数据1022、第三数据1023、第四数据1024。上述第一数据1021包括：第一文本和与上述第一文本对应的第一语音。上述第二数据1022包括：第二文本和与上述第二文本对应的第二语音。上述第三数据1023包括：第三文本和与上述第三文本对应的第三语音。上述第四数据1024包括：第四文本和与上述第四文本对应的第四语音。然后，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。进而，响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集102去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集103。在本应用场景中，上述目标数据集103可以包括：与第一数据1021相同的数据1031和与第二数据1022相同的1032。最后，根据上述目标数据集103，确定文本与语音模型的训练集104。在本应用场景中，上述训练集104可以包括：与第三数据1023相同的数据1041和与第四数据1024相同的1042。

需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。

继续参考图2，示出了根据本公开的训练集生成方法的一些实施例的流程200。该训练集生成方法，包括以下步骤：

步骤201，获取数据集。

在一些实施例中，训练集生成方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式获取数据集。其中，上述数据集包括文本集和与上述文本集相关联的语音集。进一步说明，上述文本集中的文本与上述语音集中的语音可以是一一对应的。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

在一些实施例中，上述执行主体可以确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

作为示例，上述执行主体可以接收人工校验结果来确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

步骤203，响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集。

在一些实施例中，响应于上述文本集中存在与对应语音未对齐的文本，上述执行主体可以从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集。

步骤204，根据上述目标数据集，确定文本与语音模型的训练集。

在一些实施例中，上述执行主体可以根据上述目标数据集，确定文本与语音模型的训练集。上述文本与语音模型可以是语音转文本模型，还可以是文本转语音模型。

作为示例，上述执行主体可以将去除上述目标数据集的数据集确定为文本与语音模型的训练集。

在一些实施例的一些可选的实现方式中，上述根据上述目标数据集，确定文本与语音模型的训练集，可以包括以下步骤：

第一步，根据上述目标数据集，接收相关终端传入的、修正后的数据集。其中，上述修正后的数据集是对上述目标数据集进行修正而得到的数据集。

第二步，将上述数据集中目标数据集替换为上述修正后的数据集，得到替换后的数据集作为上述文本与语音模型的训练集。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的训练集生成方法可以通过确定文本和对应语音未对齐的至少一个数据可以准确、有效的确定训练集。具体来说，人工标注的成本较高，速度较慢导致效率较低。基于此，本公开的一些实施例的训练集生成方法可以首先获取数据集。其中，上述数据集包括文本集和与上述文本集相关联的语音集。然后，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本用来后续确定训练集。进而，响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集。最后，根据上述目标数据集，确定文本与语音模型的训练集。可选的，可以将去除上述目标数据集的数据集确定为文本与语音模型的训练集。由此可得，上述训练集生成方法可以通过确定文本和对应语音未对齐的至少一个数据可以准确、有效的确定训练集。

继续参考图3，示出了根据本公开的训练集生成方法的另一些实施例的流程300。该训练集生成方法，包括以下步骤：

步骤301，获取数据集。

步骤302，提取上述文本集中每个文本对应的音素序列，得到音素序列组。

在一些实施例中，执行主体(例如图1所示的电子设备101)可以提取上述文本集中每个文本对应的音素序列，得到音素序列组。

作为示例，如图4所示，目标文本401可以是：“普通话”。与上述目标文本401相对应音素序列为“p,u,t,o,ug,h,u,a”。

步骤303，将上述文本集中每个文本对应的音素序列和对应语音输入至预先训练的隐马尔可夫模型以输出表征上述每个文本与对应语音是否对齐的信息作为第一信息，得到第一信息集。

在一些实施例中，上述执行主体可以将上述文本集中每个文本对应的音素序列和对应语音输入至预先训练的隐马尔可夫模型(HMM，Hidden Markov Model)以输出表征上述每个文本与对应语音是否对齐的信息作为第一信息，得到第一信息集。

在一些实施例的一些可选的实现方式中，上述隐马尔可夫模型是根据强制对齐方法(MFA，Montreal Forced Aligner)来训练的。

步骤304，根据上述每个文本的音素序列和对应语音，利用动态时间规整算法，生成表征上述文本集中每个文本与对应语音是否对齐的信息作为第二信息，得到第二信息集。

在一些实施例中，上述执行主体可以根据上述每个文本的音素序列和对应语音，利用动态时间规整算法(Dynamic Time Warping，DTW)，生成表征上述文本集中每个文本与对应语音是否对齐的信息作为第二信息，得到第二信息集。

步骤305，根据上述第一信息集和上述第二信息集，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

在一些实施例中，上述执行主体可以根据上述第一信息集和上述第二信息集，通过各种方式来确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

步骤306，响应于上述文本集中存在与对应语音未对齐的文本，根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集。

在一些实施例中，响应于上述文本集中存在与对应语音未对齐的文本，上述执行主体可以根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集。

在一些实施例的一些可选的实现方式中，上述响应于上述文本集中存在与对应语音未对齐的文本，根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集，可以包括以下步骤：

第一步，响应于上述文本集中存在与对应语音未对齐的文本，从上述第一信息集中选择表征文本与对应语音未对齐的第一信息作为第一目标信息，得到第一目标信息集。

第二步，从上述第二信息集中选择表征文本与对应语音未对齐的第二信息作为第二目标信息，得到第二目标信息集。

第三步，确定上述第一目标信息集对应的文本集与上述第二目标信息集对应的文本集中相同的至少一个文本作为上述目标文本集。

步骤307，从上述数据集去除与上述目标文本集相关联的至少一个数据，得到上述目标数据集。

在一些实施例中，上述执行主体可以从上述数据集去除与上述目标文本集相关联的至少一个数据，得到上述目标数据集。

步骤308，根据上述目标数据集，确定文本与语音模型的训练集。

在一些实施例中，步骤301-304的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-204，在此不再赘述。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的训练集生成方法的流程300体现了确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本和得到目标数据集的步骤。由此，这些实施例描述的方案通过隐马尔可夫模型和动态时间规整算法可以更为准确、高效的确定出文本集中是否存在与上述语音集中对应语音未对齐的文本以及后续确定目标数据集。

继续参考图5，作为对上述各图上述方法的实现，本公开提供了一种训练集生成装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的训练集生成装置500包括：获取单元501、第一确定单元502、去除单元503和第二确定单元504。其中，获取单元501，被配置成获取数据集，其中，上述数据集包括文本集和与上述文本集相关联的语音集。第一确定单元502，被配置成确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。去除单元503，被配置成响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集。第二生成单元504，被配置成根据上述目标数据集，确定文本与语音模型的训练集。

在一些实施例的一些可选的实现方式中，训练集生成装置500的第一确定单元502可以进一步被配置成：提取上述文本集中每个文本对应的音素序列，得到音素序列组；将上述文本集中每个文本对应的音素序列和对应语音输入至预先训练的隐马尔可夫模型以输出表征上述每个文本与对应语音是否对齐的信息作为第一信息，得到第一信息集；根据上述每个文本的音素序列和对应语音，利用动态时间规整算法，生成表征上述文本集中每个文本与对应语音是否对齐的信息作为第二信息，得到第二信息集；根据上述第一信息集和上述第二信息集，确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本。

在一些实施例的一些可选的实现方式中，训练集生成装置500的去除单元503可以进一步被配置成：响应于上述文本集中存在与对应语音未对齐的文本，根据上述第一信息集和上述第二信息集，确定上述文本集中与对应语音未对齐的至少要一个文本作为目标文本集；从上述数据集去除与上述目标文本集相关联的至少一个数据，得到上述目标数据集。

在一些实施例的一些可选的实现方式中，训练集生成装置500的去除单元503可以进一步被配置成：响应于上述文本集中存在与对应语音未对齐的文本，从上述第一信息集中选择表征文本与对应语音未对齐的第一信息作为第一目标信息，得到第一目标信息集；从上述第二信息集中选择表征文本与对应语音未对齐的第二信息作为第二目标信息，得到第二目标信息集；确定上述第一目标信息集对应的文本集与上述第二目标信息集对应的文本集中相同的至少一个文本作为上述目标文本集。

在一些实施例的一些可选的实现方式中，训练集生成装置500的第二确定单元504可以进一步被配置成：根据上述目标数据集，接收相关终端传入的、修正后的数据集，其中，上述修正后的数据集是对上述目标数据集进行修正而得到的数据集；将上述数据集中目标数据集替换为上述修正后的数据集，得到替换后的数据集作为上述文本与语音模型的训练集。

在一些实施例的一些可选的实现方式中，上述隐马尔可夫模型是根据强制对齐方法来训练的。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，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，ad hoc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装置中所包含的；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：获取数据集，其中，上述数据集包括文本集和与上述文本集相关联的语音集；确定上述文本集中是否存在与上述语音集中对应语音未对齐的文本；响应于上述文本集中存在与对应语音未对齐的文本，从上述数据集去除文本和对应语音未对齐的至少一个数据，得到去除后的数据集作为目标数据集；根据上述目标数据集，确定文本与语音模型的训练集。

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一些实施例的操作的计算机程序代码，上述程序设计语言包括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。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、去除单元和第二确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二确定单元还可以被描述为“根据上述目标数据集，确定文本与语音模型的训练集的单元”。

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。

以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。