更新时间：2026-08-15 00:02:46
已登记
详细信息
-
知识产权名称
用于声音意图识别模型的训练数据
-
登记编号
DIP2025000007458
-
申请人
杭州秋果计划科技有限公司
-
登记类型
首次登记
-
登记有效期
3年
-
申请时间
2025-06-12 15:29:34
详细信息
-
所属行业
信息传输、软件和信息技术服务业
-
交易状态
待交易
-
数据规模
100000
-
更新频次
每月更新
-
应用场景
本训练数据用于声音意图识别模型的训练和优化。训练好的意图识别模型能够通过分析音频内容来理解说话者的意图。在智能眼镜的人机交互场景中，训练模型通过准确理解用户的意图，智能眼镜可以提供更加自然和直观的交互方式，从而通过意图识别模型增强智能眼镜的用户体验，提高交互效率。例如，用户只需简单地注视某个物体或说出一个指令，系统就能理解其意图并执行相应的操作，如拍照、查询信息等。
-
算法规则简要说明
(1) 数据收集：人工收集和生成的文本数据【text】、文本意图数据【intent】。 (2) 数据处理：以说话人编号【speaker_audio】对应的人声特征作为TTS模型的输入，不同的说话人编号对应有不同的人声特征，分别用多个TTS模型把文本数据转换成音频数据，并存储到存储路径【audio_path】； 分别用下面四个ASR模型对音频数据进行语音识别： 用qwen的ASR模型得到的语音识别结果【text_qwen】； 用paddle的ASR模型得到的语音识别结果【text_paddle】； 用whisper的ASR模型得到的语音识别结果【text_whisper】； 用paraformer的ASR模型得到的语音识别结果【text_paraformer】； 对以上4个语音识别结果进行片段投票得到结果【text_vote】，标记投票得到的结果的不同之处【diff_spans】，计算投票结果与文本【text】的一致率。 (3) 在标注好的数据集上训练ASR深度学习模型，把语音作为模型输入，文本【text】和文本的意图【intent】作为模型输出，基于whisper或paraformer架构的asr模型进行训练，得到训练好的ASR模型。训练好的ASR模型在接收到用户输入的音频数据后，可以得到用户的意图。 (4) 超参数调优：进行超参数调优，包括学习率、批量大小、网络层数等，以优化模型性能。 (5) 模型优化与验证：根据评估结果，对模型进行剪枝、正则化等优化措施。在独立的测试集上验证模型的性能，确保模型在未见数据上也能表现良好。
-
更新频次
每月更新
-
存证平台
信证链数据资产存证公证平台
