-
公开(公告)号：CN116468054A
公开(公告)日：2023-07-21
申请号：CN202310466088.5
申请日：2023-04-26
Applicant: 中央民族大学
Abstract: 本发明公开了一种基于OCR技术辅助构建藏汉音译数据集的方法及系统，应用于数据处理技术领域：提取视频文件源，对带有中文字幕的藏语视频进行分离，得到长音频文件和视频文件；对长音频文件进行切分、数据清洗、重采样、降噪操作，得到音频数据；视频文件通过OCR技术识别字幕，生成中文文本初文件，对中文文本初文件进行数据清洗，并输入藏文字幕，得到文本数据；利用音频数据和文本数据构建藏汉音译数据集。本发明对传统的录制音频采集数据方式加以改进，结合藏语自然口语语音的基本特点，选用有自然口语表达效果的电视访谈节目作为采集来源，整理制作了用于藏汉语音翻译研究的平行语料，为端到端藏汉语音翻译研究提供了一定的数据支撑。
-
公开(公告)号：CN116468054B
公开(公告)日：2023-11-07
申请号：CN202310466088.5
申请日：2023-04-26
Applicant: 中央民族大学
Abstract: 本发明公开了一种基于OCR技术辅助构建藏汉音译数据集的方法及系统，应用于数据处理技术领域：提取视频文件源，对带有中文字幕的藏语视频进行分离，得到长音频文件和视频文件；对长音频文件进行切分、数据清洗、重采样、降噪操作，得到音频数据；视频文件通过OCR技术识别字幕，生成中文文本初文件，对中文文本初文件进行数据清洗，并输入藏文字幕，得到文本数据；利用音频数据和文本数据构建藏汉音译数据集。本发明对传统的录制音频采集数据方式加以改进，结合藏语自然口语语音的基本特点，选用有自然口语表达效果的电视访谈节目作为采集来源，整理制作了用于藏汉语音翻译研究的平行语料，为端到端藏汉语音翻译研究提供了一定的数据支撑。
-
Search Results
2
records
(took 0.026 seconds)
