语音识别训练数据选择方法、装置、终端设备和存储介质

本发明公开了一种语音识别训练数据选择方法、装置、终端设备和存储介质，其中方法包括：对通用语料库和目标语料库进行离散化生成若干离散标签序列，通过n‑gram语言模型计算离散标签序列的概率分布；接着，根据n‑gram语言模型下的概率分布计算根据不同离散语料库之间的差异度。选择与目标语料库差异度最小的通用语料库子集作为训练数据。本发明筛选后的训练数据质量更适用于目标场景，质量更好，有助于提高语音识别的性能。