CN109697978B - 用于生成模型的方法和装置 - Google Patents

用于生成模型的方法和装置 Download PDF

Info

Publication number
CN109697978B
CN109697978B CN201811549163.XA CN201811549163A CN109697978B CN 109697978 B CN109697978 B CN 109697978B CN 201811549163 A CN201811549163 A CN 201811549163A CN 109697978 B CN109697978 B CN 109697978B
Authority
CN
China
Prior art keywords
audio
model
extracted
training
masking threshold
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811549163.XA
Other languages
English (en)
Other versions
CN109697978A (zh
Inventor
李超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811549163.XA priority Critical patent/CN109697978B/zh
Publication of CN109697978A publication Critical patent/CN109697978A/zh
Application granted granted Critical
Publication of CN109697978B publication Critical patent/CN109697978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G10L15/05—Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L2025/783—Detection of presence or absence of voice signals based on threshold decision

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请实施例公开了用于生成模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。该实施方式丰富了模型的训练方式，有助于提高语音端点识别的准确度。

Description

用于生成模型的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于生成模型的方法和装置。
背景技术
盲源分离(BlindSourceSeparation，BSS)，又称为盲信号分离，是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。盲源分离和盲辨识是盲信号处理的两大类型。
现有技术中，通常是提取每一帧的声学特征，利用神经网络来解决盲源分离问题。盲源分离可以将目标说话人的语音从一段多说话人同时说话的音频中提取出来；还可以将语音从背景噪声中分离出来。此外，用于解决盲源分离的技术方案可以广泛应用于智能音箱、智能电视、智能冰箱等人机会话场景中。
发明内容
本申请实施例提出了用于生成模型的方法和装置，以及用于提取音频的方法和装置，用于生成信息的方法和装置。
第一方面，本申请实施例提供了一种用于生成模型的方法，该方法包括：获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
在一些实施例中，音频的掩蔽阈值是通过如下步骤确定的：针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值；将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
在一些实施例中，音频与音节一一对应；以及音频指示的音节是通过如下步骤确定的：确定音频对应的至少一个音素；将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
在一些实施例中，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型，包括：获取预先确定的初始音频提取模型的模型结构信息和模型参数集合，其中，模型结构信息用于指示初始音频提取模型的模型结构，初始音频提取模型包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出。
在一些实施例中，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，包括：从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出，其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别；基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
在一些实施例中，该方法还包括：响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始音频提取模型，继续执行训练步骤。
第二方面，本申请实施例提供了一种用于生成模型的装置，该装置包括：第一获取单元，被配置成获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；训练单元，被配置成利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
在一些实施例中，音频的掩蔽阈值是通过如下步骤确定的：针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值；将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
在一些实施例中，音频与音节一一对应；以及音频指示的音节是通过如下步骤确定的：确定音频对应的至少一个音素；将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
在一些实施例中，训练单元包括：获取模块，被配置成获取预先确定的初始音频提取模型的模型结构信息和模型参数集合，其中，模型结构信息用于指示初始音频提取模型的模型结构，初始音频提取模型包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入；训练模块，被配置成利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出。
在一些实施例中，训练模块包括：训练子模块，被配置成从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出，其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别；基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
在一些实施例中，该装置还包括：调整单元，被配置成响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始音频提取模型，继续执行训练步骤。
第三方面，本申请实施例提供了一种用于提取音频的方法，该方法包括：获取目标音频的音频特征，其中，目标音频包括待提取音频；将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的；基于掩蔽阈值，从目标音频中提取待提取音频。
在一些实施例中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征；以及基于掩蔽阈值，从目标音频中提取待提取音频，包括：确定掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从目标音频中提取的待提取音频。
第四方面，本申请实施例提供了一种用于提取音频的装置，该装置包括：第二获取单元，被配置成获取目标音频的音频特征，其中，目标音频包括待提取音频；输入单元，被配置成将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的；提取单元，被配置成基于掩蔽阈值，从目标音频中提取待提取音频。
在一些实施例中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征；以及提取单元包括：提取模块，被配置成确定掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从目标音频中提取的待提取音频。
第五方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频；针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的；基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息。
在一些实施例中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征；以及基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，包括：确定所得到的掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从该测试样本包括的音频特征指示的音频中提取的待提取音频。
第六方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：第三获取单元，被配置成获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频；执行单元，被配置成针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的；生成单元，被配置成基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息。
在一些实施例中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征；以及执行单元包括：确定模块，被配置成确定所得到的掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从该测试样本包括的音频特征指示的音频中提取的待提取音频。
第七方面，本申请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，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成模型的方法中任一实施例的方法，或者，如上述用于提取音频的方法中任一实施例的方法，或者，如上述用于生成信息的方法中任一实施例的方法。
第八方面，本申请实施例提供了一种用于生成模型的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成模型的方法中任一实施例的方法，或者，如上述用于提取音频的方法中任一实施例的方法，或者，如上述用于生成信息的方法中任一实施例的方法。
本申请实施例提供的用于生成模型的方法和装置，通过获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频，然后，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型，从而采用音节的类别和遮掩阈值分别作为期望输出，来训练得到音频提取模型，由此丰富了模型的训练方式，有助于提高语音端点识别的准确度，以及提取音频中的待提取音频的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成模型的方法的一个实施例的流程图；
图3是根据本申请的用于生成模型的方法的一个应用场景的示意图；
图4是根据本申请的用于生成模型的方法的又一个实施例的流程图；
图5是根据本申请的用于生成模型的方法的一个实施例的模型结构示意图；
图6是根据本申请的用于生成模型的装置的一个实施例的结构示意图；
图7是根据本申请的用于提取音频的方法的一个实施例的流程图；
图8是根据本申请的用于提取音频的装置的一个实施例的结构示意图；
图9是根据本申请的用于生成信息的方法的一个实施例的流程图；
图10是根据本申请的用于生成信息的装置的一个实施例的结构示意图；
图11是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成模型的方法，或者，用于生成模型的装置，或者，用于提取音频的方法，或者，用于提取音频的装置，或者，用于生成信息的方法，或者，用于生成信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如音频处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有音频录制功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的音频进行语音识别等处理的后台服务器。后台服务器可以对接收到的音频等数据音频特征提取等处理，并将处理结果(例如从音频中提取出来的语音音频)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于生成模型的方法、用于提取音频的方法、用于生成信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行。相应地，用于生成模型的装置、用于提取音频的装置、用于生成信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。上述用于生成模型的方法、用于提取音频的方法、用于生成信息的方法的执行主体，可以相同，也可以不同。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，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中的终端设备、网络和服务器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终端设备、网络和服务器。例如，当用于生成模型方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成模型方法运行于其上的电子设备。
继续参考图2，示出了根据本申请的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法，包括以下步骤：
步骤201，获取训练样本集合。
在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集合。其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频。
上述音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该音频可以是任意长度的音频，例如，一句话；也可以是音频帧，其中，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、30毫秒等等。
当上述音频为带噪音的语音音频时，上述待提取音频可以是音频中的语音音频；当上述音频为包括背景音和前景音的音频时，上述待提取音频可以是音频中的前景音；当上述音频为包括静音和非静音的音频时，上述待提取音频可以是非静音音频。但需要说明的是，上述音频和待提取音频，并不限于上述所列举的示例，因而可以根据实际需要，对上述音频和待提取音频进行设置，本申请实施例对此不作限定。
上述音频特征可以包括但不限于以下至少一项：幅值、帧率、过零率、短时能量等其他音频特征。
上述音节为语音的基本单位。汉语中一个汉字一般为一个音节。每个音节可以由声母、韵母两个部分组成。例如，语音“我”指示的音节可以为“wo”。
上述音节的类别可以是音节本身，也可以是音节的标识。例如，对于中文而言，声母音素的数量为23个，韵母的数量为24个，因此，可以得到声母韵母的组合的数量上限为552(552＝23×24)，进而，上述执行主体可以预先为552种声母韵母的组合中的每种声母韵母的组合设置一个标识，用以唯一确定该声母韵母的组合，即音节。例如，可以为音节“li”设置标识“1”，为音节“ma”设置标识“2”等等。
在本实施例的一些可选的实现方式中，音频的掩蔽阈值可以是上述执行主体，或者与上述执行主体通信连接的电子设备，通过如下步骤确定的：
第一步，针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值。
示例性的，该子音频对应的掩蔽阈值可以通过如下公式(1)来确定：
Figure BDA0001910187220000101
其中，mask可以用于表征该子音频对应的掩蔽阈值，x可以用于表征该子音频包括的待提取音频的功率，y可以用于表征该子音频的功率。
可选的，该子音频对应的掩蔽阈值也可以基于心理声学模型或者其他用于计算掩蔽阈值的方法计算得到。
第二步，将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
可选的，上述音频的掩蔽阈值也可以是上述执行主体，或者与上述执行主体通信连接的电子设备，采用基于心理声学模型或者其他用于计算掩蔽阈值的方法计算得到的。
在本实施例的一些可选的实现方式中，音频与音节一一对应。音频指示的音节可以是通过如下步骤确定的：确定音频对应的至少一个音素；将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
可以理解，通常，在确定音频对应的至少一个音素之前，上述执行主体或者与上述执行主体通信连接的电子设备可以首先按照现有的对齐方法(例如基于GMM-HMM的声学模型的对齐方法)，对音频的音频特征进行对齐，进而将可以将语音的每一帧都对应到一个音节。
可选的，在音频对应多个音节的情况下，上述执行主体可以直接将音频对应多个音节确定为音频指示的音节。
步骤202，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
在本实施例中，上述执行主体可以利用机器学习算法，将步骤201获取到的训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
上述音频特征、与输入的音频特征对应的掩蔽阈值以及与输入的音频特征对应的类别可以包含于同一训练样本中。可以理解，对于每个输入、第一期望输出、第二期望输出组成的三元组，可以根据是否包含于同一训练样本之中，来判断其间是否存在对应关系。
具体地，上述执行主体可以利用机器学习算法，将步骤201获取到的训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，对初始模型(例如循环神经网络，卷积神经网络)进行训练，针对每次训练输入的音频特征，可以得到第一实际输出和第二实际输出，其中，第一实际输出是初始模型实际输出的，用于表征音频的掩蔽阈值。第二实际输出是初始模型实际输出的，用于表征音频指示的音节的类别。然后，上述执行主体可以采用梯度下降法，基于第一实际输出、第二实际输出、第一期望输出和第二期望输出，调整初始模型的参数，将每次调整参数后得到的模型作为下次训练的初始模型，并在满足预设的训练结束条件的情况下，结束训练，获得训练完成的初始模型。
需要说明的是，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。
作为示例，上述初始模型可以是普通的循环神经网络模型(Recurrent NeuralNetwork，RNN)，也可是加入了门结构的长短期记忆网络(Long Short-Term Memory，LSTM)，或者具有门控循环单元(Gated Recurrent Unit，GRU)的循环神经网络模型。
在这里，上述执行主体可以采用多任务网络(例如，双任务网络)，即多个(例如两个)输出层来输出第一实际输出和第二实际输出；也可以通过同一输出层来输出第一实际输出和第二实际输出。
在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤执行该步骤201：
第一步，获取预先确定的初始音频提取模型的模型结构信息和模型参数集合。
其中，上述模型结构信息可以用于指示初始音频提取模型的模型结构。由于初始音频提取模型可以是各种类型的用于提取音频的模型，对于不同类型的用于提取音频的模型，所需要确定的模型结构信息也不相同。作为示例，初始特征提取模型可以为加入了门结构的长短期记忆网络。基于此，上述执行主体通过上述第一步所获取的模型结构信息可以用于指示加入了门结构的长短期记忆网络的模型结构，所获取的模型参数集合可以是用于对加入了门结构的长短期记忆网络的网络参数进行初始化的参数值。
上述初始音频提取模型可以包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入。可以理解，在这里，上述初始音频提取模型可以为多任务网络(具体为双任务网络)。
第二步，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型。其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出。
具体地，上述执行主体可以利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，对初始音频提取模型(例如循环神经网络)进行训练，针对每次训练输入的音频特征，可以得到第一实际输出和第二实际输出，其中，第一实际输出是初始音频提取模型实际输出的，用于表征音频的掩蔽阈值。第二实际输出是初始音频提取模型实际输出的，用于表征音频指示的音节的类别。然后，上述执行主体可以采用梯度下降法，基于第一实际输出、第二实际输出、第一期望输出和第二期望输出，调整初始音频提取模型的参数，将每次调整参数后得到的模型作为下次训练的初始音频提取模型，并在满足预设的训练结束条件的情况下，结束训练，获得训练完成的初始音频提取模型作为训练得到的音频提取模型。
需要说明的是，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。
作为示例，上述初始音频提取模型可以是未经训练，或者训练过但未满足预设的训练结束条件的情况下的模型。作为示例，上述初始音频提取模型可以是普通的循环神经网络模型，也可是加入了门结构的长短期记忆网络，或者具有门控循环单元的循环神经网络模型。
需要说明的是，在这里，上述初始音频提取模型所包括的第一模型和第二模型所共用的模型参数可以是采用参数的硬共享机制来实现的，也可以是采用参数的软共享机制来实现的。其中，参数的硬共享机制是神经网络的多任务学习中最常见的一种方式。一般来讲，它可以应用到隐藏层上，而保留任务相关的输出层。硬共享机制降低了过拟合的风险。而在参数的软共享机制中，每个任务都有自己的模型，自己的参数。通过对模型参数的距离进行正则化来保障参数的相似。上述采用参数的硬共享机制，或者，采用参数的软共享机制来实现模型参数的共用的方式是本领域技术人员广泛研究的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤执行该第二步：从训练样本集合中选取训练样本，以及执行如下训练步骤(包括步骤一、步骤二和步骤三)：
步骤一，将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出。其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别。
步骤二，基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件。
在这里，上述执行主体可以通过将实际输出和第二期望输出进行比对分析，从而确定初始音频提取模型是否满足预先确定的结束条件。上述结束条件可以包括但不限于以下至少一项：训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。
作为示例，当上述结束条件为“训练次数超过预设次数”时，上述执行主体可以首先确定步骤一中所得到的实际输出的数量，如果该数量大于预设阈值，那么，上述执行主体可以确定初始音频提取模型满足预先确定的结束条件。作为又一示例，当上述结束条件为“计算所得的损失函数的函数值小于预设阈值”时，上述执行主体可以将步骤一中所得到的实际输出，以及对应该实际输出的第二期望输出作为损失函数中参数(包括实际输出参数和第二期望输出参数)的参数值，从而确定损失函数的函数值，如果该函数值小于上述预设阈值，那么，上述执行主体可以确定初始音频提取模型满足预先确定的结束条件。
步骤三，响应于确定满足结束条件，将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
在本实施例的一些可选的实现方式中，上述执行主体还可以响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始音频提取模型，继续执行上述训练步骤。
在这里，上述执行主体可以采用反向传播法，通过计算实际输出和与所得到的实际输出对应的第二期望输出的梯度的梯度值，来调整第一模型和第二模型共用的模型参数的参数值。具体地，上述执行主体可以采用解析法计算梯度值，也可以采用数值梯度计算法来计算梯度值，进而通过计算得到的梯度值来调整第一模型和第二模型共用的模型参数的参数值。
需要说明的是，上述通过梯度值来调整模型参数的参数值的方式，是本领域技术人员广泛研究的公知技术，在此不再赘述。
继续参见图3，图3是根据本实施例的用于生成模型的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先获取训练样本集合3001。其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频。然后，服务器301利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为初始模型3002(例如循环神经网络模型)的输入，将与输入的音频特征对应的掩蔽阈值作为初始模型3002的第一期望输出，将与输入的音频特征对应的类别作为初始模型3002的第二期望输出，训练得到音频提取模型3003。
本申请的上述实施例提供的方法，通过获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频，然后，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型，从而采用音节的类别和遮掩阈值分别作为期望输出，来训练得到音频提取模型，由此丰富了模型的训练方式，有助于提高语音端点识别的准确度，以及提取音频中的待提取音频的准确度。
进一步参考图4，其示出了用于生成模型的方法的又一个实施例的流程400。该用于生成模型的方法的流程400，包括以下步骤：
步骤401，针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值。之后，继续执行步骤402。
在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器)可以针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值。其中，掩蔽阈值用于从音频中提取待提取音频。
在这里，上述包括子音频的音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该包括子音频的音频可以是音频帧，即该音频的帧长可以是预先确定的，例如，上述包括子音频的音频的帧长可以是32毫秒。可以理解，通常32毫秒帧长的音频帧可以对应一个音节。
上述子音频可以是针对32毫秒帧长的音频，采用固定的采样长度(可以是任意小于32毫秒的采样长度，例如，2毫秒，4毫秒等等)进行采样，而得到的音频。
具体地，上述执行主体可以通过上述公式(1)来确定该子音频对应的掩蔽阈值。从而得到针对音频包括的多个子音频的多个掩蔽阈值。
步骤402，将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。之后，继续执行步骤403。
在本实施例中，上述执行主体可以将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
在这里，上述音频的掩蔽阈值可以通过矩阵、向量、特征图等形式来表征。
步骤403，确定音频对应的至少一个音素。之后，继续执行步骤404。
在本实施例中，上述执行主体可以确定音频对应的至少一个音素。
示例性的，上述执行主体可以采用音素(phone)为建模单元，来训练Gmm HMM的声学模型，然后进行对齐，进而将每个语音帧对应到音素。
可选的，上述执行主体还可以获取针对音频进行人工标注的至少一个音素，从而将所获取的至少一个音素确定为步骤403所确定的音频对应的至少一个音素。
步骤404，将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。之后，继续执行步骤405。
在本实施例中，上述执行主体可以将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
上述音节为语音的基本单位。汉语中一个汉字一般为一个音节。每个音节可以由声母、韵母两个部分组成。例如，语音“我”指示的音节可以为“wo”。
可以理解，通常，在确定音频对应的至少一个音素之前，上述执行主体或者与上述执行主体通信连接的电子设备可以首先对音频的音频特征进行对齐，进而将可以将语音的每一帧都对应到一个音节。
需要说明的是，上述执行主体可以先执行步骤401和步骤402，再执行步骤403和步骤404；也可以先执行步骤403和步骤404，再执行步骤401和步骤402，本申请实施例对此不作限定。
步骤405，获取训练样本集合。之后，继续执行步骤406。
在本实施例中，上述执行主体还可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集合。其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别。
上述音频特征可以是幅值。
上述音节的类别可以是音节本身，也可以是音节的标识。例如，对于中文而言，声母音素的数量为23个，韵母的数量为24个，因此，可以得到声母韵母的组合的数量上限为552(552＝23×24)，进而，上述执行主体可以预先为552种声母韵母的组合中的每种声母韵母的组合设置一个标识，用以唯一确定该声母韵母的组合，即音节。例如，可以为音节“li”设置标识“1”，为音节“ma”设置标识“2”等等。
步骤406，获取预先确定的初始音频提取模型的模型结构信息和模型参数集合。之后，继续执行步骤407。
在本实施例中，上述执行主体可以获取预先确定的初始音频提取模型的模型结构信息和模型参数集合。
其中，上述模型结构信息可以用于指示初始音频提取模型的模型结构。由于初始音频提取模型可以是各种类型的用于提取音频的模型，对于不同类型的用于提取音频的模型，所需要确定的模型结构信息也不相同。作为示例，初始特征提取模型可以为加入了门结构的长短期记忆网络。基于此，上述执行主体通过上述第一步所获取的模型结构信息可以用于指示加入了门结构的长短期记忆网络的模型结构，所获取的模型参数集合可以是用于对加入了门结构的长短期记忆网络的网络参数进行初始化的参数值。
上述初始音频提取模型可以包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入。可以理解，在这里，上述初始音频提取模型可以为多任务网络(具体为双任务网络)。
作为示例，请参考图5。其示出了根据本申请的用于生成模型的方法的一个实施例的模型结构示意图。如图5所示，上述执行主体所获取的模型结构信息所指示的模型结构可以如图5所示。可以理解，初始音频提取模型，与训练得到的音频提取模型可以具有相同的模型结构(均可以为图5所示的模型结构)。其中，该模型结构可以包括输入层501、第一隐藏层502、分离层503、第二隐藏层504、第三隐藏层505、第一全连接层506、第二全连接层507、最小方差代价层508、交叉熵代价层509。这里需要说明，上述第一隐藏层502、第二隐藏层504和第三隐藏层505均为隐藏层(hide layer)组成的模块，可以是各种类型的层(layer)，在此不作限定。第一隐藏层502、第二隐藏层504和第三隐藏层505可以是一层，也可以是多个层的堆叠。分离层503为split layer，可以用于将第一隐藏层502输出给分离层503的数据复制几份(图示为2份)，分别用作第二隐藏层504、第三隐藏层505的输入。第一全连接层506输出节点的个数可以与音频包括的子音频的掩蔽阈值的数量一致，这里，可以采用sigmoid函数作为激活函数。第二全连接层507输出节点个数是与音节的类别数相等，这里，可以采用softmax函数作为激活函数。从图中可以看出，第一模型可以包括输入层501、第一隐藏层502、分离层503、第二隐藏层504、第一全连接层506和最小方差代价层508。第二模型可以包括输入层501、第一隐藏层502、分离层503、第三隐藏层505、第二全连接层507和交叉熵代价层509。第一模型和第二模型的共用的模型结构包括输入层501、第一隐藏层502、分离层503。需要说明的是，图5中并未将获取的模型结构信息指示的模型结构全部示出，根据实现需要，还可以包括其他的模型结构，或者，将图示中的模型结构的全部或者部分进行替换、删除等等。例如，获取的模型结构信息指示的模型结构还可以包括输出层。
步骤407，从训练样本集合中选取训练样本。之后，继续执行步骤408。
在本实施例中，上述执行主体可以从训练样本集合中选取训练样本。
在这里，上述执行主体可以随机选取，或者按照一定的顺序(例如按照获取到训练样本的时间由先到后的顺序)选取一个或多个训练样本。
步骤408，将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出。之后，继续执行步骤409。
在本实施例中，上述执行主体可以将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出。其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别。
步骤409，确定初始音频提取模型是否满足预先确定的结束条件。之后，若是，则继续执行步骤410；若否，则继续执行步骤411。
在本实施例中，上述执行主体可以基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件。
在这里，上述执行主体可以通过将实际输出和第二期望输出进行比对分析，从而确定初始音频提取模型是否满足预先确定的结束条件。上述结束条件可以包括但不限于以下至少一项：训练次数超过预设次数；计算所得的差异(例如损失函数的函数值)小于预设差异阈值。
作为示例，当上述结束条件为“训练次数超过预设次数”时，上述执行主体可以首先确定步骤一中所得到的实际输出的数量，如果该数量大于预设阈值，那么，上述执行主体可以确定初始音频提取模型满足预先确定的结束条件。作为又一示例，当上述结束条件为“计算所得的损失函数的函数值小于预设阈值”时，上述执行主体可以将步骤一中所得到的实际输出，以及对应该实际输出的第二期望输出作为损失函数中参数(包括实际输出参数和第二期望输出参数)的参数值，从而确定损失函数的函数值，如果该函数值小于上述预设阈值，那么，上述执行主体可以确定初始音频提取模型满足预先确定的结束条件。
步骤410，将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
在本实施例中，上述执行主体可以将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
步骤411，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本。之后，继续执行步骤408。
在本实施例中，上述执行主体可以基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本。
在这里，上述执行主体可以采用反向传播法，通过计算实际输出和与所得到的实际输出对应的第二期望输出的梯度的梯度值，来调整第一模型和第二模型共用的模型参数的参数值。具体地，上述执行主题可以采用解析法计算梯度值，也可以采用数值梯度计算法来计算梯度值，进而通过计算得到的梯度值来调整第一模型和第二模型共用的模型参数的参数值。
需要说明的是，上述通过梯度值来调整模型参数的参数值的方式，是本领域技术人员广泛研究的公知技术，在此不再赘述。
可以理解，步骤411所选取的训练样本可以用作下次训练，即当继续执行408时，步骤408中提及的选取的训练样本即为步骤411所选取的训练样本。
应该理解，当上述待提取音频为语音时，上述训练得到的模型可以用于智能音箱、智能电视、智能冰箱等人机会话场景中，由此，可以提高机器识别的准确程度上述机器检测到语音之后可以进入唤醒状态，进而，开始与用户进行交互，由此，降低了机器的功耗。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成模型的方法的流程400突出了采用双任务网络的模型结构，来训练模型的步骤。由此，本实施例描述的方案进一步丰富了模型的训练方式，提高了语音端点识别的准确度，以及提取音频中的待提取音频的准确度，可以在尽量少的损伤语音音频的前提下，对除语音音频之外的噪声进行一定程度的抑制。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于生成模型的装置600包括：第一获取单元601和训练单元602。其中，第一获取单元601被配置成获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；训练单元602被配置成利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
在本实施例中，用于生成模型的装置600的第一获取单元601可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集合。其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频。
上述音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该音频可以是任意长度的音频，例如，一句话；也可以是音频帧，其中，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、30毫秒等等。
上述音频特征可以包括但不限于以下至少一项：幅值、帧率、过零率、短时能量等其他音频特征。
上述音节为语音的基本单位。汉语中一个汉字一般为一个音节。每个音节可以由声母、韵母两个部分组成。例如，语音“我”指示的音节可以为“wo”。
上述音节的类别可以是音节本身，也可以是音节的标识。例如，对于中文而言，声母音素的数量为23个，韵母的数量为24个，因此，可以得到声母韵母的组合的数量上限为552(552＝23×24)，进而，上述执行主体可以预先为552种声母韵母的组合中的每种声母韵母的组合设置一个标识，用以唯一确定该声母韵母的组合，即音节。例如，可以为音节“li”设置标识“1”，为音节“ma”设置标识“2”等等。
在本实施例中，上述训练单元602可以利用机器学习算法，将第一获取单元601获取到的训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
上述音频特征、与输入的音频特征对应的掩蔽阈值以及与输入的音频特征对应的类别可以包含于同一训练样本中。可以理解，对于每个输入、第一期望输出、第二期望输出组成的三元组，可以根据是否包含于同一训练样本之中，来判断其间是否存在对应关系。
在本实施例的一些可选的实现方式中，音频的掩蔽阈值是通过如下步骤确定的：针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值；将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
在本实施例的一些可选的实现方式中，音频与音节一一对应；以及音频指示的音节是通过如下步骤确定的：确定音频对应的至少一个音素；将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
在本实施例的一些可选的实现方式中，训练单元包括：获取模块(图中未示出)被配置成获取预先确定的初始音频提取模型的模型结构信息和模型参数集合，其中，模型结构信息用于指示初始音频提取模型的模型结构，初始音频提取模型包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入；训练模块(图中未示出)被配置成利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出。
在本实施例的一些可选的实现方式中，训练模块包括：训练子模块(图中未示出)被配置成从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出，其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别；基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
在本实施例的一些可选的实现方式中，该装置还包括：调整单元(图中未示出)被配置成响应于确定不满足结束条件，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从训练样本集合中选取未被选取过的训练样本，继续执行训练步骤。
本申请的上述实施例提供的装置，通过第一获取单元601获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频，训练单元602利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型，从而采用音节的类别和遮掩阈值分别作为期望输出，来训练得到音频提取模型，由此丰富了模型的训练方式，有助于提高语音端点识别的准确度，以及提取音频中的待提取音频的准确度。
继续参考图7，示出了根据本申请的用于提取音频的方法的一个实施例的流程700。该用于提取音频的方法，包括以下步骤：
步骤701，获取目标音频的音频特征。
在本实施例中，用于提取音频的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取目标音频的音频特征。其中，目标音频包括待提取音频。
上述目标音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该目标音频可以是任意长度的音频，例如，一句话；也可以是音频帧，其中，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、30毫秒等等。
当上述目标音频为带噪音的语音音频时，上述待提取音频可以是目标音频中的语音音频；当上述目标音频为包括背景音和前景音的音频时，上述待提取音频可以是目标音频中的前景音；当上述目标音频为包括静音和非静音的音频时，上述待提取音频可以是非静音音频。但需要说明的是，上述目标音频和待提取音频，并不限于上述所列举的示例，因而可以根据实际需要，对上述目标音频和待提取音频进行设置，本申请实施例对此不作限定。
上述音频特征可以包括但不限于以下至少一项：幅值、帧率、过零率、短时能量等其他音频特征。
步骤702，将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值。
在本实施例中，上述执行主体可以将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值。其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的。
需要说明的是，通常，在训练音频提取模型过程中所采用的训练样本中包括的音频特征，与该步骤702所输入的音频特征表征相同的音频特征(例如幅值)的情况下，通过所得到的掩蔽阈值，可以从目标音频中更准确地提取待提取音频，因而，为提高从目标音频中提取待提取音频的准确程度，可以将该步骤702所输入的音频特征，与训练音频提取模型过程中所采用的训练样本中包括的音频特征设置为表征相同含义的音频特征，例如，如果训练音频提取模型过程中所采用的训练样本中包括的音频特征表征幅值，那么，该步骤702所输入的音频特征也可以表征幅值。
步骤703，基于掩蔽阈值，从目标音频中提取待提取音频。
在本实施例中，上述执行主体可以基于掩蔽阈值，从目标音频中提取待提取音频。
在本实施例的一些可选的实现方式中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征。由此，上述执行主体可以按照如下步骤执行该步骤703：确定掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从目标音频中提取的待提取音频。
可选的，上述执行主体还可以通过比较掩蔽阈值与预设数值的大小关系，进而从目标音频中提取待提取音频。
本申请的上述实施例提供的方法，通过获取目标音频的音频特征，其中，目标音频包括待提取音频，然后，将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的，最后，基于掩蔽阈值，从目标音频中提取待提取音频，从而丰富了从音频中提取待提取音频的准确程度，在待提取音频为语音音频的情况下，有助于提高语音端点识别的准确度。
进一步参考图8，作为对上述各图所示方法的实现，本申请提供了一种用于提取音频的装置的一个实施例，该装置实施例与图7所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图7所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的用于提取音频的装置800包括：第二获取单元801被配置成获取目标音频的音频特征，其中，目标音频包括待提取音频；输入单元802被配置成将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的；提取单元803被配置成基于掩蔽阈值，从目标音频中提取待提取音频。
在本实施例中，用于提取音频的装置800的第二获取单元801可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取目标音频的音频特征。其中，目标音频包括待提取音频。
上述目标音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该目标音频可以是任意长度的音频，例如，一句话；也可以是音频帧，其中，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、30毫秒等等。
当上述目标音频为带噪音的语音音频时，上述待提取音频可以是目标音频中的语音音频；当上述目标音频为包括背景音和前景音的音频时，上述待提取音频可以是目标音频中的前景音；当上述目标音频为包括静音和非静音的音频时，上述待提取音频可以是非静音音频。但需要说明的是，上述目标音频和待提取音频，并不限于上述所列举的示例，因而可以根据实际需要，对上述目标音频和待提取音频进行设置，本申请实施例对此不作限定。
上述音频特征可以包括但不限于以下至少一项：幅值、帧率、过零率、短时能量等其他音频特征。
在本实施例中，输入单元802可以将第二获取单元801获取到的音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值。其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的。
在本实施例中，基于输入单元802得到的掩蔽阈值，提取单元803可以从目标音频中提取待提取音频。
在本实施例的一些可选的实现方式中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征；以及提取单元包括：提取模块(图中未示出)被配置成确定掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从目标音频中提取的待提取音频。
本申请的上述实施例提供的装置，通过第二获取单元801获取目标音频的音频特征，其中，目标音频包括待提取音频，然后，输入单元802将音频特征输入至预先训练的音频提取模型，得到目标音频的掩蔽阈值，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的，最后，提取单元803基于掩蔽阈值，从目标音频中提取待提取音频，从而丰富了从音频中提取待提取音频的准确程度，在待提取音频为语音音频的情况下，有助于提高语音端点识别的准确度。
下面继续参考图9，示出了根据本申请的用于生成信息的方法的一个实施例的流程900。该用于生成模型的方法，包括以下步骤：
步骤901，获取测试样本集合。
在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取测试样本集合。其中，测试样本包括音频的音频特征和音频包括的待提取音频。
上述音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该音频可以是任意长度的音频，例如，一句话；也可以是音频帧，其中，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、30毫秒等等。
上述音频特征可以包括但不限于以下至少一项：幅值、帧率、过零率、短时能量等其他音频特征。
当上述音频为带噪音的语音音频时，上述待提取音频可以是音频中的语音音频；当上述音频为包括背景音和前景音的音频时，上述待提取音频可以是音频中的前景音；当上述音频为包括静音和非静音的音频时，上述待提取音频可以是非静音音频。但需要说明的是，上述音频和待提取音频，并不限于上述所列举的示例，因而可以根据实际需要，对上述音频和待提取音频进行设置，本申请实施例对此不作限定。
实践中，可以通过在音频中确定包括待提取音频的音频帧在音频中所在的位置，来确定待提取音频。例如，如果音频由10帧音频帧所组成，其中，第3帧至第8帧音频帧包括待提取音频(例如语音音频)，第1、2、9、10帧音频帧中不包括待提取音频(例如语音音频)，那么，可以从音频中，提取第3帧至第8帧音频帧，从而得到待提取音频。
需要说明的是，通常，在训练音频提取模型过程中所采用的训练样本中包括的音频特征，与该步骤901获取的测试样本中包括的音频特征表征相同的音频特征(例如幅值)的情况下，后续步骤所得到的用于表征音频提取模型的准确程度的信息可以更为准确地表征音频提取模型的准确程度。因而，为了更准确地表征音频提取模型的准确程度，在这里，该步骤901获取的测试样本中包括的音频特征，可以与训练音频提取模型过程中所采用的训练样本中包括的音频特征表征相同含义的音频特征，例如，如果训练音频提取模型过程中所采用的训练样本中包括的音频特征表征幅值，那么，该步骤901的测试样本中包括的音频特征也可以表征幅值。
步骤902，针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频。
在本实施例中，上述执行主体可以针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频。其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的。
在本实施例的一些可选的实现方式中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征。由此，上述执行主体可以通过如下步骤，来确定待提取音频：确定掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从目标音频中提取的待提取音频。
可选的，上述执行主体还可以通过比较掩蔽阈值与预设数值之间的大小关系从该测试样本包括的音频特征指示的音频中提取待提取音频。
步骤903，基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息。
在本实施例中，上述执行主体可以基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息。
作为示例，上述执行主体可以通过计算所提取的待提取音频的特征数据(例如幅值)和测试样本集合包括的待提取音频的特征数据(例如幅值)之间的相似程度、损失函数的函数值、代价函数的函数值，从而将计算结果确定为用于表征音频提取模型的准确程度的信息。
本申请的上述实施例提供的方法，通过获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频，然后，针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的，最后，基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息，从而丰富了模型的测试方式。
进一步参考图10，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图9所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图9所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图10所示，本实施例的用于生成信息的装置1000包括：第三获取单元1001被配置成获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频；执行单元1002被配置成针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的；生成单元1003被配置成基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息。
在本实施例中，用于生成信息的装置1000的第三获取单元1001可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取测试样本集合。其中，测试样本包括音频的音频特征和音频包括的待提取音频。
上述音频可以包括但不限于以下任意一项：带噪音的语音音频、包括背景音和前景音的音频、包括静音和非静音的音频等等。该音频可以是任意长度的音频，例如，一句话；也可以是音频帧，其中，音频帧的长度可以是预先设置的，例如帧长可以是32毫秒、30毫秒等等。
上述音频特征可以包括但不限于以下至少一项：幅值、帧率、过零率、短时能量等其他音频特征。
当上述音频为带噪音的语音音频时，上述待提取音频可以是音频中的语音音频；当上述音频为包括背景音和前景音的音频时，上述待提取音频可以是音频中的前景音；当上述音频为包括静音和非静音的音频时，上述待提取音频可以是非静音音频。但需要说明的是，上述音频和待提取音频，并不限于上述所列举的示例，因而可以根据实际需要，对上述音频和待提取音频进行设置，本申请实施例对此不作限定。
在本实施例中，执行单元1002可以针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频。其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的。
在本实施例中，生成单元1003基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息。
在本实施例的一些可选的实现方式中，掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，掩蔽阈值和目标音频的音频特征分别通过矩阵表征；以及执行单元包括：确定模块(图中未示出)被配置成确定所得到的掩蔽阈值与目标音频的音频特征的点积，将点积结果确定为从该测试样本包括的音频特征指示的音频中提取的待提取音频。
本申请的上述实施例提供的装置，通过第三获取单元1001获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频，然后，执行单元1002针对测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，音频提取模型是按照如上述用于生成模型的方法中任一实施例的方法训练得到的，最后，生成单元1003基于所提取的待提取音频和测试样本集合包括的待提取音频，生成用于表征音频提取模型的准确程度的信息，从而丰富了模型的测试方式。
下面参考图11，其示出了适于用来实现本申请实施例的电子设备的计算机系统1100的结构示意图。图11示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，计算机系统1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有系统1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Python、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，图示了按照本申请各种实施例的系统、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。
描述于本申请实施例中所涉及到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：一种处理器包括第一获取单元和训练单元。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，第一获取单元还可以被描述为“获取训练样本集合的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；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：获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。
以上描述仅为本申请的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，本申请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。例如上述特征与本申请中公开的(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。

Claims (18)

1.一种用于生成模型的方法，包括：
获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；
利用机器学习算法，将所述训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型，包括：获取预先确定的初始音频提取模型的模型结构信息和模型参数集合，其中，模型结构信息用于指示初始音频提取模型的模型结构，初始音频提取模型包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入；利用机器学习算法，将所述训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，包括：从所述训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出，其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别；基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件；响应于确定满足所述结束条件，将满足所述结束条件的初始音频提取模型，确定为训练得到的音频提取模型，其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出。
2.根据权利要求1所述的方法，其中，音频的掩蔽阈值是通过如下步骤确定的：
针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值；
将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
3.根据权利要求1所述的方法，其中，音频与音节一一对应；以及
音频指示的音节是通过如下步骤确定的：
确定音频对应的至少一个音素；
将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
4.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定不满足所述结束条件，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从所述训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始音频提取模型，继续执行所述训练步骤。
5.一种用于提取音频的方法，包括：
获取目标音频的音频特征，其中，所述目标音频包括待提取音频；
将所述音频特征输入至预先训练的音频提取模型，得到所述目标音频的掩蔽阈值，其中，所述音频提取模型是按照如权利要求1-4之一所述的方法训练得到的；
基于所述掩蔽阈值，从所述目标音频中提取待提取音频。
6.根据权利要求5所述的方法，其中，所述掩蔽阈值和所述目标音频的音频特征分别通过向量表征，或者，所述掩蔽阈值和所述目标音频的音频特征分别通过矩阵表征；以及
所述基于所述掩蔽阈值，从所述目标音频中提取待提取音频，包括：
确定所述掩蔽阈值与所述目标音频的音频特征的点积，将点积结果确定为从所述目标音频中提取的待提取音频。
7.一种用于生成信息的方法，包括：
获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频；
针对所述测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，所述音频提取模型是按照如权利要求1-4之一所述的方法训练得到的；
基于所提取的待提取音频和所述测试样本集合包括的待提取音频，生成用于表征所述音频提取模型的准确程度的信息。
8.根据权利要求7所述的方法，其中，所述掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，所述掩蔽阈值和所述目标音频的音频特征分别通过矩阵表征；以及
所述基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，包括：
确定所得到的掩蔽阈值与所述目标音频的音频特征的点积，将点积结果确定为从该测试样本包括的音频特征指示的音频中提取的待提取音频。
9.一种用于生成模型的装置，包括：
第一获取单元，被配置成获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；
训练单元，被配置成利用机器学习算法，将所述训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型；
所述训练单元包括：获取模块，被配置成获取预先确定的初始音频提取模型的模型结构信息和模型参数集合，其中，模型结构信息用于指示初始音频提取模型的模型结构，初始音频提取模型包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入；训练模块，被配置成利用机器学习算法，将所述训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出；
所述训练模块包括：训练子模块，被配置成从所述训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出，其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别；基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件；响应于确定满足所述结束条件，将满足所述结束条件的初始音频提取模型，确定为训练得到的音频提取模型。
10.根据权利要求9所述的装置，其中，音频的掩蔽阈值是通过如下步骤确定的：
针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值；
将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。
11.根据权利要求9所述的装置，其中，音频与音节一一对应；以及
音频指示的音节是通过如下步骤确定的：
确定音频对应的至少一个音素；
将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。
12.根据权利要求9所述的装置，其中，所述装置还包括：
调整单元，被配置成响应于确定不满足所述结束条件，基于所得到的实际输出和与所得到的实际输出对应的第二期望输出，调整第一模型和第二模型共用的模型参数的参数值，以及从所述训练样本集合中选取未被选取过的训练样本，基于参数值调整后的初始音频提取模型，继续执行所述训练步骤。
13.一种用于提取音频的装置，包括：
第二获取单元，被配置成获取目标音频的音频特征，其中，所述目标音频包括待提取音频；
输入单元，被配置成将所述音频特征输入至预先训练的音频提取模型，得到所述目标音频的掩蔽阈值，其中，所述音频提取模型是按照如权利要求1-4之一所述的方法训练得到的；
提取单元，被配置成基于所述掩蔽阈值，从所述目标音频中提取待提取音频。
14.根据权利要求13所述的装置，其中，所述掩蔽阈值和所述目标音频的音频特征分别通过向量表征，或者，所述掩蔽阈值和所述目标音频的音频特征分别通过矩阵表征；以及
所述提取单元包括：
提取模块，被配置成确定所述掩蔽阈值与所述目标音频的音频特征的点积，将点积结果确定为从所述目标音频中提取的待提取音频。
15.一种用于生成信息的装置，包括：
第三获取单元，被配置成获取测试样本集合，其中，测试样本包括音频的音频特征和音频包括的待提取音频；
执行单元，被配置成针对所述测试样本集合中的测试样本，执行如下步骤：将该测试样本包括的音频特征输入至预先训练的音频提取模型，得到该测试样本包括的音频特征指示的音频的掩蔽阈值；基于所得到的掩蔽阈值，从该测试样本包括的音频特征指示的音频中提取待提取音频，其中，所述音频提取模型是按照如权利要求1-4之一所述的方法训练得到的；
生成单元，被配置成基于所提取的待提取音频和所述测试样本集合包括的待提取音频，生成用于表征所述音频提取模型的准确程度的信息。
16.根据权利要求15所述的装置，其中，所述掩蔽阈值和目标音频的音频特征分别通过向量表征，或者，所述掩蔽阈值和所述目标音频的音频特征分别通过矩阵表征；以及
所述执行单元包括：
确定模块，被配置成确定所得到的掩蔽阈值与所述目标音频的音频特征的点积，将点积结果确定为从该测试样本包括的音频特征指示的音频中提取的待提取音频。
17.一种电子设备，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，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN201811549163.XA 2018-12-18 2018-12-18 用于生成模型的方法和装置 Active CN109697978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811549163.XA CN109697978B (zh) 2018-12-18 2018-12-18 用于生成模型的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811549163.XA CN109697978B (zh) 2018-12-18 2018-12-18 用于生成模型的方法和装置

Publications (2)

Publication Number Publication Date
CN109697978A CN109697978A (zh) 2019-04-30
CN109697978B true CN109697978B (zh) 2021-04-20

Family

ID=66231746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811549163.XA Active CN109697978B (zh) 2018-12-18 2018-12-18 用于生成模型的方法和装置

Country Status (1)

Country Link
CN (1) CN109697978B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028858B (zh) * 2019-12-31 2022-02-18 云知声智能科技股份有限公司 一种人声起止时间检测方法及装置
CN113362835B (zh) * 2020-03-05 2024-06-07 杭州网易云音乐科技有限公司 音频水印处理方法、装置、电子设备及存储介质
CN111402893A (zh) * 2020-03-23 2020-07-10 北京达佳互联信息技术有限公司 语音识别模型确定方法、语音识别方法及装置、电子设备
CN111970335B (zh) * 2020-07-30 2021-09-07 腾讯科技（深圳）有限公司 一种信息推荐的方法、装置及存储介质
CN116013354B (zh) * 2023-03-24 2023-06-09 北京百度网讯科技有限公司 深度学习模型的训练方法、控制虚拟形象口型变化的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222508A (zh) * 2011-07-12 2011-10-19 大连理工大学 一种基于矩阵变换的欠定盲分离方法
KR20130006857A (ko) * 2011-06-24 2013-01-18 서강대학교산학협력단 신호의 시간 지연 및 감쇄 추정에 기반한 반향 환경에서의 암묵 음원 분리 방법
JP5172580B2 (ja) * 2008-10-02 2013-03-27 株式会社東芝 音補正装置及び音補正方法
CN104637485A (zh) * 2015-03-03 2015-05-20 山东省计算中心（国家超级计算济南中心） 一种用于保护汉语语音私密度的掩蔽信号的生成方法
CN108564963A (zh) * 2018-04-23 2018-09-21 百度在线网络技术（北京）有限公司 用于增强语音的方法和装置
CN108899047A (zh) * 2018-08-20 2018-11-27 百度在线网络技术（北京）有限公司 音频信号的掩蔽阈值估计方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5172580B2 (ja) * 2008-10-02 2013-03-27 株式会社東芝 音補正装置及び音補正方法
KR20130006857A (ko) * 2011-06-24 2013-01-18 서강대학교산학협력단 신호의 시간 지연 및 감쇄 추정에 기반한 반향 환경에서의 암묵 음원 분리 방법
CN102222508A (zh) * 2011-07-12 2011-10-19 大连理工大学 一种基于矩阵变换的欠定盲分离方法
CN104637485A (zh) * 2015-03-03 2015-05-20 山东省计算中心（国家超级计算济南中心） 一种用于保护汉语语音私密度的掩蔽信号的生成方法
CN104637485B (zh) * 2015-03-03 2018-05-01 山东省计算中心（国家超级计算济南中心） 一种用于保护汉语语音私密度的掩蔽信号的生成方法
CN108564963A (zh) * 2018-04-23 2018-09-21 百度在线网络技术（北京）有限公司 用于增强语音的方法和装置
CN108899047A (zh) * 2018-08-20 2018-11-27 百度在线网络技术（北京）有限公司 音频信号的掩蔽阈值估计方法、装置及存储介质

Also Published As

Publication number Publication date
CN109697978A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN109545192B (zh) 用于生成模型的方法和装置
CN109697978B (zh) 用于生成模型的方法和装置
CN111415677B (zh) 用于生成视频的方法、装置、设备和介质
KR102535338B1 (ko) 화자 임베딩(들)과 트레이닝된 생성 모델을 이용한 화자 분리
CN107945786B (zh) 语音合成方法和装置
CN111933110B (zh) 视频生成方法、生成模型训练方法、装置、介质及设备
US20240021202A1 (en) Method and apparatus for recognizing voice, electronic device and medium
CN109545193B (zh) 用于生成模型的方法和装置
CN110246488B (zh) 半优化CycleGAN模型的语音转换方法及装置
CN111402891B (zh) 语音识别方法、装置、设备和存储介质
US20150325240A1 (en) Method and system for speech input
CN114895817B (zh) 交互信息处理方法、网络模型的训练方法及装置
JP2023542685A (ja) 音声認識方法、音声認識装置、コンピュータ機器、及びコンピュータプログラム
US11393458B2 (en) Method and apparatus for speech recognition
CN108877779B (zh) 用于检测语音尾点的方法和装置
CN115050354B (zh) 数字人驱动方法和装置
CN110930975A (zh) 用于输出信息的方法和装置
CN112910761B (zh) 即时通讯方法、装置、设备、存储介质以及程序产品
CN114913859B (zh) 声纹识别方法、装置、电子设备和存储介质
CN112489662B (zh) 用于训练语音处理模型的方法和装置
CN114882151A (zh) 虚拟形象视频的生成方法及装置、设备、介质和产品
CN113920987A (zh) 一种语音识别的方法、装置、设备及存储介质
CN114512121A (zh) 语音合成方法、模型训练方法及装置
CN114067793A (zh) 音频处理方法和装置、电子设备及可读存储介质
CN111899718A (zh) 用于识别合成语音的方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant