CN110473525B - 获取语音训练样本的方法和装置 - Google Patents

Abstract

本公开的实施例涉及语音合成技术领域。本公开的实施例公开了获取语音训练样本的方法和装置。该方法的一具体实施方式包括：响应于检测到录制目标语句对应的用户语音的指令，展示该目标语句的录音参照信息；对用户根据该录音参照信息发出的语音进行录制，得到该目标语句对应的用户录音；响应于确定该目标语句对应的用户录音的质量满足预设的语音质量条件，根据该目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。本公开的实施例在用户录音满足预设的语音质量条件的情况下，通过生成训练样本，实现后续的语音合成模型的训练，从而让训练得到的语音合成模型更加准确。

Description

获取语音训练样本的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及语音合成技术领域，尤其涉及获取语音训练样本的方法和装置。

背景技术

语音合成技术是通过机器设备产生人造语音的技术。一种常见的语音合成方法是采用经过训练的语音合成模型来合成语音。语音合成一般需要利用录制的用户语音进行训练，这样训练得到的模型能够生成比较符合用户声音的音色和风格的语音。

在相关技术中，用户的录音通常音质难以保证，由此训练得到的模型的准确性会受到影响。

发明内容

本公开的实施例提出了获取语音训练样本的方法和装置。

第一方面，本公开的实施例提供了一种获取语音训练样本的方法，包括：响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息；对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音；响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。

在一些实施例中，目标语句为预设文本段中的至少一个语句，响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的语音训练样本，包括：响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句，判断预设文本段中是否存在未处理的语句；若预设文本段中存在未处理的语句，基于用户选择未处理的语句的操作将目标语句更新为预设文本段中未处理的语句，并生成录制目标语句对应的用户语音的指令。

在一些实施例中，响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句，包括：执行如下检测操作：判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内；若目标语句对应的用户录音的各录音质量参数均在对应的预设范围内，将目标语句确定为已处理的语句。

在一些实施例中，方法还包括：确定未在对应的预设范围内的录音质量参数为目标录音质量参数；展示与目标录音质量参数对应的预设提示信息，其中，不同的录音质量参数对应不同的预设提示信息；重新获取目标语句对应的用户录音，并执行检测操作。

在一些实施例中，录音质量参数包括以下至少一项：信噪比、音量、每个字对应的语速；以及展示与目标录音质量参数对应的预设提示信息，包括：比较目标录音质量参数的预设范围和参数值，确定目标录音质量参数的参数偏离方向；展示参数偏离方向对应的预设提示信息。

在一些实施例中，录音质量参数包括字错误率；以及判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内，包括：确定字错误率的参数值是否为零；以及展示与目标录音质量参数对应的预设提示信息，包括：若字错误率的参数值不为零，标记目标语句对应的用户录音中的错误字。

在一些实施例中，方法还包括：对语音录制环境的环境音进行录制，得到环境录音；对环境录音中的噪音和混响进行检测；以及响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息，包括：响应于根据环境录音的噪音和混响的检测结果确定语音录制环境满足预设的语音录制条件，且检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。

在一些实施例中，录音参照信息，包括：文本信息和/或参考录音。

在一些实施例中，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本，包括：消除目标语句对应的用户录音中的噪音和混响，将消除噪音和混响后的用户录音作为训练样本。

第二方面，本公开的实施例提供了一种获取语音训练样本的装置，包括：展示单元，被配置成响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息；录制单元，被配置成对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音；生成单元，被配置成响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。

在一些实施例中，目标语句为预设文本段中的至少一个语句，生成单元进一步被配置成按照如下方式执行响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的语音训练样本：响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句，判断预设文本段中是否存在未处理的语句；若预设文本段中存在未处理的语句，基于用户选择未处理的语句的操作将目标语句更新为预设文本段中未处理的语句，并生成录制目标语句对应的用户语音的指令。

在一些实施例中，生成单元进一步被配置成按照如下方式执行响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句：执行如下检测操作：判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内；若目标语句对应的用户录音的各录音质量参数均在对应的预设范围内，将目标语句确定为已处理的语句。

在一些实施例中，装置还包括：参数确定单元，被配置成若目标语句对应的用户录音的各录音质量参数未均在对应的预设范围内，确定未在对应的预设范围内的录音质量参数为目标录音质量参数；提示单元，被配置成展示与目标录音质量参数对应的预设提示信息，其中，不同的录音质量参数对应不同的预设提示信息；重新检测单元，被配置成重新获取目标语句对应的用户录音，并执行检测操作。

在一些实施例中，录音质量参数包括以下至少一项：信噪比、音量、每个字对应的语速；以及提示单元进一步被配置成按照如下方式执行展示与目标录音质量参数对应的预设提示信息：比较模块，被配置成比较目标录音质量参数的预设范围和参数值，确定目标录音质量参数的参数偏离方向；展示模块，被配置成展示参数偏离方向对应的预设提示信息。

在一些实施例中，录音质量参数包括字错误率；以及生成单元进一步被配置成按照如下方式执行判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内：确定字错误率的参数值是否为零；以及展示与目标录音质量参数对应的预设提示信息，包括：若字错误率的参数值不为零，标记目标语句对应的用户录音中的错误字。

在一些实施例中，装置还包括：环境获取单元，被配置成对语音录制环境的环境音进行录制，得到环境录音；环境检测单元，被配置成对环境录音中的噪音和混响进行检测；以及展示单元进一步被配置成按照如下方式执行响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息：响应于根据环境录音的噪音和混响的检测结果确定语音录制环境满足预设的语音录制条件，且检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。

在一些实施例中，录音参照信息，包括：文本信息和/或参考录音。

在一些实施例中，生成单元进一步被配置成按照如下方式执行根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本：消除目标语句对应的用户录音中的噪音和混响，将消除噪音和混响后的用户录音作为训练样本。

第三方面，本公开的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，用于存储一个或多个程序，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获取语音训练样本的方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如获取语音训练样本的方法中任一实施例的方法。

本公开的实施例提供的获取语音训练样本的方案，首先，响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。之后，对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音。然后，响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。本公开的实施例在用户录音满足预设的语音质量条件的情况下生成训练样本，用于后续的语音合成模型的训练。这样能够确保获得的训练样本的语音质量，从而帮助提升训练得到的语音合成模型的准确性，使语音合成模型输出的语音的音色和声音风格都更自然、更接近用户的音色和声音风格。

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是根据本申请的获取语音训练样本的方法的一个实施例的流程图；

图3是根据本申请的获取语音训练样本的方法的一个应用场景的示意图；

图4a是根据本申请的获取语音训练样本的方法的又一个实施例的流程图，图4b是该实施例的又一个流程图；

图5是根据本申请的获取语音训练样本的装置的一个实施例的结构示意图；

图6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的获取语音训练样本的方法或获取语音训练样本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，例如语音合成类应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备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，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、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。

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发送的数据进行处理的后台服务器。终端设备101、102、103可以通过与用户交互来获取用户的语音，并对用户的语音进行质量筛选后作为训练样本传送至后台服务器。后台服务器可以对接收到的训练样本等数据进行分析等处理，并将处理结果(例如训练后的语音合成模型)反馈给终端设备。

需要说明的是，本申请实施例所提供的获取语音训练样本的方法可以由终端设备101、102、103执行，相应地，获取语音训练样本的装置可以设置于终端设备101、102、103中。

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。

继续参考图2，示出了根据本申请的获取语音训练样本的方法的一个实施例的流程200。该获取语音训练样本的方法，包括以下步骤：

步骤201，响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。

在本实施例中，获取语音训练样本的方法的执行主体(例如图1所示的终端设备)可以响应于检测到录制目标语句对应的用户语音的指令，向用户展示目标语句的录音参照信息。在实践中，目标语句可以为单个语句，此外，也可以是两个以上的语句。

上述指令是指示上述执行主体录制用户语音的指令。该指令可以由预设的用户操作(比如用户选择未处理的语句的操作)触发生成。上述主体检测到该指令后自动启动录音。

录音参照信息可以是音频流和/或文字等作为用户录音时的参照的信息。

在本实施例的一些可选的实现方式中，上述录音参照信息，可以包括：文本信息和/或参考录音。

在这些可选的实现方式中，上述执行主体可以通过显示文本信息的方式来给用户参照，还可以通过播放参考录音的方式，让用户参照其中的语速和读音进行录音，以保证录音的质量。在实践中，这两种方式可以同时进行。这里的参考录音的质量满足预设的语音质量条件，用户可以参照该参考录音发出语音。

具体地，文本信息和参考录音所指示的文本是一致的。

这些实现方式可以通过文本的形式以及录音的形式，给用户以各种形式的提示，从而确保得到的用户录音的质量较高。

上述执行主体在检测到录制目标语句对应的用户语音的指令后，可以从预存的录音参照信息数据集中提取出目标语句对应的录音参照信息，并通过显示屏和/或扬声器展示目标语句的录音参照信息。

在本实施例的一些可选的实现方式中，获取语音训练样本的方法还可以包括：对语音录制环境的环境音进行录制，得到环境录音；对环境录音中的噪音和混响进行检测；以及上述响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息的步骤201，可以包括：响应于根据环境录音的噪音和混响的检测结果确定语音录制环境满足预设的语音录制条件，且检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。

在这些可选的实现方式中，上述执行主体可以录制环境音，将得到的录制结果作为环境录音。之后，上述执行主体可以对该环境录音中的噪音和混响进行检测。如果检测结果显示语音录制环境满足预设的语音录制条件，则可以展示录音参照信息。

在实践中，所检测的噪音的参数可以包括噪音强度和/或噪音音量等，混响的参数可以包括混响强度和/或混响时间等。如果所检测的参数分别满足预设的噪音合理范围和混响合理范围，或者在预设的噪音不合理范围和混响不合理范围之外，则可以确定语音录制环境满足预设的语音录制条件。

这些实现方式可以通过检测噪音和混响，对环境进行甄别，以确保该环境适宜对用户的语音进行录制，从而确保较高的用户录音质量。

步骤202，对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音。

在本实施例中，上述执行主体可以对用户的语音进行录制，并将录制结果作为目标语句对应的用户录音。上述用户的语音是用户按照上述录音参照信息发出的语音。

在实际场景中，用户可以根据展示的录音参照信息朗读目标语句，上述执行主体可以通过麦克风采集用户的音频信号，得到用户录音。

步骤203，响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。

在本实施例中，上述执行主体可以在确定上述用户录音的质量满足预设的语音质量条件的情况下，根据上述用户语音，生成语音合成模型的训练样本。这样，上述执行主体或者其他执行主体可以使用上述训练样本，训练语音合成模型，从而得到训练后的语音合成模型。满足语音质量条件的语音是质量较高的语音。比如，上述执行主体可以利用预先获取的质量评价模型，来给用户录音打分，如果打分得到的分数高于预设分数阈值，则可以确定用户录音的质量满足语音质量条件。

需要说明的是，上述执行主体可以在本地直接确定用户录音的质量是否满足预设的语音质量条件。此外，上述执行主体也可以将用户录音发送给其他电子设备比如服务器，以使其他电子设备生成确定用户录音的质量是否满足预设的语音质量条件的结果，并返回给上述执行主体。这样，上述执行主体就可以根据返回的结果确定出用户语音的质量是否满足预设的语音质量条件。

在本实施例的一些可选的实现方式中，步骤203中，根据所述目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本，可以包括：消除目标语句对应的用户录音中的噪音和混响，将消除噪音和混响后的用户录音作为训练样本。

在这些可选的实现方式中，上述执行主体可以对满足预设的语音质量条件的用户录音的进行噪音和混响的消除，并将经过消除过程的用户录音作为训练样本。这样，可以进一步降低用户录音中的杂音，提高语音训练样本的质量。

这些实现方式可以通过消除用户录音中的噪音和混响，实现对用户录音的净化，从而提高训练样本的音质，这样，可以进一步提高训练得到的模型的准确度。

继续参见图3，图3是根据本实施例的获取语音训练样本的方法的应用场景的一个示意图。在图3的应用场景中，用户点击执行主体屏幕上的“开始录制”，执行主体可以展示上述目标语句“今天的天气很好”的录音参照信息比如可以显示文本信息。对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音。上述执行主体判断用户录音的质量是否满足预设的语音质量条件，若判断满足，显示“已录制”，并根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。

本申请的上述实施例提供的方法能够在用户录音满足预设的语音质量条件的情况下生成训练样本，用于后续的语音合成模型的训练。这样能够确保获得的训练样本的语音质量，从而帮助提升训练得到的语音合成模型的准确性，使语音合成模型输出的语音的音色和声音风格都更自然、更接近用户的音色和声音风格。

进一步参考图4a，其示出了获取语音训练样本的方法的又一个实施例的流程400。该获取语音训练样本的方法的流程400，包括以下步骤：

步骤401，响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。

在本实施例中，目标语句可以为预设文本段中的至少一个语句。获取语音训练样本的方法的执行主体(例如图1所示的终端设备)可以响应于检测到录制目标语句对应的用户语音的指令，向用户展示目标语句的录音参照信息。在实践中，目标语句可以为预设文本段中的单个语句，此外，也可以是两个以上的语句。预设文本段是所有的录音参照信息对应的语句的集合。

步骤402，对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音。

在本实施例中，上述执行主体可以对用户的语音进行录制，并将录制结果作为用户录音。这里的用户录音是上述执行主体对用户按照上述录音参照信息发出的语音。

步骤403，响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句，判断预设文本段中是否存在未处理的语句。

在本实施例中，上述执行主体可以响应于确定目标语句满足语音质量条件，将目标语句确定为已处理的语句，并确定是否存在未处理的语句。在这里，未被确定为已处理的语句即为未处理的语句。

在实践中，上述执行主体可以采用多种方式确定是否存在未处理的语句。比如，上述执行主体可以按照语句的编号顺序录制用户录音。这时，上述执行主体可以判断当前的目标语句的编号是否大于或等于目标数量，在目标语句为单个语句的情况下，该目标数量等于录音参照信息的数量。如果确定的结果是当前的目标语句的编号等于目标数量，则可以确定所有语句都已处理，不存在未处理的语句，如果确定的结果是当前的目标语句的编号小于目标编号，则可以确定还存在未处理的语句。再比如，在顺序对各语句的用户录音进行录制的场景中，上述执行主体也可以根据语句之间的预设顺序，直接判断是否存在当前的目标语句的下一个语句。如果存在下一个语句，则可以确定存在未处理的语句，如果不存在下一个语句则可以确定不存在未处理的语句。此外，还可以对已处理的语句进行标记，标记过的语句则是处理过的语句，而未标记的语句则是未处理的语句。

这里的语音质量条件可以是对与语音的质量有关的参数的限定。比如，可以限定某一个上述参数的范围。

在本实施例的一些可选的实现方式中，步骤403可以包括：执行如下检测操作：判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内；若目标语句对应的用户录音的各录音质量参数均在对应的预设范围内，将目标语句确定为已处理的语句。

在这些可选的实现方式中，上述执行主体可以判断目标语句对应的用户录音的各录音质量参数，是否在各录音质量参数分别对应的预设范围内，如果是，则将当前的目标语句确定为已处理的语句。

具体地，每个录音质量参数都具有与其对应的预设范围，只有当用户录音的所有的录音质量参数都在各自对应的预设范围内，才能将这一条目标语句确定为已处理的语句，并可以将该目标语句对应的用户录音作为合格录音。

这些实现方式可以利用各个录音质量参数，从各个方面对录音的质量进行筛选和控制，以使通过筛选的用户录音有较高的质量。

可选地，上述方法还可以包括：

若目标语句对应的用户录音的各录音质量参数未均在对应的预设范围内，确定未在对应的预设范围内的录音质量参数为目标录音质量参数；展示与目标录音质量参数对应的预设提示信息，其中，不同的录音质量参数对应不同的预设提示信息；重新获取目标语句对应的用户录音，并执行检测操作。

具体地，上述执行主体响应于确定目标语句对应的用户录音的质量不满足预设的语音质量条件，也即，判断目标语句对应的用户录音的各录音质量参数(也即录音质量参数的参数值)是否在对应的预设范围内的结果是，目标语句对应的用户录音的各录音质量参数中至少一个录音质量参数不在对应的预设范围内，则可以确定出未在对应的预设范围内的录音质量参数。并将确定出的录音质量参数作为目标录音质量参数。之后，上述执行主体可以展示预设提示信息，并重新获取当前的目标语句对应的用户录音，并执行上述检测操作。

在实践中，这里的预设提示信息是与目标录音质量参数相对应的，不同的录音质量参数对应不同的预设提示信息。举例来说，录音质量参数是信噪比，上述执行主体可以展示出指示“语音可能不纯净，请换个安静的环境或大声读”的预设提示信息。

这些可选的方案可以在用户的录音质量较低的情况下，指示用户重新参与录音，并通过不同的预设提示信息，准确地向用户提示影响语音质量的问题，以使用户通过重新录音，可以提高录音的质量。

进一步地，录音质量参数包括以下至少一项：信噪比、音量、每个字对应的语速；以及上述展示与目标录音质量参数对应的预设提示信息，可以包括：比较目标录音质量参数的预设范围和参数值，确定目标录音质量参数的参数偏离方向；展示参数偏离方向对应的预设提示信息。

具体地，上述执行主体可以对目标录音质量参数的预设范围和参数值进行比较，从而确定出目标录音质量参数偏离预设范围的方向，进而展示出参数偏离方向对应的预设提示信息。这里的不同的参数偏离方向对应的预设提示信息不同。

在实践中，这里的偏离方向可以是大于和/或小于。比如，信噪比低于信噪比阈值，上述执行主体可以提示“请换个安静环境或者大声读”。上述的音量可以是整体音量，如果音量低于预设音量最低值，上述执行主体可以提示“请大声些”，如果音量高于预设音量最高值，上述执行主体可以提示“请小声些”。对于单个字预先设定有固定的语速，如果用户录音中，某个字的语速大于预设语速最高值，则可以提示“请读慢些”。如果某个字的语速小于预设语速最低值，则可以提示“请读快些”。此外，上述执行主体还可以对语速不合格的字进行标记，并展示给用户。在实践中，若目标录音质量参数的数量为两个以上，上述执行主体可以针对这些目标录音质量参数均展示预设提示信息。

在该方案中，上述执行主体可以通过区分不同的参数偏离方向，从而展示更加准确的预设提示信息，进而实现对用户的精准提示，能够加快录音速度。

进一步地，录音质量参数包括字错误率；以及判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内，可以包括：确定字错误率的参数值是否为零；以及展示与目标录音质量参数对应的预设提示信息，包括：若字错误率的参数值不为零，标记目标语句对应的用户录音中的错误字。

具体地，字错误率的预设范围可以是零。上述执行主体可以确定字错误率是否为零。如果不为零，则字错误率不在预设范围内，上述执行主体可以将错误字标记出来。在这里，错误字指的是，用户读错的字，也即，用户对该字的发音，与该字的标准发音偏离较大。

此外，上述执行主体还可以通过提示文本或者提示语音，提示用户存在错误字，还可以提示用户错误字是什么。

在该方案中，上述执行主体可以准确地指示出错误字，以使用户再次录音时，修正错误字的读音。

步骤404，若预设文本段中存在未处理的语句，基于用户选择未处理的语句的操作将目标语句更新为预设文本段中未处理的语句，并生成录制目标语句对应的用户语音的指令。

在本实施例中，若预设文本段中存在未处理的语句，上述执行主体可以基于用户的操作，对当前的目标语句进行更新，将其更新为预设文本段中未处理的语句，并生成录制目标语句对应的语音的指令。这样，通过更新目标语句，生成新的指令，可以继续执行本公开上述实施例的获取语音训练样本的方法，从而依次完成所有语句的用户语音录制。在这里，用户的操作是用户选择未处理的语句的操作，用于指示用户有意愿录制所选择的该未处理的语句。例如在实际场景中，当前的目标语句对应的用户录音质量合格后，用户可以选择点击“下一句”来更新目标语句，并生成录制下一语句对应的用户语音的指令。

本实施例能够对预设文本段中的各个语句进行质量的检测，从而确保每个语句都是高质量语句，进一步提高语音合成模型的准确度。

图4b是该实施例的又一个流程图。

如图4b所示，首先获取环境音，进行环境音检测。若环境音检测结果合格，则从预设文本段中的第一个语句开始，展示第i条语句对应的文本信息，播放该语句的参考录音，用户跟读时进行录制获取到用户录音，对该语句的用户录音进行质量检测，判断用户录音的各录音质量参数是否在对应的预设范围内，若存在至少一个不在对应的预设范围内的录音质量参数，则展示提示信息，用户根据提示信息重新跟读，重新获取用户录音，继续对用户录音进行语音质量检测，判断用户录音的各录音质量参数是否在对应的预设范围内。若用户录音的各录音质量参数在对应的预设范围内，则可以判断i是否不小于N，N为待录制的预设文本段中的语句总数。若i＜N，则用户可以点击选择下一个语句进行录制，这时令i的取值加1，返回至展示第i条语句对应的文本信息继续执行上述流程。直到i＝N时，对各条语句对应的用户录音进行噪音和混响消除后作为语音合成模型的训练样本，训练语音合成模型。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种获取语音训练样本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，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的获取语音训练样本的装置500包括：展示单元501、录制单元502和生成单元503。其中，展示单元501，被配置成响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息；录制单元502，被配置成对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音；生成单元503，被配置成响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。

在一些实施例中，获取语音训练样本的装置500的展示单元501可以响应于检测到录制目标语句对应的用户语音的指令，向用户展示目标语句的录音参照信息。在实践中，目标语句可以为单个语句，此外，也可以是两个以上的语句。

在一些实施例中，录制单元502可以对用户的语音进行录制，并将录制结果作为目标语句对应的用户录音。上述用户的语音是用户按照上述录音参照信息发出的语音。

在一些实施例中，生成单元503可以在确定上述用户录音的质量满足预设的语音质量条件的情况下，根据上述用户语音，生成语音合成模型的训练样本。这样，上述执行主体或者其他执行主体可以使用上述训练样本，训练语音合成模型，从而得到训练后的语音合成模型。

在本实施例的一些可选的实现方式中，目标语句为预设文本段中的至少一个语句，生成单元进一步被配置成按照如下方式执行响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的语音训练样本：响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句，判断预设文本段中是否存在未处理的语句；若预设文本段中存在未处理的语句，基于用户选择未处理的语句的操作将目标语句更新为预设文本段中未处理的语句，并生成录制目标语句对应的用户语音的指令。

在本实施例的一些可选的实现方式中，生成单元进一步被配置成按照如下方式执行响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，将目标语句确定为已处理的语句：执行如下检测操作：判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内；若目标语句对应的用户录音的各录音质量参数均在对应的预设范围内，将目标语句确定为已处理的语句。

在本实施例的一些可选的实现方式中，装置还包括：参数确定单元，被配置成若目标语句对应的用户录音的各录音质量参数未均在对应的预设范围内，确定未在对应的预设范围内的录音质量参数为目标录音质量参数；提示单元，被配置成展示与目标录音质量参数对应的预设提示信息，其中，不同的录音质量参数对应不同的预设提示信息；重新检测单元，被配置成重新获取目标语句对应的用户录音，并执行检测操作。

在本实施例的一些可选的实现方式中，录音质量参数包括以下至少一项：信噪比、音量、每个字对应的语速；以及提示单元进一步被配置成按照如下方式执行展示与目标录音质量参数对应的预设提示信息：比较模块，被配置成比较目标录音质量参数的预设范围和参数值，确定目标录音质量参数的参数偏离方向；展示模块，被配置成展示参数偏离方向对应的预设提示信息。

在本实施例的一些可选的实现方式中，录音质量参数包括字错误率；以及生成单元进一步被配置成按照如下方式执行判断目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内：确定字错误率的参数值是否为零；以及展示与目标录音质量参数对应的预设提示信息，包括：若字错误率的参数值不为零，标记目标语句对应的用户录音中的错误字。

在本实施例的一些可选的实现方式中，装置还包括：环境获取单元，被配置成对语音录制环境的环境音进行录制，得到环境录音；环境检测单元，被配置成对环境录音中的噪音和混响进行检测；以及展示单元进一步被配置成按照如下方式执行响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息：响应于根据环境录音的噪音和混响的检测结果确定语音录制环境满足预设的语音录制条件，且检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息。

在本实施例的一些可选的实现方式中，录音参照信息，包括：文本信息和/或参考录音。

在本实施例的一些可选的实现方式中，生成单元进一步被配置成按照如下方式执行根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本：消除目标语句对应的用户录音中的噪音和混响，将消除噪音和混响后的用户录音作为训练样本。

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，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例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。

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：一种处理器包括展示单元、录制单元和生成单元。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，展示单元还可以被描述为“响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息的单元”。

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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：响应于检测到录制目标语句对应的用户语音的指令，展示目标语句的录音参照信息；对用户根据录音参照信息发出的语音进行录制，得到目标语句对应的用户录音；响应于确定目标语句对应的用户录音的质量满足预设的语音质量条件，根据目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本。

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 (14)

1.一种获取语音训练样本的方法，所述方法包括：

响应于检测到录制目标语句对应的用户语音的指令，展示所述目标语句的录音参照信息；

对用户根据所述录音参照信息发出的语音进行录制，得到所述目标语句对应的用户录音；

检测所述目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内，若所述目标语句对应的用户录音的各录音质量参数均在对应的预设范围内，将所述目标语句确定为已处理的语句，根据所述已处理的语句对应的用户录音生成用于对语音合成模型进行训练的训练样本；

确定未在对应的预设范围内的录音质量参数为目标录音质量参数；展示与所述目标录音质量参数对应的预设提示信息；其中，

所述录音质量参数包括字错误率，所述判断所述目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内，包括：

确定所述字错误率的参数值是否为零；以及

所述展示与所述目标录音质量参数对应的预设提示信息，包括：

若所述字错误率的参数值不为零，标记所述目标语句对应的用户录音中的错误字，并展示提示文本或者提示语音。

2.根据权利要求1所述的方法，其中，所述目标语句为预设文本段中的至少一个语句，所述方法还包括：

判断所述预设文本段中是否存在未处理的语句；

若所述预设文本段中存在未处理的语句，基于用户选择未处理的语句的操作将目标语句更新为所述预设文本段中未处理的语句，并生成录制目标语句对应的用户语音的指令。

3.根据权利要求2所述的方法，其中，

不同的录音质量参数对应不同的预设提示信息；

所述方法还包括：重新获取所述目标语句对应的用户录音，并执行所述检测操作。

4.根据权利要求3所述的方法，其中，所述录音质量参数包括以下至少一项：信噪比、音量、每个字对应的语速；以及

所述展示与所述目标录音质量参数对应的预设提示信息，包括：

比较所述目标录音质量参数的预设范围和参数值，确定所述目标录音质量参数的参数偏离方向；

展示所述参数偏离方向对应的预设提示信息。

5.根据权利要求1所述的方法，其中，所述方法还包括：

对语音录制环境的环境音进行录制，得到环境录音；

对所述环境录音中的噪音和混响进行检测；以及

所述响应于检测到录制目标语句对应的用户语音的指令，展示所述目标语句的录音参照信息，包括：

响应于根据所述环境录音的噪音和混响的检测结果确定所述语音录制环境满足预设的语音录制条件，且检测到录制目标语句对应的用户语音的指令，展示所述目标语句的录音参照信息。

6.根据权利要求1-5之一所述的方法，其中，所述录音参照信息，包括：文本信息和/或参考录音。

7.根据权利要求1所述的方法，其中，所述根据所述目标语句对应的用户录音生成用于对语音合成模型进行训练的训练样本，包括：

消除所述目标语句对应的用户录音中的噪音和混响，将消除噪音和混响后的用户录音作为所述训练样本。

8.一种获取语音训练样本的装置，所述装置包括：

展示单元，被配置成响应于检测到录制目标语句对应的用户语音的指令，展示所述目标语句的录音参照信息；

录制单元，被配置成对用户根据所述录音参照信息发出的语音进行录制，得到所述目标语句对应的用户录音；

生成单元，被配置成检测所述目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内，若所述目标语句对应的用户录音的各录音质量参数均在对应的预设范围内，将所述目标语句确定为已处理的语句，根据所述已处理的语句对应的用户录音生成用于对语音合成模型进行训练的训练样本；

参数确定单元，被配置成确定未在对应的预设范围内的录音质量参数为目标录音质量参数；

提示单元，被配置成展示与所述目标录音质量参数对应的预设提示信息；其中，

所述录音质量参数包括字错误率；以及

所述生成单元进一步被配置成按照如下方式执行判断所述目标语句对应的用户录音的各录音质量参数是否在对应的预设范围内：

确定所述字错误率的参数值是否为零；以及

所述展示与所述目标录音质量参数对应的预设提示信息，包括：

若所述字错误率的参数值不为零，标记所述目标语句对应的用户录音中的错误字，并展示提示文本或者提示语音。

9.根据权利要求8所述的装置，其中，所述目标语句为预设文本段中的至少一个语句，所述生成单元进一步被配置成：

判断所述预设文本段中是否存在未处理的语句；

若所述预设文本段中存在未处理的语句，基于用户选择未处理的语句的操作将目标语句更新为所述预设文本段中未处理的语句，并生成录制目标语句对应的用户语音的指令。

10.根据权利要求9所述的装置，其中， 不同的录音质量参数对应不同的预设提示信息；

所述装置还包括：重新检测单元，被配置成重新获取所述目标语句对应的用户录音，并执行所述检测操作。

11.根据权利要求10所述的装置，其中，所述录音质量参数包括以下至少一项：信噪比、音量、每个字对应的语速；以及

所述提示单元进一步被配置成按照如下方式执行展示与所述目标录音质量参数对应的预设提示信息：

比较模块，被配置成比较所述目标录音质量参数的预设范围和参数值，确定所述目标录音质量参数的参数偏离方向；

展示模块，被配置成展示所述参数偏离方向对应的预设提示信息。

12.根据权利要求10所述的装置，其中，所述装置还包括：

环境获取单元，被配置成对语音录制环境的环境音进行录制，得到环境录音；

环境检测单元，被配置成对所述环境录音中的噪音和混响进行检测；以及

所述展示单元进一步被配置成按照如下方式执行响应于检测到录制目标语句对应的用户语音的指令，展示所述目标语句的录音参照信息：

响应于根据所述环境录音的噪音和混响的检测结果确定所述语音录制环境满足预设的语音录制条件，且检测到录制目标语句对应的用户语音的指令，展示所述目标语句的录音参照信息。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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1-7中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images