具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的用于生成语音样本的方法的一个应用场景的示意图。
在如图1的应用场景中所示,用于生成语音样本的方法的执行主体可以是服务器101,首先,服务器101获取第一样本语音102、第二样本语音103和第三样本语音104。然后,服务器101确定上述第一样本语音102和上述第二样本语音103之间的评分105。之后判断评分105是否满足第一预设要求107。之后,服务器101确定上述第一样本语音102和上述第三样本语音104之间的评分106。之后判断评分106是否满足第二预设要求108。当上述评分105满足第一预设要求107,且评分106满足第二预设要求108。服务器101确定上述第一样本语音102、第二样本语音103和第三样本语音104为目标语音样本109。
可以理解的是,用于生成语音样本的方法可以是由服务器101来执行,或者也可以是由其它设备来执行,或者还可以是各种软件程序来执行。其中,服务器101例如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。此外,执行主体也可以体现为服务器、软件等。当执行主体为软件时,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。
应该理解,图1中的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服务器。
继续参考图2,示出了根据本公开的用于生成语音样本的方法的一些实施例的流程200。该用于生成语音样本的方法,包括以下步骤:
步骤201,确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求。
在一些实施例中,用于生成语音样本的方法的执行主体(例如,图1所示的服务器101)可以通过有线连接方式或者无线连接方式,获取语音样本,其中,上述语音样本包括三条语音样本,第一样本语音、第二样本语音和第三样本语音,这里的第一、第二和第三用于表征对应的样本语音在上述语音样本中的顺序。然后,从上述第一样本语音和上述第二样本语音中分别提取对应的帧向量。上述帧向量包括样本语音对应的说话人向量和内容向量。例如,帧向量可以是128维的向量。之后,基于损失函数和上述帧向量得到上述第一样本语音和上述第二样本语音之间的评分。最后,确定上述评分是否满足第一预设要求。上述第一预设要求可以是确定上述评分是否大于或等于预先设定的值。作为示例,可以是将上述评分与上述值进行比较,当上述评分大于上述值时,确定上述评分满足上述第一预设要求。
在一些实施例的一些可选的实现方式中,上述第一预设要求包括第一样本语音和第二样本语音之间的评分大于或等于第一目标值。
步骤202,响应于确定满足,确定上述第一样本语音和上述第三样本语音之间的评分是否满足第二预设要求。
在一些实施例中,上述执行主体在确定步骤201满足的情况下,首先,从上述第一样本语音和上述第三样本语音中分别提取对应的帧向量之后,基于损失函数和上述帧向量得到上述第一样本语音和上述第三样本语音之间的评分。最后,确定上述评分是否满足第二预设要求。上述第二预设要求可以是确定上述评分是否小于预先设定的值。作为示例,可以是将上述评分与上述值进行比较,当上述评分小于上述值时,确定上述评分满足上述第二预设要求。
在一些实施例的一些可选的实现方式中,上述第二预设要求包括第一样本语音和第三样本语音之间的评分小于第二目标值。
步骤203,响应于确定满足,确定上述语音样本为目标语音样本。
在一些实施例中,响应于确定满足,上述执行主体可以将上述第一样本语音、第二样本语音和第三样本语音确定为目标语音样本。在这里,上述第一样本语音、上述第二样本语音和上述第三样本语音是有顺序的。第一、第二和第三可以用于表征对应的样本语音的顺序。
在一些实施例的一些可选的实现方式中,上述第一样本语音和第二样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取上述第一样本语音对应的第一帧向量;上述第一帧向量可以是512维的向量。从上述第二样本语音提取第二帧向量;利用上述第一帧向量和上述第二帧向量,计算上述第二样本语音对应的说话人是上述第一样本语音对应的说话人的评分。作为示例,可以基于上述第一帧向量和上述第二帧向量,利用交叉熵损失函数计算得到交叉熵损失值,将上述交叉熵损失值作为上述第二样本语音对应的说话人是上述第一样本语音对应的说话人的评分。上述交叉熵损失函数又称交叉熵代价函数(Cross-entropy cost function)是用来衡量人工神经网络(Artificial NeuralNetwork,ANN)的预测值与实际值的一种方式。
在一些实施例的一些可选的实现方式中,上述第一样本语音和第三样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取第三帧向量;上述第三帧向量可以是512维的向量。在这里,上述第三帧向量可以与上述第一帧向量为相同帧向量也可以是不同帧向量。从上述第三样本语音中提取第四帧向量;利用上述第三帧向量和上述第四帧向量,确定上述第三样本语音对应的说话人是上述第一样本语音对应的说话人的评分。作为示例,可以基于上述第三帧向量和上述第四帧向量,利用损失函数计算得到损失值,将上述损失值作为上述第一样本语音和第三样本语音之间的评分。
在一些实施例的一些可选的实现方式中,上述方法还包括:使用上述目标语音样本来训练深度神经网络,其中,上述深度神经网络包括操作语音帧的层、聚合到帧级表示的统计池层、在段级操作的附加层和输出层。作为示例,上述操作语音帧的层可以是5层长短期记忆网络(LSTM,Long Short-Term Memory),层的大小可以不同,可以是从512维到1536维。上述聚合到帧级表示的统计池层可以接收最后一个操作语音帧的层的输出作为输入,在输入段上聚合,并计算其平均值和标准偏差。将这些段级统计信息被连接在一起,并传递给上述在段级操作的附加层,上述附加层可以是两层,维度可以分别为512维和300维(其中一个可以用于计算嵌入)。最后通过使用Softmax回归将输出转成概率,并进行输出。
由上述示例可以看出,通过确定第一样本语音与第二样本语音之间的评分和第一样本语音与第三样本语音之间的评分是否满足预设要求来得到符合训练要求的样本,进而增加了样本的数量。
继续参考图3,示出了根据本公开的用于生成语音样本的方法的一些实施例的流程300。该用于生成语音样本的方法,包括以下步骤:
步骤301,获取初始样本语音的语音相关信息,上述语音相关信息包括上述样本语音的说话人信息和内容信息。
在一些实施例中,执行主体(例如,图1所示的服务器101)可以通过有线连接方式或者无线连接方式,获取初始样本语音的语音相关信息。上述语音相关信息包括上述初始样本语音的说话人信息和内容信息。上述说话人信息可以是上述初始样本语音对应的说话人的姓名信息和/或编号信息,也可以是上述说话人的音色信息。上述内容信息可以是上述初始样本语音对应的内容,例如,上述初始样本语音中说的是“本次会议的主题是保护环境”,那么对应的内容信息可以是“本次会议的主题是“保护环境””。
在一些实施例的一些可选的实现方式中,获取初始样本语音的语音相关信息,包括:将上述初始样本语音输入语音处理模型,得到上述说话人信息和内容信息。
作为示例,上述语音处理模型可以用于表征样本语音和语音相关信息之间对应关系,电子设备可以通过多种方式训练出可以表征样本语音和语音相关信息之间对应关系的语音处理模型。电子设备可以基于对大量记录有样本语音和语音相关信息进行统计而生成存储有多个记录有样本语音和语音相关信息的对应关系的对应关系表,并将该对应关系表作为语音处理模型。这样,电子设备可以将样本语音与该对应关系表中的多个记录信息依次进行比较,若该对应关系表中的一个语音与样本语音相同或相似,则将该对应关系表中的该语音所对应的语音相关信息作为样本语音对应的语音相关信息。
作为另一示例,上述语音处理模型也可以是基于训练样本集训练得到的。上述训练样本集中的训练样本可以包括样本语音和上述样本语音对应的样本语音相关信息。可以将上述样本语音作为输入,将上述样本语音相关信息作为期望输出训练得到的语音处理模型。
在一些实施例的一些可选的实现方式中,获取初始样本语音的语音相关信息,包括:从存储上述初始样本语音的语音库中获取语音相关信息,其中,上述语音库中样本语音和语音相关信息是关联存储的。
步骤302,根据上述语音相关信息,获取第一候选语音和第二候选语音。
在一些实施例中,上述执行主体根据步骤301中得到的语音相关信息,获取第一候选语音和第二候选语音。其中,上述第一候选语音与上述初始样本语音的说话人信息相匹配且内容信息不匹配,上述第二候选语音与上述初始样本语音的说话人信息不匹配且内容信息不匹配。上述执行主体可以从语音库中选取上述第一候选语音和上述第二候选语音。其中,上述语音库可以是用于存储语音和对应的语音相关信息的。作为示例,首先,上述执行主体可以从上述语音库中选取说话人信息与步骤301中得到的语音相关信息中的说话人信息相匹配的且内容信息不匹配的语音作为上述第一候选语音。然后,上述执行主体可以从上述语音库中选取说话人信息与步骤301中得到的语音相关信息中的说话人信息不匹配的且内容信息也不匹配的语音作为上述第二候选语音。
步骤303,从上述初始样本语音、上述第一候选语音和上述第二候选语音的各种组合中选择一种组合作为语音样本。
在一些实施例中,上述执行主体可以对步骤301中得到的初始样本语音和步骤302中得到的第一候选语音和第二候选语音进行组合,从各种组合中选择一种组合作为语音样本。上述语音样本中的语音可以是有顺序的。作为示例,语音样本可以是“初始样本语音、第一候选语音和第二候选语音”,也可以是“初始样本语音、第二候选语音和第一候选语音”。
步骤304,确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求。
步骤305,响应于确定满足,确定上述第一样本语音和上述第三样本语音之间的评分是否满足第二预设要求。
步骤306,响应于确定满足,确定上述语音样本为目标语音样本。
在一些实施例中,步骤304-306的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203,在此不再赘述。
本公开的一些实施例公开的用于生成语音样本的方法,通过确定初始样本语音的语音相关信息,可以选择出与上述初始样本语音对应的第一候选语音和第二候选语音。因为初始样本语音、第一候选语音和第二候选语音之间是有顺序的,所以三条语音之间就有多种组合,每一种组合都可以是一个语音样本,这增加了语音样本的数量。通过计算样本语音之间的评分,可以确定这一语音样本是否是目标语音样本,得到了符合训练要求的样本。
进一步参考图4,作为对上述各图上述方法的实现,本公开提供了一种用于生成语音样本的装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的用于生成语音样本的装置400包括:第一确定单元401、第二确定单元402和第三确定单元403。其中,第一确定单元401,被配置成确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求,其中,上述第一样本语音、上述第二样本语音和第三样本语音组成语音样本;第二确定单元402,被配置成响应于确定满足,确定上述第一样本语音和上述第三样本语音之间的评分是否满足第二预设要求;第三确定单元403,被配置成响应于确定满足,确定上述语音样本为目标语音样本。
在一些实施例的一些可选的实现方式中,用于生成语音样本的装置400中的上述语音样本是通过如下步骤生成的:第一获取单元,被配置成获取确定初始样本语音的语音相关信息,上述语音相关信息包括上述样本语音的说话人信息和内容信息;第二获取单元,被配置成根据上述语音相关信息,获取第一候选语音和第二候选语音,其中,上述第一候选语音与上述初始样本语音的说话人信息相匹配且内容信息不匹配,上述第二候选语音与上述初始样本语音的说话人信息不匹配且内容信息不匹配;选择单元,被配置成从上述初始样本语音、上述第一候选语音和上述第二候选语音的各种组合中选择一种组合作为语音样本。
在一些实施例的一些可选的实现方式中,用于生成语音样本的装置400中的第一获取单元被进一步配置成:将上述初始样本语音输入语音处理模型,得到上述说话人信息和内容信息。
在一些实施例的一些可选的实现方式中,用于生成语音样本的装置400的第一获取单元被进一步配置成:从存储上述初始样本语音的语音库中获取语音相关信息,其中,上述语音库中样本语音和语音相关信息是关联存储的。
在一些实施例的一些可选的实现方式中,上述第一样本语音和第二样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取上述第一样本语音对应的第一帧向量;从上述第二样本语音提取第二帧向量;利用上述第一帧向量和上述第二帧向量,计算上述第二样本语音对应的说话人是上述第一样本语音对应的说话人的评分。
在一些实施例的一些可选的实现方式中,上述第一样本语音和第三样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取第三帧向量;从上述第三样本语音中提取第四帧向量;利用上述第三帧向量和上述第四帧向量,确定上述第三样本语音对应的说话人是上述第一样本语音对应的说话人的评分。
在一些实施例的一些可选的实现方式中,上述第一预设要求包括第一样本语音和第二样本语音之间的评分大于或等于第一目标值。
在一些实施例的一些可选的实现方式中,上述第二预设要求包括第一样本语音和第三样本语音之间的评分小于第二目标值。
在一些实施例的一些可选的实现方式中,用于生成语音样本的装置400被进一步配置成:使用上述目标语音样本来训练深度神经网络,其中,上述深度神经网络包括操作语音帧的层、聚合到帧级表示的统计池层、在段级操作的附加层和输出层。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)500的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如存储卡等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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5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,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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:确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求,其中,上述第一样本语音、上述第二样本语音和第三样本语音组成语音样本;响应于确定满足,确定上述第一样本语音和上述第三样本语音之间的评分是否满足第二预设要求;响应于确定满足,确定上述语音样本为目标语音样本。
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公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如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,图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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确定单元、第二确定单元和第三确定单元。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,第一确定单元还可以被描述为“确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种用于生成语音样本的方法,包括:确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求,其中,上述第一样本语音、上述第二样本语音和第三样本语音组成语音样本;响应于确定满足,确定上述第一样本语音和上述第三样本语音之间的评分是否满足第二预设要求;响应于确定满足,确定上述语音样本为目标语音样本。
根据本公开的一个或多个实施例,语音样本是通过如下步骤生成的:获取确定初始样本语音的语音相关信息,上述语音相关信息包括上述初始样本语音的说话人信息和内容信息;根据上述语音相关信息,获取第一候选语音和第二候选语音,其中,上述第一候选语音与上述初始样本语音的说话人信息相匹配且内容信息不匹配,上述第二候选语音与上述初始样本语音的说话人信息不匹配且内容信息不匹配;从上述初始样本语音、上述第一候选语音和上述第二候选语音的各种组合中选择一种组合作为语音样本。
根据本公开的一个或多个实施例,获取初始样本语音的语音相关信息,包括:将上述初始样本语音输入语音处理模型,得到上述说话人信息和内容信息。
根据本公开的一个或多个实施例,获取初始样本语音的语音相关信息,包括:从存储上述初始样本语音的语音库中获取语音相关信息,其中,上述语音库中样本语音和语音相关信息是关联存储的。
根据本公开的一个或多个实施例,上述第一样本语音和第二样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取上述第一样本语音对应的第一帧向量;从上述第二样本语音提取第二帧向量;利用上述第一帧向量和上述第二帧向量,计算上述第二样本语音对应的说话人是上述第一样本语音对应的说话人的评分。
根据本公开的一个或多个实施例,上述第一样本语音和第三样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取第三帧向量;从上述第三样本语音中提取第四帧向量;利用上述第三帧向量和上述第四帧向量,确定上述第三样本语音对应的说话人是上述第一样本语音对应的说话人的评分。
根据本公开的一个或多个实施例,上述第一预设要求包括第一样本语音和第二样本语音之间的评分大于或等于第一目标值。
根据本公开的一个或多个实施例,上述第二预设要求包括第一样本语音和第三样本语音之间的评分小于第二目标值。
根据本公开的一个或多个实施例,上述方法还包括:使用上述目标语音样本来训练深度神经网络,其中,上述深度神经网络包括操作语音帧的层、聚合到帧级表示的统计池层、在段级操作的附加层和输出层。
根据本公开的一个或多个实施例,提供了一种用于生成语音样本的装置,包括:第一确定单元,被配置成确定第一样本语音和第二样本语音之间的评分是否满足第一预设要求,其中,上述第一样本语音、上述第二样本语音和第三样本语音组成语音样本;第二确定单元,被配置成响应于确定满足,确定上述第一样本语音和上述第三样本语音之间的评分是否满足第二预设要求;第三确定单元,被配置成响应于确定满足,确定上述语音样本为目标语音样本。
根据本公开的一个或多个实施例,上述语音样本是通过如下步骤生成的:第一获取单元,被配置成获取确定初始样本语音的语音相关信息,上述语音相关信息包括上述初始样本语音的说话人信息和内容信息;第二获取单元,被配置成根据上述语音相关信息,获取第一候选语音和第二候选语音,其中,上述第一候选语音与上述初始样本语音的说话人信息相匹配且内容信息不匹配,上述第二候选语音与上述初始样本语音的说话人信息不匹配且内容信息不匹配;选择单元,被配置成从上述初始样本语音、上述第一候选语音和上述第二候选语音的各种组合中选择一种组合作为语音样本。
根据本公开的一个或多个实施例,上述装置中的第一获取单元被进一步配置成:将上述初始样本语音输入语音处理模型,得到上述说话人信息和内容信息。
根据本公开的一个或多个实施例,上述装置中的第一获取单元被进一步配置成:从存储上述初始样本语音的语音库中获取语音相关信息,其中,上述语音库中样本语音和语音相关信息是关联存储的。
根据本公开的一个或多个实施例,上述第一样本语音和第二样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取上述第一样本语音对应的第一帧向量;从上述第二样本语音提取第二帧向量;利用上述第一帧向量和上述第二帧向量,计算上述第二样本语音对应的说话人是上述第一样本语音对应的说话人的评分。
根据本公开的一个或多个实施例,上述第一样本语音和第三样本语音之间的评分是通过如下步骤确定的:从上述第一样本语音中提取第三帧向量;从上述第三样本语音中提取第四帧向量;利用上述第三帧向量和上述第四帧向量,确定上述第三样本语音对应的说话人是上述第一样本语音对应的说话人的评分。
根据本公开的一个或多个实施例,上述第一预设要求包括第一样本语音和第二样本语音之间的评分大于或等于第一目标值。
根据本公开的一个或多个实施例,上述第二预设要求包括第一样本语音和第三样本语音之间的评分小于第二目标值。
根据本公开的一个或多个实施例,上述装置被进一步配置成:使用上述目标语音样本来训练深度神经网络,其中,上述深度神经网络包括操作语音帧的层、聚合到帧级表示的统计池层、在段级操作的附加层和输出层。
根据本公开的一个或多个实施例,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上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些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,本公开的实施例中所涉及的范围,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本公开构思的情况下,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。例如上述特征与本公开的实施例中公开的(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。