CN111402842B - 用于生成音频的方法、装置、设备和介质 - Google Patents

用于生成音频的方法、装置、设备和介质 Download PDF

Info

Publication number
CN111402842B
CN111402842B CN202010199256.5A CN202010199256A CN111402842B CN 111402842 B CN111402842 B CN 111402842B CN 202010199256 A CN202010199256 A CN 202010199256A CN 111402842 B CN111402842 B CN 111402842B
Authority
CN
China
Prior art keywords
information
audio
voice
target
style
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
CN202010199256.5A
Other languages
English (en)
Other versions
CN111402842A (zh
Inventor
殷翔
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.)
Douyin Vision Co Ltd
Douyin Vision Beijing Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010199256.5A priority Critical patent/CN111402842B/zh
Publication of CN111402842A publication Critical patent/CN111402842A/zh
Application granted granted Critical
Publication of CN111402842B publication Critical patent/CN111402842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/0008—Associated control or indicating means
    • G10H1/0025—Automatic or semi-automatic music composition, e.g. producing random music, applying rules from music theory or modifying a musical piece
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/02—Means for controlling the tone frequencies, e.g. attack or decay; Means for producing special musical effects, e.g. vibratos or glissandos
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/101—Music Composition or musical creation; Tools or processes therefor
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/101—Music Composition or musical creation; Tools or processes therefor
    • G10H2210/105—Composing aid, e.g. for supporting creation, edition or modification of a piece of music

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Reverberation, Karaoke And Other Acoustics (AREA)

Abstract

本公开的实施例公开了用于生成音频的方法、装置、设备和介质。该用于生成音频的方法的一具体实施方式包括：获取目标语音风格信息和目标用户发出的用户语音音频；基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。该实施方式在保持用户语音音频的音色及其对应的文本信息的基础上，可以将用户语音音频的语音风格进行转换，由此丰富了语音音频的生成方式。

Description

用于生成音频的方法、装置、设备和介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于生成音频的方法、装置、设备和介质。
背景技术
随着智能手机的普及，用户对图像、音频、视频等媒体信息的处理需求日益多样化。例如，在用户获得图像、音频、视频的同时或之后，通常希望对其进行进一步美化处理，然后再将处理后的图像、视频进行分享或展示。
目前，在音频信号处理领域，常见的音频处理方式包括：格式转换、音频拼接、加快或减慢音频节奏等等。然而，音频通常可以包含响度、音调、频率、音色、乐音等多项特征，每一项特征的差异，都将产生音频的不同。例如，现阶段，越来越多的人喜欢用歌曲来表达自己的情感、释放压力等等。而由于唱歌技巧的缺乏，用户往往难以演绎出自己满意的歌曲，与原唱的演唱风格差异较大。
发明内容
本公开提出了用于生成音频的方法、装置、设备和介质。
第一方面，本公开的实施例提供了一种用于生成音频的方法，该方法包括：获取目标语音风格信息和目标用户发出的用户语音音频；基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
在一些实施例中，用户语音音频为目标用户演唱的歌曲的音频，用户语音音频对应的文本信息为歌曲的歌词信息；以及，基于目标语音风格信息和用户语音音频，生成目标语音音频，包括：基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息；基于音色信息和目标语音风格信息，生成目标语音音频，其中，目标语音音频的音高与歌曲的音高相匹配。
在一些实施例中，音色信息和目标语音风格信息分别采用矩阵的形式表征；以及，基于音色信息和目标语音风格信息，生成目标语音音频，包括：通过预先确定的声码器，基于音色信息和目标语音风格信息的点积结果指示的梅尔频谱信息，生成目标语音音频，其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。
在一些实施例中，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息，包括：采用自回归解码器，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
在一些实施例中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；基于人员的语音音频，生成目标语音风格信息。
在一些实施例中，基于人员的语音音频，生成目标语音风格信息，包括：基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息。
在一些实施例中，人员的语音音频为人员演唱的歌曲的音频，人员的语音音频对应的文本信息为歌曲的歌词信息；以及，基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息，包括：基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息。
在一些实施例中，基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息，包括：对歌词信息和音高信息进行对齐处理，得到对齐后的歌词信息和音高信息；基于人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息，以及对齐后的歌词信息和音高信息，生成目标语音风格信息。
在一些实施例中，基于人员的语音音频，生成目标语音风格信息，包括：采用自回归解码器，基于人员的语音音频，生成目标语音风格信息。
在一些实施例中，声谱信息采用嵌入向量embedding的形式表征。
在一些实施例中，目标语音风格信息为目标用户从预先确定的语音风格信息集合中选取的语音风格信息，语音风格信息集合中的每个语音风格信息指示一个人员的语音风格，语音风格信息集合中的不同语音风格信息指示不同人员的语音风格。
在一些实施例中，目标语音风格信息为人员演唱的歌曲的演唱风格信息，目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣。
第二方面，本公开的实施例提供了一种用于生成音频的装置，该装置包括：获取单元，被配置成获取目标语音风格信息和目标用户发出的用户语音音频；生成单元，被配置成基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
第三方面，本公开的实施例提供了一种用于生成音频的电子设备，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音频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用于生成音频的计算机可读介质，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音频的方法中任一实施例的方法。
本公开的实施例提供的用于生成音频的方法、装置、设备和介质，通过获取目标语音风格信息和目标用户发出的用户语音音频，然后，基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配，由此在保持用户语音音频的音色及其对应的文本信息的基础上，可以将用户语音音频的语音风格进行转换，由此丰富了语音音频的生成方式。
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于生成音频的方法的一个实施例的流程图；
图3是根据本公开的用于生成音频的方法的一个应用场景的示意图；
图4是根据本公开的用于生成音频的方法的又一个实施例的流程图；
图5A-图5B是根据本公开的用于生成音频的方法的又一个应用场景的示意图；
图6是根据本公开的用于生成音频的装置的一个实施例的结构示意图；
图7是适于用来实现本公开的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公开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本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于生成音频的方法或用于生成音频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，以接收或发送数据(例如目标语音风格信息和目标用户发出的用户语音音频)等。终端设备101、102、103上可以安装有各种客户端应用，例如音频播放软件、音乐处理应用、新闻资讯类应用、图像处理类应用、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，可以是具有信息处理功能的各种电子设备，包括但不限于智能手机、平板电脑、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，例如基于终端设备101、102、103发送的目标语音风格信息和目标用户发出的用户语音音频，生成目标语音音频的后台音频处理服务器。可选的，后台音频处理服务器还可以将所生成的目标语音音频反馈给终端设备，以供终端设备播放。作为示例，服务器105可以是云端服务器。
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。
还需要说明的是，本公开的实施例所提供的用于生成音频的方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，用于生成音频的装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
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。当用于生成音频的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音频的方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2，示出了根据本公开的用于生成音频的方法的一个实施例的流程200。该用于生成音频的方法，包括以下步骤：
步骤201，获取目标语音风格信息和目标用户发出的用户语音音频。
在本实施例中，用于生成音频的方法的执行主体(例如图1所示的服务器或终端设备)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，或者本地获取目标语音风格信息和目标用户发出的用户语音音频。
其中，语音风格信息(包括目标语音风格信息)可以表征语音的风格，例如，语音风格信息可以表征语速。目标用户可以是任意用户。用户语音音频可以是目标用户发出的任意语音的音频。例如，用户语音音频可以是目标用户演唱的歌曲的音频，也可以是目标用户在对话过程中发出的语音的音频。
在本实施例的一些可选的实现方式中，目标语音风格信息为人员演唱的歌曲的演唱风格信息。目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣。
可以理解，通过后续步骤，上述可选的实现方式可以实现用户语音音频在节奏、颤音、咬字、共鸣等方面的语音风格转换，并且保持用户语音音频的音色及其对应的文本信息，当用户语音音频为用户要唱的歌曲时，可以将用户所演唱的歌曲的节奏、颤音、咬字、共鸣，转换为其他人员(例如歌手)演唱的歌曲的节奏、颤音、咬字、共鸣，并且保持用户演唱的歌曲的音色及歌词不变，由此，可以最终生成具有用户的音色，并且演唱风格为其他人员的演唱风格(例如原唱风格或者明星歌手的演唱风格)的音乐，实现了对所生成的音乐的演唱风格的切换。
可选的，目标语音风格信息也可以是人员在对话过程中，发出的语音的风格信息。
在本实施例的一些可选的实现方式中，目标语音风格信息可以通过如下步骤获得：
首先，获取具有目标语音风格信息指示的语音风格的人员的语音音频。
然后，基于人员的语音音频，生成目标语音风格信息。
作为示例，上述执行主体可以基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息。声谱信息可以为表征语音音频的声谱图的信息。梅尔频谱信息可以是表征语音音频的梅尔频谱图的信息。
在上述可选的实现方式的一些应用场景中，人员的语音音频可以是人员演唱的歌曲的音频。人员的语音音频对应的文本信息为歌曲的歌词信息。由此，基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息，可以包括：基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息。
作为示例，上述执行主体可以采用预先训练的生成式对抗网络，基于歌词信息(即歌曲的歌词信息)、语音音频(即歌曲音频)的声谱信息、语音音频的梅尔频谱信息和语音音频的音高信息，生成目标语音风格信息。
具体地，上述生成式对抗网络可以包括生成网络和判别网络。生成网络可以用于基于歌词信息、语音音频的声谱信息、语音音频的梅尔频谱信息和语音音频的音高信息，生成语音风格信息；判别网络可以用于判断所生成的语音风格信息是否正确。其中，判别网络可以通过判断所生成的语音风格信息与人员的语音音频的风格信息之间的差异，来判断所生成的语音风格信息是否正确。如果不正确，则调整生成式对抗网络的模型参数，从而获得可以生成正确的语音风格信息的生成网络。进而，将可以生成正确的语音风格信息的生成网络，来基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息。
可选的，上述执行主体还可以将歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息输入至采用有监督的机器学习算法训练得到的生成模型，从而得到目标语音风格信息。其中，上述生成模型可以表征歌词信息、语音音频的声谱信息、语音音频的梅尔频谱信息、语音音频的音高信息和语音风格信息之间的对应关系。
可以理解，上述应用场景可以基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，来生成目标语音风格信息，从而可以提高所生成的语音风格信息的准确度，进而通过后续步骤提高最终生成的目标语音音频的效果。
在上述可选的实现方式中的另一些应用场景下，上述执行主体还可以采用自回归解码器，基于人员的语音音频，生成目标语音风格信息。
可以理解，通常，对音频的处理可以包括编码和解码的步骤，而编码器和解码器则分别用于实现上述编码步骤和解码步骤。通过编码步骤，可以一定程度上去除数据冗余，以及格式转换；通过解码步骤，可以将编码后的数据转化为便于后续步骤处理的格式。上述应用场景，相对于采用其他形式的编码器，采用自回归解码器，可以更好地利用语音音频在不同时间尺度上的依赖特点，提高目标语音音频的生成质量。
可选的，上述执行主体还可以采用非自回归解码器(例如音高骨架解码器pitchskeleton decoder)，基于人员的语音音频，生成目标语音风格信息。
在本实施例的一些可选的实现方式中，目标语音风格信息为目标用户从预先确定的语音风格信息集合中选取的语音风格信息，语音风格信息集合中的每个语音风格信息指示一个人员的语音风格，语音风格信息集合中的不同语音风格信息指示不同人员的语音风格。
可以理解，上述可选的实现方式中，用户可以根据自己的需求，从语音风格信息集合中选取目标语音风格信息，进而确定最终生成的目标语音音频的音频风格，由此，提高了语音音频生成的灵活性。
在这里，对于该步骤(即基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息)，上述执行主体可以通过如下方式执行：
首先，对歌词信息和音高信息进行对齐处理，得到对齐后的歌词信息和音高信息。
然后，基于人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息，以及对齐后的歌词信息和音高信息，生成目标语音风格信息。
可以理解，基于对齐后的歌词信息和音高信息，来生成目标语音音频，可以提高目标语音风格信息生成的准确度，提高后续目标语音音频中歌词和音高的同步性，提高所生成的目标语音音频的质量。
可选的，上述用于生成目标语音风格信息的歌词信息和音高信息，也可以是未经对齐的歌词信息和音高信息。
步骤202，基于目标语音风格信息和用户语音音频，生成目标语音音频。
在本实施例中，基于步骤201获取到的目标语音风格信息和用户语音音频，上述执行主体可以生成目标语音音频。目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
作为示例，上述执行主体可以将上述目标语音风格信息和用户语音音频输入至预先训练的音频生成模型，生成目标语音音频。其中，上述音频生成模型可以表征语音风格信息、用户语音音频和目标语音音频之间的对应关系。
作为示例，上述音频生成模型可以基于预先训练的生成式对抗网络获得。具体地，上述生成式对抗网络可以包括生成网络和判别网络。生成网络可以用于基于语音风格信息和用户语音音频，生成目标语音音频。判别网络可以用于判断所生成的目标语音音频是否正确。其中，判别网络可以通过判断所生成的目标语音音频是否满足预设判别条件，来判断所生成的目标语音音频是否正确。如果不正确，则调整生成式对抗网络的模型参数，从而获得可以生成正确的目标语音音频的生成网络。其中，上述预设判别条件可以包括以下至少一项：目标语音音频的语音风格为目标语音风格信息指示的语音风格；目标语音音频的音色与用户语音音频的音色相匹配(例如目标语音音频的音色与用户语音音频的音色之间的相似度大于或等于预设第一相似度阈值)；目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配(例如目标语音音频对应的文本信息与语音音频对应的文本信息之间的相似度大于或等于预设第二相似度阈值)。进而，将可以生成正确的目标语音音频的生成网络作为上述音频生成模型。
可选的，上述音频生成模型还可以是采用有监督的机器学习算法训练得到的模型。
继续参见图3，图3是根据本实施例的用于生成音频的方法的一个应用场景的示意图。在图3的应用场景中，终端设备301首先获取目标语音风格信息302(例如歌曲A的原唱歌手的演唱风格信息)和目标用户发出的用户语音音频303(例如目标用户演唱歌曲A的音频)，然后，基于目标语音风格信息302和用户语音音频303，生成目标语音音频304(例如具有原唱歌手的演唱风格信息指示的演唱风格、以及具有目标用户的音色的歌曲A的音频)，其中，目标语音音频304的语音风格为目标语音风格信息302指示的语音风格，目标语音音频304的音色与用户语音音频303的音色相匹配，并且，目标语音音频304对应的文本信息与用户语音音频303对应的文本信息相匹配。
本公开的上述实施例提供的方法，通过获取目标语音风格信息和目标用户发出的用户语音音频，然后，基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与语音音频对应的文本信息相匹配，在保持用户语音音频的音色及其对应的文本信息的基础上，可以将用户语音音频的语音风格进行转换，由此丰富了语音音频的生成方式。
进一步参考图4，其示出了用于生成音频的方法的又一个实施例的流程400。该用于生成音频的方法的流程400，包括以下步骤：
步骤401，获取目标语音风格信息和目标用户发出的用户语音音频。
在本实施例中，用于生成音频的方法的执行主体(例如图1所示的服务器或终端设备)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，或者本地获取目标语音风格信息和目标用户发出的用户语音音频。其中，用户语音音频为目标用户演唱的歌曲的音频，用户语音音频对应的文本信息为歌曲的歌词信息。
在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。
步骤402，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
在本实施例中，上述执行主体可以基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
作为示例，上述执行主体可以将上述歌词信息和用户语音音频的声谱信息输入至预先训练的音色信息生成模型，生成用户语音音频的音色信息。其中，上述音色信息生成模型可以用于基于语音风格信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
例如，上述音色信息生成模型可以基于预先训练的生成式对抗网络获得。具体地，上述生成式对抗网络可以包括生成网络和判别网络。生成网络可以用于基于语音风格信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。判别网络可以用于判断所生成的音色信息是否正确。其中，判别网络可以通过判断所生成的音色信息是否满足预设判别条件，来判断所生成的音色信息是否正确。如果不正确，则调整生成式对抗网络的模型参数，从而获得可以生成正确的音色信息的生成网络。其中，上述预设判别条件可以包括：所生成的音色信息指示所输入的用户语音音频的音色。进而，将可以生成正确的音色信息的生成网络作为音色信息生成模型。
可选的，上述音色信息生成模型还可以是采用有监督的机器学习算法训练得到的模型。
在本实施例的一些可选的实现方式中，声谱信息采用嵌入向量(embedding)的形式表征。
可以理解，采用嵌入式向量的形式来表征声谱信息，更便于后续运算，进而提高后续生成目标语音音频的准确性。
可选的，声谱信息还可以采用文本等形式表征。
步骤403，基于音色信息和目标语音风格信息，生成目标语音音频，其中，目标语音音频的音高与歌曲的音高相匹配。
在本实施例中，上述执行主体可以基于音色信息和目标语音风格信息，生成目标语音音频。其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，目标语音音频对应的文本信息与语音音频对应的文本信息相匹配，并且，目标语音音频的音高与歌曲的音高相匹配。
作为示例，上述执行主体可以将上述音色信息和目标语音风格信息输入至预先训练的音频生成模型，生成目标语音音频。其中，上述音频生成模型可以用于基于音色信息和语音风格信息，生成目标语音音频。其中，目标语音音频的语音风格为语音风格信息指示的语音风格，目标语音音频的音色与音色信息指示的音色相匹配，目标语音音频对应的文本信息与获得音色信息的语音音频对应的文本信息(即歌词信息)相匹配，并且，目标语音音频的音高与获得音色信息的语音音频(即歌曲)的音高相匹配。
例如，上述音频生成模型可以基于预先训练的生成式对抗网络获得。具体地，上述生成式对抗网络可以包括生成网络和判别网络。生成网络可以用于基于音色信息和语音风格信息，生成目标语音音频。判别网络可以用于判断所生成的目标语音音频是否正确。其中，判别网络可以通过判断所生成的目标语音音频是否满足预设判别条件，来判断所生成的目标语音音频是否正确。如果不正确，则调整生成式对抗网络的模型参数，从而获得可以生成正确的目标语音音频的生成网络。其中，上述预设判别条件可以包括以下至少一项：所生成的目标语音音频的语音风格为输入的语音风格信息指示的语音风格；所生成的目标语音音频的音色与输入的音色信息指示的音色相匹配；所生成的目标语音音频对应的文本信息与获得输入的音色信息的语音音频对应的文本信息(即歌词信息)相匹配(例如两个文本信息之间的相似度大于或等于预设文本相似度阈值)；目标语音音频的音高与获得输入的音色信息的语音音频(即歌曲)的音高相匹配(例如两音高之间的相似度大于或等于预设音高相似度阈值)。由此，可以将可以生成正确的目标语音音频的生成网络作为上述音频生成模型。
可选的，上述音色信息生成模型还可以是采用有监督的机器学习算法训练得到的模型。
需要说明的是，除上面所记载的内容外，本申请实施例还可以包括与图2对应的实施例相同或类似的特征、效果，在此不再赘述。
下面请参见图5A-图5B，图5A-图5B是根据本实施例的用于生成音频的方法的又一个应用场景的示意图。在图5A中，上述执行主体首先根据用户演唱的歌曲的音频，分别确定出该歌曲的音频的歌词信息、嵌入向量形式表征的声谱信息、梅尔频谱信息和音高信息。然后，上述执行主体通过编码器对歌词信息、嵌入向量形式表征的声谱信息、梅尔频谱信息和音高信息进行编码，然后用解码器1和解码器2进行解码。解码器1可以根据编码器1的输出(即编码后的文本信息)和编码器2的输出(即编码后的声谱信息)生成与发音和音色相关的信息(其中包含音色信息)。解码器2可以通过编码器1的输出(即编码后的文本信息)、编码器2的输出(即编码后的声谱信息)、编码器3的输出(即编码后的梅尔频谱信息)和编码器4的输出(即编码后的音高信息)，生成语音风格信息。同理，上述执行主体可以采用类似的方式，获得原唱歌曲的音频的与发音和音色相关的信息(其中包含音色信息)和语音风格信息(即目标语音风格信息)。其中，音色信息和语音风格信息采用向量的形式表征。之后，请继续参考图5B，在图5B中，上述执行主体可以将用户语音音频的音色信息和目标语音风格信息的点积结果转换为梅尔频谱信息(例如梅尔频谱图)，再采用声码器(vocoder)基于上述梅尔频谱信息，生成目标语音音频。
从图4中可以看出，本实施例中的用于生成音频的方法的流程400可以将用户演唱的歌曲的风格进行转换，并且保持用户的音色及其对应的歌词信息，由此满足了用户对歌曲演唱风格进行转换的需求，并且，可以保持最终合成的歌曲具备自己的音色特点。
在本实施例的一些可选的实现方式中，音色信息和目标语音风格信息分别采用矩阵的形式表征。由此，上述执行主体可以通过预先确定的声码器，基于音色信息和目标语音风格信息的点积结果指示的梅尔频谱信息，生成目标语音音频。其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。
具体地，上述执行主体可以首先计算音色信息和目标语音风格信息的点积结果，然后将点积结果指示的梅尔频谱信息输入至上述声码器，从而获得目标语音音频。
可以理解，相对于采用超分辨率网络(Super resolution network)等方式，上述可选的实现方式可以采用声码器(vocoder)来生成目标语音音频，可以提高所生成的目标语音音频的准确性，使得所生成的目标语音音频更接近真实的语音音频(难以分辨出是否未经过合成等后期处理的语音音频)，由此可以使得合成效果更为自然。
在本实施例的一些可选的实现方式中，上述执行主体可以采用自回归解码器，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
可以理解，通常，对音频的处理可以包括编码和解码的步骤，而编码器和解码器则分别用于实现上述编码步骤和解码步骤。通过编码步骤，可以一定程度上去除数据冗余，以及格式转换；通过解码步骤，可以将编码后的歌词信息、用户语音音频的声谱信息转化为便于后续步骤处理的格式。上述应用场景，相对于采用其他形式的编码器，采用自回归解码器，可以更好地利用语音音频在不同时间尺度上的依赖特点，提高目标语音音频的生成质量。
可选的，上述执行主体还可以采用非自回归解码器(例如共振峰解码器Formantmask)，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于生成音频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，以及产生与图2所示的方法实施例相同或相应的效果。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音频的装置600包括：获取单元601被配置成获取目标语音风格信息和目标用户发出的用户语音音频；生成单元602被配置成基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
在本实施例中，用于生成音频的装置600的获取单元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，或者本地获取目标语音风格信息和目标用户发出的用户语音音频。
在本实施例中，基于获取单元601获取到的目标语音风格信息和用户语音音频，上述生成单元602可以生成目标语音音频。目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
在本实施例的一些可选的实现方式中，用户语音音频为目标用户演唱的歌曲的音频，用户语音音频对应的文本信息为歌曲的歌词信息；以及，生成单元602包括：第一生成子单元(图中未示出)，被配置成基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息；第二生成子单元(图中未示出)，被配置成基于音色信息和目标语音风格信息，生成目标语音音频，其中，目标语音音频的音高与歌曲的音高相匹配。
在本实施例的一些可选的实现方式中，音色信息和目标语音风格信息分别采用矩阵的形式表征；以及，第二生成子单元包括：第一生成模块(图中未示出)，被配置成通过预先确定的声码器，基于音色信息和目标语音风格信息的点积结果指示的梅尔频谱信息，生成目标语音音频，其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。
在本实施例的一些可选的实现方式中，第一生成子单元包括：第二生成模块(图中未示出)，被配置成采用自回归解码器，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
在本实施例的一些可选的实现方式中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；基于人员的语音音频，生成目标语音风格信息。
在本实施例的一些可选的实现方式中，基于人员的语音音频，生成目标语音风格信息，包括：基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息。
在本实施例的一些可选的实现方式中，人员的语音音频为人员演唱的歌曲的音频，人员的语音音频对应的文本信息为歌曲的歌词信息；以及，基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息，包括：基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息。
在本实施例的一些可选的实现方式中，基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息，包括：对歌词信息和音高信息进行对齐处理，得到对齐后的歌词信息和音高信息；基于人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息，以及对齐后的歌词信息和音高信息，生成目标语音音频。
在本实施例的一些可选的实现方式中，基于人员的语音音频，生成目标语音风格信息，包括：采用自回归解码器，基于人员的语音音频，生成目标语音风格信息。
在本实施例的一些可选的实现方式中，声谱信息采用嵌入向量embedding的形式表征。
在本实施例的一些可选的实现方式中，目标语音风格信息为目标用户从预先确定的语音风格信息集合中选取的语音风格信息，语音风格信息集合中的每个语音风格信息指示一个人员的语音风格，语音风格信息集合中的不同语音风格信息指示不同人员的语音风格。
在本实施例的一些可选的实现方式中，目标语音风格信息为人员演唱的歌曲的演唱风格信息，目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣。
本公开的上述实施例提供的装置，通过获取单元601获取目标语音风格信息和目标用户发出的用户语音音频，然后，生成单元602基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与语音音频对应的文本信息相匹配，在保持用户语音音频的音色及其对应的文本信息的基础上，可以将用户语音音频的语音风格进行转换，由此丰富了语音音频的生成方式。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的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7示出的终端设备/服务器仅仅是一个示例，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7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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7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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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。在本公开中，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公开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。
根据本公开的一个或多个实施例，本公开提供了一种用于生成音频的方法，该方法包括：获取目标语音风格信息和目标用户发出的用户语音音频；基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，用户语音音频为目标用户演唱的歌曲的音频，用户语音音频对应的文本信息为歌曲的歌词信息；以及，基于目标语音风格信息和用户语音音频，生成目标语音音频，包括：基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息；基于音色信息和目标语音风格信息，生成目标语音音频，其中，目标语音音频的音高与歌曲的音高相匹配。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，音色信息和目标语音风格信息分别采用矩阵的形式表征；以及，基于音色信息和目标语音风格信息，生成目标语音音频，包括：通过预先确定的声码器，基于音色信息和目标语音风格信息的点积结果指示的梅尔频谱信息，生成目标语音音频，其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息，包括：采用自回归解码器，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；基于人员的语音音频，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于人员的语音音频，生成目标语音风格信息，包括：基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，人员的语音音频为人员演唱的歌曲的音频，人员的语音音频对应的文本信息为歌曲的歌词信息；以及，基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息，包括：基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息，包括：对歌词信息和音高信息进行对齐处理，得到对齐后的歌词信息和音高信息；基于人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息，以及对齐后的歌词信息和音高信息，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，生成目标语音风格信息，包括：采用自回归解码器，基于人员的语音音频，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，声谱信息采用嵌入向量embedding的形式表征。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，目标语音风格信息为目标用户从预先确定的语音风格信息集合中选取的语音风格信息，语音风格信息集合中的每个语音风格信息指示一个人员的语音风格，语音风格信息集合中的不同语音风格信息指示不同人员的语音风格。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，目标语音风格信息为人员演唱的歌曲的演唱风格信息，目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣。
根据本公开的一个或多个实施例，本公开提供了一种用于生成音频的装置，该装置包括：获取单元，被配置成获取目标语音风格信息和目标用户发出的用户语音音频；生成单元，被配置成基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，用户语音音频为目标用户演唱的歌曲的音频，用户语音音频对应的文本信息为歌曲的歌词信息；以及，生成单元包括：第一生成子单元，被配置成基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息；第二生成子单元，被配置成基于音色信息和目标语音风格信息，生成目标语音音频，其中，目标语音音频的音高与歌曲的音高相匹配。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，音色信息和目标语音风格信息分别采用矩阵的形式表征；以及，第二生成子单元包括：第一生成模块，被配置成通过预先确定的声码器，基于音色信息和目标语音风格信息的点积结果指示的梅尔频谱信息，生成目标语音音频，其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，第一生成子单元包括：第二生成模块，被配置成采用自回归解码器，基于歌词信息、用户语音音频的声谱信息，生成用户语音音频的音色信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；基于人员的语音音频，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，基于人员的语音音频，生成目标语音风格信息，包括：基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，人员的语音音频为人员演唱的歌曲的音频，人员的语音音频对应的文本信息为歌曲的歌词信息；以及，基于人员的语音音频对应的文本信息、人员的语音音频的声谱信息和人员的语音音频的梅尔频谱信息，生成目标语音风格信息，包括：基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，基于歌词信息、人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息和人员的语音音频的音高信息，生成目标语音风格信息，包括：对歌词信息和音高信息进行对齐处理，得到对齐后的歌词信息和音高信息；基于人员的语音音频的声谱信息、人员的语音音频的梅尔频谱信息，以及对齐后的歌词信息和音高信息，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，基于人员的语音音频，生成目标语音风格信息，包括：采用自回归解码器，基于人员的语音音频，生成目标语音风格信息。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，声谱信息采用嵌入向量embedding的形式表征。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，目标语音风格信息为目标用户从预先确定的语音风格信息集合中选取的语音风格信息，语音风格信息集合中的每个语音风格信息指示一个人员的语音风格，语音风格信息集合中的不同语音风格信息指示不同人员的语音风格。
根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，目标语音风格信息为人员演唱的歌曲的演唱风格信息，目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣。
描述于本公开的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：一种处理器包括获取单元和生成单元。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，获取单元还可以被描述为“获取目标语音风格信息和目标用户发出的用户语音音频的单元”。
作为另一方面，本公开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：获取目标语音风格信息和目标用户发出的用户语音音频；基于目标语音风格信息和用户语音音频，生成目标语音音频，其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格，目标语音音频的音色与用户语音音频的音色相匹配，并且，目标语音音频对应的文本信息与用户语音音频对应的文本信息相匹配。
以上描述仅为本公开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，本公开中所涉及的公开范围，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 (13)

1.一种用于生成音频的方法，包括：
获取目标语音风格信息和目标用户发出的用户语音音频，其中，所述目标语音风格信息为人员演唱的歌曲的演唱风格信息，所述目标语音风格信息根据所述人员演唱的歌曲的歌词信息、声谱信息和梅尔谱信息生成，所述目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣；
基于所述目标语音风格信息和所述用户语音音频，生成目标语音音频，其中，所述目标语音音频的语音风格为所述目标语音风格信息指示的语音风格，所述目标语音音频的音色与所述用户语音音频的音色相匹配，并且，所述目标语音音频对应的文本信息与所述用户语音音频对应的文本信息相匹配；
其中，所述基于所述目标语音风格信息和所述用户语音音频，生成目标语音音频，包括：基于所述目标用户演唱的歌曲的歌词信息和声谱信息，生成所述目标用户演唱的歌曲的音色信息；基于所述音色信息和目标语音风格信息，生成目标语音音频，且所述目标语音音频的音高与所述目标用户演唱的歌曲的音高相匹配。
2.根据权利要求1所述的方法，其中，所述音色信息和所述目标语音风格信息分别采用矩阵的形式表征；以及
所述基于所述音色信息和所述目标语音风格信息，生成目标语音音频，包括：
通过预先确定的声码器，基于所述音色信息和所述目标语音风格信息的点积结果指示的梅尔频谱信息，生成目标语音音频，其中，所述声码器用于表征梅尔频谱信息与语音音频之间的对应关系。
3.根据权利要求1所述的方法，其中，所述基于所述歌词信息、所述用户语音音频的声谱信息，生成所述用户语音音频的音色信息，包括：
采用自回归解码器，基于所述歌词信息、所述用户语音音频的声谱信息，生成所述用户语音音频的音色信息。
4.根据权利要求1所述的方法，其中，所述目标语音风格信息通过如下步骤获得：
获取具有所述目标语音风格信息指示的语音风格的人员的语音音频；
基于所述人员的语音音频，生成目标语音风格信息。
5.根据权利要求4所述的方法，其中，所述基于所述人员的语音音频，生成目标语音风格信息，包括：
基于所述人员的语音音频对应的文本信息、所述人员的语音音频的声谱信息和所述人员的语音音频的梅尔频谱信息，生成目标语音风格信息。
6.根据权利要求5所述的方法，其中，所述人员的语音音频为所述人员演唱的歌曲的音频，所述人员的语音音频对应的文本信息为所述歌曲的歌词信息；以及
所述基于所述人员的语音音频对应的文本信息、所述人员的语音音频的声谱信息和所述人员的语音音频的梅尔频谱信息，生成目标语音风格信息，包括：
基于所述歌词信息、所述人员的语音音频的声谱信息、所述人员的语音音频的梅尔频谱信息和所述人员的语音音频的音高信息，生成目标语音风格信息。
7.根据权利要求6所述的方法，其中，所述基于所述歌词信息、所述人员的语音音频的声谱信息、所述人员的语音音频的梅尔频谱信息和所述人员的语音音频的音高信息，生成目标语音风格信息，包括：
对所述歌词信息和所述音高信息进行对齐处理，得到对齐后的歌词信息和音高信息；
基于所述人员的语音音频的声谱信息、所述人员的语音音频的梅尔频谱信息，以及所述对齐后的歌词信息和音高信息，生成目标语音风格信息。
8.根据权利要求4所述的方法，其中，所述基于所述人员的语音音频，生成目标语音风格信息，包括：
采用自回归解码器，基于所述人员的语音音频，生成目标语音风格信息。
9.根据权利要求1-3、5-7之一所述的方法，其中，声谱信息采用嵌入向量embedding的形式表征。
10.根据权利要求1-8之一所述的方法，其中，所述目标语音风格信息为所述目标用户从预先确定的语音风格信息集合中选取的语音风格信息，所述语音风格信息集合中的每个语音风格信息指示一个人员的语音风格，所述语音风格信息集合中的不同语音风格信息指示不同人员的语音风格。
11.一种用于生成音频的装置，包括：
获取单元，被配置成获取目标语音风格信息和目标用户发出的用户语音音频，其中，所述目标语音风格信息为人员演唱的歌曲的演唱风格信息，所述目标语音风格信息根据所述人员演唱的歌曲的歌词信息、声谱信息和梅尔谱信息生成，所述目标语音风格信息表征以下至少一项：节奏、颤音、咬字、共鸣；
生成单元，被配置成基于所述目标语音风格信息和所述用户语音音频，生成目标语音音频，其中，所述目标语音音频的语音风格为所述目标语音风格信息指示的语音风格，所述目标语音音频的音色与所述用户语音音频的音色相匹配，并且，所述目标语音音频对应的文本信息与所述用户语音音频对应的文本信息相匹配；
其中，所述生成单元进一步被配置成：基于所述目标用户演唱的歌曲的歌词信息和声谱信息，生成所述目标用户演唱的歌曲的音色信息；基于所述音色信息和目标语音风格信息，生成目标语音音频，且所述目标语音音频的音高与所述目标用户演唱的歌曲的音高相匹配。
12.一种电子设备，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1-10中任一所述的方法。
13.一种计算机可读介质，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1-10中任一所述的方法。
CN202010199256.5A 2020-03-20 2020-03-20 用于生成音频的方法、装置、设备和介质 Active CN111402842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010199256.5A CN111402842B (zh) 2020-03-20 2020-03-20 用于生成音频的方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010199256.5A CN111402842B (zh) 2020-03-20 2020-03-20 用于生成音频的方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN111402842A CN111402842A (zh) 2020-07-10
CN111402842B true CN111402842B (zh) 2021-11-19

Family

ID=71429010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010199256.5A Active CN111402842B (zh) 2020-03-20 2020-03-20 用于生成音频的方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111402842B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899719B (zh) * 2020-07-30 2024-07-05 北京字节跳动网络技术有限公司 用于生成音频的方法、装置、设备和介质
CN111899720B (zh) * 2020-07-30 2024-03-15 北京字节跳动网络技术有限公司 用于生成音频的方法、装置、设备和介质
CN112270920A (zh) * 2020-10-28 2021-01-26 北京百度网讯科技有限公司 一种语音合成方法、装置、电子设备和可读存储介质
CN112365881A (zh) * 2020-11-11 2021-02-12 北京百度网讯科技有限公司 语音合成方法及对应模型的训练方法、装置、设备与介质
CN112365877A (zh) * 2020-11-27 2021-02-12 北京百度网讯科技有限公司 语音合成方法、装置、电子设备和存储介质
CN112652309A (zh) * 2020-12-21 2021-04-13 科大讯飞股份有限公司 一种方言语音转换方法、装置、设备及存储介质
CN113257222B (zh) * 2021-04-13 2024-06-11 腾讯音乐娱乐科技（深圳）有限公司 合成歌曲音频的方法、终端及存储介质
CN113628629A (zh) * 2021-07-29 2021-11-09 深圳华维教育科技有限公司 一种具有音色复刻功能的记忆模组及其复刻方法
CN113870873A (zh) * 2021-09-14 2021-12-31 杭州网易云音乐科技有限公司 一种基于音色的智能调音方法、装置、介质和计算设备
CN114005428A (zh) * 2021-12-31 2022-02-01 科大讯飞股份有限公司 语音合成方法、装置、电子设备、存储介质和程序产品
CN117746834B (zh) * 2024-02-21 2024-05-24 青岛海尔科技有限公司 基于大模型的语音生成方法及装置、存储介质、电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016183998A (ja) * 2015-03-25 2016-10-20 ブラザー工業株式会社 音声合成装置、及びプログラム
CN106652997A (zh) * 2016-12-29 2017-05-10 腾讯音乐娱乐（深圳）有限公司 一种音频合成的方法及终端
CN107705783A (zh) * 2017-11-27 2018-02-16 北京搜狗科技发展有限公司 一种语音合成方法及装置
CN107863095A (zh) * 2017-11-21 2018-03-30 广州酷狗计算机科技有限公司 音频信号处理方法、装置和存储介质
CN109147757A (zh) * 2018-09-11 2019-01-04 广州酷狗计算机科技有限公司 歌声合成方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005004106A (ja) * 2003-06-13 2005-01-06 Sony Corp 信号合成方法及び装置、歌声合成方法及び装置、プログラム及び記録媒体並びにロボット装置
US8729374B2 (en) * 2011-07-22 2014-05-20 Howling Technology Method and apparatus for converting a spoken voice to a singing voice sung in the manner of a target singer
US9672811B2 (en) * 2012-11-29 2017-06-06 Sony Interactive Entertainment Inc. Combining auditory attention cues with phoneme posterior scores for phone/vowel/syllable boundary detection
CN104766603B (zh) * 2014-01-06 2019-03-19 科大讯飞股份有限公司 构建个性化歌唱风格频谱合成模型的方法及装置
CN105304080B (zh) * 2015-09-22 2019-09-03 科大讯飞股份有限公司 语音合成装置及方法
CN105788589B (zh) * 2016-05-04 2021-07-06 腾讯科技（深圳）有限公司 一种音频数据的处理方法及装置
JP6756607B2 (ja) * 2016-12-27 2020-09-16 日本放送協会 アクセント型判定装置及びプログラム
CN110277106B (zh) * 2019-06-21 2021-10-22 北京达佳互联信息技术有限公司 音频质量确定方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016183998A (ja) * 2015-03-25 2016-10-20 ブラザー工業株式会社 音声合成装置、及びプログラム
CN106652997A (zh) * 2016-12-29 2017-05-10 腾讯音乐娱乐（深圳）有限公司 一种音频合成的方法及终端
CN107863095A (zh) * 2017-11-21 2018-03-30 广州酷狗计算机科技有限公司 音频信号处理方法、装置和存储介质
CN107705783A (zh) * 2017-11-27 2018-02-16 北京搜狗科技发展有限公司 一种语音合成方法及装置
CN109147757A (zh) * 2018-09-11 2019-01-04 广州酷狗计算机科技有限公司 歌声合成方法及装置

Also Published As

Publication number Publication date
CN111402842A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111402842B (zh) 用于生成音频的方法、装置、设备和介质
CN111899720B (zh) 用于生成音频的方法、装置、设备和介质
CN111899719B (zh) 用于生成音频的方法、装置、设备和介质
CN111369967B (zh) 基于虚拟人物的语音合成方法、装置、介质及设备
CN111583900B (zh) 歌曲合成方法、装置、可读介质及电子设备
CN111445892B (zh) 歌曲生成方法、装置、可读介质及电子设备
CN111402843B (zh) 说唱音乐生成方法、装置、可读介质及电子设备
CN111599343B (zh) 用于生成音频的方法、装置、设备和介质
CN111798821B (zh) 声音转换方法、装置、可读存储介质及电子设备
CN111292717B (zh) 语音合成方法、装置、存储介质和电子设备
CN113257218B (zh) 语音合成方法、装置、电子设备和存储介质
CN111782576B (zh) 背景音乐的生成方法、装置、可读介质、电子设备
CN113205793B (zh) 音频生成方法、装置、存储介质及电子设备
CN111477210A (zh) 语音合成方法和装置
CN112035699A (zh) 音乐合成方法、装置、设备和计算机可读介质
CN113923390A (zh) 视频录制方法、装置、设备及存储介质
CN113223555A (zh) 视频生成方法、装置、存储介质及电子设备
CN111862933A (zh) 用于生成合成语音的方法、装置、设备和介质
CN111429881A (zh) 声音复制方法、装置、可读介质及电子设备
CN111415662A (zh) 用于生成视频的方法、装置、设备和介质
CN112383721B (zh) 用于生成视频的方法、装置、设备和介质
CN112652292A (zh) 用于生成音频的方法、装置、设备和介质
CN112382268A (zh) 用于生成音频的方法、装置、设备和介质
CN112382297A (zh) 用于生成音频的方法、装置、设备和介质
CN112382273A (zh) 用于生成音频的方法、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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: Tiktok vision (Beijing) Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.