CN111402867A - 混合采样率声学模型训练方法、装置及电子设备 - Google Patents
混合采样率声学模型训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111402867A CN111402867A CN202010318273.6A CN202010318273A CN111402867A CN 111402867 A CN111402867 A CN 111402867A CN 202010318273 A CN202010318273 A CN 202010318273A CN 111402867 A CN111402867 A CN 111402867A
- Authority
- CN
- China
- Prior art keywords
- data object
- sound data
- feature
- dimension
- sampling rate
- 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.)
- Granted
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 112
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 34
- 230000001502 supplementing effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 17
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开实施例中提供了一种混合采样率声学模型训练方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象；分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取；当第一维度特征与第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征；基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。通过本公开的处理方案，能够提高声学模型的训练效率。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种混合采样率声学模型训练方法、装置及电子设备。
背景技术
语音处理(Speech processing)，又称语音信号处理、人声处理，其目的是希望做出想要的信号，进一步做语音辨识，应用到手机界面甚至一般生活中，使人与电脑能进行沟通。
语音处理的过程中，可以用麦克风或其他装置收到的类音声音信号，经由模拟数字变换装置，将资料数据化进行处理，最后再经过数字模拟变换装置输出。因此，在处理时是针对数字信号，语音信号是一种离散时间信号。其信号处理流程如下：收取并采样信号：利用麦克风或各种收音装置，收取模拟语音信号，再用ADC装置(如模拟数字变换卡)把模拟信号变成数字信号，接着根据奈奎斯特理论作采样，若不符合理论则会造成信号失真。量化及编码：由于电脑中的记忆都是0和1，因此要将所收到的数据用一段适合的0跟1去储存，这个动作就称为量化，所使用的0与1越多，所需的内存越多。接着利用编码器将数值以波形呈现。将语音信号标准化，使其数值都落在同一个范围。由于语音信号是一段很长的信号，因此会针对想要处理的部分取音框。由于噪声多集中在高频的部分，因此利用简单的高频滤波器，就可以去掉部分噪声。
在对多路不同采样率的数据信号进行处理的过程中，由于不同采样率的声音信号的存在，会导致提取的声音特征存在数据失真的情况。
发明内容
有鉴于此，本公开实施例提供一种混合采样率声学模型训练方法、装置及电子设备，以至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种混合采样率声学模型训练方法，包括：
获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
根据本公开实施例的一种具体实现方式，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，包括：
对获取到的语音文件中包含的语音信息进行解析；
基于解析的结果，确定所述语音文件中是否包含有不同采样率的声音文件；
若是，则基于不同数值的采样率，在所述语音文件中提取所述第一声音数据对象和第二声音数据对象。
根据本公开实施例的一种具体实现方式，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象之前，包括：
预先配置所述第一采样率和所述第二采样率的采样值；
基于所述采样值，在获取到的语音文件中提取所述第一声音数据对象和所述第二声音数据对象。
根据本公开实施例的一种具体实现方式，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取之前，所述方法还包括：
预先设置用于进行特征提取的神经网络模型；
基于预先设置的训练样本，对所述神经网络模型进行训练；
当所述神经网络模型输出的数据满足性能指标之后，停止对所述神经网络模型的训练。
根据本公开实施例的一种具体实现方式，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，包括：
在所述神经网络模型中设置用于进行特征提取的特征网络层；
基于所述特征网络层，提取所述第一声音数据对象和所述第二声音数据对象中的声音特征，以得到第一维度特征和第二维度特征。
根据本公开实施例的一种具体实现方式，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数小于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第一维度特征中补充与所述维度数差值对应的维度特征。
根据本公开实施例的一种具体实现方式，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数大于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第二维度特征中补充与所述维度数差值对应的维度特征。
根据本公开实施例的一种具体实现方式，所述基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练，包括：
将所述第三维度特征和所述第四维度特征合并为输入特征；
利用所述输入特征，对所述混合采样率声学模型进行训练。
第二方面，本公开实施例提供了一种混合采样率声学模型训练装置，包括：
获取模块，用于获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
提取模块，用于分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
对齐模块，用于当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
执行模块，用于基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的混合采样率声学模型训练方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的混合采样率声学模型训练方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的混合采样率声学模型训练方法。
本公开实施例中的混合采样率声学模型训练方案，包括获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。通过本公开的处理方案，提高了混合采样率声学模型训练的效率。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种混合采样率声学模型训练方法的流程图；
图2为本公开实施例提供的另一种混合采样率声学模型训练方法的流程图；
图3为本公开实施例提供的另一种混合采样率声学模型训练方法的流程图；
图4为本公开实施例提供的另一种混合采样率声学模型训练方法的流程图；
图5为本公开实施例提供的一种混合采样率声学模型训练装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种混合采样率声学模型训练方法。本实施例提供的混合采样率声学模型训练方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、客户端等中。
参见图1，本公开实施例中的混合采样率声学模型训练方法，可以包括如下步骤：
S101，获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同。
进行声学训练的语音文件通常含有多个不同采样率的声音数据，通过对这些声音数据文件进行解析，能够获得不同采样率的声音数据，从而进一步的基于这些声音数据进行数据分析。
作为一种方式，可以对获取到的包含多个采样率的声音文件进行解析，通过对解析结果进行分析，可以获得声音文件中包含的所有采样率的信息，通过从这些多个采样率的文件中进行分析的方法，能够选择满足要求的采样率文件，从而进一步的形成包含第一采样率的第一声音数据对象和包含第二采样率的第二声音数据文件。
S102，分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征。
不同的采样率的声音文件在进行特征提取的过程中，可能会存在不同的声音特征，为此，需要对获取到的声音文件进行特征提取，通过提取到的特征对声音文件进行进一步的处理。
为了快速有效的对声音文件进行特征提取，可以预先设置用于进行特征提取的神经网络模型，该神经网络模型可以是卷积神经网络模型，也可以是其他类型的神经网络模型，在此对于神经网络模型的具体形式不作限定。
在对神经网络模型进行特征提取之前，可以预先设置训练样本，通过预先设置的训练样本，对所述神经网络模型进行训练，当所述神经网络模型输出的数据满足性能指标之后，停止对所述神经网络模型的训练，从而利用该神经网络模型进行特征提取。
在进行特征提取的过程中，可以在神经网络模型中设置特定的网络层，通过该网络层来提取声音特征，该网络层可以例如是卷积神经网络中的卷积层，也可以是全连接层，在此可以根据实际的需要来设置网络层的具体结构。
S103，当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同。
由于不同声音文件的采样率的不同，从而导致不同的声音文件提取到的特征数也不同，例如，对于16K比特率的声音文件来讲，其提取到的特征数可能是80个维度，对于8K比特率的声音文件而言，其提取到的特征数可能是60个特征维度，针对这种情况，就需要对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，从而保证第一声音数据对象和第二声音数据对象中提取到的特征数保持一致。
作为一种方式，可以比较第一声音数据对象中的特征数和第二声音数据对象中的特征数是否相同，若不相同，可以对特征维度数较小的声音数据对象中执行补齐操作。例如，对于包含60个特征维度的第二声音数据对象而言，可以对其增加20个空白特征维度，使得第二声音数据对象在补齐之后也具有80个特征维度，与第一声音数据对象的维度数保持一致。
当然除此之外，还可以采用其他的方式对第一声音数据对象和第二声音数据对象执行对其操作，执行对其操作之后，第一声音数据对象和第二声音数据对象分别对应性的形成第三维度特征和第四维度特征，第三维度特征和第四维度特征包含相同的特征数。
S104，基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
将第三维度特征和第四维度特征作为混合特征输入到混合采样率声学模型中进行训练，能够得到第一声音数据对象和第二声音数据对象的特征结果。声学模型可以是例如CTC之类的声学训练模型，对于声学训练模型的数据训练和处理方式可以采用常见的方式进行，在此不作限定。
通过上述实施例中的内容，能够对不同采样率的声音信号进行特征提取，从而高效准确的对声音文件特征进行处理，提高了声音文件的处理效率。
参见图2，根据本公开实施例的一种具体实现方式，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，包括：
S201，对获取到的语音文件中包含的语音信息进行解析。
语音文件中可以包含多个不同采样率的声音数据，通过数据解析，可以获得语音文件中包含的声音数据的采样率信息。
S202，基于解析的结果，确定所述语音文件中是否包含有不同采样率的声音文件。
S203，若是，则基于不同数值的采样率，在所述语音文件中提取所述第一声音数据对象和第二声音数据对象。
根据本公开实施例的一种具体实现方式，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象之前，包括：预先配置所述第一采样率和所述第二采样率的采样值；基于所述采样值，在获取到的语音文件中提取所述第一声音数据对象和所述第二声音数据对象。
参见图3，根据本公开实施例的一种具体实现方式，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取之前，所述方法还包括：
S301，预先设置用于进行特征提取的神经网络模型。
为了快速有效的对声音文件进行特征提取，可以预先设置用于进行特征提取的神经网络模型，该神经网络模型可以是卷积神经网络模型，也可以是其他类型的神经网络模型，在此对于神经网络模型的具体形式不作限定。
S302，基于预先设置的训练样本，对所述神经网络模型进行训练。
在对神经网络模型进行特征提取之前，可以预先设置训练样本，通过预先设置的训练样本，对所述神经网络模型进行训练。
S303，当所述神经网络模型输出的数据满足性能指标之后，停止对所述神经网络模型的训练。
通过上述实施例中的内容，能够基于神经网络模型对声音特征进行特征提取。
根据本公开实施例的一种具体实现方式，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，包括：
在所述神经网络模型中设置用于进行特征提取的特征网络层；
基于所述特征网络层，提取所述第一声音数据对象和所述第二声音数据对象中的声音特征，以得到第一维度特征和第二维度特征。
参见图4，根据本公开实施例的一种具体实现方式，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
S401，当所述第一维度特征中的维度数小于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
S402，在所述第一维度特征中补充与所述维度数差值对应的维度特征。
根据本公开实施例的一种具体实现方式，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数大于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值，在所述第二维度特征中补充与所述维度数差值对应的维度特征。
根据本公开实施例的一种具体实现方式，所述基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练，包括：
将所述第三维度特征和所述第四维度特征合并为输入特征；
利用所述输入特征，对所述混合采样率声学模型进行训练。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种混合采样率声学模型训练装置50，包括：
获取模块501，用于获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
提取模块502，用于分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
对齐模块503，用于当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
执行模块504，用于基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的混合采样率声学模型训练方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的混合采样率声学模型训练方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的混合采样率声学模型训练方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子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6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60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60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、图像传感器、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60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，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。
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ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开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。
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：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，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：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
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，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。
根据本公开的一个或多个实施例，本公开提供了一种混合采样率声学模型训练方法，该方法包括：
获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
根据本公开的一个或多个实施例，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，包括：
对获取到的语音文件中包含的语音信息进行解析；
基于解析的结果，确定所述语音文件中是否包含有不同采样率的声音文件；
若是，则基于不同数值的采样率，在所述语音文件中提取所述第一声音数据对象和第二声音数据对象。
根据本公开的一个或多个实施例，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象之前，包括：
预先配置所述第一采样率和所述第二采样率的采样值；
基于所述采样值，在获取到的语音文件中提取所述第一声音数据对象和所述第二声音数据对象。
根据本公开的一个或多个实施例，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取之前，所述方法还包括：
预先设置用于进行特征提取的神经网络模型；
基于预先设置的训练样本，对所述神经网络模型进行训练；
当所述神经网络模型输出的数据满足性能指标之后，停止对所述神经网络模型的训练。
根据本公开的一个或多个实施例，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，包括：
在所述神经网络模型中设置用于进行特征提取的特征网络层；
基于所述特征网络层，提取所述第一声音数据对象和所述第二声音数据对象中的声音特征，以得到第一维度特征和第二维度特征。
根据本公开的一个或多个实施例，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数小于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第一维度特征中补充与所述维度数差值对应的维度特征。
根据本公开的一个或多个实施例，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数大于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第二维度特征中补充与所述维度数差值对应的维度特征。
根据本公开的一个或多个实施例，所述基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练，包括：
将所述第三维度特征和所述第四维度特征合并为输入特征；
利用所述输入特征，对所述混合采样率声学模型进行训练。
根据本公开的一个或多个实施例，本公开提供了一种混合采样率声学模型训练装置，包括：
获取模块，用于获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
提取模块，用于分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
对齐模块，用于当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
执行模块，用于基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
对获取到的语音文件中包含的语音信息进行解析；
基于解析的结果，确定所述语音文件中是否包含有不同采样率的声音文件；
若是，则基于不同数值的采样率，在所述语音文件中提取所述第一声音数据对象和第二声音数据对象。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
预先配置所述第一采样率和所述第二采样率的采样值；
基于所述采样值，在获取到的语音文件中提取所述第一声音数据对象和所述第二声音数据对象。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
预先设置用于进行特征提取的神经网络模型；
基于预先设置的训练样本，对所述神经网络模型进行训练；
当所述神经网络模型输出的数据满足性能指标之后，停止对所述神经网络模型的训练。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
在所述神经网络模型中设置用于进行特征提取的特征网络层；
基于所述特征网络层，提取所述第一声音数据对象和所述第二声音数据对象中的声音特征，以得到第一维度特征和第二维度特征。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
当所述第一维度特征中的维度数小于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第一维度特征中补充与所述维度数差值对应的维度特征。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
当所述第一维度特征中的维度数大于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第二维度特征中补充与所述维度数差值对应的维度特征。
根据本公开的一个或多个实施例，所述混合采样率声学模型训练装置还用于：
将所述第三维度特征和所述第四维度特征合并为输入特征；
利用所述输入特征，对所述混合采样率声学模型进行训练。
描述于本公开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。其中，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“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种混合采样率声学模型训练方法，其特征在于，包括：
获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，包括：
对获取到的语音文件中包含的语音信息进行解析；
基于解析的结果，确定所述语音文件中是否包含有不同采样率的声音文件；
若是，则基于不同数值的采样率，在所述语音文件中提取所述第一声音数据对象和第二声音数据对象。
3.根据权利要求1所述的方法，其特征在于，所述获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象之前，包括：
预先配置所述第一采样率和所述第二采样率的采样值；
基于所述采样值，在获取到的语音文件中提取所述第一声音数据对象和所述第二声音数据对象。
4.根据权利要求1所述的方法，其特征在于，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取之前，所述方法还包括：
预先设置用于进行特征提取的神经网络模型；
基于预先设置的训练样本，对所述神经网络模型进行训练；
当所述神经网络模型输出的数据满足性能指标之后，停止对所述神经网络模型的训练。
5.根据权利要求4所述的方法，其特征在于，所述分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，包括：
在所述神经网络模型中设置用于进行特征提取的特征网络层；
基于所述特征网络层，提取所述第一声音数据对象和所述第二声音数据对象中的声音特征，以得到第一维度特征和第二维度特征。
6.根据权利要求1所述的方法，其特征在于，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数小于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第一维度特征中补充与所述维度数差值对应的维度特征。
7.根据权利要求1所述的方法，其特征在于，所述对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，包括：
当所述第一维度特征中的维度数大于所述第二维度特征中的维度数时，计算所述第一维度特征与所述第二维度特征之间的维度数差值；
在所述第二维度特征中补充与所述维度数差值对应的维度特征。
8.根据权利要求1所述的方法，其特征在于，所述基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练，包括：
将所述第三维度特征和所述第四维度特征合并为输入特征；
利用所述输入特征，对所述混合采样率声学模型进行训练。
9.一种混合采样率声学模型训练装置，其特征在于，包括：
获取模块，用于获取包含第一采样率的第一声音数据对象以及包含第二采样率的第二声音数据对象，所述第一采样率和所述第二采样率不同；
提取模块，用于分别对所述第一声音数据对象和所述第二声音数据对象进行特征提取，以得到第一声音数据对象的第一维度特征和所述第二声音数据对象的第二维度特征；
对齐模块，用于当所述第一维度特征与所述第二维度特征的特征数不同时，对所述第一声音数据对象和所述第二声音数据对象执行维度对齐操作，得到第一声音数据对象的第三维度特征和第二声音数据对象的第四维度特征，所述第三维度特征和所述第四维度特征的维度特征数相同；
执行模块，用于基于所述第三维度特征和所述第四维度特征，对混合采样率声学模型进行训练。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-8中任一项所述的混合采样率声学模型训练方法。
11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-8中任一项所述的混合采样率声学模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010318273.6A CN111402867B (zh) | 2020-04-21 | 2020-04-21 | 混合采样率声学模型训练方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010318273.6A CN111402867B (zh) | 2020-04-21 | 2020-04-21 | 混合采样率声学模型训练方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402867A true CN111402867A (zh) | 2020-07-10 |
| CN111402867B CN111402867B (zh) | 2021-01-22 |
Family
ID=71429710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010318273.6A Active CN111402867B (zh) | 2020-04-21 | 2020-04-21 | 混合采样率声学模型训练方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402867B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114420100A (zh) * | 2022-03-30 | 2022-04-29 | 中国科学院自动化研究所 | 语音检测方法及装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020035469A1 (en) * | 1999-03-08 | 2002-03-21 | Martin Holzapfel | Method and configuration for determining a descriptive feature of a speech signal |
| CN105513590A (zh) * | 2015-11-23 | 2016-04-20 | 百度在线网络技术（北京）有限公司 | 语音识别的方法和装置 |
| CN106997767A (zh) * | 2017-03-24 | 2017-08-01 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音处理方法及装置 |
| CN108510979A (zh) * | 2017-02-27 | 2018-09-07 | 芋头科技（杭州）有限公司 | 一种混合频率声学识别模型的训练方法及语音识别方法 |
| CN109817198A (zh) * | 2019-03-06 | 2019-05-28 | 广州多益网络股份有限公司 | 用于语音合成的多发音训练方法、语音合成方法与装置 |
| CN110459205A (zh) * | 2019-09-24 | 2019-11-15 | 京东数字科技控股有限公司 | 语音识别方法及装置、计算机可存储介质 |
| CN110600018A (zh) * | 2019-09-05 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 语音识别方法及装置、神经网络训练方法及装置 |
| US20200042286A1 (en) * | 2018-08-01 | 2020-02-06 | Adobe Inc. | Collecting Multimodal Image Editing Requests |
-
2020
- 2020-04-21 CN CN202010318273.6A patent/CN111402867B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020035469A1 (en) * | 1999-03-08 | 2002-03-21 | Martin Holzapfel | Method and configuration for determining a descriptive feature of a speech signal |
| CN105513590A (zh) * | 2015-11-23 | 2016-04-20 | 百度在线网络技术（北京）有限公司 | 语音识别的方法和装置 |
| CN108510979A (zh) * | 2017-02-27 | 2018-09-07 | 芋头科技（杭州）有限公司 | 一种混合频率声学识别模型的训练方法及语音识别方法 |
| CN106997767A (zh) * | 2017-03-24 | 2017-08-01 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音处理方法及装置 |
| US20200042286A1 (en) * | 2018-08-01 | 2020-02-06 | Adobe Inc. | Collecting Multimodal Image Editing Requests |
| CN109817198A (zh) * | 2019-03-06 | 2019-05-28 | 广州多益网络股份有限公司 | 用于语音合成的多发音训练方法、语音合成方法与装置 |
| CN110600018A (zh) * | 2019-09-05 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 语音识别方法及装置、神经网络训练方法及装置 |
| CN110459205A (zh) * | 2019-09-24 | 2019-11-15 | 京东数字科技控股有限公司 | 语音识别方法及装置、计算机可存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114420100A (zh) * | 2022-03-30 | 2022-04-29 | 中国科学院自动化研究所 | 语音检测方法及装置、电子设备及存储介质 |
| CN114420100B (zh) * | 2022-03-30 | 2022-06-21 | 中国科学院自动化研究所 | 语音检测方法及装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402867B (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110189394B (zh) | 口型生成方法、装置及电子设备 | |
| CN113378586B (zh) | 语音翻译方法、翻译模型训练方法、装置、介质及设备 | |
| CN109376419B (zh) | 一种数据模型的生成方法、装置、电子设备及可读介质 | |
| CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN111309228A (zh) | 多媒体处理方法、装置及电子设备 | |
| CN111429942B (zh) | 一种音频数据处理方法、装置、电子设备及存储介质 | |
| CN110826619A (zh) | 电子卷宗的文件分类方法、装置及电子设备 | |
| CN111540344B (zh) | 声学网络模型训练方法、装置及电子设备 | |
| CN111402867B (zh) | 混合采样率声学模型训练方法、装置及电子设备 | |
| CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
| CN112382266A (zh) | 一种语音合成方法、装置、电子设备及存储介质 | |
| CN110852042A (zh) | 字符类型转换方法和装置 | |
| CN112734631A (zh) | 基于微调模型的视频图像换脸方法、装置、设备及介质 | |
| CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN111768762B (zh) | 语音识别方法、装置及电子设备 | |
| CN111143355B (zh) | 数据处理方法及装置 | |
| CN112257459B (zh) | 语言翻译模型的训练方法、翻译方法、装置和电子设备 | |
| CN111028848B (zh) | 压缩语音处理方法、装置及电子设备 | |
| CN110263797B (zh) | 骨架的关键点估计方法、装置、设备及可读存储介质 | |
| CN110390291B (zh) | 数据处理方法、装置及电子设备 | |
| CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 | |
| CN113435528B (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
| CN110674348A (zh) | 视频分类方法、装置及电子设备 | |
| CN112819165A (zh) | 一种概念识别方法、装置、电子设备及介质 |
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 |
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. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221017 Address after: 100190 1309, 13th floor, building 4, Zijin Digital Park, Haidian District, Beijing Patentee after: Beijing volcano Engine Technology Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Douyin Vision Co.,Ltd. |
|
| TR01 | Transfer of patent right |