CN111599343A - 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 PDFInfo
- Publication number
- CN111599343A CN111599343A CN202010407966.2A CN202010407966A CN111599343A CN 111599343 A CN111599343 A CN 111599343A CN 202010407966 A CN202010407966 A CN 202010407966A CN 111599343 A CN111599343 A CN 111599343A
- Authority
- CN
- China
- Prior art keywords
- audio
- phoneme
- target
- feature data
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims description 129
- 230000004044 response Effects 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 abstract description 11
- 238000003786 synthesis reaction Methods 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 60
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
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)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开的实施例公开了用于生成音频的方法和装置。该方法的一具体实施方式包括：获取目标语音音频；根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。该实施方式丰富了音频的合成方式，可以提高生成具有目标语音音频的音色和目标人员的语音音频的风格的音频的稳定性。
Description
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和装置。
背景技术
语音合成是通过机械的、电子的方法产生人造语音的技术。在端到端语音合成技术中，存在语音风格迁移的需求。其中，语音风格迁移通常是将说话人(ReferenceSpeaker)的发音风格迁移到另一说话人，同时保留上述另一说话人的音色的过程。通过语音风格迁移，可以获得具有说话人的发音风格以及另一说话人的音色的音频。
一般风格迁移语音合成技术中，往往需要将两个说话人的音频作为输入，才能生成具有其中一个说话人的发音风格以及另一说话人的音色的音频。
发明内容
本公开提出了用于生成音频的方法和装置。
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：获取目标语音音频；根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
在一些实施例中，根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，包括：将目标语音音频的音素序列输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据，其中，特征生成模型用于表征语音音频的音素序列和音频特征数据之间的对应关系。
在一些实施例中，音频特征数据还包括基频和能量。
在一些实施例中，调整音频特征数据得到调整后的音频特征数据，包括：将所得到的音频特征数据输入至预先训练的特征调整模型，得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
在一些实施例中，特征生成模型通过如下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的第一训练样本包括与目标人员的语音音频相对应的音素序列、音素持续时长序列、基频和能量；采用机器学习算法，将第一训练样本集合中的第一训练样本包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列、基频和能量作为期望输出数据，训练得到特征生成模型。
在一些实施例中，特征调整模型通过如下训练步骤得到：获取第二训练样本集合，其中，第二训练样本集合中的第二训练样本包括与语音音频相对应的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量；采用机器学习算法，将第二训练样本集合中的第二训练样本包括的音素序列作为第一模型的输入数据，得到第一模型的实际输出数据，将第一模型的实际输出数据作为第二模型的输入数据，将与音素序列相对应的调整后的音素持续时长序列、调整后的基频和调整后的能量作为第二模型的期望输出数据，对第一模型和第二模型进行训练，其中，第一模型用于表征语音音频的音素序列、音素持续时长序列、基频和能量之间的对应关系，第一模型的实际输出数据表征语音音频的音素持续时长序列、基频和能量；响应于满足预先确定的训练结束条件，将满足训练结束条件的第二模型确定为特征调整模型。
在一些实施例中，训练步骤还包括：响应于不满足训练结束条件，调整第一模型和第二模型的模型参数。
在一些实施例中，通过如下步骤确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长是否相匹配：响应于音素序列中存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，其中，目标音素的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长不相等；响应于音素序列中不存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
在一些实施例中，目标语音音频非目标人员的语音音频。
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音频；确定单元，被配置成根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；调整单元，被配置成响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；生成单元，被配置成基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
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，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和装置，通过获取目标语音音频，然后，根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长，之后，在音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配的情况下，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配，最后，基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频，从而无需获得与目标语音音频相对应的目标人员的语音音频即可生成具有目标语音音频的音色和目标人员的语音音频的风格的音频，从而丰富了音频的合成方式，可以提高音频合成的稳定性。
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5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6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的实施例，而非对本公开的实施例的限定。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的实施例相关的部分。
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，例如录音软件、音频处理应用、视频播放软件、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、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录制的语音音频进行处理的后台服务器。后台服务器可以根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，从而生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。可选的，后台服务器还可以将所生成的音频反馈给终端设备。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)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，获取目标语音音频。
其中，上述目标语音音频可以是任意语音音频。例如，当上述执行主体为终端设备时，上述目标语音音频可以是该终端设备录制的语音音频；也可以是该终端设备合成的语音音频。当上述执行主体为服务器时，在与该服务器通信连接的电子设备(例如终端设备)合成或录制语音音频之后，该服务器可以从上述电子设备获取该语音音频，以及将该语音音频作为目标语音音频。
步骤202，根据目标语音音频的音素序列，确定目标语音音频的音频特征数据。
在本实施例中，上述执行主体可以根据步骤201获取到的目标语音音频的音素序列，确定目标语音音频的音频特征数据。其中，音频特征数据包括音素序列中的音素的音素持续时长。
作为示例，当语音音频(包括目标语音音频)为“今天”的音频时，该语音音频的音素序列可以是“j in t ian”。其中，各个因素之间可以采用预设字符进行隔离，例如，上述字符可以是“”，即空格，也可以是任意数值，例如“1”。
在这里，音频特征数据包括音素序列中的音素的音素持续时长(duration)。其中，音素持续时长可以是对语音音频按照音素序列中的各个音素进行对齐后，每个音素对应的语音音频中的音频帧的帧长。示例性的，上述执行主体可以通过speech-aligner(一个从“人声语音”及其“语言文本”，产生音素级别时间对齐标注的工具)等工具进行对齐，从而得到每个音素的帧长。
可选的，音频特征数据还可以包括基频(pitch)和能量(energy)。作为示例，上述执行主体可以通过sox、librosa、straight等工具，从语音音频(包括目标语音音频)得到该语音音频的基频、能量。
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如下方式，来执行该步骤202：将目标语音音频的音素序列输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据。其中，特征生成模型用于表征语音音频的音素序列和音频特征数据之间的对应关系。可选的，根据目标语音音频的音素序列所得到的目标语音音频的音频特征数据可具体为目标语音音频的音素序列对应的所述音素序列的音频特征数据。
在这里，用以训练该特征生成模型的语音音频可以仅包括目标人员的语音音频，而不包括除目标人员之外的其他人员的语音音频。音频特征数据包括音素序列中的音素的音素持续时长。
上述特征生成模型可以是采用机器学习算法训练得到的模型。
在这里，需要说明的是，上述特征生成模型可以包括向量化子模型和特征生成子模型。其中，向量生成模型可以将输入至特征生成模型的音素序列进行向量化(embedding)处理，从而将向量化处理的结果输入至特征生成子模型，得到音频特征数据(例如音素持续时长序列、基频和能量)。该特征生成子模型可以用于表征向量化处理的结果与音频特征数据之间的对应关系。示例性的，该特征生成子模型可以采用机器学习算法，基于包括向量化处理的结果和音频特征数据的训练样本训练得到。
实践中，也可以将音素序列进行向量化处理结果输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据。在此情况下，特征生成模型相当于上文所描述的特征生成子模型。应该理解，“将音素序列进行向量化处理结果输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据”与本实施例的上述步骤202，属于基本相同的手段，分别包含二者的技术方案可以实现基本相同的功能、达到基本相同的效果，因此，包含“将音素序列进行向量化处理结果输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据”的技术方案可以落入本实施例的保护范围之内。
可选的，上述执行主体还可以基于关联存储有音素序列和音频特征数据的二维表或数据库，根据所述目标语音音频的音素序列，确定所述目标语音音频的音频特征数据。
在本实施例的一些可选的实现方式中，步骤201中的目标语音音频可以不是目标人员的语音音频，也即，目标语音音频可以是除目标人员之外的其他人员的语音音频。
在一些情况下，目标语音音频也可以是目标人员的语音音频。
步骤203，响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据。
在本实施例中，在音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配的情况下，上述执行主体可以调整步骤203中所得到的音频特征数据，从而得到调整后的音频特征数据。
其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
作为示例，音素持续时长与帧长相匹配，可以是指：音素持续时长与帧长的商属于预设数值范围(例如0。9至1。1)；也可以指：音素持续时长与帧长相等；还可以指：音素持续时长与帧长的差的绝对值小于预设数值(例如10毫秒)。这里，可以根据实际需要设定音素持续时长与帧长的匹配方式。
可以理解，通常音素持续时长与帧长相匹配可以指示：与音素持续时长相对应的音素对应的音频帧，与目标语音音频中的音频帧的长度相差不大。
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如下方式，得到调整后的音频特征数据：
将所得到的音频特征数据输入至预先训练的特征调整模型，得到调整后的音频特征数据。其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
作为示例，上述执行主体还可以采用用于对音频特征数据(调整前的音频特征数据)，进行扩展或压缩的算法，调整音频特征数据得到调整后的音频特征数据。例如，可以首先将音频特征数据(调整前的音频特征数据)绘制于预设坐标中。其中，上述预设坐标系的横坐标可以表征时刻，纵坐标可以表征音频特征数据的特征值。由此，上述执行主体可以对音频特征数据(调整前的音频特征数据)进行横坐标压缩或扩展，从而得到调整后的音频特征数据。例如，如果将坐标为(2,1)的音频特征数据的横坐标压缩50％，则可以得到调整后的音频特征数据(1,1)；如果将坐标为(2,1)的音频特征数据的横坐标扩展2倍，则可以得到调整后的音频特征数据(4,1)。
可选的，上述特征调整模型可以是采用机器学习算法训练得到的模型。此外，特征调整模型还可以是用于对音频特征数据(调整前的音频特征数据)，进行重采样(包括上采样和/或下采样)之后再进行扩展或压缩的算法。
在这里，以音频特征数据包括音素序列中的音素的音素持续时长为例，对该步骤203进行举例说明：
如果目标语音音频为“今天”的音频，该目标语音音频的长度为500毫秒，该目标语音音频的音素序列是“j in t ian”。如果设定一帧音频帧的长度为10毫秒，则最终得到的音频的音频帧数量(即步骤204得到的音频包括的音频帧的数量)为50帧，音素序列中的音素的数量为4。因此，最终得到的音频(“今天”的音频)的音素序列包括的4个音素，一共对应50帧音频帧。例如，音素“j”对应5帧音频帧，音素“in”对应15帧音频帧，音素“t”对应5帧音频帧，音素“ian”对应15帧音频帧。
可以理解，可以采用与获得调整后的音素持续时长类似的方式，获得调整后的基频和调整后的能量。在此情况下，调整后的音频特征数据可以对调整后的音素持续时长、调整后的基频和调整后的能量进行拼接得到。例如，如果调整后的音素持续时长序列是50×100的矩阵。基频和能量分别是50×1的矩阵。那么，调整后的音频特征数据可以是50×102的矩阵。
在这里，当音频特征数据包括的各个音素持续时长的总时长，与目标语音音频中的各个音频帧的总帧长不匹配(例如不相等)时，可以确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；当音频特征数据包括的各个音素持续时长的总时长，与目标语音音频中的各个音频帧的总帧长相匹配(例如相等)时，可以确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
可选的，当音素序列中存在目标音素时，则可以确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，其中，目标音素的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长不匹配(例如不相等)；当音素序列中不存在目标音素时，则可以确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
步骤204，基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
在本实施例中，上述执行主体可以基于步骤203中所得到的调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
具体地，上述执行主体可以采用中文语音合成(Tacotron)模型的译码器(decoder)基于调整后的音频特征数据，生成梅尔频谱(MelBank Features)，之后，将所得到的梅尔频谱通过声码器(vocoder)，从而生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。通常，所生成的音频与步骤201获取到的目标语音音频的时长相匹配(例如相等)。
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应用场景的一个示意图。在图3的应用场景中，终端设备301首先获取目标语音音频302(例如“今天”的语音音频)。然后，终端设备301根据目标语音音频302的音素序列(例如“j in t ian”)，确定目标语音音频302的音频特征数据303，其中，音频特征数据包括音素序列中的音素的音素持续时长。之后，在音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配的情况下，终端设备301调整音频特征数据303得到调整后的音频特征数据304，其中，调整后的音频特征数据304包括的音素持续时长与目标语音音频302中的音频帧的帧长相匹配。最后，终端设备301基于调整后的音频特征数据304，生成具有目标语音音频302的音色和目标人员的语音音频的风格的音频305。
现有技术中，往往需要基于相对应的目标人员的语音音频和目标语音音频(例如对应相同文本内容的目标人员的语音音频和目标语音音频)，来生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。并且，为提高最终得到的音频的稳定性，通常采用长度基本相等的目标人员的语音音频和目标语音音频，来生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
本公开的上述实施例提供的方法，通过获取目标语音音频，然后，根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长，之后，在音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配的情况下，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配，最后，基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频，从而无需获得与目标语音音频相对应的目标人员的语音音频即可生成具有目标语音音频的音色和目标人员的语音音频的风格的音频，更无需限定语音音频(包括目标语音音频和目标人员的语音音频)的长度，从而丰富了音频的合成方式，可以提高音频合成的稳定性。
在本实施例的一些可选的实现方式中，当音频特征数据包括音素序列中的音素的音素持续时长、基频和能量时，上述特征生成模型可以经由上述执行主体或者与上述执行主体通信连接的电子设备，通过如下步骤训练得到：
首先，获取第一训练样本集合。其中，第一训练样本集合中的第一训练样本包括与目标人员的语音音频相对应的音素序列、音素持续时长序列、基频和能量。同一第一训练样本包括的音素序列、音素持续时长序列、基频和能量，对应同一语音音频(即相同的语音音频)。
然后，采用机器学习算法，将第一训练样本集合中的第一训练样本包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列、基频和能量作为期望输出数据，训练得到特征生成模型。其中，与输入数据相对应的音素持续时长序列、基频和能量，与该输入数据指示的音素序列，包含于同一第一训练样本中。
实践中，可以采用最小平方差损失(MES loss)，通过Adam优化器进行特征生成模型训练。
可以理解，当音频特征数据包括音素序列中的音素的音素持续时长、基频和能量时，可以提升生成具有目标语音音频的音色和目标人员的语音音频的风格的音频的稳定性。
在本实施例的一些可选的实现方式中，当音频特征数据包括音素序列中的音素的音素持续时长时，上述特征生成模型可以经由上述执行主体或者与上述执行主体通信连接的电子设备，通过如下步骤训练得到：
首先，获取第三训练样本集合。其中，第三训练样本集合中的第一训练样本包括与目标人员的语音音频相对应的音素序列、音素持续时长序列。同一第三训练样本包括的音素序列、音素持续时长序列，对应同一语音音频(即相同的语音音频)。
然后，采用机器学习算法，将第三训练样本集合中的第三训练样本集合包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列作为期望输出数据，训练得到特征生成模型。其中，与输入数据相对应的音素持续时长序列，与该输入数据指示的音素序列，包含于同一第三训练样本中。
在本实施例的一些可选的实现方式中，特征调整模型可以经由上述执行主体或者与上述执行主体通信连接的电子设备，通过如下训练步骤得到：
步骤一，获取第二训练样本集合。其中，第二训练样本集合中的第二训练样本包括与语音音频相对应的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量。同一第二训练样本包括的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量，对应同一语音音频(即相同的语音音频)。例如，第二训练样本可以包括：语音音频A的音素序列、对语音音频A的音素持续时长序列进行调整后的音素持续时长序列(即调整后的音素持续时长序列)、对语音音频A的基频进行调整后的基频(即调整后的基频)和对语音音频A的能量进行调整后的能量(即调整后的能量)。
在这里，上述第二训练样本集合中的语音音频(即用于训练特征调整模型的语音音频)可以包括各种语音音频。具体地，第二训练样本集合中的语音音频可以包括上述目标人员的语音音频，也可以不包括目标人员的语音音频。此外，第二训练样本集合中的语音音频可以包括多个人员的语音音频。
步骤二，采用机器学习算法，将第二训练样本集合中的第二训练样本包括的音素序列作为第一模型的输入数据，得到第一模型的实际输出数据，将第一模型的实际输出数据作为第二模型的输入数据，将与音素序列相对应的调整后的音素持续时长序列、调整后的基频和调整后的能量作为第二模型的期望输出数据，对第一模型和第二模型进行训练。其中，第一模型用于表征语音音频的音素序列、音素持续时长序列、基频和能量之间的对应关系。第一模型的实际输出数据表征语音音频的音素持续时长序列、基频和能量。上述第一模型和第二模型可以分别包括以下至少一项模型结构：输入层、卷积层、输出层等等。
在这里，期望输出数据可以对调整后的音素持续时长序列、调整后的基频和调整后的能量进行拼接得到。例如，如果调整后的音素持续时长序列是50×100的矩阵。基频和能量分别是50×1的矩阵。那么期望输出数据可以是50×102的矩阵。
步骤三，响应于满足预先确定的训练结束条件，将满足训练结束条件的第二模型确定为特征调整模型。
其中，上述训练结束条件可以包括以下至少一项：训练时长超过预设时长，训练次数超过预设次数，基于期望输出数据和实际数出数据计算得到的损失函数的函数值小于预设阈值。作为示例，上述损失函数可以是预先确定的各种损失函数。例如，该损失函数可以是最小平方差损失。
在本实施例的一些可选的实现方式中，上述训练步骤还包括：在不满足训练结束条件的情况下，调整第一模型和第二模型的模型参数。其中，上述执行主体可以采用梯度下降法，对第一模型和第二模型的模型参数进行调整，例如，可以通过Adam优化器调整第一模型和第二模型的模型参数。
在本实施例的一些可选的实现方式中，通过如下步骤确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长是否相匹配：
如果音素序列中存在目标音素，则确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配。其中，目标音素的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长不相等。
如果音素序列中不存在目标音素，则确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
可以理解，上述可选的实现方式可以确保调整后的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长相等，从而提高所生成的音频的音色与目标语音音频的音色的匹配度，提高所生成的音频的风格与目标人员的语音音频的风格的匹配度，进而提高所生成的音频的稳定性。
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，获取目标语音音频。
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，根据目标语音音频的音素序列，确定目标语音音频的音频特征数据。
在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。
步骤403，响应于音素序列中存在目标音素，调整音频特征数据得到调整后的音频特征数据。
在本实施例中，在音素序列中存在目标音素的情况下，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)可以调整音频特征数据得到调整后的音频特征数据。其中，目标音素的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长不相等。调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相等。
步骤404，基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
在本实施例中，步骤404与图2对应实施例中的步骤204基本一致，这里不再赘述。
需要说明的是，除上面所记载的内容外，本公开的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。
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可以确保调整后的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长相等，从而提高所生成的音频的音色与目标语音音频的音色的匹配度，提高所生成的音频的风格与目标人员的语音音频的风格的匹配度，进而提高所生成的音频的稳定性。
进一步参考图5，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5所示，本实施例的用于生成音频的装置500包括：获取单元501，被配置成获取目标语音音频；确定单元502，被配置成根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；调整单元503，被配置成响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；生成单元504，被配置成基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
在本实施例中，用于生成音频的装置500的获取单元501可以获取目标语音音频。
在本实施例中，上述确定单元502可以根据获取单元501获取到的目标语音音频的音素序列，确定目标语音音频的音频特征数据。其中，音频特征数据包括音素序列中的音素的音素持续时长。
在本实施例中，在音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配的情况下，调整单元503可以调整音频特征数据得到调整后的音频特征数据。其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
在本实施例中，上述生成单元504可以基于调整单元503得到的调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
在本实施例的一些可选的实现方式中，确定单元502包括：第一输入子单元(图中未示出)，被配置成将目标语音音频的音素序列输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据，其中，特征生成模型用于表征语音音频的音素序列和音频特征数据之间的对应关系。
在本实施例的一些可选的实现方式中，音频特征数据还包括基频和能量。
在本实施例的一些可选的实现方式中，特征生成模型通过如下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的第一训练样本包括与目标人员的语音音频相对应的音素序列、音素持续时长序列、基频和能量；采用机器学习算法，将第一训练样本集合中的第一训练样本包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列、基频和能量作为期望输出数据，训练得到特征生成模型。
在本实施例的一些可选的实现方式中，调整单元503包括：第二输入子单元(图中未示出)，被配置成将所得到的音频特征数据输入至预先训练的特征调整模型，得到调整后的音频特征数据。其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
在本实施例的一些可选的实现方式中，特征调整模型通过如下训练步骤得到：获取第二训练样本集合，其中，第二训练样本集合中的第二训练样本包括与语音音频相对应的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量；采用机器学习算法，将第二训练样本集合中的第二训练样本包括的音素序列作为第一模型的输入数据，得到第一模型的实际输出数据，将第一模型的实际输出数据作为第二模型的输入数据，将与音素序列相对应的调整后的音素持续时长序列、调整后的基频和调整后的能量作为第二模型的期望输出数据，对第一模型和第二模型进行训练，其中，第一模型用于表征语音音频的音素序列、音素持续时长序列、基频和能量之间的对应关系，第一模型的实际输出数据表征语音音频的音素持续时长序列、基频和能量；响应于满足预先确定的训练结束条件，将满足训练结束条件的第二模型确定为特征调整模型。
在本实施例的一些可选的实现方式中，训练步骤还包括：响应于不满足训练结束条件，调整第一模型和第二模型的模型参数。
在本实施例的一些可选的实现方式中，通过如下步骤确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长是否相匹配：响应于音素序列中存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，其中，目标音素的音素持续时长与目标语音音频中与目标音素相对应的音频帧的帧长不相等；响应于音素序列中不存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
在本实施例的一些可选的实现方式中，目标语音音频非目标人员的语音音频。
本公开的上述实施例提供的装置，通过获取单元501获取目标语音音频，然后，确定单元502根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长，之后，在音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配的情况下，调整单元503调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配，最后，生成单元504基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频，从而无需获得与目标语音音频相对应的目标人员的语音音频即可生成具有目标语音音频的音色和目标人员的语音音频的风格的音频，更无需限定语音音频(包括目标语音音频和目标人员的语音音频)的长度，从而丰富了音频的合成方式，可以提高音频合成的稳定性。
下面参考图6，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)600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6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。
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实施例的操作的计算机程序代码，所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，本公开提供了一种用于生成音频的方法，该方法包括：获取目标语音音频；根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
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，根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，包括：将目标语音音频的音素序列输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据，其中，特征生成模型用于表征语音音频的音素序列和音频特征数据之间的对应关系。
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，音频特征数据还包括基频和能量。
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，特征生成模型通过如下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的第一训练样本包括与目标人员的语音音频相对应的音素序列、音素持续时长序列、基频和能量；采用机器学习算法，将第一训练样本集合中的第一训练样本包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列、基频和能量作为期望输出数据，训练得到特征生成模型。
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，调整音频特征数据得到调整后的音频特征数据，包括：将所得到的音频特征数据输入至预先训练的特征调整模型，得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
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，特征调整模型通过如下训练步骤得到：获取第二训练样本集合，其中，第二训练样本集合中的第二训练样本包括与语音音频相对应的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量；采用机器学习算法，将第二训练样本集合中的第二训练样本包括的音素序列作为第一模型的输入数据，得到第一模型的实际输出数据，将第一模型的实际输出数据作为第二模型的输入数据，将与音素序列相对应的调整后的音素持续时长序列、调整后的基频和调整后的能量作为第二模型的期望输出数据，对第一模型和第二模型进行训练，其中，第一模型用于表征语音音频的音素序列、音素持续时长序列、基频和能量之间的对应关系，第一模型的实际输出数据表征语音音频的音素持续时长序列、基频和能量；响应于满足预先确定的训练结束条件，将满足训练结束条件的第二模型确定为特征调整模型。
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，训练步骤还包括：响应于不满足训练结束条件，调整第一模型和第二模型的模型参数。
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，通过如下步骤确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长是否相匹配：响应于音素序列中存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，其中，目标音素的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长不相等；响应于音素序列中不存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
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，目标语音音频非目标人员的语音音频。
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音频；确定单元，被配置成根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；调整单元，被配置成响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；生成单元，被配置成基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
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，确定单元包括：第一输入子单元，被配置成将目标语音音频的音素序列输入至采用目标人员的语音音频训练得到的特征生成模型，得到目标语音音频的音频特征数据，其中，特征生成模型用于表征语音音频的音素序列和音频特征数据之间的对应关系。
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，音频特征数据还包括基频和能量。
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，特征生成模型通过如下步骤训练得到：获取第一训练样本集合，其中，第一训练样本集合中的第一训练样本包括与目标人员的语音音频相对应的音素序列、音素持续时长序列、基频和能量；采用机器学习算法，将第一训练样本集合中的第一训练样本包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列、基频和能量作为期望输出数据，训练得到特征生成模型。
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，调整单元包括：第二输入子单元，被配置成将所得到的音频特征数据输入至预先训练的特征调整模型，得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
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，特征调整模型通过如下训练步骤得到：获取第二训练样本集合，其中，第二训练样本集合中的第二训练样本包括与语音音频相对应的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量；采用机器学习算法，将第二训练样本集合中的第二训练样本包括的音素序列作为第一模型的输入数据，得到第一模型的实际输出数据，将第一模型的实际输出数据作为第二模型的输入数据，将与音素序列相对应的调整后的音素持续时长序列、调整后的基频和调整后的能量作为第二模型的期望输出数据，对第一模型和第二模型进行训练，其中，第一模型用于表征语音音频的音素序列、音素持续时长序列、基频和能量之间的对应关系，第一模型的实际输出数据表征语音音频的音素持续时长序列、基频和能量；响应于满足预先确定的训练结束条件，将满足训练结束条件的第二模型确定为特征调整模型。
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，训练步骤还包括：响应于不满足训练结束条件，调整第一模型和第二模型的模型参数。
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，通过如下步骤确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长是否相匹配：响应于音素序列中存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，其中，目标音素的音素持续时长和目标语音音频中与目标音素相对应的音频帧的帧长不相等；响应于音素序列中不存在目标音素，确定音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配。
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，目标语音音频非目标人员的语音音频。
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、确定单元、调整单元和生成单元。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“获取目标语音音频的单元”。
作为另一方面，本公开的实施例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：获取目标语音音频；根据目标语音音频的音素序列，确定目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；响应于音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长不匹配，调整音频特征数据得到调整后的音频特征数据，其中，调整后的音频特征数据包括的音素持续时长与目标语音音频中的音频帧的帧长相匹配；基于调整后的音频特征数据，生成具有目标语音音频的音色和目标人员的语音音频的风格的音频。
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，本公开的实施例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。
Claims (12)
1.一种用于生成音频的方法，包括：
获取目标语音音频；
根据所述目标语音音频的音素序列，确定所述目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；
响应于音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长不匹配，调整所述音频特征数据得到调整后的音频特征数据，其中，所述调整后的音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长相匹配；
基于所述调整后的音频特征数据，生成具有所述目标语音音频的音色和目标人员的语音音频的风格的音频。
2.根据权利要求1所述的方法，其中，所述根据所述目标语音音频的音素序列，确定所述目标语音音频的音频特征数据，包括：
将所述目标语音音频的音素序列输入至采用所述目标人员的语音音频训练得到的特征生成模型，得到所述目标语音音频的音频特征数据，其中，所述特征生成模型用于表征语音音频的音素序列和音频特征数据之间的对应关系。
3.根据权利要求2所述的方法，其中，音频特征数据还包括基频和能量。
4.根据权利要求3所述的方法，其中，所述特征生成模型通过如下步骤训练得到：
获取第一训练样本集合，其中，所述第一训练样本集合中的第一训练样本包括与所述目标人员的语音音频相对应的音素序列、音素持续时长序列、基频和能量；
采用机器学习算法，将所述第一训练样本集合中的第一训练样本包括的音素序列作为输入数据，将与输入数据相对应的音素持续时长序列、基频和能量作为期望输出数据，训练得到特征生成模型。
5.根据权利要求1所述的方法，其中，所述调整所述音频特征数据得到调整后的音频特征数据，包括：
将所得到的音频特征数据输入至预先训练的特征调整模型，得到调整后的音频特征数据，其中，所述调整后的音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长相匹配。
6.根据权利要求5所述的方法，其中，所述特征调整模型通过如下训练步骤得到：
获取第二训练样本集合，其中，所述第二训练样本集合中的第二训练样本包括与语音音频相对应的音素序列、调整后的音素持续时长序列、调整后的基频和调整后的能量；
采用机器学习算法，将所述第二训练样本集合中的第二训练样本包括的音素序列作为第一模型的输入数据，得到第一模型的实际输出数据，将第一模型的实际输出数据作为第二模型的输入数据，将与音素序列相对应的调整后的音素持续时长序列、调整后的基频和调整后的能量作为第二模型的期望输出数据，对第一模型和第二模型进行训练，其中，第一模型用于表征语音音频的音素序列、音素持续时长序列、基频和能量之间的对应关系，第一模型的实际输出数据表征语音音频的音素持续时长序列、基频和能量；
响应于满足预先确定的训练结束条件，将满足所述训练结束条件的第二模型确定为特征调整模型。
7.根据权利要求6所述的方法，其中，所述训练步骤还包括：
响应于不满足所述训练结束条件，调整第一模型和第二模型的模型参数。
8.根据权利要求1-7之一所述的方法，其中，通过如下步骤确定音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长是否相匹配：
响应于所述音素序列中存在目标音素，确定音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长不匹配，其中，所述目标音素的音素持续时长和所述目标语音音频中与所述目标音素相对应的音频帧的帧长不相等；
响应于所述音素序列中不存在所述目标音素，确定音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长相匹配。
9.根据权利要求1-7之一所述的方法，其中，所述目标语音音频非所述目标人员的语音音频。
10.一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音频；
确定单元，被配置成根据所述目标语音音频的音素序列，确定所述目标语音音频的音频特征数据，其中，音频特征数据包括音素序列中的音素的音素持续时长；
调整单元，被配置成响应于音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长不匹配，调整所述音频特征数据得到调整后的音频特征数据，其中，所述调整后的音频特征数据包括的音素持续时长与所述目标语音音频中的音频帧的帧长相匹配；
生成单元，被配置成基于所述调整后的音频特征数据，生成具有所述目标语音音频的音色和目标人员的语音音频的风格的音频。
11.一种电子设备，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1-9中任一所述的方法。
12.一种计算机可读介质，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1-9中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407966.2A CN111599343B (zh) | 2020-05-14 | 2020-05-14 | 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 |
|---|---|---|---|
| CN202010407966.2A CN111599343B (zh) | 2020-05-14 | 2020-05-14 | 用于生成音频的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111599343A true CN111599343A (zh) | 2020-08-28 |
| CN111599343B CN111599343B (zh) | 2021-11-09 |
Family
ID=72182658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010407966.2A Active CN111599343B (zh) | 2020-05-14 | 2020-05-14 | 用于生成音频的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111599343B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365879A (zh) * | 2020-11-04 | 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 |
| CN112383721A (zh) * | 2020-11-13 | 2021-02-19 | 北京有竹居网络技术有限公司 | 用于生成视频的方法和装置 |
| CN112420015A (zh) * | 2020-11-18 | 2021-02-26 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种音频合成方法、装置、设备及计算机可读存储介质 |
| CN112614477A (zh) * | 2020-11-16 | 2021-04-06 | 北京百度网讯科技有限公司 | 多媒体音频的合成方法、装置、电子设备和存储介质 |
| CN112786013A (zh) * | 2021-01-11 | 2021-05-11 | 北京有竹居网络技术有限公司 | 基于唱本的语音合成方法、装置、可读介质和电子设备 |
| CN112927674A (zh) * | 2021-01-20 | 2021-06-08 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| CN112967538A (zh) * | 2021-03-01 | 2021-06-15 | 郑州铁路职业技术学院 | 一种英语发音信息采集系统 |
| CN113362803A (zh) * | 2021-05-31 | 2021-09-07 | 杭州芯声智能科技有限公司 | 一种arm侧离线语音合成的方法、装置及存储介质 |
| 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 |
| CN113793591A (zh) * | 2021-07-07 | 2021-12-14 | 科大讯飞股份有限公司 | 语音合成方法及相关装置和电子设备、存储介质 |
| CN113793591B (zh) * | 2021-07-07 | 2024-05-31 | 科大讯飞股份有限公司 | 语音合成方法及相关装置和电子设备、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818792A (zh) * | 2017-10-25 | 2018-03-20 | 北京奇虎科技有限公司 | 音频转换方法及装置 |
| CN108806665A (zh) * | 2018-09-12 | 2018-11-13 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| WO2019161011A1 (en) * | 2018-02-16 | 2019-08-22 | Dolby Laboratories Licensing Corporation | Speech style transfer |
| CN110288975A (zh) * | 2019-05-17 | 2019-09-27 | 北京达佳互联信息技术有限公司 | 语音风格迁移方法、装置、电子设备及存储介质 |
| US20190371292A1 (en) * | 2018-06-04 | 2019-12-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Speech synthesis method and apparatus, computer device and readable medium |
-
2020
- 2020-05-14 CN CN202010407966.2A patent/CN111599343B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818792A (zh) * | 2017-10-25 | 2018-03-20 | 北京奇虎科技有限公司 | 音频转换方法及装置 |
| WO2019161011A1 (en) * | 2018-02-16 | 2019-08-22 | Dolby Laboratories Licensing Corporation | Speech style transfer |
| US20190371292A1 (en) * | 2018-06-04 | 2019-12-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Speech synthesis method and apparatus, computer device and readable medium |
| CN108806665A (zh) * | 2018-09-12 | 2018-11-13 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN110288975A (zh) * | 2019-05-17 | 2019-09-27 | 北京达佳互联信息技术有限公司 | 语音风格迁移方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| CHENG-CHIEH YEH 等: "Rhythm-Flexible Voice Conversion Without Parallel Data Using Cycle-GAN Over Phoneme Posteriorgram Sequences", 《2018 IEEE SPOKEN LANGUAGE TECHNOLOGY WORKSHOP (SLT)》 * |
| 毕庆刚: "语音转换中音段特征的建模与转换的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 马珍: "多风格语音合成模型的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365879A (zh) * | 2020-11-04 | 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 |
| CN112383721A (zh) * | 2020-11-13 | 2021-02-19 | 北京有竹居网络技术有限公司 | 用于生成视频的方法和装置 |
| CN112383721B (zh) * | 2020-11-13 | 2023-04-07 | 北京有竹居网络技术有限公司 | 用于生成视频的方法、装置、设备和介质 |
| CN112614477A (zh) * | 2020-11-16 | 2021-04-06 | 北京百度网讯科技有限公司 | 多媒体音频的合成方法、装置、电子设备和存储介质 |
| CN112614477B (zh) * | 2020-11-16 | 2023-09-12 | 北京百度网讯科技有限公司 | 多媒体音频的合成方法、装置、电子设备和存储介质 |
| CN112420015A (zh) * | 2020-11-18 | 2021-02-26 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种音频合成方法、装置、设备及计算机可读存储介质 |
| CN112786013A (zh) * | 2021-01-11 | 2021-05-11 | 北京有竹居网络技术有限公司 | 基于唱本的语音合成方法、装置、可读介质和电子设备 |
| CN112927674A (zh) * | 2021-01-20 | 2021-06-08 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| CN112927674B (zh) * | 2021-01-20 | 2024-03-12 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| WO2022156413A1 (zh) * | 2021-01-20 | 2022-07-28 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| CN112967538A (zh) * | 2021-03-01 | 2021-06-15 | 郑州铁路职业技术学院 | 一种英语发音信息采集系统 |
| CN112967538B (zh) * | 2021-03-01 | 2023-09-15 | 郑州铁路职业技术学院 | 一种英语发音信息采集系统 |
| CN113362803B (zh) * | 2021-05-31 | 2023-04-25 | 杭州芯声智能科技有限公司 | 一种arm侧离线语音合成的方法、装置及存储介质 |
| CN113362803A (zh) * | 2021-05-31 | 2021-09-07 | 杭州芯声智能科技有限公司 | 一种arm侧离线语音合成的方法、装置及存储介质 |
| CN113793591A (zh) * | 2021-07-07 | 2021-12-14 | 科大讯飞股份有限公司 | 语音合成方法及相关装置和电子设备、存储介质 |
| CN113793591B (zh) * | 2021-07-07 | 2024-05-31 | 科大讯飞股份有限公司 | 语音合成方法及相关装置和电子设备、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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111599343B (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111599343B (zh) | 用于生成音频的方法、装置、设备和介质 | |
| US11158102B2 (en) | Method and apparatus for processing information | |
| CN109377539B (zh) | 用于生成动画的方法和装置 | |
| CN112489620B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| US11308671B2 (en) | Method and apparatus for controlling mouth shape changes of three-dimensional virtual portrait | |
| CN111402842B (zh) | 用于生成音频的方法、装置、设备和介质 | |
| CN107705782B (zh) | 用于确定音素发音时长的方法和装置 | |
| CN111933110A (zh) | 视频生成方法、生成模型训练方法、装置、介质及设备 | |
| CN112489621B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112786008B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN109981787B (zh) | 用于展示信息的方法和装置 | |
| CN112153460B (zh) | 一种视频的配乐方法、装置、电子设备和存储介质 | |
| CN112786007A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN110534085B (zh) | 用于生成信息的方法和装置 | |
| CN113205793B (zh) | 音频生成方法、装置、存储介质及电子设备 | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN111798821A (zh) | 声音转换方法、装置、可读存储介质及电子设备 | |
| CN112509562A (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
| CN110136715A (zh) | 语音识别方法和装置 | |
| CN111785247A (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
| CN107680584B (zh) | 用于切分音频的方法和装置 | |
| CN112383721B (zh) | 用于生成视频的方法、装置、设备和介质 | |
| CN111862933A (zh) | 用于生成合成语音的方法、装置、设备和介质 | |
| CN112381926A (zh) | 用于生成视频的方法和装置 | |
| CN111883139A (zh) | 用于筛选目标语音的方法、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 |