CN111899718A - 用于识别合成语音的方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例公开了用于识别合成语音的方法、装置、设备和介质。该方法的一具体实施方式包括：获取待识别语音；对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。该实施方式可以兼顾识别的准确率和效率，从而提升了对合成语音进行识别的效果。

Description

用于识别合成语音的方法、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，具体涉及用于识别合成语音的方法、装置、设备和介质。

背景技术

语音合成，又称文语转换(Text to Speech，TTS)技术，是利用电子计算机和一些专门装置模拟人，制造语音的技术。

随着合成语音与真实语音越来越接近，如何鉴别哪些声音是真实的，哪些是伪造的是当前研究的一项重要课题，关系着诸如声纹识别、语音解锁等识别技术的安全性。

发明内容

本公开提出了用于识别合成语音的方法和装置。

第一方面，本公开的实施例提供了一种用于识别合成语音的方法，该方法包括：获取待识别语音；对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

在一些实施例中，上述对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息，包括：将待识别语音输入至预先训练的合成语音识别模型，得到用于指示待识别语音是否属于合成语音的预指示信息，其中，合成语音识别模型用于表征预指示信息与待识别语音之间的对应关系。

在一些实施例中，上述基于预指示信息对待识别语音进行后处理，以生成用于指示识别语音是否属于合成语音的指示信息，包括：响应于确定所生成的预指示信息用于指示待识别语音属于合成语音，对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

在一些实施例中，上述对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息，包括：从待识别语音中提取音素匹配的目标数目个语音切片；确定所提取的目标数目个语音切片之间的相似度；响应于确定所得到的相似度满足预设条件，生成用于指示待识别语音属于合成语音的指示信息。

在一些实施例中，上述合成语音识别模型通过以下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本语音和样本标注信息，样本语音包括真实语音和与真实语音对应的合成语音，样本标注信息用于指示语音是否属于合成语音；将训练样本集合中的训练样本的样本语音作为输入，将与输入的样本语音对应的样本标注信息作为期望输出，训练得到合成语音识别模型。

在一些实施例中，上述合成语音识别模型包括基于双向门控循环单元(Bidirectional Gate Recurrent Unit，BGRU)的密集连接卷积网络(DenseNet)。

在一些实施例中，该方法还包括：响应于确定所生成的指示信息用于指示待识别语音不属于合成语音，对待识别语音进行语音识别，以生成识别文本；根据识别文本与预设验证信息的匹配，确定是否执行解锁操作。

第二方面，本公开的实施例提供了一种用于识别合成语音的装置，该装置包括：获取单元，被配置成获取待识别语音；预识别单元，被配置成对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；后处理单元，被配置成基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

第三方面，本公开的实施例提供了一种用于识别合成语音的电子设备，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识别合成语音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识别合成语音的计算机可读介质，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识别合成语音的方法中任一实施例的方法。

本公开的实施例提供的用于识别合成语音的方法和装置，通过首先对待识别语音是否属于合成语音进行识别后生成预指示信息，再根据所生成的预指示信息的不同情况进一步进行后处理，以生成指示信息。从而通过两阶段的识别兼顾识别的准确率和效率，提升了对合成语音进行识别的效果。

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识别合成语音的方法的一个实施例的流程图；

图3是根据本公开的用于识别合成语音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识别合成语音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识别合成语音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识别合成语音的方法或用于识别合成语音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，例如语音识别软件、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、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，可以是具有显示屏并且支持语音识别的各种电子设备，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所运行的语音识别软件提供支持的后台服务器。后台服务器可以对接收到的待识别语音进行分析等处理，并将处理结果(例如用于指示待识别语音是否属于合成语音的指示信息)反馈给终端设备。可选地，服务器105可以包括云端服务器。

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识别合成语音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，用于识别合成语音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。当用于识别合成语音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识别合成语音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识别合成语音的方法的一个实施例的流程200。该用于识别合成语音的方法，包括以下步骤：

步骤201，获取待识别语音。

在本实施例中，用于识别合成语音的方法的执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备或者软件模块获取待识别语音。作为示例，当上述执行主体为终端设备(例如图1所示的终端设备101、102、103)时，上述执行主体可以从本地或音频输入设备(例如麦克风)获取上述待识别语音。作为又一示例，当上述执行主体为服务器(例如图1所示的服务器105)时，上述执行主体可以从本地或其他电子设备(例如图1所示的终端设备101、102、103)或者软件模块(例如用于获取待识别语音的软件模块)获取待识别语音。

步骤202，对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息。

在本实施例中，上述执行主体可以通过各种方式对步骤201所获取的待识别语音进行识别，以生成用于指示上述待识别语音是否属于合成语音的预指示信息。作为示例，上述执行主体可以预先对所获取的真实语音数据和合成语音进行音频分析，并根据分析后的统计结果设定阈值。上述音频分析可以包括生成音高、频谱共振峰、过零率的分布情况等。之后，上述执行主体可以将步骤201所获取的待识别语音进行与前述一致的音频分析，以得到分析结果。根据所得到的分析结果与前述所设定的阈值进行比较，从而生成用于指示待识别语音是否属于合成语音的预指示信息。

在本实施例的一些可选的实现方式中，上述执行主体可以将上述步骤201所获取的待识别语音输入至预先训练的合成语音识别模型，得到用于指示上述待识别语音是否属于合成语音的预指示信息。其中，上述合成语音识别模型可以包括各种通过机器学习方式训练得到的用于表征预指示信息与待识别语音之间的对应关系的模型。

基于上述可选的实现方式，上述执行主体可以利用预先训练的合成语音识别模型来对上述待识别语音是否属于合成语音进行区分，提高了区分结果的准确性。

可选地，上述合成语音识别模型可以通过以下步骤训练得到：

第一步，获取训练样本集合。

在这些实现方式中，用于训练合成语音识别模型的执行主体可以通过各种方式获取训练样本集合。其中，上述训练样本集合中的训练样本可以包括样本语音和样本标注信息。上述样本语音可以包括真实语音和与真实语音对应的合成语音。上述样本标注信息可以用于指示语音是否属于合成语音。作为示例，上述与真实语音对应的合成语音可以包括通过拼接法、参数法、端到端等语音合成的方法所得到的合成语音。

第二步，将训练样本集合中的训练样本的样本语音作为输入，将与输入的样本语音对应的样本标注信息作为期望输出，训练得到合成语音识别模型。

在这些实现方式中，上述执行主体可以将上述第一步所获取的训练样本集合中的训练样本的样本语音作为初始模型的输入，得到与输入的样本语音对应的输出结果。而后，上述执行主体可以将所得到的输出结果与输入的样本语音对应的样本标注信息进行比较，生成差异值。根据所得到的差异值，上述执行主体可以对上述初始模型的参数进行调整，将调整后的初始模型作为新的初始模型进行训练。并且，在满足训练结束条件的情况下结束训练，上述执行主体可以将训练得到的初始模型确定为上述合成语音识别模型。其中，上述初始声纹模型可以包括各种能够用于区分语音特征的神经网络模型，例如卷积神经网络(Convolutional Neural Networks,CNN)、递归神经网络(Recurrent Neural Networks，RNN)。

可选地，上述合成语音识别模型可以包括基于双向门控循环单元的密集连接卷积网络。作为示例，上述合成语音识别模型可以由3层卷积网络、双向门控循环单元和密集连接网络以及激活函数层组成。其中，上述激活函数可以包括softmax。

基于上述可选的实现方式，利用基于双向门控循环单元的密集连接卷积网络可以在训练时更好地学习到语音在较长时段的韵律起伏感，对于合成语音与真实语音在长时韵律的区分度上更加敏感，从而可以提升区分的准确率。

步骤203，基于预指示信息对待识别语音进行后处理，以生成用于指示识别语音是否属于合成语音的指示信息。

在本实施例中，上述执行主体可以基于步骤202所生成的预指示信息对待识别语音进行后处理，以生成用于指示识别语音是否属于合成语音的指示信息。其中，上述后处理的方式可以根据实际应用情况来灵活确定。作为示例，上述执行主体可以首先确定上述预指示信息的置信度。上述置信度例如可以通过上述步骤202所得到的分析结果与前述所设定的阈值之间的差异程度来确定，也可以通过预先训练的分类模型输出(例如softmax层的输入)得到。而后，响应于确定上述置信度小于预设的置信度阈值，上述执行主体可以对待识别语音进行后处理，以生成后处理结果。作为示例，上述后处理可以包括将上述待识别语音发送至人工审核终端。作为又一示例，上述后处理可以包括重新执行上述生成预指示信息的步骤。之后，上述执行主体可以根据所生成的后处理结果，对上述预指示信息进行调整。例如，响应于确定上述后处理结果与上述预指示信息一致，上述执行主体可以将上述预指示信息确定为上述用于指示上述待识别语音是否属于合成语音的指示信息。再例如，响应于确定上述后处理结果与上述预指示信息不一致，上述执行主体可以将上述预指示信息调整为与上述后处理结果一致，从而生成上述用于指示上述待识别语音是否属于合成语音的指示信息。

在本实施例的一些可选的实现方式中，响应于确定所生成的预指示信息用于指示上述待识别语音属于合成语音，上述执行主体可以通过各种方式对上述待识别语音进行后处理，以生成用于指示上述待识别语音是否属于合成语音的指示信息。作为示例，上述执行主体可以在确定所生成的预指示信息用于指示上述待识别语音属于合成语音之后，对上述待识别语音进行诸如发送至目标用户端进行人工审核或再次进行识别等后处理。

基于上述可选的实现方式，通过将所生成的预指示信息用于指示上述待识别语音属于合成语音作为后处理的条件，提升了判定为合成语音的准确度。

可选地，上述执行主体可以通过以下步骤对待识别语音进行后处理，以生成用于指示上述待识别语音是否属于合成语音的指示信息：

第一步，从待识别语音中提取音素匹配的目标数目个语音切片。

在这些实现方式中，上述执行主体可以通过各种方式从步骤201所获取的待识别语音中提取音素匹配的目标数目个语音切片。其中，上述语音切片可以包括在不同时段的上下文较为类似的音素切片。例如在第1秒中“今天上午”的“上”的发音和第6秒中“明天上班”的“上”的发音的语音切片。上述目标数目可以是预先指定的任意数目，也可以是根据预设规则所确定的数目。

第二步，确定所提取的目标数目个语音切片之间的相似度。

在这些实现方式中，上述执行主体可以确定上述第一步所提取的目标数目各语音切片之间的相似度。其中，上述相似度可以包括用于表征各种语音特征的特征向量之间的相似度。

第三步，响应于确定所得到的相似度满足预设条件，生成用于指示待识别语音属于合成语音的指示信息。

在这些实现方式中，响应于确定上述第二步所得到的相似度满足预设条件，上述执行主体可以通过各种方式生成用于指示待识别语音属于合成语音的指示信息。作为示例，上述预设条件可以包括大于预设相似度阈值，例如50％。

基于上述可选的实现方式，可以利用真实语音随着人的疲劳程度、心情等因素而存在差异而合成语音则变化很少来对所生成的预指示信息进行调整，从而在满足上述预设条件的情况下生成用于指示待识别语音属于合成语音的指示信息。进而从整体上提升了用于识别合成语音的准确度。

继续参见图3，图3是根据本实施例的用于识别合成语音的方法的应用场景的一个示意图。在图3的应用场景中，用户301说出“今天天气怎么样”302。终端303获取用户301说出的“今天天气怎么样”302作为待识别语音。之后，终端303对上述待识别语音302进行识别，生成用于指示上述待识别语音不属于合成语音的预指示信息304。而后，根据预指示信息304用于指示上述待识别语音不属于合成语音，终端303可以对待识别语音302进行后处理，生成用于指示上述待识别语音不属于合成语音的指示信息305。

可选地，终端设备303还可以在确定待识别语音302不属于合成语音后进行响应，例如调用天气预报类APP查询当前天气情况(例如“多云转晴”306)并进行语音播报。

本公开的上述实施例提供的方法，通过首先对待识别语音是否属于合成语音进行识别后生成预指示信息，再根据所生成的预指示信息的不同情况进一步进行后处理，以生成指示信息。从而通过两阶段的识别兼顾识别的准确率和效率，提升了对合成语音进行识别的效果。

进一步参考图4，其示出了用于识别合成语音的方法的又一个实施例的流程400。该用于识别合成语音的方法的流程400，包括以下步骤：

步骤401，获取待识别语音。

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，对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息。

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，基于预指示信息对待识别语音进行后处理，以生成用于指示识别语音是否属于合成语音的指示信息。

在本实施例中，步骤403与图2对应实施例中的步骤203基本一致，这里不再赘述。

步骤404，响应于确定所生成的指示信息用于指示待识别语音不属于合成语音，对待识别语音进行语音识别，以生成识别文本。

在本实施例中，响应于确定步骤403所生成的指示信息用于指示待识别语音不属于合成语音，上述执行主体可以利用各种语音识别(Automatic Speech Recognition，ASR)技术对待识别语音进行语音识别，以将语音生成识别文本。

步骤405，根据识别文本与预设验证信息的匹配，确定是否执行解锁操作。

在本实施例中，根据步骤404所生成识别文本与预设验证信息的匹配，上述执行主体可以确定是否执行解锁操作。其中，上述验证信息可以包括预先设置的口令或动态验证码(例如每次执行解锁操作前所呈现的数字串)。上述解锁操作例如可以包括解锁屏幕，也可以包括直接对语音识别文本进行响应的操作(例如打开“闹钟”)。作为示例，响应于确定步骤404所生成的识别文本与预设验证信息匹配，上述执行主体可以确定执行解锁操作。作为又一示例，响应于确定步骤404所生成的识别文本与预设验证信息不匹配，上述执行主体可以确定不执行解锁操作。

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，与图2对应的实施例相比，本实施例中的用于识别合成语音的方法的流程400突出了对不属于合成语音的待识别进行语音识别生成识别文本，以及通过识别文本与预设验证信息的匹配确定是否执行解锁操作的步骤。由此，本实施例描述的方案可以用于语音解锁领域，通过避免对合成语音的响应，既提升了安全性，又减少了计算资源的浪费和不必要的能耗。

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识别合成语音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，本实施例的用于识别合成语音的装置500包括：获取单元501、预识别单元502和后处理单元503。其中，获取单元501，被配置成获取待识别语音；预识别单元502，被配置成对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；后处理单元503，被配置成基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

在本实施例中，用于识别合成语音的装置500中：获取单元501、预识别单元502和后处理单元503的具体处理及其所带来的技术效果可分别参考图2对应的实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述预识别单元502可以进一步被配置成：将待识别语音输入至预先训练的合成语音识别模型，得到用于指示待识别语音是否属于合成语音的预指示信息。其中，上述合成语音识别模型可以用于表征预指示信息与待识别语音之间的对应关系。

在本实施例的一些可选的实现方式中，上述后处理单元503可以进一步被配置成：响应于确定所生成的预指示信息用于指示待识别语音属于合成语音，对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

在本实施例的一些可选的实现方式中，上述后处理单元503可以包括：提取模块(图中未示出)、确定模块(图中未示出)、生成模块(图中未示出)。其中，上述提取模块，可以被配置成从待识别语音中提取音素匹配的目标数目个语音切片。上述确定模块，可以被配置成确定所提取的目标数目个语音切片之间的相似度。上述生成模块，可以被配置成响应于确定所得到的相似度满足预设条件，生成用于指示待识别语音属于合成语音的指示信息。

在本实施例的一些可选的实现方式中，上述合成语音识别模型可以通过以下步骤训练得到：获取训练样本集合；将训练样本集合中的训练样本的样本语音作为输入，将与输入的样本语音对应的样本标注信息作为期望输出，训练得到合成语音识别模型。其中，训练样本集合中的训练样本可以包括样本语音和样本标注信息。上述样本语音可以包括真实语音和与真实语音对应的合成语音。上述样本标注信息可以用于指示语音是否属于合成语音。

在本实施例的一些可选的实现方式中，上述合成语音识别模型可以包括基于双向门控循环单元的密集连接卷积网络。

在本实施例的一些可选的实现方式中，该用于识别合成语音的装置500还可以包括：识别单元(图中未示出)、确定单元(图中未示出)。其中，上述识别单元，可以被配置成响应于确定所生成的指示信息用于指示待识别语音不属于合成语音，对待识别语音进行语音识别，以生成识别文本。上述确定单元，可以被配置成根据识别文本与预设验证信息的匹配，确定是否执行解锁操作。

本公开的上述实施例提供的装置，通过获取单元501获取待识别语音；然后，预识别单元502对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；之后，后处理单元503基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。从而可以兼顾识别的准确率和效率，提升了对合成语音进行识别的效果。

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示出的电子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RAM603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识别合成语音的方法，该方法包括：获取待识别语音；对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的方法中，上述对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息，包括：将待识别语音输入至预先训练的合成语音识别模型，得到用于指示待识别语音是否属于合成语音的预指示信息，其中，合成语音识别模型用于表征预指示信息与待识别语音之间的对应关系。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的方法中，上述基于预指示信息对待识别语音进行后处理，以生成用于指示识别语音是否属于合成语音的指示信息，包括：响应于确定所生成的预指示信息用于指示待识别语音属于合成语音，对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的方法中，上述对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息，包括：从待识别语音中提取音素匹配的目标数目个语音切片；确定所提取的目标数目个语音切片之间的相似度；响应于确定所得到的相似度满足预设条件，生成用于指示待识别语音属于合成语音的指示信息。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的方法中，上述合成语音识别模型通过以下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本语音和样本标注信息，样本语音包括真实语音和与真实语音对应的合成语音，样本标注信息用于指示语音是否属于合成语音；将训练样本集合中的训练样本的样本语音作为输入，将与输入的样本语音对应的样本标注信息作为期望输出，训练得到合成语音识别模型。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的方法中，上述合成语音识别模型包括基于双向门控循环单元的密集连接卷积网络。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的方法还包括：响应于确定所生成的指示信息用于指示待识别语音不属于合成语音，对待识别语音进行语音识别，以生成识别文本；根据识别文本与预设验证信息的匹配，确定是否执行解锁操作。

根据本公开的一个或多个实施例，本公开提供了一种用于识别合成语音的装置，该装置包括：获取单元，被配置成获取待识别语音；预识别单元，被配置成对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；后处理单元，被配置成基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的装置中，上述预识别单元进一步被配置成：将待识别语音输入至预先训练的合成语音识别模型，得到用于指示待识别语音是否属于合成语音的预指示信息，其中，合成语音识别模型用于表征预指示信息与待识别语音之间的对应关系。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的装置中，上述后处理单元进一步被配置成：响应于确定所生成的预指示信息用于指示待识别语音属于合成语音，对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的装置中，上述后处理单元包括：提取模块，被配置成从待识别语音中提取音素匹配的目标数目个语音切片；确定模块，被配置成确定所提取的目标数目个语音切片之间的相似度；生成模块，被配置成响应于确定所得到的相似度满足预设条件，生成用于指示待识别语音属于合成语音的指示信息。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的装置中，上述合成语音识别模型通过以下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本语音和样本标注信息，样本语音包括真实语音和与真实语音对应的合成语音，样本标注信息用于指示语音是否属于合成语音；将训练样本集合中的训练样本的样本语音作为输入，将与输入的样本语音对应的样本标注信息作为期望输出，训练得到合成语音识别模型。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的装置中，上述合成语音识别模型包括基于双向门控循环单元的密集连接卷积网络。

根据本公开的一个或多个实施例，本公开提供的用于识别合成语音的装置中，该装置还包括：识别单元，被配置成响应于确定所生成的指示信息用于指示待识别语音不属于合成语音，对待识别语音进行语音识别，以生成识别文本；确定单元，被配置成根据识别文本与预设验证信息的匹配，确定是否执行解锁操作。

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、预识别单元和后处理单元。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，接收单元还可以被描述为“获取待识别语音的单元”。

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：获取待识别语音；对待识别语音进行识别，以生成用于指示待识别语音是否属于合成语音的预指示信息；基于预指示信息对待识别语音进行后处理，以生成用于指示待识别语音是否属于合成语音的指示信息。

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。

Claims (10)

1.一种用于识别合成语音的方法，包括：

获取待识别语音；

对所述待识别语音进行识别，以生成用于指示所述待识别语音是否属于合成语音的预指示信息；

基于所述预指示信息对所述待识别语音进行后处理，以生成用于指示所述待识别语音是否属于合成语音的指示信息。

2.根据权利要求1所述的方法，其中，所述对所述待识别语音进行识别，以生成用于指示所述待识别语音是否属于合成语音的预指示信息，包括：

将所述待识别语音输入至预先训练的合成语音识别模型，得到用于指示待识别语音是否属于合成语音的预指示信息，其中，所述合成语音识别模型用于表征预指示信息与待识别语音之间的对应关系。

3.根据权利要求1所述的方法，其中，所述基于所述预指示信息对所述待识别语音进行后处理，以生成用于指示所述识别语音是否属于合成语音的指示信息，包括：

响应于确定所生成的预指示信息用于指示所述待识别语音属于合成语音，对所述待识别语音进行后处理，以生成用于指示所述待识别语音是否属于合成语音的指示信息。

4.根据权利要求3所述的方法，其中，所述对所述待识别语音进行后处理，以生成用于指示所述待识别语音是否属于合成语音的指示信息，包括：

从所述待识别语音中提取音素匹配的目标数目个语音切片；

确定所提取的目标数目个语音切片之间的相似度；

响应于确定所得到的相似度满足预设条件，生成用于指示所述待识别语音属于合成语音的指示信息。

5.根据权利要求2所述的方法，其中，所述合成语音识别模型通过以下步骤训练得到：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本语音和样本标注信息，样本语音包括真实语音和与真实语音对应的合成语音，样本标注信息用于指示语音是否属于合成语音；

将所述训练样本集合中的训练样本的样本语音作为输入，将与输入的样本语音对应的样本标注信息作为期望输出，训练得到所述合成语音识别模型。

6.根据权利要求5所述的方法，其中，所述合成语音识别模型包括基于双向门控循环单元BGRU的密集连接卷积网络。

7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：

响应于确定所生成的指示信息用于指示所述待识别语音不属于合成语音，对所述待识别语音进行语音识别，以生成识别文本；

根据所述识别文本与预设验证信息的匹配，确定是否执行解锁操作。

8.一种用于识别合成语音的装置，包括：

获取单元，被配置成获取待识别语音；

预识别单元，被配置成对所述待识别语音进行识别，以生成用于指示所述待识别语音是否属于合成语音的预指示信息；

后处理单元，被配置成基于所述预指示信息对所述待识别语音进行后处理，以生成用于指示所述待识别语音是否属于合成语音的指示信息。

9.一种电子设备，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1-7中任一所述的方法。

10.一种计算机可读介质，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1-7中任一所述的方法。

Images