CN112017685A - 语音生成方法、装置、设备和计算机可读介质 - Google Patents

语音生成方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN112017685A
CN112017685A CN202010880060.2A CN202010880060A CN112017685A CN 112017685 A CN112017685 A CN 112017685A CN 202010880060 A CN202010880060 A CN 202010880060A CN 112017685 A CN112017685 A CN 112017685A
Authority
CN
China
Prior art keywords
voice
speech
speaker
determining
belonging
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
Application number
CN202010880060.2A
Other languages
English (en)
Other versions
CN112017685B (zh
Inventor
李入云
蔡猛
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.)
Beijing ByteDance Network Technology 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 CN202010880060.2A priority Critical patent/CN112017685B/zh
Publication of CN112017685A publication Critical patent/CN112017685A/zh
Application granted granted Critical
Publication of CN112017685B publication Critical patent/CN112017685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G10L21/0308—Voice signal separating characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开的实施例公开了用于生成对话语音的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；基于上述语音集合，生成每个说话人的语音段集合；将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。该实施方式通过将多个不同说话人的个人说话语音片段拼接为对话语音，使对话语音中不同说话人之间的说话语音清晰、完整、无交叠。

Description

语音生成方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及语音生成方法、装置、设备和计算机可读介质。
背景技术
随着人工智能技术的发展，可以使用人工智能技术进行对话语音中说话人的识别。训练说话人识别的模型时，往往需要大量已经标注了说话人的对话语音。可是现实中的对话语音经常会有多个说话人同时说话的情况。这导致不同说话人的语音相互交叠。或者对话中的语音不够清晰完整。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成对话语音的方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种用于生成对话语音的方法，该方法包括：在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；基于上述语音集合，生成每个说话人的语音段集合；将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
第二方面，本公开的一些实施例提供了一种语音生成装置，装置包括：确定单元，被配置成在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；生成单元，被配置成基于上述语音集合，生成每个说话人的语音段集合；拼接单元，被配置成将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过将多个不同说话人的个人说话语音片段拼接为对话语音，使对话语音中不同说话人之间的说话语音清晰、完整、无交叠。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的语音生成方法的一个应用场景的示意图；
图2是根据本公开的语音生成方法的一些实施例的流程图；
图3是根据本公开的语音生成方法的另一些实施例的流程图；
图4是根据本公开的语音生成装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的语音生成方法的一个应用场景的示意图。
本公开的一些实施例提供的语音生成方法可以由终端设备执行，也可以由服务器执行。
需要说明的是，终端设备可以是硬件，也可以是软件。当终端设备为硬件时，可以是支持语音处理的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器也可以是硬件或软件。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，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
在图1所示的应用场景下，语音生成方法的执行主体可以是计算设备101或者其上安装的语音处理应用。在本应用场景下，上述执行主体可以首先在原始语音集合102中确定包含一个说话人声音的语音，得到语音集合103。在本应用场景中，上述原始语音集合中共包含四条语音，分别为说话人张三的语音、说话人张三和说话人李四的语音、说话人张三的语音和说话人李四的语音。语音集合103中共包含三条语音，分别是说话人张三的语音、说话人张三的语音和说话人李四的语音。之后，基于上述语音集合103，生成每个说话人的语音段集合，得到说话人语音段集合的集合104。在本应用场景中，上述计算设备101分别生成了说话人张三的语音段集合和说话人李四的语音段集合。最后，将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音105。在本应用场景中，上述执行主体将两个说话人即说话人张三和说话人李四的语音段集合中的语音段拼接了起来。
应该理解，图1中的计算设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的语音生成方法的一些实施例的流程200。该语音生成方法，包括以下步骤：
步骤201，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。
在一些实施例中，语音生成方法的执行主体(例如图1中的计算设备)可以通过接收人工输入的信息的方式在上述原始语音集合中确定包含一个说话人声音的语音，得到上述语音集合。作为示例，上述人工输入的信息可以是上述原始语音集合中的每条原始语音对应的不同说话人的个数。作为又一示例，上述人工输入的信息还可以是上述原始语音集合中每条原始语音是否为包含一个说话人声音的语音。
在一些实施例的一些可选的实现方式中，上述执行主体还可以通过对上述原始语音进行说话人聚类，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。作为示例，上述聚类方法可以包括但不限于：划分式聚类方法，例如K-Means(K-均值)聚类算法、bi-K-Means(binary-K-Means，二分K均值)聚类算法等。以及，基于密度的聚类方法、层次化聚类方法。
步骤202，基于上述语音集合，生成每个说话人的语音段集合。
在一些实施例中，上述执行主体可以对上述语音集合中的每条语音进行说话人分割聚类，得到每个说话人的语音段集合。
在一些实施例的一些可选的实现方式中，上述执行主体还可以对上述语音集合中的每条语音，使用VAD(Voice Activity Detection，语音活性检测)技术，确定属于第一类别的语音段。之后，将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
在一些实施例中，上述第一类别可以包括：说话声和其他声音。在此基础上，上述目标类别可以包括：说话声。在此基础上，上述执行主体可以首先确定上述语音中属于说话声和其他声音中至少一项的语音段。之后，将属于说话声的语音段添加到上述语音对应的说话人的语音段集合中。
在一些实施例的一些可选的实现方式中，上述第一类别还可以包括：人声、静音、音乐、噪声中的至少一项。在此基础上，上述目标类别可以包括：人声和静音。在此基础上，上述执行主体可以首先确定上述语音中属于人声、静音、音乐、噪声中至少一项的语音段。之后，将属于人声和静音的语音段和属于人声的语音段确定为属于人声的语音段。最后，将属于人声和静音的语音段添加到上述语音对应的说话人的语音段集合中。
步骤203，将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
在一些实施例中，上述目标数目可以是预先设定的。例如，上述目标数目可以是被预先设定为2。
在一些实施例的一些可选的实现方式中，上述目标数目还可以是在预先设定的数值范围内包含的正整数中随机确定的。
在一些实施例的一些可选的实现方式中，上述目标数目还可以是在预先设定的数值范围内包含的正整数中按照预先设定的概率值确定的，上述概率值用于表征上述正整数被确定为上述目标数目的概率。
在一些实施例中，上述执行主体可以按照预先指定的方式将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。例如，上述预先指定的方式可以是轮流取出上述目标数目个说话人中每个说话人的语音段集合中的任意一个语音段进行拼接。
在一些实施例的一些可选的实现方式中，将上述目标数目个说话人的语音段集合中的语音段按照随机确定的顺序拼接起来，得到上述对话语音。
本公开的一些实施例提供的方法通过将多个不同说话人的个人说话语音片段拼接为对话语音，使对话语音中不同说话人之间的说话语音清晰、完整、无交叠。
进一步参考图3，其示出了语音生成方法的另一些实施例的流程300。该语音生成方法的流程300，包括以下步骤：
步骤301，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。
步骤302，对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段。
在一些实施例中，上述第一类别可以包括：说话声和其他声音。在此基础上，上述执行主体对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段可以是使用语音活性检测技术，确定上述语音中属于说话声和其他声音中至少一项的语音段。
在一些实施例的一些可选的实现方式中，上述第一类别还可以包括：人声、静音、音乐、噪声中的至少一项。在此基础上，上述执行主体对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段可以是确定上述语音中属于人声、静音、音乐、噪声中至少一项的语音段。
步骤303，将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
在一些实施例中，在上述第一类别包括说话声和其他声音的基础上。上述目标类别可以包括：说话声。在此基础上，上述执行主体可以将属于说话声的语音段添加到上述语音对应的说话人的语音段集合中。
在一些实施例的一些可选的实现方式中，在上述第一类别包括人声、静音、音乐、噪声的基础上。上述目标类别可以包括：人声和静音。在此基础上，上述执行主体可以将属于人声和静音的语音段和属于人声的语音段确定为属于人声的语音段。最后，将属于人声和静音的语音段添加到上述语音对应的说话人的语音段集合中。
步骤304，将上述目标数目个说话人的语音段集合中的语音段按照随机确定的顺序拼接起来，得到上述对话语音。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的语音生成方法的流程300体现了生成语音段集合的步骤。由此，这些实施例描述的方案可以在预先获取到的语音中提取出更准确的说话语音片段，为最后生成的对话语音的清晰完整提供了保障。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种语音生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的语音生成装置400包括：确定单元401、生成单元402和拼接单元403。其中，确定单元401，被配置成在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；生成单元402，被配置成基于上述语音集合，生成每个说话人的语音段集合；拼接单元403，被配置成将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
在一些实施例的可选实现方式中，生成单元402进一步被配置成：对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段；将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
在一些实施例的可选实现方式中，第一类别包括人声、静音、音乐、噪声中的至少一项，目标类别包括人声和静音中的至少一项，以及，生成单元402进一步被配置成：确定上述语音中属于人声、静音、音乐、噪声中至少一项的语音段；将属于人声和静音的语音段和属于人声的语音段确定为属于人声的语音段；将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
在一些实施例的可选实现方式中，目标数目是在预先设定的数值范围内包含的正整数中随机确定的。
在一些实施例的可选实现方式中，目标数目是在预先设定的数值范围内包含的正整数中按照预先设定的概率值确定的，上述概率值用于表征上述正整数被确定为上述目标数目的概率。
在一些实施例的可选实现方式中，拼接单元403进一步被配置成：将上述目标数目个说话人的语音段集合中的语音段按照随机确定的顺序拼接起来，得到上述对话语音。
在一些实施例的可选实现方式中，确定单元401进一步被配置成：通过对上述原始语音进行说话人聚类，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器或终端设备)500的结构示意图。本公开的一些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5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5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；基于上述语音集合，生成每个说话人的语音段集合；将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一生成单元、第二生成单元、第三生成单元。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，第一生成单元还可以被描述为“生成说话语音片段集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种语音生成方法，包括：在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；基于上述语音集合，生成每个说话人的语音段集合；将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
根据本公开的一个或多个实施例，基于上述语音集合，生成每个说话人的语音段集合，包括：对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段；将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
根据本公开的一个或多个实施例，第一类别包括人声、静音、音乐、噪声中的至少一项，目标类别包括人声和静音中的至少一项，以及，上述对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段，包括：确定上述语音中属于人声、静音、音乐、噪声中至少一项的语音段；将属于人声和静音的语音段和属于人声的语音段确定为属于人声的语音段。
根据本公开的一个或多个实施例，目标数目是在预先设定的数值范围内包含的正整数中随机确定的。
根据本公开的一个或多个实施例，目标数目是在预先设定的数值范围内包含的正整数中按照预先设定的概率值确定的，上述概率值用于表征上述正整数被确定为上述目标数目的概率。
根据本公开的一个或多个实施例，将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音，包括：将上述目标数目个说话人的语音段集合中的语音段按照随机确定的顺序拼接起来，得到上述对话语音。
根据本公开的一个或多个实施例，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合，包括：通过对上述原始语音进行说话人聚类，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。
根据本公开的一个或多个实施例，提供了一种用于生成对话语音的装置，包括：确定单元，被配置成在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；生成单元，被配置成基于上述语音集合，生成每个说话人的语音段集合；拼接单元，被配置成将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
根据本公开的一个或多个实施例，生成单元进一步被配置成：对上述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段；将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
根据本公开的一个或多个实施例，第一类别包括人声、静音、音乐、噪声中的至少一项，目标类别包括人声和静音中的至少一项，以及，生成单元进一步被配置成：确定上述语音中属于人声、静音、音乐、噪声中至少一项的语音段；将属于人声和静音的语音段和属于人声的语音段确定为属于人声的语音段；将上述属于第一类别的语音段中属于目标类别的语音段添加到上述语音对应的说话人的语音段集合中。
根据本公开的一个或多个实施例，目标数目是在预先设定的数值范围内包含的正整数中随机确定的。
根据本公开的一个或多个实施例，目标数目是在预先设定的数值范围内包含的正整数中按照预先设定的概率值确定的，上述概率值用于表征上述正整数被确定为上述目标数目的概率。
根据本公开的一个或多个实施例，拼接单元进一步被配置成：将上述目标数目个说话人的语音段集合中的语音段按照随机确定的顺序拼接起来，得到上述对话语音。
根据本公开的一个或多个实施例，确定单元进一步被配置成：通过对上述原始语音进行说话人聚类，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，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 (10)

1.一种语音生成方法，包括：
在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；
基于所述语音集合，生成每个说话人的语音段集合；
将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
2.根据权利要求1所述的方法，其中，所述基于所述语音集合，生成每个说话人的语音段集合，包括：
对所述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段；
将所述属于第一类别的语音段中属于目标类别的语音段添加到所述语音对应的说话人的语音段集合中。
3.根据权利要求2所述的方法，其中，所述第一类别包括人声、静音、音乐、噪声中的至少一项，目标类别包括人声和静音中的至少一项，以及，所述对所述语音集合中每条语音，使用语音活性检测技术，确定属于第一类别的语音段，包括：
确定所述语音中属于人声、静音、音乐、噪声中至少一项的语音段；
将属于人声和静音的语音段和属于人声的语音段确定为属于人声的语音段。
4.根据权利要求1所述的方法，其中，所述目标数目是在预先设定的数值范围内包含的正整数中随机确定的。
5.根据权利要求1所述的方法，其中，所述目标数目是在预先设定的数值范围内包含的正整数中按照预先设定的概率值确定的，所述概率值用于表征所述正整数被确定为所述目标数目的概率。
6.根据权利要求1所述的方法，其中，所述将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音，包括：
将所述目标数目个说话人的语音段集合中的语音段按照随机确定的顺序拼接起来，得到所述对话语音。
7.根据权利要求1所述的方法，其中，所述在原始语音集合中确定包含一个说话人声音的语音，得到语音集合，包括：
通过对所述原始语音进行说话人聚类，在原始语音集合中确定包含一个说话人声音的语音，得到语音集合。
8.一种语音生成装置，包括：
确定单元，被配置成在原始语音集合中确定包含一个说话人声音的语音，得到语音集合；
生成单元，被配置成基于所述语音集合，生成每个说话人的语音段集合；
拼接单元，被配置成将目标数目个说话人的语音段集合中的语音段拼接起来，得到对话语音。
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。
CN202010880060.2A 2020-08-27 2020-08-27 语音生成方法、装置、设备和计算机可读介质 Active CN112017685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010880060.2A CN112017685B (zh) 2020-08-27 2020-08-27 语音生成方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010880060.2A CN112017685B (zh) 2020-08-27 2020-08-27 语音生成方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112017685A true CN112017685A (zh) 2020-12-01
CN112017685B CN112017685B (zh) 2023-12-22

Family

ID=73503195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010880060.2A Active CN112017685B (zh) 2020-08-27 2020-08-27 语音生成方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112017685B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927680A (zh) * 2021-02-10 2021-06-08 中国工商银行股份有限公司 一种基于电话信道的声纹有效语音的识别方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102543063A (zh) * 2011-12-07 2012-07-04 华南理工大学 基于说话人分割与聚类的多说话人语速估计方法
US20170287482A1 (en) * 2016-04-05 2017-10-05 SpeakWrite, LLC Identifying speakers in transcription of multiple party conversations
CN108962229A (zh) * 2018-07-26 2018-12-07 汕头大学 一种基于单通道、无监督式的目标说话人语音提取方法
CN109686382A (zh) * 2018-12-29 2019-04-26 平安科技（深圳）有限公司 一种说话人聚类方法和装置
CN110136749A (zh) * 2019-06-14 2019-08-16 苏州思必驰信息科技有限公司 说话人相关的端到端语音端点检测方法和装置
CN110491410A (zh) * 2019-04-12 2019-11-22 腾讯科技（深圳）有限公司 语音分离方法、语音识别方法及相关设备
CN110808062A (zh) * 2019-11-26 2020-02-18 秒针信息技术有限公司 混合语音分离方法和装置
CN110910891A (zh) * 2019-11-15 2020-03-24 复旦大学 基于长短时记忆神经网络的说话人分段标注方法及装置
CN111063341A (zh) * 2019-12-31 2020-04-24 苏州思必驰信息科技有限公司 复杂环境中多人语音的分割聚类方法及系统
CN111429935A (zh) * 2020-02-28 2020-07-17 北京捷通华声科技股份有限公司 一种语音话者分离方法和装置
CN111462728A (zh) * 2020-03-31 2020-07-28 北京字节跳动网络技术有限公司 用于生成语音的方法、装置、电子设备和计算机可读介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102543063A (zh) * 2011-12-07 2012-07-04 华南理工大学 基于说话人分割与聚类的多说话人语速估计方法
US20170287482A1 (en) * 2016-04-05 2017-10-05 SpeakWrite, LLC Identifying speakers in transcription of multiple party conversations
CN108962229A (zh) * 2018-07-26 2018-12-07 汕头大学 一种基于单通道、无监督式的目标说话人语音提取方法
CN109686382A (zh) * 2018-12-29 2019-04-26 平安科技（深圳）有限公司 一种说话人聚类方法和装置
CN110491410A (zh) * 2019-04-12 2019-11-22 腾讯科技（深圳）有限公司 语音分离方法、语音识别方法及相关设备
CN110136749A (zh) * 2019-06-14 2019-08-16 苏州思必驰信息科技有限公司 说话人相关的端到端语音端点检测方法和装置
CN110910891A (zh) * 2019-11-15 2020-03-24 复旦大学 基于长短时记忆神经网络的说话人分段标注方法及装置
CN110808062A (zh) * 2019-11-26 2020-02-18 秒针信息技术有限公司 混合语音分离方法和装置
CN111063341A (zh) * 2019-12-31 2020-04-24 苏州思必驰信息科技有限公司 复杂环境中多人语音的分割聚类方法及系统
CN111429935A (zh) * 2020-02-28 2020-07-17 北京捷通华声科技股份有限公司 一种语音话者分离方法和装置
CN111462728A (zh) * 2020-03-31 2020-07-28 北京字节跳动网络技术有限公司 用于生成语音的方法、装置、电子设备和计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927680A (zh) * 2021-02-10 2021-06-08 中国工商银行股份有限公司 一种基于电话信道的声纹有效语音的识别方法及装置
CN112927680B (zh) * 2021-02-10 2022-06-17 中国工商银行股份有限公司 一种基于电话信道的声纹有效语音的识别方法及装置

Also Published As

Publication number Publication date
CN112017685B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN108630190B (zh) 用于生成语音合成模型的方法和装置
CN111916053B (zh) 语音生成方法、装置、设备和计算机可读介质
CN111986655B (zh) 音频内容识别方法、装置、设备和计算机可读介质
CN112509562B (zh) 用于文本后处理的方法、装置、电子设备和介质
CN111508478B (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
CN112259079A (zh) 语音识别的方法、装置、设备和计算机可读介质
CN111968657B (zh) 语音处理方法、装置、电子设备和计算机可读介质
CN111933119B (zh) 用于生成语音识别网络的方法、装置、电子设备和介质
CN112257459B (zh) 语言翻译模型的训练方法、翻译方法、装置和电子设备
CN111681661B (zh) 语音识别的方法、装置、电子设备和计算机可读介质
JP7182584B2 (ja) スピーチ理解における解析異常の情報を出力するための方法
CN110675865B (zh) 用于训练混合语言识别模型的方法和装置
CN112017685B (zh) 语音生成方法、装置、设备和计算机可读介质
CN111858916A (zh) 用于聚类句子的方法和装置
CN111652002B (zh) 文本划分方法、装置、设备和计算机可读介质
CN111754984B (zh) 文本选取的方法、装置、设备和计算机可读介质
CN114038465B (zh) 语音处理方法、装置和电子设备
CN111899747B (zh) 用于合成音频的方法和装置
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN112820280A (zh) 规则语言模型的生成方法及装置
CN111681660B (zh) 语音识别方法、装置、电子设备和计算机可读介质
CN111292766B (zh) 用于生成语音样本的方法、装置、电子设备和介质
CN114765025A (zh) 语音识别模型的生成方法、识别方法、装置、介质及设备
CN113781994A (zh) 训练集生成方法、装置、电子设备和计算机可读介质

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
CB02 Change of applicant information

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

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

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

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

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

Applicant after: Douyin Vision Co.,Ltd.

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

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

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant