CN112037801B - 用于生成音频的方法和装置 - Google Patents

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：接收目标用户录入的音频；接收目标用户拍摄的视频；将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频，其中，音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。该实施方式实现了为用户拍摄的视频匹配个性化的音频。

Description

用于生成音频的方法和装置

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

用户可以通过使用一些视频类应用拍摄并上传视频。而且，还可以从应用提供的音频库中选取喜欢的音频，并将拍摄的视频和音频进行合并，以生成用户期望的视频。

发明内容

本公开的实施例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：接收目标用户录入的音频；接收目标用户拍摄的视频；将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频，其中，音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。

在一些实施例中，上述音频生成模型通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；获取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于根据输入的音频和视频，生成与输入的视频匹配的音频，判别网络用于校验生成网络生成的音频；利用机器学习的方法，基于训练样本集对生成式对抗网络进行训练，将训练后的生成式对抗网络包括的生成网络确定为音频生成模型。

在一些实施例中，上述判别网络用于度量生成网络生成的音频与对应的样本匹配音频的差异。

在一些实施例中，训练样本集通过如下步骤得到：获取初始样本集，其中，初始样本集中的样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；获取目标音频集；对于初始样本集中的样本，从目标音频集中选取目标音频作为新的样本匹配音频，其中，所选取的目标音频与该样本中的样本匹配音频的相似度大于预设阈值；将该样本中的样本音频、样本视频和所选取的目标音频组成新的样本；将得到的新的样本和初始样本集合并，得到训练样本集。

在一些实施例中，上述用于生成音频的方法还包括：将得到的、与目标用户拍摄的视频匹配的音频和目标用户拍摄的视频进行合并，得到新的视频；向目标用户展示所得到的新的视频。

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：接收单元，被配置成接收目标用户录入的音频；接收单元，进一步被配置成接收目标用户拍摄的视频；音频生成单元，被配置成将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频，其中，音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。

在一些实施例中，上述音频生成模型通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；获取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于根据输入的音频和视频，生成与输入的视频匹配的音频，判别网络用于校验生成网络生成的音频；利用机器学习的方法，基于训练样本集对生成式对抗网络进行训练，将训练后的生成式对抗网络包括的生成网络确定为音频生成模型。

在一些实施例中，上述判别网络用于度量生成网络生成的音频与对应的样本匹配音频的差异。

在一些实施例中，上述训练样本集通过如下步骤得到：获取初始样本集，其中，初始样本集中的样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；获取目标音频集；对于初始样本集中的样本，从目标音频集中选取目标音频作为新的样本匹配音频，其中，所选取的目标音频与该样本中的样本匹配音频的相似度大于预设阈值；将该样本中的样本音频、样本视频和所选取的目标音频组成新的样本；将得到的新的样本和初始样本集合并，得到训练样本集。

在一些实施例中，上述用于生成音频的装置还包括：合并单元，被配置成将得到的、与目标用户拍摄的视频匹配的音频和目标用户拍摄的视频进行合并，得到新的视频；展示单元，被配置成向目标用户展示所得到的新的视频。

第三方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；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，该计算机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。

本公开的实施例提供的用于生成音频的方法和装置，根据接收的用户录入的音频和拍摄的视频，生成与用户拍摄的视频相匹配的音频。和现有技术中的用户通常只能在一个有限的音频库中选取音频来匹配所拍摄的视频相比，有助于提升生成的与用户拍摄的视频匹配的音频的个性化。由于每个用户录入的音频一般都不同，而用户拍摄的视频也通常不同，因此，根据不同的音频和视频，生成的音频一般也不同，从而使得可以为不同用户拍摄的视频分别匹配不同的、个性化的音频。

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又一个实施例的流程图；

图4是根据本公开的实施例的用于生成音频的方法的一个应用场景的示意图；

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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如浏览器类应用、搜索类应用、影音类应用等。

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105可以是提供各种服务的服务器，例如为终端设备101、 102、103上安装的一些应用提供支持的后端服务器。服务器105可以接收终端设备发送的、目标用户录入的音频和拍摄的视频，以及将接收的音频和视频输入至预先训练的音频生成模型，以生成与接收到的视频匹配的音频。进一步地，服务器105还可以将生成的音频与接收到的视频进行合并，并将合并后得到的新的视频发送至终端设备101、 102、103。

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一般由服务器105执行，相应地，用于生成音频的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有音频和视频处理类应用。此时，用于生成音频的方法也可以由终端设备 101、102、103执行，相应地，用于生成音频的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

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。

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。

继续参考图2，其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，接收目标用户录入的音频。

在本实施例中，用于生成音频的方法的执行主体(如图1所示的服务器105)可以接收目标用户录入的音频。其中，目标用户可以指任意的用户。上述执行主体可以从目标用户对应的终端设备(如图1 所示的终端设备101、102、103)接收目标用户录入的音频。

目标用户可以使用对应的终端设备录入音频。目标用户也可以使用其它可以用于录音的电子设备录制音频。之后，可以将录制的音频发送至目标用户对应的终端设备，终端设备再将接收到的音频发送至上述执行主体。

步骤202，接收目标用户拍摄的视频。

在本实施例中，上述执行主体可以从目标用户对应的终端设备(如图1所示的终端设备101、102、103)接收目标用户拍摄的视频。目标用户可以使用对应的终端设备拍摄视频。目标用户也可以使用其它可以用于拍摄的电子设备拍摄视频。之后，可以将拍摄的视频发送至目标用户对应的终端设备，终端设备再将接收到的视频发送至上述执行主体。

步骤203，将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频。

在本实施例中，音频生成模型可以用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。其中，与用户拍摄的视频匹配的音频可以指任意的音频，也可以指符合预设条件的音频。

其中，预设条件可以由技术人员根据实际的应用需求而设置。举例来说，预设条件可以是生成的音频没有指定的噪音(如交通噪音等)。预设条件也可以是生成的音频的时长在预设的时长区间之内。

音频生成模型可以根据不同的应用需求，采用不同的方式训练得到。作为示例，音频生成模型可以通过如下步骤训练得到：

训练步骤一，获取训练样本集。其中，训练样本集中的训练样本包括预先采集的样本音频、样本视频，以及与视频匹配的音频。

下面以一个训练样本的采集过程作为示例进行说明：可以由相关人员预先拍摄视频，然后录制期望的音频。例如，相关人员可以通过哼唱的方式，利用可以录音的电子设备录制音频。之后，相关人员可以从一些可以提供音频的平台选取其认为与拍摄的视频匹配的音频。

应当可以理解，上述只是一个示意性的举例，采集训练样本的方式可以灵活选择。例如，在选取与拍摄的视频匹配的音频之后，还可以利用现有的各种音频处理软件对选取的音频进行调整，以符合相关人员期望的音频需求。之后，可以将调整后的音频作为与拍摄的视频匹配的音频。

训练步骤二，获取预先建立的初始模型。

在本步骤中，初始模型可以由技术人员根据现有的一些开源地、可以生成音频的项目(例如Magenta、Deep Jazz等)进行构建。

训练步骤三，利用机器学习的方法，将训练样本集中的训练样本包括的样本音频和样本视频作为初始模型的输入，将训练样本中与输入的样本视频匹配的音频作为初始模型的期望输出，训练得到音频生成模型。

在本步骤中，可以利用预设的损失函数对初始模型进行训练。作为示例，损失函数的值可以用来表征初始模型输出的音频与对应的音频(即训练样本中与输入的视频匹配的音频)的相似度。在训练过程中，可以根据损失函数的值，利用梯度下降和反向传播算法来调整初始模型的参数，使得调整后的初始模型输出的音频与对应的音频的相似度符合预设条件。

在训练过程中，可以根据预设的训练结束条件来确定训练是否结束，以及将训练结束后的初始模型确定为音频生成模型。训练的结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、连续多次迭代分别得到的损失函数的值均符合预先设置的阈值等。

在本实施例的一些可选的实现方式中，音频生成模型可以通过如下步骤训练得到：

步骤一，获取训练样本集。其中，训练样本集中的训练样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频。

可选地，可以通过如下子步骤获取训练样本集：

子步骤一，获取初始样本集。其中，初始样本集中的样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频。

在本子步骤中，获取初始样本集的方式可以灵活设置。具体参考前述关于获取训练样本集的过程。

子步骤二，获取目标音频集。

在本子步骤中，目标音频集可以是由技术人员预先指定的一些音频所组成的集合。目标音频集也可以是根据预设的筛选条件从其它提供音频的平台获取的、符合筛选条件的音频所组成的集合。

子步骤三，对于初始样本集中的样本，从目标音频集中选取目标音频作为新的样本匹配音频。其中，所选取的目标音频与该样本中的样本匹配音频的相似度大于预设阈值。将该样本中的样本音频、样本视频和所选取的目标音频组成新的样本。

在本子步骤中，以初始样本集中的一个样本作为示例进行说明，可以从目标音频集中选取与该样本中的样本匹配音频的相似度大于预设阈值的目标音频作为新的样本匹配音频。

由于该样本中的样本匹配音频是与该样本中的样本视频相匹配的，因此，所选取的目标视频与该样本中的样本视频也是较匹配的。基于此，可以将该样本中的样本音频、样本视频和选取的目标视频组成新的样本。即通过这样方式可以基于初始样本集中的样本生成新的多个样本，从而增加样本的数目。

子步骤四，将得到的新的样本和初始样本集合并，得到训练样本集。

这种方式只需要相关人员设置小部分初始样本，就可以基于初始样本生成许多新样本，进而得到训练样本集，而不需要相关人员再针对每个样本挑选样本匹配音频，有助于提升训练样本的采集速度。

步骤二，获取预先建立的生成式对抗网络。其中，生成式对抗网络可以包括生成网络和判别网络。其中，生成网络可以用于根据输入的音频和视频，生成与输入的视频匹配的音频。判别网络可以用于校验生成网络生成的音频。

在本步骤中，生成式对抗网络可以由技术人员根据应用需求预先建立。生成式对抗网络可以是各种未经训练的或未训练完成的生成式对抗网络。例如，生成式对抗网络可以是深度卷积生成式对抗网络 (DCGAN，Deep Convolutional Generative AdversarialNetworks)、条件生成式对抗网络(CGAN，Conditional Generative AdversarialNetworks)等。

其中，生成网络可以是用于对音频和视频进行处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层等的各种结构的卷积神经网络)。

其中，判别网络可以用于对生成网络输出的音频进行校验。校验的具体方式可以根据不同的应用场景灵活设置。

可选地，判别网络可以是由卷积神经网络和支持向量机组成的、用于分类的网络。此时，判别网络可以用于确定输入判别网络的音频是由生成网络生成的音频，还是真实采集的、训练样本中的样本匹配音频。即判别网络用于区分生成网络生成的音频和真实采集的、训练样本中的样本匹配音频。

在本实施例的一些可选的实现方式中，判别网络也可以用于度量生成网络生成的音频与对应的样本匹配音频的差异。生成网络生成的音频所对应的样本匹配音频可以指输入至生成网络的训练样本所包括的样本匹配音频。此时，判别网络可以是各种卷积神经网络(如用于回归分析的卷积神经网络等)。例如，判别网络可以用于输出生成网络生成的音频与对应的样本匹配音频的差异度或相似度。

应当可以理解，生成网络生成的音频与对应的样本匹配音频的差异也同时可以反映生成网络生成的音频与对应的样本匹配音频的相似性。即生成网络生成的音频与对应的样本匹配音频的差异越大，表明两者的相似性就越低。而生成网络生成的音频与对应的样本匹配音频的差异越小，表明两者的相似性就越高。

步骤三，利用机器学习的方法，基于训练样本集对生成式对抗网络进行训练，将训练后的生成式对抗网络包括的生成网络确定为音频生成模型。

在本步骤中，具体的训练方式可以灵活选取。例如，可以先固定生成网络和判别网络中的任一网络(可称为第一网络)的参数，然后对未固定参数的网络(可称为第二网络)进行训练。之后，再固定第二网络的参数，对第一网络进行训练。然后，可以不断迭代上述过程，直至满足预设的训练结束条件。此时，可以将训练完成的生成网络确定为音频生成模型。其中，训练结束条件可以根据实际的应用需求进行设置。

作为示例，若判别网络用于区分生成网络生成的音频和真实采集的、训练样本中的样本匹配音频，那么预设结束条件可以为判别网络无法区分生成网络生成的音频和真实采集的、训练样本中的样本匹配音频(如判别网络对生成网络生成的音频和真实采集的样本匹配音频的判别准确率为0.5左右)。此时，可以表明生成网络生成的音频和真实采集的样本匹配音频已经非常相似，所以此时可以认为生成式对抗网络训练结束，并将此时的生成网络确定为音频生成模型。

作为示例，若判别网络用于输出生成网络生成的音频与对应的样本匹配音频的差异度，那么可以基于预设的损失函数确定训练是否结束。例如，训练结束条件可以为连续多次迭代过程分别对应的损失值均小于预设的损失阈值等。

一般地，可以利用现有的反向传播算法和梯度下降算法对生成式对抗网络进行多次迭代训练。每次迭代后，都会对应调整生成式对抗网络包括的生成网络和判别网络的参数，并将每次调整参数后的生成网络和判别网络作为下次迭代所使用的生成式对抗网络。

本公开的上述实施例提供的方法可以根据用户录入的音频和拍摄的视频，生成与用户拍摄的视频匹配的音频。由此，用户在为其拍摄的视频匹配音频时，可以自己录制期望的音频(如哼唱期望的旋律等)，然后利用预先训练的音频生成模型，生成与用户拍摄的视频匹配的音频。

而且，现有技术中，用户从已有的音频库中选取音频来匹配其拍摄的视频的方法，很容易出现不同的用户选取到同样的音频的情况。而采用本公开的上述实施例提供的方法由于每个用户录入的音频不同，拍摄的视频也不同，因此，不容易出现针对不同的用户生成同样的音频的情况，从而使得可以为不同用户拍摄的视频生成个性化的匹配音频。

进一步参考图3，其示出了用于生成音频的方法的又一个实施例的流程300。该用于生成音频的方法的流程300，包括以下步骤：

步骤301，接收目标用户录入的音频。

步骤302，接收目标用户拍摄的视频。

步骤303，将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频。

上述步骤401、402和403的具体的执行过程可参考图2对应实施例中的步骤201、202和203的相关说明，在此不再赘述。

步骤304，将得到的、与目标用户拍摄的视频匹配的音频和目标用户拍摄的视频进行合并，得到新的视频。

在本实施例中，可以利用现有的各种合成视频和音频的算法、应用等，将音频生成模型生成的音频与目标用户所拍摄的视频进行合并，得到合并后的视频。

步骤305，向目标用户展示所得到的新的视频。

在本步骤中，上述执行主体可以将得到的新的视频发送至目标用户对应的终端设备，以供目标用户浏览得到的新的视频。

继续参见图4，图4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4的应用场景中，用户可以通过其使用的终端设备406上安装的录音应用录入用户哼唱的一段音频401。同时，用户还可以通过其使用的终端设备406上的摄像头拍摄用户想要拍摄的视频402。

之后，可以将用户录入的音频401和拍摄的视频402输入至预先训练的音频生成模型403，得到与拍摄的视频402匹配的音频404。然后，可以将得到的音频404和视频402进行合并，得到合并后的视频 405。同时，可以将合并后的视频405推送至用户所使用的终端设备 406以供用户观看。

本公开的上述实施例提供的方法，通过在为用户拍摄的视频生成匹配的音频之后，还可以将用户拍摄的视频和生成的音频进行合成。进而，还可以将合成后的视频推送至用户以供用户观看。

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，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于生成音频的装置500包括接收单元501和音频生成单元502。其中，接收单元501被配置成接收目标用户录入的音频；接收单元501进一步被配置成接收目标用户拍摄的视频；音频生成单元502被配置成将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频，其中，音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。

在本实施例中，用于生成音频的装置500中：接收单元501和音频生成单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤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，上述音频生成模型通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；获取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于根据输入的音频和视频，生成与输入的视频匹配的音频，判别网络用于校验生成网络生成的音频；利用机器学习的方法，基于训练样本集对生成式对抗网络进行训练，将训练后的生成式对抗网络包括的生成网络确定为音频生成模型。

在本实施例的一些可选的实现方式中，上述判别网络用于度量生成网络生成的音频与对应的样本匹配音频的差异。

在本实施例的一些可选的实现方式中，上述训练样本集通过如下步骤得到：获取初始样本集，其中，初始样本集中的样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；获取目标音频集；对于初始样本集中的样本，从目标音频集中选取目标音频作为新的样本匹配音频，其中，所选取的目标音频与该样本中的样本匹配音频的相似度大于预设阈值；将该样本中的样本音频、样本视频和所选取的目标音频组成新的样本；将得到的新的样本和初始样本集合并，得到训练样本集。

在一些实施例中，上述用于生成音频的装置600还包括：合并单元(图中未示出)被配置成将得到的、与目标用户拍摄的视频匹配的音频和目标用户拍摄的视频进行合并，得到新的视频；展示单元(图中未示出)被配置成向目标用户展示所得到的新的视频。

本公开的上述实施例提供的装置，通过接收单元接收目标用户录入的音频，以及接收目标用户拍摄的视频；音频生成单元将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频，其中，音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。和现有技术中的用户通常只能在一个有限的音频库中选取音频来匹配所拍摄的视频相比，有助于提升生成的与用户拍摄的视频匹配的音频的个性化。由于每个用户录入的音频一般都不同，而用户拍摄的视频也通常不同，因此，根据不同的音频和视频，生成的音频一般也不同，从而使得可以为不同用户拍摄的视频分别匹配不同的、个性化的音频。

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)600的结构示意图。图6示出的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，本公开的实施例所描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。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：接收目标用户录入的音频；接收目标用户拍摄的视频；将音频和视频输入至预先训练的音频生成模型，得到与视频匹配的音频，其中，音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频。

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，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：一种处理器包括接收单元和音频生成单元。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，接收单元还可以被描述为“接收目标用户录入的音频的单元”。

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 (10)

1.一种用于生成音频的方法，包括：

接收目标用户录入的音频；

接收所述目标用户拍摄的视频；

将所述音频和所述视频输入至预先训练的音频生成模型，得到与所述视频匹配的音频，其中，所述音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频；

所述音频生成模型通过如下步骤训练得到：

获取训练样本集，其中，训练样本集中的训练样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；

获取预先建立的生成式对抗网络，其中，所述生成式对抗网络包

括生成网络和判别网络，所述生成网络用于根据输入的音频和视频，生成与输入的视频匹配的音频，所述判别网络用于校验所述生成网络生成的音频；

利用机器学习的方法，基于所述训练样本集对所述生成式对抗网络进行训练，将训练后的生成式对抗网络包括的生成网络确定为音频生成模型。

2.根据权利要求1所述的方法，其中，所述判别网络用于度量所述生成网络生成的音频与对应的样本匹配音频的差异。

3.根据权利要求1所述的方法，其中，所述训练样本集通过如下步骤得到：

获取初始样本集，其中，初始样本集中的样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；

获取目标音频集；

对于所述初始样本集中的样本，从所述目标音频集中选取目标音频作为新的样本匹配音频，其中，所选取的目标音频与该样本中的样本匹配音频的相似度大于预设阈值；将该样本中的样本音频、样本视频和所选取的目标音频组成新的样本；

将得到的新的样本和所述初始样本集合并，得到所述训练样本集。

4.根据权利要求1-3之一所述的方法，其中，所述方法还包括：将得到的、与所述目标用户拍摄的视频匹配的音频和所述目标用户拍摄的视频进行合并，得到新的视频；

向所述目标用户展示所得到的新的视频。

5.一种用于生成音频的装置，包括：

接收单元，被配置成接收目标用户录入的音频；

所述接收单元，进一步被配置成接收所述目标用户拍摄的视频；音频生成单元，被配置成将所述音频和所述视频输入至预先训练的音频生成模型，得到与所述视频匹配的音频，其中，所述音频生成模型用于根据用户录入的音频和拍摄的视频生成与用户拍摄的视频匹配的音频；

所述音频生成模型通过如下步骤训练得到：

获取训练样本集，其中，训练样本集中的训练样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；

获取预先建立的生成式对抗网络，其中，所述生成式对抗网络包括生成网络和判别网络，所述生成网络用于根据输入的音频和视频，

生成与输入的视频匹配的音频，所述判别网络用于校验所述生成网络生成的音频；

利用机器学习的方法，基于所述训练样本集对所述生成式对抗网络进行训练，将训练后的生成式对抗网络包括的生成网络确定为音频生成模型。

6.根据权利要求5所述的装置，其中，所述判别网络用于度量所述生成网络生成的音频与对应的样本匹配音频的差异。

7.根据权利要求5所述的装置，其中，所述训练样本集通过如下步骤得到：

获取初始样本集，其中，初始样本集中的样本包括样本音频、样本视频和与样本视频匹配的样本匹配音频；

获取目标音频集；

对于所述初始样本集中的样本，从所述目标音频集中选取目标音频作为新的样本匹配音频，其中，所选取的目标音频与该样本中的样本匹配音频的相似度大于预设阈值；将该样本中的样本音频、样本视频和所选取的目标音频组成新的样本；

将得到的新的样本和所述初始样本集合并，得到所述训练样本集。

8.根据权利要求5-7之一所述的装置，其中，所述装置还包括：合并单元，被配置成将得到的、与所述目标用户拍摄的视频匹配的音频和所述目标用户拍摄的视频进行合并，得到新的视频；

展示单元，被配置成向所述目标用户展示所得到的新的视频。

9.一种服务器，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1-4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，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images