CN112599141A - 神经网络声码器训练方法、装置、电子设备及存储介质 - Google Patents

神经网络声码器训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112599141A
CN112599141A CN202011347448.2A CN202011347448A CN112599141A CN 112599141 A CN112599141 A CN 112599141A CN 202011347448 A CN202011347448 A CN 202011347448A CN 112599141 A CN112599141 A CN 112599141A
Authority
CN
China
Prior art keywords
audio data
prediction output
neural network
sampling
sampled
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
CN202011347448.2A
Other languages
English (en)
Other versions
CN112599141B (zh
Inventor
聂志朋
陈昌滨
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011347448.2A priority Critical patent/CN112599141B/zh
Publication of CN112599141A publication Critical patent/CN112599141A/zh
Application granted granted Critical
Publication of CN112599141B publication Critical patent/CN112599141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/16—Vocoder architecture
    • G10L19/173—Transcoding, i.e. converting between two coded representations avoiding cascaded coding-decoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/12—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being prediction coefficients
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本申请公开了神经网络声码器训练方法、装置、电子设备及存储介质，涉及智能语音及深度学习等人工智能领域，其中的方法可包括：从原始音频数据中提取特征谱，对原始音频数据进行M次降采样，得到降采样音频数据，M为正整数；将所述特征谱输入神经网络声码器，分别获取降采样音频数据对应的降采样音频预测输出及原始音频数据对应的目标音频预测输出；根据各预测输出及对应的音频数据计算损失，根据计算出的损失对神经网络声码器进行参数更新。应用本申请所述方案，可提升模型训练效率和模型训练效果等。

Description

神经网络声码器训练方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，特别涉及智能语音及深度学习领域的神经网络声码器训练方法、装置、电子设备及存储介质。
背景技术
神经网络声码器也可称为神经声码器或声码器等，在语音合成(TTS，Text ToSpeech)中负责将帧级别的特征谱转化为实际发声的语音，是语音合成中至关重要的环节。
通常，神经网络声码器以目标音频(目标语音)为目标，通过有监督训练的神经网络实现从特征谱逐级上采样到目标音频。但这种方式中，由于在训练过程中缺少对中间结果的监督，因此会导致模型训练效果不佳。
发明内容
本申请提供了神经网络声码器训练方法、装置、电子设备及存储介质。
一种神经网络声码器训练方法，包括：
从原始音频数据中提取特征谱，对所述原始音频数据进行M次降采样，得到降采样音频数据，M为正整数；
将所述特征谱输入神经网络声码器，分别获取所述降采样音频数据对应的降采样音频预测输出及所述原始音频数据对应的目标音频预测输出；
根据各预测输出及对应的音频数据计算损失，根据所述损失对所述神经网络声码器进行参数更新。
一种神经网络声码器训练装置，包括：处理模块以及训练模块；
所述处理模块，用于从原始音频数据中提取特征谱，对所述原始音频数据进行M次降采样，得到降采样音频数据，M为正整数；
所述训练模块，用于将所述特征谱输入神经网络声码器，分别获取所述降采样音频数据对应的降采样音频预测输出及所述原始音频数据对应的目标音频预测输出，根据各预测输出及对应的音频数据计算损失，根据所述损失对所述神经网络声码器进行参数更新。
一种电子设备，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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：通过引入不同采样率的多目标音频对中间结果进行监督，从而减少了中间结果的畸变，且多个训练目标的监督使得训练过程收敛更快，训练损失更低，进而提升了模型训练效率和模型训练效果等。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述神经网络声码器训练方法实施例的流程图；
图2为本申请所述神经网络声码器训练方法的整体实现过程示意图；
图3为本申请所述神经网络声码器训练装置30实施例的组成结构示意图；
图4为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述神经网络声码器训练方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，从原始音频数据中提取特征谱，对原始音频数据进行M次降采样，得到降采样音频数据，M为正整数。
在步骤102中，将特征谱输入神经网络声码器，分别获取降采样音频数据对应的降采样音频预测输出及原始音频数据对应的目标音频预测输出。
在步骤103中，根据各预测输出及对应的音频数据计算损失，根据计算出的损失对神经网络声码器进行参数更新。
上述方法实施例所述方案中，通过引入不同采样率的多目标音频对中间结果进行监督，从而减少了中间结果的畸变，且多个训练目标的监督使得训练过程收敛更快，训练损失更低，进而提升了模型训练效率和模型训练效果等。
原始音频数据为作为训练数据的音频数据。作为训练数据的音频数据通常为专业的录音音频，为便于与后续出现的其它音频数据进行区分，将所述音频数据称为原始音频数据(raw_wav)，针对各原始音频数据，可分别进行以下处理：从原始音频数据中提取特征谱，并对原始音频数据进行M次降采样，得到降采样音频数据，M为正整数。
在实际应用中，所述特征谱可为梅尔(Mel)谱或倒谱等，具体采样哪种可根据实际需要而定。以下以Mel谱为例进行说明。
如何从原始音频数据中提取Mel谱不作限制。比如，可对原始音频数据进行预加重、分帧和加窗处理，并对每帧信号进行短时傅立叶变换，得到短时幅度谱，基于短时幅度谱，通过Mel滤波器组得到Mel谱等。
M的具体取值可根据实际需要而定，即具体进行多少次降采样可根据实际需要而定。优选地，可进行两次降采样。
相应地，可对原始音频数据进行第一次降采样，得到第一降采样音频数据(wav1)，并可对原始音频数据进行第二次降采样，得到第二降采样音频数据(wav2)，其中，第一降采样音频数据的采样率可大于第二降采样音频数据的采样率。
经过上述处理后，可根据获取到的Mel谱及降采样音频数据等进行模型训练，即进行神经网络声码器的训练。
具体地，可将Mel谱输入神经网络声码器，并可分别获取各降采样音频数据对应的降采样音频预测输出及原始音频数据对应的目标音频预测输出，进而可根据各预测输出及对应的音频数据计算损失，根据计算出的损失对神经网络声码器进行参数更新等。
优选地，可根据Mel谱，通过上采样获取第二降采样音频数据对应的第二降采样音频预测输出(pred_wav2)，根据第二降采样音频预测输出，通过上采样获取第一降采样音频数据对应的第一降采样音频预测输出(pred_wav1)，根据第一降采样音频预测输出，通过上采样获取原始音频数据对应的目标音频预测输出(pred_wav)。
相应地，可根据原始音频数据及目标音频预测输出计算第一损失，根据第一降采样音频数据及第一降采样音频预测输出计算第二损失，根据第二降采样音频数据及第二降采样音频预测输出计算第三损失，进而可根据第一损失、第二损失以及第三损失对神经网络声码器进行参数更新。
如何计算各损失为现有技术。在计算出各损失之后，可通过有监督训练，更新神经网络声码器的模型参数，如何更新神经网络声码器的模型参数同样为现有技术。所述损失可包括短时傅立叶变换损失(stft_loss)、均方误差损失(mse_loss)等。
通过上述处理，引入了不同采样率的多目标音频对中间结果进行监督，从而减少了中间结果的畸变，且多个训练目标的监督使得训练过程收敛更快，训练损失更低，进而提升了模型训练效率和模型训练效果等。
另外，本申请中进一步提出，当神经网络声码器训练收敛后，还可进行以下处理：从作为训练数据的原始音频数据中提取Mel谱，将Mel谱输入神经网络声码器，得到原始音频数据对应的目标音频预测输出，利用目标音频预测输出及原始音频数据训练生成对抗网络(GAN，Generative Adversarial Networks)判别器，并利用生成对抗网络判别器对神经网络声码器进行参数更新。
针对各原始音频数据，可提取出Mel谱，并可将提取出的Mel谱输入训练收敛后的神经网络声码器，从而得到原始音频数据对应的目标音频预测输出，进而可利用目标音频预测输出及原始音频数据训练生成对抗网络判别器，生成对抗网络判别器的判别结果为真(real)或假(fake)，并可利用生成对抗网络判别器对神经网络声码器进行参数更新，从而使得神经网络声码器的目标音频预测输出更接近原始音频数据。
可以看出，以上为一种多采样率和对抗训练相融合的神经网络声码器训练方式，即在多目标的监督训练后，可增加对预测输出的对抗训练，从而使得神经网络声码器生成的音频数据更为真实，而多目标的监督训练也能使对抗训练更加稳定，二者相辅相成，进而进一步提升了模型训练效率和模型训练效果等。
训练完成后，可利用神经网络声码器来进行实际的预测。具体地，可首先获取待处理的文本对应的Mel谱，之后可将获取到的Mel谱输入神经网络声码器，从而得到待处理的文本对应的目标音频预测输出，即得到最终所需的音频数据。
由于实际预测时不存在音频数据，因此不能直接从音频数据中提取Mel谱，而是需要按照其它方式获取Mel谱。比如，针对待处理的文本，即待进行语音合成的文本，可按照现有方式生成其对应的Mel谱。
实际预测时获取到的Mel谱需要与对神经网络声码器进行训练时从音频数据中提取出的Mel谱采用相同的配置，如相同的维度等。
由于采用本申请所述方式训练得到的神经网络声码器具有更好的模型性能等，因此利用本申请所述神经网络声码器进行实际预测，可相比于现有技术提升预测结果的准确性等。
基于上述介绍，图2为本申请所述神经网络声码器训练方法的整体实现过程示意图。
如图2所示，针对作为训练数据的各原始音频数据，可分别进行以下处理：首先提取Mel谱，并对原始音频数据进行第一次降采样，得到第一降采样音频数据，并可对原始音频数据进行第二次降采样，得到第二降采样音频数据。
比如，原始音频数据的采样率为16kHz，第一降采样音频数据的采样率可为8kHz，即进行的第一次降采样为16kHz->8kHz的降采样处理，第二降采样音频数据的采样率可为4kHz，即进行的第二次降采样为16kHz->4kHz的降采样处理。
如图2所示，可根据Mel谱，通过上采样获取第二降采样音频数据对应的第二降采样音频预测输出，根据第二降采样音频预测输出，通过上采样获取第一降采样音频数据对应的第一降采样音频预测输出，根据第一降采样音频预测输出，通过上采样获取原始音频数据对应的目标音频预测输出。
比如，针对Mel谱，可首先进行大尺度卷积上采样，从而得到第二降采样音频预测输出，之后经过2倍卷积(up_2)上采样，得到第一降采样音频预测输出，之后再经过2倍卷积上采样，得到目标音频预测输出。所述大尺度卷积上采样可包括图2中所示的依次进行的up_8和up_5，具体取值可根据实际需要而定，此处仅为举例说明。
每个上采样模块(即图2中所示的up_2、up_8、up_5等)可由上采样层及带有残差连接的多层卷积层构成，其中上采样层可包括线性差值、转置卷积等。
如图2中所示，可根据原始音频数据及目标音频预测输出计算第一损失，根据第一降采样音频数据及第一降采样音频预测输出计算第二损失，根据第二降采样音频数据及第二降采样音频预测输出计算第三损失，并可根据第一损失、第二损失以及第三损失对神经网络声码器进行参数更新。
另外，当神经网络声码器训练收敛后，还可从作为训练数据的各原始音频数据中提取Mel谱，将提取出的Mel谱输入神经网络声码器，得到原始音频数据对应的目标音频预测输出，利用目标音频预测输出及原始音频数据训练生成对抗网络判别器，并利用生成对抗网络判别器对神经网络声码器进行参数更新，直到训练收敛等。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图3为本申请所述神经网络声码器训练装置30实施例的组成结构示意图。如图3所示，包括：处理模块301以及训练模块302。
处理模块301，用于从原始音频数据中提取特征谱，对原始音频数据进行M次降采样，得到降采样音频数据，M为正整数。
训练模块302，用于将所述特征谱输入神经网络声码器，分别获取降采样音频数据对应的降采样音频预测输出及原始音频数据对应的目标音频预测输出，根据各预测输出及对应的音频数据计算损失，根据计算出的损失对神经网络声码器进行参数更新。
在实际应用中，所述特征谱可为Mel谱或倒谱等。
针对各原始音频数据，处理模块301可从中提取出特征谱，并可对原始音频数据进行M次降采样，从而得到降采样音频数据，M为正整数。优选地，可进行两次降采样，即M的取值可为2。
相应地，处理模块301可对原始音频数据进行第一次降采样，得到第一降采样音频数据，并可对原始音频数据进行第二次降采样，得到第二降采样音频数据，其中，第一降采样音频数据的采样率大于第二降采样音频数据的采样率。
经过上述处理后，训练模块302可根据获取到的特征谱及降采样音频数据等进行神经网络声码器的训练，即可将获取到的特征谱输入神经网络声码器，并可分别获取各降采样音频数据对应的降采样音频预测输出及原始音频数据对应的目标音频预测输出，进而可根据各预测输出及对应的音频数据计算损失，根据计算出的损失对神经网络声码器进行参数更新等。
优选地，训练模块302可根据特征谱，通过上采样获取第二降采样音频数据对应的第二降采样音频预测输出，根据第二降采样音频预测输出，通过上采样获取第一降采样音频数据对应的第一降采样音频预测输出，根据第一降采样音频预测输出，通过上采样获取原始音频数据对应的目标音频预测输出。
相应地，训练模块302还可根据原始音频数据及目标音频预测输出计算第一损失，根据第一降采样音频数据及第一降采样音频预测输出计算第二损失，根据第二降采样音频数据及第二降采样音频预测输出计算第三损失，根据计算出的第一损失、第二损失以及第三损失对神经网络声码器进行参数更新。
另外，当神经网络声码器训练收敛后，训练模块302还可从作为训练数据的原始音频数据中提取特征谱，将所述特征谱输入神经网络声码器，得到原始音频数据对应的目标音频预测输出，利用目标音频预测输出及原始音频数据训练生成对抗网络判别器，并利用生成对抗网络判别器对神经网络声码器进行参数更新。
如图3所示，所述装置中还可包括：预测模块303，用于当利用神经网络声码器进行实际预测时，获取待处理的文本对应的特征谱，将所述特征谱输入神经网络声码器，得到待处理的文本对应的目标音频预测输出。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，通过引入不同采样率的多目标音频对中间结果进行监督，从而减少了中间结果的畸变，且多个训练目标的监督使得训练过程收敛更快，训练损失更低，进而提升了模型训练效率和模型训练效果等，而且，在多目标的监督训练后，可增加对预测输出的对抗训练，从而使得神经网络声码器生成的音频数据更为真实，而多目标的监督训练也能使对抗训练更加稳定，二者相辅相成，进而进一步提升了模型训练效率和模型训练效果等。
本申请所述方案可应用于人工智能领域，特别涉及智能语音及深度学习等领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时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计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种神经网络声码器训练方法，包括：
从原始音频数据中提取特征谱，对所述原始音频数据进行M次降采样，得到降采样音频数据，M为正整数；
将所述特征谱输入神经网络声码器，分别获取所述降采样音频数据对应的降采样音频预测输出及所述原始音频数据对应的目标音频预测输出；
根据各预测输出及对应的音频数据计算损失，根据所述损失对所述神经网络声码器进行参数更新。
2.根据权利要求1所述的方法，其中，
所述对所述原始音频数据进行M次降采样，得到降采样音频数据包括：
对所述原始音频数据进行第一次降采样，得到第一降采样音频数据；
对所述原始音频数据进行第二次降采样，得到第二降采样音频数据；
其中，所述第一降采样音频数据的采样率大于所述第二降采样音频数据的采样率。
3.根据权利要求2所述的方法，其中，
所述分别获取所述降采样音频数据对应的降采样音频预测输出及所述原始音频数据对应的目标音频预测输出包括：
根据所述特征谱，通过上采样获取所述第二降采样音频数据对应的第二降采样音频预测输出；
根据所述第二降采样音频预测输出，通过上采样获取所述第一降采样音频数据对应的第一降采样音频预测输出；
根据所述第一降采样音频预测输出，通过上采样获取所述原始音频数据对应的目标音频预测输出。
4.根据权利要求3所述的方法，其中，
所述根据各预测输出及对应的音频数据计算损失，根据所述损失对所述神经网络声码器进行参数更新包括：
根据所述原始音频数据及所述目标音频预测输出计算第一损失；
根据所述第一降采样音频数据及所述第一降采样音频预测输出计算第二损失；
根据所述第二降采样音频数据及所述第二降采样音频预测输出计算第三损失；
根据所述第一损失、所述第二损失以及所述第三损失对所述神经网络声码器进行参数更新。
5.根据权利要求1所述的方法，还包括：
当所述神经网络声码器训练收敛后，从所述原始音频数据中提取所述特征谱，将所述特征谱输入所述神经网络声码器，得到所述原始音频数据对应的所述目标音频预测输出，利用所述目标音频预测输出及所述原始音频数据训练生成对抗网络判别器，并利用所述生成对抗网络判别器对所述神经网络声码器进行参数更新。
6.根据权利要求1所述的方法，还包括：
当利用所述神经网络声码器进行实际预测时，获取待处理的文本对应的所述特征谱；
将所述特征谱输入所述神经网络声码器，得到所述待处理的文本对应的所述目标音频预测输出。
7.一种神经网络声码器训练装置，包括：处理模块以及训练模块；
所述处理模块，用于从原始音频数据中提取特征谱，对所述原始音频数据进行M次降采样，得到降采样音频数据，M为正整数；
所述训练模块，用于将所述特征谱输入神经网络声码器，分别获取所述降采样音频数据对应的降采样音频预测输出及所述原始音频数据对应的目标音频预测输出，根据各预测输出及对应的音频数据计算损失，根据所述损失对所述神经网络声码器进行参数更新。
8.根据权利要求7所述的装置，其中，
所述处理模块对所述原始音频数据进行第一次降采样，得到第一降采样音频数据，对所述原始音频数据进行第二次降采样，得到第二降采样音频数据，其中，所述第一降采样音频数据的采样率大于所述第二降采样音频数据的采样率。
9.根据权利要求8所述的装置，其中，
所述训练模块根据所述特征谱，通过上采样获取所述第二降采样音频数据对应的第二降采样音频预测输出，根据所述第二降采样音频预测输出，通过上采样获取所述第一降采样音频数据对应的第一降采样音频预测输出，根据所述第一降采样音频预测输出，通过上采样获取所述原始音频数据对应的目标音频预测输出。
10.根据权利要求9所述的装置，其中，
所述训练模块根据所述原始音频数据及所述目标音频预测输出计算第一损失，根据所述第一降采样音频数据及所述第一降采样音频预测输出计算第二损失，根据所述第二降采样音频数据及所述第二降采样音频预测输出计算第三损失，根据所述第一损失、所述第二损失以及所述第三损失对所述神经网络声码器进行参数更新。
11.根据权利要求7所述的装置，其中，
所述训练模块进一步用于，当所述神经网络声码器训练收敛后，从所述原始音频数据中提取所述特征谱，将所述特征谱输入所述神经网络声码器，得到所述原始音频数据对应的所述目标音频预测输出，利用所述目标音频预测输出及所述原始音频数据训练生成对抗网络判别器，并利用所述生成对抗网络判别器对所述神经网络声码器进行参数更新。
12.根据权利要求7所述的装置，还包括：预测模块；
所述预测模块，用于当利用所述神经网络声码器进行实际预测时，获取待处理的文本对应的所述特征谱，将所述特征谱输入所述神经网络声码器，得到所述待处理的文本对应的所述目标音频预测输出。
13.一种电子设备，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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
CN202011347448.2A 2020-11-26 2020-11-26 神经网络声码器训练方法、装置、电子设备及存储介质 Active CN112599141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011347448.2A CN112599141B (zh) 2020-11-26 2020-11-26 神经网络声码器训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011347448.2A CN112599141B (zh) 2020-11-26 2020-11-26 神经网络声码器训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112599141A true CN112599141A (zh) 2021-04-02
CN112599141B CN112599141B (zh) 2022-02-25

Family

ID=75184121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011347448.2A Active CN112599141B (zh) 2020-11-26 2020-11-26 神经网络声码器训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112599141B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436603A (zh) * 2021-06-28 2021-09-24 北京达佳互联信息技术有限公司 声码器的训练方法和装置及合成音频信号的方法和声码器
CN113470616A (zh) * 2021-07-14 2021-10-01 北京达佳互联信息技术有限公司 语音处理方法和装置以及声码器和声码器的训练方法
CN113571047A (zh) * 2021-07-20 2021-10-29 杭州海康威视数字技术股份有限公司 一种音频数据的处理方法、装置及设备
CN114171053A (zh) * 2021-12-20 2022-03-11 Oppo广东移动通信有限公司 一种神经网络的训练方法、音频分离方法、装置及设备
WO2023068480A1 (ko) * 2021-10-18 2023-04-27 삼성전자주식회사 전자 장치, 단말 장치 및 그 제어 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958284A (zh) * 2017-11-20 2018-04-24 北京奇虎科技有限公司 神经网络的训练方法及装置、计算设备
US20190180732A1 (en) * 2017-10-19 2019-06-13 Baidu Usa Llc Systems and methods for parallel wave generation in end-to-end text-to-speech
CN110288981A (zh) * 2019-07-03 2019-09-27 百度在线网络技术（北京）有限公司 用于处理音频数据的方法和装置
CN110751286A (zh) * 2018-07-23 2020-02-04 第四范式（北京）技术有限公司 神经网络模型的训练方法和训练系统
CN111133507A (zh) * 2019-12-23 2020-05-08 深圳市优必选科技股份有限公司 一种语音合成方法、装置、智能终端及可读介质
CN111583903A (zh) * 2020-04-28 2020-08-25 北京字节跳动网络技术有限公司 语音合成方法、声码器训练方法、装置、介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190180732A1 (en) * 2017-10-19 2019-06-13 Baidu Usa Llc Systems and methods for parallel wave generation in end-to-end text-to-speech
CN107958284A (zh) * 2017-11-20 2018-04-24 北京奇虎科技有限公司 神经网络的训练方法及装置、计算设备
CN110751286A (zh) * 2018-07-23 2020-02-04 第四范式（北京）技术有限公司 神经网络模型的训练方法和训练系统
CN110288981A (zh) * 2019-07-03 2019-09-27 百度在线网络技术（北京）有限公司 用于处理音频数据的方法和装置
CN111133507A (zh) * 2019-12-23 2020-05-08 深圳市优必选科技股份有限公司 一种语音合成方法、装置、智能终端及可读介质
CN111583903A (zh) * 2020-04-28 2020-08-25 北京字节跳动网络技术有限公司 语音合成方法、声码器训练方法、装置、介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUKI SAITO等: "Text-to-Speech Synthesis Using STFT Spectra Based on Low-/Multi-Resolution Generative Adversarial Networks", 《2018 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436603A (zh) * 2021-06-28 2021-09-24 北京达佳互联信息技术有限公司 声码器的训练方法和装置及合成音频信号的方法和声码器
CN113470616A (zh) * 2021-07-14 2021-10-01 北京达佳互联信息技术有限公司 语音处理方法和装置以及声码器和声码器的训练方法
CN113470616B (zh) * 2021-07-14 2024-02-23 北京达佳互联信息技术有限公司 语音处理方法和装置以及声码器和声码器的训练方法
CN113571047A (zh) * 2021-07-20 2021-10-29 杭州海康威视数字技术股份有限公司 一种音频数据的处理方法、装置及设备
WO2023068480A1 (ko) * 2021-10-18 2023-04-27 삼성전자주식회사 전자 장치, 단말 장치 및 그 제어 방법
CN114171053A (zh) * 2021-12-20 2022-03-11 Oppo广东移动通信有限公司 一种神经网络的训练方法、音频分离方法、装置及设备
CN114171053B (zh) * 2021-12-20 2024-04-05 Oppo广东移动通信有限公司 一种神经网络的训练方法、音频分离方法、装置及设备

Also Published As

Publication number Publication date
CN112599141B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN112599141B (zh) 神经网络声码器训练方法、装置、电子设备及存储介质
CN112382271B (zh) 语音处理方法、装置、电子设备和存储介质
CN111539514A (zh) 用于生成神经网络的结构的方法和装置
CN112365876B (zh) 语音合成模型的训练方法、装置、设备以及存储介质
JP7346788B2 (ja) 音声認識モデルのトレーニング方法、装置、機器、および記憶媒体
CN112466288A (zh) 语音识别方法、装置、电子设备及存储介质
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
CN112530437A (zh) 语义识别方法、装置、设备以及存储介质
CN111862987B (zh) 语音识别方法和装置
CN111127191B (zh) 风险评估方法及装置
JP7414907B2 (ja) 事前訓練済みモデルの決定方法及びその決定装置、電子機器並びに記憶媒体
CN111666387A (zh) 对话生成方法、装置、电子设备及存储介质
KR20210122204A (ko) 대화 감정 스타일의 예측 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품
CN114495977B (zh) 语音翻译和模型训练方法、装置、电子设备以及存储介质
CN112270169B (zh) 对白角色预测方法、装置、电子设备及存储介质
CN114023342A (zh) 一种语音转换方法、装置、存储介质及电子设备
CN113689868A (zh) 一种语音转换模型的训练方法、装置、电子设备及介质
CN110674281B (zh) 人机对话及人机对话模型获取方法、装置及存储介质
CN112634880A (zh) 话者识别的方法、装置、设备、存储介质以及程序产品
CN112650844A (zh) 对话状态的追踪方法、装置、电子设备和存储介质
CN112581933B (zh) 语音合成模型获取方法、装置、电子设备及存储介质
CN114399992B (zh) 语音指令响应方法、装置及存储介质
CN114898734A (zh) 基于语音合成模型的预训练方法、装置和电子设备
CN113689866A (zh) 一种语音转换模型的训练方法、装置、电子设备及介质
CN113553413A (zh) 对话状态的生成方法、装置、电子设备和存储介质

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