CN113345431B - 跨语言语音转换方法、装置、设备及介质 - Google Patents
跨语言语音转换方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113345431B CN113345431B CN202110602042.2A CN202110602042A CN113345431B CN 113345431 B CN113345431 B CN 113345431B CN 202110602042 A CN202110602042 A CN 202110602042A CN 113345431 B CN113345431 B CN 113345431B
- Authority
- CN
- China
- Prior art keywords
- corpus
- voice
- model
- training
- target
- 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.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 114
- 229920001451 polypropylene glycol Polymers 0.000 claims abstract description 104
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 8
- OSXPVFSMSBQPBU-UHFFFAOYSA-N 2-(2-carboxyethoxycarbonyl)benzoic acid Chemical compound OC(=O)CCOC(=O)C1=CC=CC=C1C(O)=O OSXPVFSMSBQPBU-UHFFFAOYSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000003786 synthesis reaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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
- G10L13/027—Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
-
- 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
- G10L15/00—Speech recognition
- G10L15/005—Language recognition
-
- 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
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- 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
- G10L25/24—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 the cepstrum
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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能领域，提供一种跨语言语音转换方法、装置、设备及介质，能够训练每个目标语言的ASR模型，及训练转换模型，当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs，进一步将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数，启动声码器根据所述待处理语音的声学语音参数合成语音，进而实现跨语言语音转换，并解决使用单个用户录制多语言语料库所带来的困难。此外，本发明还涉及区块链技术，训练得到的模型可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种跨语言语音转换方法、装置、设备及介质。
背景技术
语音转换(voice conversion，VC)是语音合成研究领域中的热门研究方向，旨在保留同一机器人语音特征的同时实现跨多语言的扩展功能。
目前，业内对于语音转换的研究应用很多，包括各大公司的语音助手以及智能人机交互等语音技术产品。
但是，基于现有的语音转换技术，当同一机器人为不同语言或方言而改变声音特征时，会变得十分不自然。所以，各大人工智能企业都在研究和实现中英文跨语言以及各大方言的语音转换功能，并希望在保留语音特征的同时扩展多语言支持，从而提高用户对于机器人跨语言功能的满意度，同时提升用户的体验感。
现有的多语言TTS(Text To Speech，从文本到语音)系统，通常需要使用单个说话人录制的多语言语料库，显然，在这种方式下，录制难度会因语言种类的增加而增加。因此，使用传统方法来生成一个支持多语言、多方言的TTS系统是很难实现的。
发明内容
鉴于以上内容，有必要提供一种跨语言语音转换方法、装置、设备及介质，能够实现跨语言语音转换，并解决使用单个用户录制多语言语料库所带来的困难。
一种跨语言语音转换方法，所述跨语言语音转换方法包括：
获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库；
提取每个通用语料库中语料的梅尔频率倒谱系数MFCC作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR模型；
调用文本转换TTS语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数；
提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG；
对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs；
将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型；
当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs；
将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数；
启动声码器根据所述待处理语音的声学语音参数合成语音。
根据本发明优选实施例，所述提取每个通用语料库中语料的梅尔频率倒谱系数MFCC包括：
将所述多个通用语料库中的每个语料确定为目标语料；
对于每个目标语料，对所述目标语料进行预加重、分帧及加窗处理，得到第一语料；
对所述第一语料进行快速傅立叶变换，得到频谱；
将所述频谱输入至梅尔滤波器组，得到梅尔频谱；
在所述梅尔频谱上进行倒谱分析，得到所述目标语料的MFCC。
根据本发明优选实施例，所述分别训练对应于每个目标语言的自动语音识别ASR模型包括：
语料划分：将每个目标语言对应的通用语料库中的语料按照预设比例随机划分为第一语料集和第二语料集；
模型训练：将所述第一语料集确定为训练集训练模型，并将所述第二语料集确定为验证集验证训练得到的模型；
重复执行所述语料划分及所述模型训练，直至每个目标语言对应的通用语料库中的语料都作为所述训练集中的数据训练过模型，且每个目标语言对应的通用语料库中的语料都作为所述验证集中的数据验证过训练得到的模型，停止训练，得到所述对应于每个目标语言的ASR模型。
根据本发明优选实施例，所述TTS语料库所存储的每个语料的声学语音参数包括：梅尔倒谱系数MCEP、基频LF0及波段非周期性BAP。
根据本发明优选实施例，所述对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs包括：
对每个语料对应于每个目标语言的PPG进行按位相加运算，得到每个语料的目标语音后验概率PPGs。
根据本发明优选实施例，所述将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型包括：
将每个语料的PPGs输入至深度神经网络，并将每个语料的声学语音参数作为训练目标进行训练；
在训练过程中，不断计算所述深度神经网络的准确率；
当所述准确率大于或者等于配置准确率时，停止训练，得到所述转换模型。
根据本发明优选实施例，所述利用每个目标语言的ASR模型生成所述待处理语音的PPGs包括：
提取所述待处理语音的MFCC；
将所述待处理语音的MFCC分别输入每个目标语言的ASR模型；
获取每个目标语言的ASR模型的输出作为所述待处理语音对应于每个目标语言的PPG；
融合所述待处理语音对应于每个目标语言的PPG，得到所述待处理语音的PPGs。
一种跨语言语音转换装置，所述跨语言语音转换装置包括：
调用单元，用于获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库；
训练单元，用于提取每个通用语料库中语料的梅尔频率倒谱系数MFCC作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR模型；
所述调用单元，还用于调用文本转换TTS语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数；
提取单元，用于提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG；
融合单元，用于对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs；
所述训练单元，还用于将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型；
生成单元，用于当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs；
输入单元，用于将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数；
启动单元，用于启动声码器根据所述待处理语音的声学语音参数合成语音。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述跨语言语音转换方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述跨语言语音转换方法。
由以上技术方案可以看出，本发明能够训练每个目标语言的ASR模型，及训练转换模型，当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs，进一步将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数，启动声码器根据所述待处理语音的声学语音参数合成语音，进而实现跨语言语音转换，并解决使用单个用户录制多语言语料库所带来的困难。
附图说明
图1是本发明跨语言语音转换方法的较佳实施例的流程图。
图2是本发明跨语言语音转换装置的较佳实施例的功能模块图。
图3是本发明实现跨语言语音转换方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明跨语言语音转换方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述跨语言语音转换方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库。
在本发明的至少一个实施例中，所述预先配置的多个目标语言可以进行自定义配置。
例如：所述预先配置的多个目标语言可以包括以下任意语言的组合：
中文、英语、川豫粤等地区的方言。
在本实施例中，每种语言对应一个通用语料库。
其中，所述通用语料库可以包括任意开源语料库，本发明不限制。
在上述实施方式中，无需通过用户单独录制每种语言的语音，而是直接调用通用语料库，使原始数据的获取更加方便。
S11，提取每个通用语料库中语料的梅尔频率倒谱系数MFCC(Mel-FrequencyCepstral Coefficients)作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR(Automated Speech Recognition)模型。
在本发明的至少一个实施例中，所述提取每个通用语料库中语料的梅尔频率倒谱系数MFCC包括：
将所述多个通用语料库中的每个语料确定为目标语料；
对于每个目标语料，对所述目标语料进行预加重、分帧及加窗处理，得到第一语料；
对所述第一语料进行快速傅立叶变换，得到频谱；
将所述频谱输入至梅尔滤波器组，得到梅尔频谱；
在所述梅尔频谱上进行倒谱分析，得到所述目标语料的MFCC。
具体而言，在上述提取每个通用语料库中语料的梅尔频率倒谱系数MFCC的处理过程中，实际的逆变换一般是通过离散余弦变化，取离散余弦变化之后的第2个到第13个系数，作为目标语料的MFCC。
其中，对每个目标语料进行预加重、分帧和加窗，实际上是对每个目标语料进行类似于正则化和分帧的过程，在此不赘述。
在上述实施方式中，提取了所述目标语料的MFCC，也就是提取了所述目标语料的韵律特征。
在本发明的至少一个实施例中，所述分别训练对应于每个目标语言的自动语音识别ASR模型包括：
语料划分：将每个目标语言对应的通用语料库中的语料按照预设比例随机划分为第一语料集和第二语料集；
模型训练：将所述第一语料集确定为训练集训练模型，并将所述第二语料集确定为验证集验证训练得到的模型；
重复执行所述语料划分及所述模型训练，直至每个目标语言对应的通用语料库中的语料都作为所述训练集中的数据训练过模型，且每个目标语言对应的通用语料库中的语料都作为所述验证集中的数据验证过训练得到的模型，停止训练，得到所述对应于每个目标语言的ASR模型。
其中，所述预设比例可以进行自定义配置，如4:1。
通过上述实施方式，能够通过轮训迭代训练的方式确保每个语料都曾被用作训练数据训练模型，也曾被用作验证数据验证训练得到的模型，在数据量有限的前提下实现对模型更加充分的训练，优化了模型训练的过程，进而提升了模型的训练效果。
在本实施例中，在将所述第一语料集确定为训练集训练模型时，具体包括：
从对应的语料库中获取所述第一语料集中每个语料的PPG(PhoneticPosteriorGram，语音后验概率)；
将所述第一语料集中每个语料的MFCC确定为输入，将所述第一语料集中每个语料的PPG确定为输出，并训练ASR初始模型；
当所述ASR初始模型达到收敛时，停止训练。
S12，调用文本转换TTS(Text To Speech，从文本到语音)语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数。
在本实施例中，所述TTS语料库属于通用数据库，所述TTS语料库中存储着语料及每个语料的相关参数。
在本发明的至少一个实施例中，所述TTS语料库所存储的每个语料的声学语音参数可以包括：梅尔倒谱系数MCEP(mel-cepstral coefficients)、基频LF0(fundamentalfrequency)及波段非周期性BAP(Band Aperiodicity)。
所述梅尔倒谱系数MCEP、所述基频LF0及所述波段非周期性BAP为声学参数，表征语音的声学特征。
S13，提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG。
需要说明的是，提取每个语料的MFCC的方式与提取每个通用语料库中语料的梅尔频率倒谱系数MFCC的方式类似，在此不赘述。
通过上述实施方式，能够利用训练得到的每个目标语言的ASR模型生成每个语料对应于每个目标语言的语音后验概率PPG，以便于后续建立多语言融合后的PPG。
S14，对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs。
在本发明的至少一个实施例中，所述对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs包括：
对每个语料对应于每个目标语言的PPG进行按位相加运算，得到每个语料的目标语音后验概率PPGs。
通过上述实施方式，能够实现对多种语言PPG的融合，以构建多语言PGG特征。
S15，将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型。
在本发明的至少一个实施例中，所述将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型包括：
将每个语料的PPGs输入至深度神经网络，并将每个语料的声学语音参数作为训练目标进行训练；
在训练过程中，不断计算所述深度神经网络的准确率；
当所述准确率大于或者等于配置准确率时，停止训练，得到所述转换模型。
其中，所述配置准确率可以进行自定义配置，如95％。
通过上述实施方式，同时结合声学特征和韵律特征训练所述转换模型，在构建训练数据时无需利用单人用户阅读多种语音，降低了数据获取的难度，使训练的模型具有更高的转换能力。
S16，当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs。
在本发明的至少一个实施例中，所述利用每个目标语言的ASR模型生成所述待处理语音的PPGs包括：
提取所述待处理语音的MFCC；
将所述待处理语音的MFCC分别输入每个目标语言的ASR模型；
获取每个目标语言的ASR模型的输出作为所述待处理语音对应于每个目标语言的PPG；
融合所述待处理语音对应于每个目标语言的PPG，得到所述待处理语音的PPGs。
上述实施方式中，各部分实施方式在上文均有阐述，在此不赘述。
通过上述方式，仅需输入一种语言的待处理语音，即可通过训练得到的ASR模型输出多种语言融合后的特征PPGs，有效释放了人力，并降低了实施难度。
S17，将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数。
通过上述方式，能够利用生成的转换模型将所述待处理语音的PPGs转化为所述待处理语音的声学语音参数。
S18，启动声码器根据所述待处理语音的声学语音参数合成语音。
需要说明的是，所述声码器(vocoder)是语音信号某种模型的语音分析合成系统，在编译码时利用模型参数估计和语音合成技术的语音信号编译码器，是一种对话音进行分析和合成的编、译码器，也称话音分析合成系统或话音频带压缩系统，在此不赘述。
可以理解的是，现有的多语言TTS系统中，需要使用单个说话人录制的多语言语料库，人力成本会有些高，而且录制难度也会因语言种类的增加而增加，比如，从一个发言人录制多种语言的语音是极其困难的，而从一个发言人录制三种或更多种语言的语音基本上是不可能的。本实施例使用声音转换来优化多语言的语音合成，可以同时转换声学特征和韵律特征，能够根据单个用户的语音生成多种语言的语音，提升了语音合成效率，同时降低了人工录制成本。
需要说明的是，为了提高数据的安全性，避免数据被篡改，训练得到的模型可以部署于区块链节点。
由以上技术方案可以看出，本发明能够训练每个目标语言的ASR模型，及训练转换模型，当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs，进一步将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数，启动声码器根据所述待处理语音的声学语音参数合成语音，进而实现跨语言语音转换，并解决使用单个用户录制多语言语料库所带来的困难。
如图2所示，是本发明跨语言语音转换装置的较佳实施例的功能模块图。所述跨语言语音转换装置11包括调用单元110、训练单元111、提取单元112、融合单元113、生成单元114、输入单元115、启动单元116。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
调用单元110获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库。
在本发明的至少一个实施例中，所述预先配置的多个目标语言可以进行自定义配置。
例如：所述预先配置的多个目标语言可以包括以下任意语言的组合：
中文、英语、川豫粤等地区的方言。
在本实施例中，每种语言对应一个通用语料库。
其中，所述通用语料库可以包括任意开源语料库，本发明不限制。
在上述实施方式中，无需通过用户单独录制每种语言的语音，而是直接调用通用语料库，使原始数据的获取更加方便。
训练单元111提取每个通用语料库中语料的梅尔频率倒谱系数MFCC(Mel-Frequency Cepstral Coefficients)作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR(Automated Speech Recognition)模型。
在本发明的至少一个实施例中，所述训练单元111提取每个通用语料库中语料的梅尔频率倒谱系数MFCC包括：
将所述多个通用语料库中的每个语料确定为目标语料；
对于每个目标语料，对所述目标语料进行预加重、分帧及加窗处理，得到第一语料；
对所述第一语料进行快速傅立叶变换，得到频谱；
将所述频谱输入至梅尔滤波器组，得到梅尔频谱；
在所述梅尔频谱上进行倒谱分析，得到所述目标语料的MFCC。
具体而言，在上述提取每个通用语料库中语料的梅尔频率倒谱系数MFCC的处理过程中，实际的逆变换一般是通过离散余弦变化，取离散余弦变化之后的第2个到第13个系数，作为目标语料的MFCC。
其中，对每个目标语料进行预加重、分帧和加窗，实际上是对每个目标语料进行类似于正则化和分帧的过程，在此不赘述。
在上述实施方式中，提取了所述目标语料的MFCC，也就是提取了所述目标语料的韵律特征。
在本发明的至少一个实施例中，所述训练单元111分别训练对应于每个目标语言的自动语音识别ASR模型包括：
语料划分：将每个目标语言对应的通用语料库中的语料按照预设比例随机划分为第一语料集和第二语料集；
模型训练：将所述第一语料集确定为训练集训练模型，并将所述第二语料集确定为验证集验证训练得到的模型；
重复执行所述语料划分及所述模型训练，直至每个目标语言对应的通用语料库中的语料都作为所述训练集中的数据训练过模型，且每个目标语言对应的通用语料库中的语料都作为所述验证集中的数据验证过训练得到的模型，停止训练，得到所述对应于每个目标语言的ASR模型。
其中，所述预设比例可以进行自定义配置，如4:1。
通过上述实施方式，能够通过轮训迭代训练的方式确保每个语料都曾被用作训练数据训练模型，也曾被用作验证数据验证训练得到的模型，在数据量有限的前提下实现对模型更加充分的训练，优化了模型训练的过程，进而提升了模型的训练效果。
在本实施例中，在将所述第一语料集确定为训练集训练模型时，具体包括：
从对应的语料库中获取所述第一语料集中每个语料的PPG(PhoneticPosteriorGram，语音后验概率)；
将所述第一语料集中每个语料的MFCC确定为输入，将所述第一语料集中每个语料的PPG确定为输出，并训练ASR初始模型；
当所述ASR初始模型达到收敛时，停止训练。
所述调用单元110调用文本转换TTS(Text To Speech，从文本到语音)语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数。
在本实施例中，所述TTS语料库属于通用数据库，所述TTS语料库中存储着语料及每个语料的相关参数。
在本发明的至少一个实施例中，所述TTS语料库所存储的每个语料的声学语音参数可以包括：梅尔倒谱系数MCEP(mel-cepstral coefficients)、基频LF0(fundamentalfrequency)及波段非周期性BAP(Band Aperiodicity)。
所述梅尔倒谱系数MCEP、所述基频LF0及所述波段非周期性BAP为声学参数，表征语音的声学特征。
提取单元112提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG。
需要说明的是，提取每个语料的MFCC的方式与提取每个通用语料库中语料的梅尔频率倒谱系数MFCC的方式类似，在此不赘述。
通过上述实施方式，能够利用训练得到的每个目标语言的ASR模型生成每个语料对应于每个目标语言的语音后验概率PPG，以便于后续建立多语言融合后的PPG。
融合单元113对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs。
在本发明的至少一个实施例中，所述融合单元113对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs包括：
对每个语料对应于每个目标语言的PPG进行按位相加运算，得到每个语料的目标语音后验概率PPGs。
通过上述实施方式，能够实现对多种语言PPG的融合，以构建多语言PGG特征。
所述训练单元111将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型。
在本发明的至少一个实施例中，所述训练单元111将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型包括：
将每个语料的PPGs输入至深度神经网络，并将每个语料的声学语音参数作为训练目标进行训练；
在训练过程中，不断计算所述深度神经网络的准确率；
当所述准确率大于或者等于配置准确率时，停止训练，得到所述转换模型。
其中，所述配置准确率可以进行自定义配置，如95％。
通过上述实施方式，同时结合声学特征和韵律特征训练所述转换模型，在构建训练数据时无需利用单人用户阅读多种语音，降低了数据获取的难度，使训练的模型具有更高的转换能力。
当接收到待处理语音时，生成单元114利用每个目标语言的ASR模型生成所述待处理语音的PPGs。
在本发明的至少一个实施例中，所述生成单元114利用每个目标语言的ASR模型生成所述待处理语音的PPGs包括：
提取所述待处理语音的MFCC；
将所述待处理语音的MFCC分别输入每个目标语言的ASR模型；
获取每个目标语言的ASR模型的输出作为所述待处理语音对应于每个目标语言的PPG；
融合所述待处理语音对应于每个目标语言的PPG，得到所述待处理语音的PPGs。
上述实施方式中，各部分实施方式在上文均有阐述，在此不赘述。
通过上述方式，仅需输入一种语言的待处理语音，即可通过训练得到的ASR模型输出多种语言融合后的特征PPGs，有效释放了人力，并降低了实施难度。
输入单元115将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数。
通过上述方式，能够利用生成的转换模型将所述待处理语音的PPGs转化为所述待处理语音的声学语音参数。
启动单元116启动声码器根据所述待处理语音的声学语音参数合成语音。
需要说明的是，所述声码器(vocoder)是语音信号某种模型的语音分析合成系统，在编译码时利用模型参数估计和语音合成技术的语音信号编译码器，是一种对话音进行分析和合成的编、译码器，也称话音分析合成系统或话音频带压缩系统，在此不赘述。
可以理解的是，现有的多语言TTS系统中，需要使用单个说话人录制的多语言语料库，人力成本会有些高，而且录制难度也会因语言种类的增加而增加，比如，从一个发言人录制多种语言的语音是极其困难的，而从一个发言人录制三种或更多种语言的语音基本上是不可能的。本实施例使用声音转换来优化多语言的语音合成，可以同时转换声学特征和韵律特征，能够根据单个用户的语音生成多种语言的语音，提升了语音合成效率，同时降低了人工录制成本。
需要说明的是，为了提高数据的安全性，避免数据被篡改，训练得到的模型可以部署于区块链节点。
由以上技术方案可以看出，本发明能够训练每个目标语言的ASR模型，及训练转换模型，当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs，进一步将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数，启动声码器根据所述待处理语音的声学语音参数合成语音，进而实现跨语言语音转换，并解决使用单个用户录制多语言语料库所带来的困难。
如图3所示，是本发明实现跨语言语音转换方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如跨语言语音转换程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如跨语言语音转换程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行跨语言语音转换程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个跨语言语音转换方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成调用单元110、训练单元111、提取单元112、融合单元113、生成单元114、输入单元115、启动单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述跨语言语音转换方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。
进一步地，计算机可读存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种跨语言语音转换方法，所述处理器13可执行所述多个指令从而实现：
获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库；
提取每个通用语料库中语料的梅尔频率倒谱系数MFCC作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR模型；
调用文本转换TTS语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数；
提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG；
对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs；
将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型；
当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs；
将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数；
启动声码器根据所述待处理语音的声学语音参数合成语音。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种跨语言语音转换方法，其特征在于，所述跨语言语音转换方法包括：
获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库；
提取每个通用语料库中语料的梅尔频率倒谱系数MFCC作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR模型；
调用文本转换TTS语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数；
提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG；
对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs；
将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型；
当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs；
将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数；
启动声码器根据所述待处理语音的声学语音参数合成语音；
其中，所述分别训练对应于每个目标语言的自动语音识别ASR模型包括：
语料划分：将每个目标语言对应的通用语料库中的语料按照预设比例随机划分为第一语料集和第二语料集；
模型训练：将所述第一语料集确定为训练集训练模型，并将所述第二语料集确定为验证集验证训练得到的模型；
重复执行所述语料划分及所述模型训练，直至每个目标语言对应的通用语料库中的语料都作为所述训练集中的数据训练过模型，且每个目标语言对应的通用语料库中的语料都作为所述验证集中的数据验证过训练得到的模型，停止训练，得到所述对应于每个目标语言的ASR模型；
所述TTS语料库所存储的每个语料的声学语音参数包括：梅尔倒谱系数MCEP、基频LF0及波段非周期性BAP；
所述利用每个目标语言的ASR模型生成所述待处理语音的PPGs包括：
提取所述待处理语音的MFCC；
将所述待处理语音的MFCC分别输入每个目标语言的ASR模型；
获取每个目标语言的ASR模型的输出作为所述待处理语音对应于每个目标语言的PPG；
融合所述待处理语音对应于每个目标语言的PPG，得到所述待处理语音的PPGs。
2.如权利要求1所述的跨语言语音转换方法，其特征在于，所述提取每个通用语料库中语料的梅尔频率倒谱系数MFCC包括：
将所述多个通用语料库中的每个语料确定为目标语料；
对于每个目标语料，对所述目标语料进行预加重、分帧及加窗处理，得到第一语料；
对所述第一语料进行快速傅立叶变换，得到频谱；
将所述频谱输入至梅尔滤波器组，得到梅尔频谱；
在所述梅尔频谱上进行倒谱分析，得到所述目标语料的MFCC。
3.如权利要求1所述的跨语言语音转换方法，其特征在于，所述对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs包括：
对每个语料对应于每个目标语言的PPG进行按位相加运算，得到每个语料的目标语音后验概率PPGs。
4.如权利要求1所述的跨语言语音转换方法，其特征在于，所述将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型包括：
将每个语料的PPGs输入至深度神经网络，并将每个语料的声学语音参数作为训练目标进行训练；
在训练过程中，不断计算所述深度神经网络的准确率；
当所述准确率大于或者等于配置准确率时，停止训练，得到所述转换模型。
5.一种跨语言语音转换装置，其特征在于，所述跨语言语音转换装置包括：
调用单元，用于获取预先配置的多个目标语言，并调用与所述多个目标语言相对应的多个通用语料库；
训练单元，用于提取每个通用语料库中语料的梅尔频率倒谱系数MFCC作为训练数据，并分别训练对应于每个目标语言的自动语音识别ASR模型；
所述调用单元，还用于调用文本转换TTS语料库，并从所述TTS语料库中获取所述TTS语料库所存储的每个语料的声学语音参数；
提取单元，用于提取每个语料的MFCC，将每个语料的MFCC分别输入至每个目标语言的ASR模型，并获取每个目标语言的ASR模型的输出作为每个语料对应于每个目标语言的语音后验概率PPG；
融合单元，用于对每个语料对应于每个目标语言的PPG进行融合处理，得到每个语料的目标语音后验概率PPGs；
所述训练单元，还用于将每个语料的PPGs确定为输入，将每个语料的声学语音参数确定为输出，并训练指定神经网络模型，得到转换模型；
生成单元，用于当接收到待处理语音时，利用每个目标语言的ASR模型生成所述待处理语音的PPGs；
输入单元，用于将所述待处理语音的PPGs输入至所述转换模型，并获取所述转换模型的输出作为所述待处理语音的声学语音参数；
启动单元，用于启动声码器根据所述待处理语音的声学语音参数合成语音。
6. 一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至4中任意一项所述的跨语言语音转换方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至4中任意一项所述的跨语言语音转换方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110602042.2A CN113345431B (zh) | 2021-05-31 | 2021-05-31 | 跨语言语音转换方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110602042.2A CN113345431B (zh) | 2021-05-31 | 2021-05-31 | 跨语言语音转换方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113345431A CN113345431A (zh) | 2021-09-03 |
| CN113345431B true CN113345431B (zh) | 2024-06-07 |
Family
ID=77473174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110602042.2A Active CN113345431B (zh) | 2021-05-31 | 2021-05-31 | 跨语言语音转换方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113345431B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113470622B (zh) * | 2021-09-06 | 2021-11-19 | 成都启英泰伦科技有限公司 | 一种可将任意语音转换成多个语音的转换方法及装置 |
| CN115294963A (zh) * | 2022-04-12 | 2022-11-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 语音合成模型产品 |
| CN114882891A (zh) * | 2022-07-08 | 2022-08-09 | 杭州远传新业科技股份有限公司 | 一种应用于tts的语音转换方法、装置、设备及介质 |
| CN117894294B (zh) * | 2024-03-14 | 2024-07-05 | 暗物智能科技(广州)有限公司 | 拟人化的副语言语音合成方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869633A (zh) * | 2011-04-25 | 2016-08-17 | 谷歌公司 | 语言模型的跨语种初始化 |
| CN107103900A (zh) * | 2017-06-06 | 2017-08-29 | 西北师范大学 | 一种跨语言情感语音合成方法及系统 |
| CN110223705A (zh) * | 2019-06-12 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 语音转换方法、装置、设备及可读存储介质 |
| CN111462769A (zh) * | 2020-03-30 | 2020-07-28 | 深圳市声希科技有限公司 | 一种端到端的口音转换方法 |
| CN112017644A (zh) * | 2020-10-21 | 2020-12-01 | 南京硅基智能科技有限公司 | 一种声音变换系统、方法及应用 |
| CN112185342A (zh) * | 2020-09-29 | 2021-01-05 | 标贝（北京）科技有限公司 | 语音转换与模型训练方法、装置和系统及存储介质 |
| CN112331222A (zh) * | 2020-09-23 | 2021-02-05 | 北京捷通华声科技股份有限公司 | 一种转换歌曲音色的方法、系统、设备及存储介质 |
| CN112489634A (zh) * | 2020-11-17 | 2021-03-12 | 腾讯科技（深圳）有限公司 | 语言的声学模型训练方法、装置、电子设备及计算机介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10176819B2 (en) * | 2016-07-11 | 2019-01-08 | The Chinese University Of Hong Kong | Phonetic posteriorgrams for many-to-one voice conversion |
| CN107633842B (zh) * | 2017-06-12 | 2018-08-31 | 平安科技（深圳）有限公司 | 语音识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-05-31 CN CN202110602042.2A patent/CN113345431B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869633A (zh) * | 2011-04-25 | 2016-08-17 | 谷歌公司 | 语言模型的跨语种初始化 |
| CN107103900A (zh) * | 2017-06-06 | 2017-08-29 | 西北师范大学 | 一种跨语言情感语音合成方法及系统 |
| CN110223705A (zh) * | 2019-06-12 | 2019-09-10 | 腾讯科技（深圳）有限公司 | 语音转换方法、装置、设备及可读存储介质 |
| CN111462769A (zh) * | 2020-03-30 | 2020-07-28 | 深圳市声希科技有限公司 | 一种端到端的口音转换方法 |
| CN112331222A (zh) * | 2020-09-23 | 2021-02-05 | 北京捷通华声科技股份有限公司 | 一种转换歌曲音色的方法、系统、设备及存储介质 |
| CN112185342A (zh) * | 2020-09-29 | 2021-01-05 | 标贝（北京）科技有限公司 | 语音转换与模型训练方法、装置和系统及存储介质 |
| CN112017644A (zh) * | 2020-10-21 | 2020-12-01 | 南京硅基智能科技有限公司 | 一种声音变换系统、方法及应用 |
| CN112489634A (zh) * | 2020-11-17 | 2021-03-12 | 腾讯科技（深圳）有限公司 | 语言的声学模型训练方法、装置、电子设备及计算机介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113345431A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113345431B (zh) | 跨语言语音转换方法、装置、设备及介质 | |
| CN112086086B (zh) | 语音合成方法、装置、设备及计算机可读存储介质 | |
| CN107564511B (zh) | 电子装置、语音合成方法和计算机可读存储介质 | |
| WO2020062680A1 (zh) | 基于双音节混搭的波形拼接方法、装置、设备及存储介质 | |
| CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
| CN112951203B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN112397047A (zh) | 语音合成方法、装置、电子设备及可读存储介质 | |
| CN111710337B (zh) | 语音数据的处理方法、装置、计算机可读介质及电子设备 | |
| JP7314450B2 (ja) | 音声合成方法、装置、機器、及びコンピュータ記憶媒体 | |
| JP6974421B2 (ja) | 音声認識方法及び装置 | |
| CN112466273A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN113096242A (zh) | 虚拟主播生成方法、装置、电子设备及存储介质 | |
| CN111696521A (zh) | 语音克隆模型的训练方法、可读存储介质和语音克隆方法 | |
| CN113420556A (zh) | 基于多模态信号的情感识别方法、装置、设备及存储介质 | |
| WO2024114389A1 (zh) | 用于交互的方法、装置、设备和存储介质 | |
| CN114155832A (zh) | 基于深度学习的语音识别方法、装置、设备及介质 | |
| CN113555003B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN113707124A (zh) | 话术语音的联动播报方法、装置、电子设备及存储介质 | |
| CN112489628A (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
| CN114519999A (zh) | 基于双模态模型的语音识别方法、装置、设备及存储介质 | |
| JP2022088586A (ja) | 音声認識方法、音声認識装置、電子機器、記憶媒体コンピュータプログラム製品及びコンピュータプログラム | |
| CN113990286A (zh) | 语音合成方法、装置、设备及存储介质 | |
| CN114613351A (zh) | 韵律预测方法、装置、可读介质及电子设备 | |
| CN113160793A (zh) | 基于低资源语言的语音合成方法、装置、设备及存储介质 | |
| CN117591660B (zh) | 基于数字人的材料生成方法、设备及介质 |
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 |