CN113689843B - 声码器的选择及模型训练方法、装置、设备和存储介质 - Google Patents

声码器的选择及模型训练方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113689843B
CN113689843B CN202110830082.2A CN202110830082A CN113689843B CN 113689843 B CN113689843 B CN 113689843B CN 202110830082 A CN202110830082 A CN 202110830082A CN 113689843 B CN113689843 B CN 113689843B
Authority
CN
China
Prior art keywords
audio
vocoder
energy spectrum
features
sub
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
Application number
CN202110830082.2A
Other languages
English (en)
Other versions
CN113689843A (zh
Inventor
高正坤
陆嘉盛
孙晨曦
孙涛
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 CN202110830082.2A priority Critical patent/CN113689843B/zh
Publication of CN113689843A publication Critical patent/CN113689843A/zh
Application granted granted Critical
Publication of CN113689843B publication Critical patent/CN113689843B/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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G10L13/047—Architecture of speech synthesisers
    • 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
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • 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
    • 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
    • G10L19/18—Vocoders using multiple modes
    • G10L19/22—Mode decision, i.e. based on audio signal content versus external parameters
    • 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
    • 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
    • G10L25/27—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种声码器的选择方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及语音合成、深度学习等人工智能领域。声码器的选择方法包括：获得多个声码器中至少一个声码器输出的音频；对所述至少一个声码器输出的音频进行处理，以获得所述至少一个声码器输出的音频对应的音频指标；基于所述音频指标，在所述多个声码器中选择待采用的声码器。本公开可以提高选择的声码器的准确度和效率。

Description

声码器的选择及模型训练方法、装置、设备和存储介质
技术领域
本公开涉及计算机技术领域，具体涉及语音合成、深度学习等人工智能领域，尤其涉及一种声码器的选择及模型训练方法、装置、设备和存储介质。
背景技术
语音合成(Text to Speech，TTS)是指将文本转换为音频。语音合成一般包括：采用声学模型将文本转换为声学特征，再采用声码器将声学特征转换为音频。为了提高语音合成效果，需要选择合适的声学模型和声码器。
相关技术中，一般采用人工评测的方式选择声码器。
发明内容
本公开提供了一种声码器的选择及模型训练方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种声码器的选择方法，包括：获得多个声码器中至少一个声码器输出的音频；对所述至少一个声码器输出的音频进行处理，以获得所述至少一个声码器输出的音频对应的音频指标；基于所述音频指标，在所述多个声码器中选择待采用的声码器。
根据本公开的另一方面，提供了一种检测模型的训练方法，所述检测模型用于检测多个声码器中至少一个声码器输出的音频对应的检测结果，所述检测结果为所述音频中是否包含杂音，所述检测结果用于确定音频指标，所述音频指标用于在所述多个声码器中选择待采用的声码器，所述方法包括：获取训练数据，所述训练数据包括：音频样本和所述音频样本对应的标签信息，所述标签信息用于标识所述音频样本中是否包含杂音；基于所述训练数据，训练检测模型。
根据本公开的另一方面，提供了一种声码器的选择装置，包括：获取模块，用于获得多个声码器中至少一个声码器输出的音频；处理模块，用于对所述至少一个声码器输出的音频进行处理，以获得所述至少一个声码器输出的音频对应的音频指标；选择模块，用于基于所述音频指标，在所述多个声码器中选择待采用的声码器。
根据本公开的另一方面，提供了一种检测模型的训练装置，所述检测模型用于检测多个声码器中至少一个声码器输出的音频对应的检测结果，所述检测结果为所述音频中是否包含杂音，所述检测结果用于确定音频指标，所述音频指标用于在所述多个声码器中选择待采用的声码器，所述装置包括：获取模块，用于获取训练数据，所述训练数据包括：音频样本和所述音频样本对应的标签信息，所述标签信息用于标识所述音频样本中是否包含杂音；训练模块，用于基于所述训练数据，训练检测模型。
根据本公开的另一方面，提供了一种电子设备，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上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了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所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高选择的声码器的准确度和效率。
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，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是根据本公开第七实施例的示意图；
图8是根据本公开第八实施例的示意图；
图9是根据本公开第九实施例的示意图；
图10是用来实现本公开实施例的声码器的选择方法或检测模型的训练方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
相关技术中，采用人工评测的方式选择声码器时，易受主观因素影响，影响选择的声码器的准确度和效率。
图1是根据本公开第一实施例的示意图，本实施例提供一种声码器的选择方法，所述方法包括：
101、获得多个声码器中至少一个声码器输出的音频。
102、对所述至少一个声码器输出的音频进行处理，以获得所述至少一个声码器输出的音频对应的音频指标。
103、基于所述音频指标，在所述多个声码器中选择待采用的声码器。
如图2所示，语音合成流程可以包括：采用声学模型对文本进行处理，以获得文本对应的声学特征，声学特征比如为梅尔频谱；采用声码器对声学特征进行处理，以获得所述文本对应的音频。
声学模型和声码器都可以为神经网络模型。
可以预先获得多个声学模型和多个声码器，以在多个声学模型中选择一个声学模型作为待采用的声学模型，在多个声码器中选择一个声码器作为待采用的声码器，之后将待采用的声学模型和待采用的声码器作为最终的语音合成模型，用于语音合成。
本公开主要关注声码器的选择问题，声学模型的选择可以采用各种相关技术实现。
以声码器为神经网络模型为例，该神经网络模型在不同的训练阶段(如第5000轮、6000轮、10000轮等)时，可以具有不同的模型参数，可以将不同阶段的具有不同的模型参数的多个神经网络模型作为多个声码器。
如图3所示，对应多个声码器中的至少一个声码器，可以获得至少一个声码器对应的音频，之后，可以对音频进行短时傅里叶变换(Short-Time Fourier Transform，STFT)，以获得至少一个音频的STFT特征，再对STFT特征进行能量谱转换，以获得至少一个音频的能量谱特征；再采用检测模型获取音频指标。
其中，STFT是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位，可以采用STFT对应的数学变换公式，获得音频的STFT特征。
对于能量信号，常用能量谱来描述。所谓的能量谱，也称为能量谱密度，是指用密度的概念表示信号能量在各频率点的分布情况。也即是说，对能量谱在频域上积分就可以得到信号的能量。具体地，可以对STFT特征进行取模后再进行平方运算，得到能量谱特征。
通过上述的STFT、能量谱转换以及检测模型，可以获得音频指标。
其中，语音合成方法可以应用到不同的语音合成场景下，不同的语音合成场景比如包括：语音导航、呼叫中心、小说语音播放、智能音箱语音交互等。可以基于不同的语音合成场景，选择对应场景的一批文本进行处理。
对应一批文本中各条文本，可以生成一条声学特征，对应一条声学特征可以生成一条音频，由于文本是批量的，可以生成批量的音频，即获得多条音频。
本实施例中的对应场景的一批文本和/或声学特征可以来自于公开数据集，或者文本和/或声学特征的获取是经过了对应的用户的授权。
本实施例中，声码器的选择方法的执行主体可以通过各种公开、合法合规的方式获取文本和/或声学特征，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。
一些实施例中，所述至少一个声码器输出的音频包括多条，所述能量谱特征为多组，各组能量谱特征对应各条音频，所述采用检测模型，对所述能量谱特征进行处理，以获得所述至少一个声码器输出的音频对应的音频指标，包括：采用检测模型对所述多组能量谱特征中的至少一组能量谱特征进行处理，以确定所述至少一组能量谱特征对应的音频中是否包含杂音；对所述多条音频中包含杂音的音频进行统计，以获得所述至少一个声码器对应的杂音数量，将所述杂音数据作为所述音频指标。
比如，对应一个声码器，输出N条音频，每条音频对应一组能量谱特征，则可以获取N组能量谱特征，检测模型对每组能量谱特征进行处理，输出为是否包含杂音的结果，即，检测模型为二分类模型，对应每组能量谱特征，可以获知该组能量谱特征对应的一条音频中是否包含杂音。之后，可以统计包含杂音的音频的数量，比如为M条音频包含杂音，则该声码器输出的音频对应的音频指标为M条。
经过声码器输出的音频可能存在杂音，杂音通常出现在低频，杂音在听感上是类似于轻敲木板的声音。对于一个声码器，其对应的音频中出现杂音的数量越少，表明对应声码器的效果越好。
对于一条音频，若该音频中包含杂音，如图4所示，该音频对应的能量谱中会出现长条形的部分。
可以采用检测模型检测能量谱特征对应的音频中是否包含杂音，检测模型为二分类模型，可以采用各种相关的二分类模型的模型结构实现，比如，如图5所示，检测模型可以包括多个卷积层、池化层，输出层可以采用全连接层(full connection，FC)，以输出分类结果，分类结果为是否包含杂音。
通过采用检测模型，检测各条音频中是否包含杂音，将包含杂音的音频的数量作为音频指标，可以快速获得音频指标。
一些实施例中，所述基于所述音频指标，在所述多个声码器中选择待采用的声码器，包括：选择杂音数量最小的声码器，作为待采用声码器。
其中，不同的声码器对应相同批次的文本，输出相同数量的音频，比如均为N条音频，经过检测模型的处理，假设第一声码器对应的杂音数量为M1，第二声码器对应的杂音数据为M2，如果M1小于M2，则将第一声码器作为待采用的声码器。
通过选择杂音数量最少的声码器作为待采用的声码器，可以获得效果更好的声码器。
本实施例中，通过基于音频指标选择声码器，相对于人工评测的方式，可以提高选择的声码器的准确度和效率。
上述涉及了检测模型，检测模型可以为神经网络模型，可以预先训练得到。
图6是根据本公开第六实施例的示意图，本实施例提供一种检测模型的训练方法，该方法包括：
601、获取训练数据，所述训练数据包括：音频样本和所述音频样本对应的标签信息，所述标签信息用于标识所述音频样本中是否包含杂音。
602、采用所述训练数据，训练检测模型。
该检测模型可以用于上述的声码器选择过程，即，所述检测模型用于检测多个声码器中至少一个声码器输出的音频对应的检测结果，所述检测结果为所述音频中是否包含杂音，所述检测结果用于确定音频指标，所述音频指标用于在所述多个声码器中选择待采用的声码器。
其中，音频样本可以包括正样本和负样本，标签信息可以基于正负样本进行标注，比如，用1表示不包含杂音，用0表示包含杂音，则正样本对应的标签信息可以标注为1，负样本对应的标签信息可以标注为0。
经过标注后，可以获得大量的以<音频样本，标签信息>为一组样本的训练数据，之后可以基于该训练数据训练检测模型。
一些实施例中，所述基于所述训练数据，训练检测模型，可以包括：提取所述音频样本的STFT特征；将所述STFT特征转换为所述音频样本对应的能量谱特征；基于所述音频样本对应的能量谱特征和所述标签信息，训练检测模型。
比如，将每条音频样本对应的能量谱特征作为检测模型的输入，将该条音频样本对应的标签信息作为检测模型的输出，通过最小化损失函数，训练检测模型，即，通过损失函数不断调整检测模型的参数，直至损失函数最小化。损失函数可以基于能量谱特征对应的预测输出与标签信息确定，具体形式可以根据实际需求设置。
通过提取音频样本的STFT特征，再将STFT特征转换为能量谱特征，可以采用能量谱特征和标签信息进行训练，以获得检测模型。
需要说明的是，本实施例中的检测模型并不是针对某一特定用户的检测模型，并不能反映出某一特定用户的个人信息。
本实施例中的音频样本可以来自于公开数据集，或者音频样本的获取是经过了对应的用户的授权。
本实施例中，检测模型的训练方法的执行主体可以通过各种公开、合法合规的方式获取音频样本，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。
一些实施例中，所述音频样本包括正样本和/或负样本，所述获取训练数据，包括：采用预先确定的声码器，对预先获取的声学特征进行处理，以生成多个子带音频；将所述多个子带音频合成为正样本；和/或，对所述多个子带音频中的至少部分子带音频进行扰动，以获得加扰子带音频，将所述加扰子带音频合成为负样本。
其中，预先确定声码器可以包括多子带模型的声码器，多子带模型比如为wavernn，wavernn是一种多子带小型稀疏模型。如图7所示，声码器可以包括：条件网络(condition network)、多子带模型(用subrnn表示)和滤波器，滤波器比如为G-filters，G-filters是一种分子带滤波器，可以将多子带音频恢复成正常全频带的音频。
声学特征经过条件网络处理后，可以将声学特征从一种维度转换为另一种维度，比如，从80维的向量转换为128维的向量。条件网络输出的声学特征可以与subrnn上一时刻输出的多个子带音频进行拼接，以得到拼接后的向量，subrnn再对拼接后的向量进行处理，以获得当前时刻输出的多个子带音频。拼接是指按照子带进行向量拼接，比如，条件网络输出的声学特征用向量A表示，将向量A拼接到子带音频对应的向量之后，得到对应子带的拼接后的向量。假设一个向量为[0,0,1]，另一个向量为[1,0]，则拼接后的向量为[0,0,1,1,0]。
subrnn对维度转换后的声学特征和上一时刻输出的多个子带音频进行处理，以输出当前时刻的多个子带音频，之后，可以采用滤波器将多个子带音频合成为一条音频，作为输入的声学特征对应的预测音频。多个子带音频具有不同的频率，比如，预测音频的全频带为8000Hz，可以以1000Hz为一个子带，得到8个子带音频，0～1000Hz对应一个子带音频，1000～2000Hz对应另一个子带音频，依此类推。
通过对子带音频进行合成，或者对子带音频加扰后进行合成，可以获得大量的正样本和负样本。
进一步地，由于真实情况下杂音一般出现在低频，所以，可以对低频子带对应的子带音频进行扰动，比如，可以对0～1000Hz对应的子带音频进行扰动。扰动的子带音频的数量可以设置，可以为一个或多个。
通过对低频子带进行扰动，可以符合真实情况，提高检测模型效果。
对子带音频进行扰动，可以是subrnn输出时选择概率较低的子带音频进行输出。比如，对应每条子带音频，subrnn是在多个候选音频中选择一条候选音频进行输出，正常情况下是选择概率最高的音频进行输出，而在扰动情况下，可以选择概率最低的候选音频，或者在非概率最高的候选音频中随机选择一条候选音频进行输出，作为加扰子带音频。
本实施例中，通过获取音频样本和对应的标签信息，采用音频样本和标签信息进行训练，可以获得检测模型，从而可以基于检测模型进行声码器选择，提高声码器选择的效率和准确度。
图8是根据本公开第八实施例的示意图，本实施例提供一种声码器的选择装置。如图8所示，该装置800包括：获取模块801、处理模块802和选择模块803。
获取模块801用于获得多个声码器中至少一个声码器输出的音频；处理模块802用于对所述至少一个声码器输出的音频进行处理，以获得所述至少一个声码器输出的音频对应的音频指标；选择模块803用于基于所述音频指标，在所述多个声码器中选择待采用的声码器。
一些实施例中，所述处理模块802具体用于：提取所述至少一个声码器输出的音频的STFT特征；将所述STFT特征转换为能量谱特征；基于检测模型，对所述能量谱特征进行处理，以获得所述至少一个声码器输出的音频对应的音频指标。
一些实施例中，所述至少一个声码器输出的音频包括多条，所述能量谱特征为多组，各组能量谱特征对应各条音频，所述处理模块802进一步具体用于：采用检测模型对所述多组能量谱特征中的至少一组能量谱特征进行处理，以确定所述至少一组能量谱特征对应的各条音频中是否包含杂音；对所述多条音频中包含杂音的音频进行统计，以获得所述至少一个声码器对应的杂音数量，将所述杂音数量作为所述音频指标。
一些实施例中，所述选择模块803具体用于：选择杂音数量最小的声码器，作为待采用的声码器。
本实施例中，通过基于音频指标选择声码器，相对于人工评测的方式，可以提高选择的声码器的准确度和效率。
图9是根据本公开第九实施例的示意图，本实施例提供一种检测模型的训练装置。所述检测模型用于检测多个声码器中至少一个声码器输出的音频对应的检测结果，所述检测结果为所述音频中是否包含杂音，所述检测结果用于确定音频指标，所述音频指标用于在所述多个声码器中选择待采用的声码器，如图9所示，该装置900包括：获取模块901和训练模块902。
获取模块901用于获取训练数据，所述训练数据包括：音频样本和所述音频样本对应的标签信息，所述标签信息用于标识所述音频样本中是否包含杂音；训练模块902用于基于所述训练数据，训练检测模型。
一些实施例中，所述训练模块902具体用于：提取所述音频样本的短时傅里叶变换STFT特征；将所述STFT特征转换为所述音频样本对应的能量谱特征；基于所述音频样本对应的能量谱特征和所述标签信息，训练检测模型。
一些实施例中，所述音频样本包括正样本和/或负样本，所述获取模块901具体用于：采用预先确定的声码器，对预先获取的声学特征进行处理，以生成多个子带音频；将所述多个子带音频合成为正样本；和/或，对所述多个子带音频中的至少部分子带音频进行扰动，以获得加扰子带音频，将所述加扰子带音频合成为负样本。
一些实施例中，所述获取模块901进一步具体用于：对所述多个子带音频中的预设个数的低频子带对应的子带音频进行扰动。
本实施例中，通过获取音频样本和对应的标签信息，采用音频样本和标签信息进行训练，可以获得检测模型，从而可以基于检测模型进行声码器选择，提高声码器选择的效率和准确度。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。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、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，个人数字助理、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/或者要求的本公开的实现。
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元10010加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如声码器的选择方法或检测模型的训练方法。例如，在一些实施例中，声码器的选择方法或检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元10010。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元10010而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文描述的声码器的选择方法或检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行声码器的选择方法或检测模型的训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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，CRT(阴极射线管)或者LCD(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(LAN)、广域网(WAN)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("Virtual Private Server"，或简称"VPS")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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种声码器的选择方法，包括：
获得多个声码器中至少一个声码器输出的音频；
对所述至少一个声码器输出的音频进行处理，以获得能量谱特征，其中，所述至少一个声码器输出的音频包括多条，所述能量谱特征为多组，各组能量谱特征对应各条音频；
采用检测模型对所述多组能量谱特征中的至少一组能量谱特征进行处理，以确定所述至少一组能量谱特征对应的音频中是否包含杂音；对所述多条音频中包含杂音的音频进行统计，以获得所述至少一个声码器对应的杂音数量；
在所述多个声码器中，选择杂音数量最小的声码器，作为待采用的声码器。
2.根据权利要求1所述的方法，其中，所述对所述至少一个声码器输出的音频进行处理，以获得能量谱特征，包括：
提取所述至少一个声码器输出的音频的短时傅里叶变换STFT特征；
将所述STFT特征转换为能量谱特征。
3.一种检测模型的训练方法，所述检测模型用于检测多个声码器中至少一个声码器输出的音频对应的检测结果，所述检测结果为所述音频中是否包含杂音，所述检测结果用于确定杂音数量，所述杂音数量用于在所述多个声码器中选择杂音数量最小的声码器作为待采用的声码器，所述方法包括：
获取训练数据，所述训练数据包括：音频样本和所述音频样本对应的标签信息，所述标签信息用于标识所述音频样本中是否包含杂音；
对所述音频样本进行处理，以获得所述音频样本的能量谱特征，其中，所述音频样本包括多条，所述能量谱特征为多组，各组能量谱特征对应各条音频样本；
采用检测模型对所述多组能量谱特征中的至少一组能量谱特征进行处理，以确定所述至少一组能量谱特征对应的音频样本的预测输出，所述预测输出用于表明所述音频样本中是否包含杂音；
基于所述预测输出和所述标签信息，调整所述检测模型的参数。
4.根据权利要求3所述的方法，其中，所述对所述音频样本进行处理，以获得所述音频样本的能量谱特征，包括：
提取所述音频样本的短时傅里叶变换STFT特征；
将所述STFT特征转换为所述音频样本对应的能量谱特征。
5.根据权利要求3或4所述的方法，其中，所述音频样本包括正样本和/或负样本，所述获取训练数据，包括：
采用预先确定的声码器，对预先获取的声学特征进行处理，以生成多个子带音频；
将所述多个子带音频合成为正样本；和/或，
对所述多个子带音频中的至少部分子带音频进行扰动，以获得加扰子带音频，将所述加扰子带音频合成为负样本。
6.根据权利要求5所述的方法，其中，所述对所述多个子带音频中的至少部分子带音频进行扰动，包括：
对所述多个子带音频中的预设个数的低频子带对应的子带音频进行扰动。
7.一种声码器的选择装置，包括：
获取模块，用于获得多个声码器中至少一个声码器输出的音频；
处理模块，用于对所述至少一个声码器输出的音频进行处理，以获得能量谱特征，其中，所述至少一个声码器输出的音频包括多条，所述能量谱特征为多组，各组能量谱特征对应各条音频；采用检测模型对所述多组能量谱特征中的至少一组能量谱特征进行处理，以确定所述至少一组能量谱特征对应的音频中是否包含杂音；对所述多条音频中包含杂音的音频进行统计，以获得所述至少一个声码器对应的杂音数量；
选择模块，用于在所述多个声码器中，选择杂音数量最小的声码器，作为待采用的声码器。
8.根据权利要求7所述的装置，其中，所述处理模块具体用于：
提取所述至少一个声码器输出的音频的短时傅里叶变换STFT特征；
将所述STFT特征转换为能量谱特征。
9.一种检测模型的训练装置，所述检测模型用于检测多个声码器中至少一个声码器输出的音频对应的检测结果，所述检测结果为所述音频中是否包含杂音，所述检测结果用于确定杂音数量，所述杂音数量用于在所述多个声码器中选择杂音数量最小的声码器作为待采用的声码器，所述装置包括：
获取模块，用于获取训练数据，所述训练数据包括：音频样本和所述音频样本对应的标签信息，所述标签信息用于标识所述音频样本中是否包含杂音；
训练模块，用于对所述音频样本进行处理，以获得所述音频样本的能量谱特征，其中，所述音频样本包括多条，所述能量谱特征为多组，各组能量谱特征对应各条音频样本；采用检测模型对所述多组能量谱特征中的至少一组能量谱特征进行处理，以确定所述至少一组能量谱特征对应的音频样本的预测输出，所述预测输出用于表明所述音频样本中是否包含杂音；以及，基于所述预测输出和所述标签信息，调整所述检测模型的参数。
10.根据权利要求9所述的装置，其中，所述训练模块具体用于：
提取所述音频样本的短时傅里叶变换STFT特征；
将所述STFT特征转换为所述音频样本对应的能量谱特征。
11.根据权利要求9或10所述的装置，其中，所述音频样本包括正样本和/或负样本，所述获取模块具体用于：
采用预先确定的声码器，对预先获取的声学特征进行处理，以生成多个子带音频；
将所述多个子带音频合成为正样本；和/或，
对所述多个子带音频中的至少部分子带音频进行扰动，以获得加扰子带音频，将所述加扰子带音频合成为负样本。
12.根据权利要求11所述的装置，其中，所述获取模块进一步具体用于：
对所述多个子带音频中的预设个数的低频子带对应的子带音频进行扰动。
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所述计算机执行根据权利要求1-6中任一项所述的方法。
CN202110830082.2A 2021-07-22 2021-07-22 声码器的选择及模型训练方法、装置、设备和存储介质 Active CN113689843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110830082.2A CN113689843B (zh) 2021-07-22 2021-07-22 声码器的选择及模型训练方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110830082.2A CN113689843B (zh) 2021-07-22 2021-07-22 声码器的选择及模型训练方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113689843A CN113689843A (zh) 2021-11-23
CN113689843B true CN113689843B (zh) 2022-07-22

Family

ID=78577851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110830082.2A Active CN113689843B (zh) 2021-07-22 2021-07-22 声码器的选择及模型训练方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113689843B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785850A (zh) * 2019-01-18 2019-05-21 腾讯音乐娱乐科技（深圳）有限公司 一种噪声检测方法、装置和存储介质
CN112116926A (zh) * 2019-06-19 2020-12-22 北京猎户星空科技有限公司 音频数据的处理方法及装置、模型训练方法及装置
KR102271357B1 (ko) * 2019-06-28 2021-07-01 국방과학연구소 보코더 유형 판별 방법 및 장치
CN112863548A (zh) * 2021-01-22 2021-05-28 北京百度网讯科技有限公司 训练音频检测模型的方法、音频检测方法及其装置
CN113053410B (zh) * 2021-02-26 2021-10-01 北京国双科技有限公司 声音识别方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN113689843A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN108538296A (zh) 语音识别测试方法及测试终端
CN103489445A (zh) 一种识别音频中人声的方法及装置
Vuppala et al. Improved consonant–vowel recognition for low bit‐rate coded speech
CN107210029B (zh) 用于处理一连串信号以进行复调音符辨识的方法和装置
CN114596879A (zh) 一种虚假语音的检测方法、装置、电子设备及存储介质
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
CN113257283A (zh) 音频信号的处理方法、装置、电子设备和存储介质
CN112750441A (zh) 一种声纹的识别方法、装置、电子设备及存储介质
WO2019017242A1 (ja) 楽曲解析方法、楽曲解析装置およびプログラム
CN116127001A (zh) 敏感词检测方法、装置、计算机设备及存储介质
CN113921017A (zh) 语音同一性的检验方法、装置、电子设备及存储介质
CN112992190B (zh) 音频信号的处理方法、装置、电子设备和存储介质
CN113689843B (zh) 声码器的选择及模型训练方法、装置、设备和存储介质
CN106910494B (zh) 一种音频识别方法和装置
KR100766170B1 (ko) 다중 레벨 양자화를 이용한 음악 요약 장치 및 방법
Kim et al. Efficient harmonic peak detection of vowel sounds for enhanced voice activity detection
CN115938346A (zh) 音准评估方法、系统、设备及存储介质
CN113889073B (zh) 语音处理方法、装置、电子设备和存储介质
US20230116052A1 (en) Array geometry agnostic multi-channel personalized speech enhancement
CN113035230B (zh) 认证模型的训练方法、装置及电子设备
Mittal et al. Classical and deep learning data processing techniques for speech and speaker recognitions
CN113793598B (zh) 语音处理模型的训练方法和数据增强方法、装置及设备
CN115862685B (zh) 一种实时语音活动的检测方法、装置和电子设备
CN112951268B (zh) 音频识别方法、设备和存储介质
Gump Unsupervised methods for evaluating speech representations

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