CN113689866B - 一种语音转换模型的训练方法、装置、电子设备及介质 - Google Patents

一种语音转换模型的训练方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113689866B
CN113689866B CN202110949036.4A CN202110949036A CN113689866B CN 113689866 B CN113689866 B CN 113689866B CN 202110949036 A CN202110949036 A CN 202110949036A CN 113689866 B CN113689866 B CN 113689866B
Authority
CN
China
Prior art keywords
model
voice
sequence output
decoder
encoder
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
CN202110949036.4A
Other languages
English (en)
Other versions
CN113689866A (zh
Inventor
王俊超
陈怿翔
康永国
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 CN202110949036.4A priority Critical patent/CN113689866B/zh
Publication of CN113689866A publication Critical patent/CN113689866A/zh
Application granted granted Critical
Publication of CN113689866B publication Critical patent/CN113689866B/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
    • G10L21/003—Changing voice quality, e.g. pitch or formants
    • G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
    • 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • 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
    • 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
    • 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
    • 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
    • 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
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本公开提供了一种语音转换模型的训练方法、装置、电子设备及介质，涉及人工智能技术领域，尤其涉及语音和深度学习技术。具体实现方案为：将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列；基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。本申请实施例将注意力机制取代DTW对齐，使对齐精度更好，并且使用音素概率图特征作为转换系统的输入特征使模型的学习更方便；该方法既能提高对齐的精度，也能有效提高转换的音色效果。

Description

一种语音转换模型的训练方法、装置、电子设备及介质
技术领域
本公开涉及人工智能技术领域，进一步涉及语音和深度学习技术，尤其是一种语音转换模型的训练方法、装置、电子设备及介质。
背景技术
语音转换在市场上变得越来越受关注，语音转换的目的是将源说话人的语音转为目标说话人的音色，并保持语音的表达内容不变。按照模型所需的语料，语音转换可分为平行语料语音转换和非平行语料语音转换；其中，平行语料语音转换，在录制所需的语料时，需要源说话人和目标说话人录制相同文本的音频。非平行语料语音转换，需要录制目标说话人的若干语音，训练时不需要源说话人的语音，通常的方法有基于音素概率图的方法和自重构的方法。
基于音素概率图的方法，首先将目标说话人的音频通过语音识别模型提取一种表达说话内容的ppg特征，然后通过模型建模ppg特征和音频mel特征的联系。在测试时，源说话人通过语音识别模型提取ppg特征，输入训练好的转换模型，即可得到转换后的特征。基于自重构的方法，总体思路是在训练时通过编码器将特征中的内容信息和音色信息进行解耦，再通过解码器还原信息，进行自重构训练。
传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐精度往往较差，导致合成语音音质较差。而非平行语料的语音转换系统，往往对声学特征中内容和音色的解耦不够充分，导致转换的音色不像目标发音人。
发明内容
本公开提供了一种语音转换模型的训练方法方法、装置、电子设备以及介质。
第一方面，本申请提供了一种语音转换模型的训练方法，所述方法包括：
将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到所述解码器输出的特征序列；
基于所述解码器输出的特征序列和第二用户针对所述语音的声学特征对待训练的语音转换模型进行训练。
第二方面，本申请提供了一种语音转换模型的训练装置，所述装置包括：输入模块和训练模块；其中，
所述输入模块，用于将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到所述解码器输出的特征序列；
所述训练模块，用于基于所述解码器输出的特征序列和第二用户针对所述语音的声学特征对待训练的语音转换模型进行训练。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
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本申请任意实施例所述的语音转换模型的训练方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的语音转换模型的训练方法。
第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的语音转换模型的训练方法。
根据本申请的技术解决了传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐精度往往较差，导致合成语音音质较差。而非平行语料的语音转换系统，往往对声学特征中内容和音色的解耦不够充分，导致转换的音色不像目标发音人的技术问题，本申请设计了基于平行语料的音素概率图端到端语音转换系统，将注意力机制取代DTW对齐，使对齐精度更好，并且使用音素概率图特征作为转换系统的输入特征使模型的学习更方便；该方法既能提高对齐的精度，也能有效提高转换的音色效果。
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是本申请实施例提供的语音转换模型的训练方法的第一流程示意图；
图2是本申请实施例提供的语音转换模型的训练方法的第二流程示意图；
图3是本申请实施例提供的语音转换模型的训练系统的结构示意图；
图4是本申请实施例提供的语音转换模型的训练方法的第三流程示意图；
图5是本申请实施例提供的语音转换模型的预测系统的结构示意图；
图6是本申请实施例提供的语音转换模型的训练装置的结构示意图；
图7是用来实现本申请实施例的语音转换模型的训练方法的电子设备的框图。
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。
实施例一
图1是本申请实施例提供的语音转换模型的训练方法的第一流程示意图，该方法可以由语音转换模型的训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，语音转换模型的训练方法可以包括以下步骤：
S101、将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列。
在本步骤中，电子设备可以将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列。具体地，当待训练的语音转换模型不满足预先设置的收敛条件时，电子设备可以将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列。进一步地，电子设备可以先将第一用户针对语音的声学特征输入至音色概率图模型，得到音色概率图模型输出的音色概率序列；然后将音色概率图模型输出的音素概率序列输入至编码器，得到编码器输出的特征序列；接着将编码器输出的特征序列输入至注意力机制模型，得到注意力机制模型输出的特征序列；再将注意力机制模型输出的特征序列输入至解码器，得到解码器输出的特征序列。
S102、基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。
在本步骤中，电子设备可以基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。接着，电子设备可以重新选取一个语音对待训练的语音转换模型进行训练，直到待训练的语音转换模型满足预先设置的收敛条件。这里重新选择的语音可以是与上一个语音相邻的语音，也可以是与上一个语音不相邻的语音，在此不进行限定。进一步地，电子设备可以先基于解码器输出的特征序列和第二用户针对语音的声学特征计算待训练的语音转换模型针对语音的声学特征的损失值；然后根据待训练的语音转换模型针对语音的声学特征的损失值对待训练的语音转换模型的参数进行调整。
本申请实施例提出的语音转换模型的训练方法，先将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列；然后基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。也就是说，本申请在对语音转换模型进行训练时，在语音转换模型中将注意力机制取代DTW对齐，将编码器输出的特征序列输入至注意力机制模型；再将注意力机制模型输出的特征序列输入至解码器。而在传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐。因为本申请采用了将注意力机制取代DTW对齐的技术手段，克服了传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐精度往往较差，导致合成语音音质较差。而非平行语料的语音转换系统，往往对声学特征中内容和音色的解耦不够充分，导致转换的音色不像目标发音人的技术问题，本申请提供的技术方案，将注意力机制取代DTW对齐，使对齐精度更好，并且使用音素概率图特征作为转换系统的输入特征使模型的学习更方便；该方法既能提高对齐的精度，也能有效提高转换的音色效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的语音转换模型的训练方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，语音转换模型的训练方法可以包括以下步骤：
S201、将第一用户针对语音的声学特征输入至音色概率图模型，得到音色概率图模型输出的音色概率序列。
在本步骤中，电子设备可以将第一用户针对语音的声学特征输入至音色概率图模型，得到音色概率图模型输出的音色概率序列。具体地，电子设备可以先将第一用户针对语音的声学特征划分为N个声学特征单元；其中，N为大于1的自然数；然后将N个声学特征单元输入至音色概率图模型。进一步地，电子设备可以将N个声学特征单元输入至语音识别声学模型，得到语音识别声学模型输出的音色概率序列。
S202、将音色概率图模型输出的音素概率序列输入至编码器，得到编码器输出的特征序列。
在本步骤中，电子设备可以将音色概率图模型输出的音素概率序列输入至编码器，得到编码器输出的特征序列。本申请实施例中的编码器可以由一层双向长短期记忆(BLSTM)网络组成，它能够捕捉上下文信息，解决长期依赖问题。双向长短期记忆网络是循环神经网络的一种，前向层能记忆过去发生的信息，后向层记忆未来发生的信息。语音信号帧与帧之间密切相关，非常适合采用BLSTM来编码信息。具体地，本申请实施例中的编码器可以包括：内容编码器和音色编码器。
S203、将编码器输出的特征序列输入至注意力机制模型，得到注意力机制模型输出的特征序列。
在本步骤中，电子设备可以将编码器输出的特征序列输入至注意力机制模型，得到注意力机制模型输出的特征序列。由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。为了合理利用有限的处理资源，人类需要选择听觉区域中的特定部分，然后集中关注它。为了模仿听觉特性，注意力机制是让网络自己学习关注输入的特定部分信息。这里的注意力机制可以采用声音敏感的注意力机制。
S204、将注意力机制模型输出的特征序列输入至解码器，得到解码器输出的特征序列。
在本步骤中，电子设备可以将注意力机制模型输出的特征序列输入至解码器，得到解码器输出的特征序列。本申请实施例中的编码器和解码器是针对等长的序列进行学习的模型；注意力机制可以针对不等长的序列进行学习。在训练阶段，增加注意力机制可以使得语音转换更加准确。
S205、基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。
图3是本申请实施例提供的语音转换模型的训练系统的结构示意图。如图3所示，语音转换模型的训练系统可以包括：音素概率图模型、编码器、注意力机制和解码器；在对语音转换模型进行训练时，先将第一用户(甲用户)针对语音的声学特征(该声学特征可以划分为A、A、B、B、C、C、C七个声学特征单元)输入至音色概率图模型，得到音色概率图模型输出的音色概率序列；然后将音色概率图模型输出的音素概率序列输入至编码器，得到编码器输出的特征序列；接着将编码器输出的特征序列输入至注意力机制模型，得到注意力机制模型输出的特征序列；再将注意力机制模型输出的特征序列输入至解码器，得到解码器输出的特征序列(该特征序列可以划分为A、B、B、B、C、C六个声学特征单元)；最后基于解码器输出的特征序列和第二用户(乙用户)针对语音的声学特征对待训练的语音转换模型进行训练。需要说明的是，第一用户和第二用户可以录制相同文本的音频，然后基于第一用户录制的音频得到第一用户针对语音的声学特征；基于第二用户录制的音频得到第二用户针对语音的声学特征。
本申请实施例提出的语音转换模型的训练方法，先将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列；然后基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。也就是说，本申请在对语音转换模型进行训练时，在语音转换模型中将注意力机制取代DTW对齐，将编码器输出的特征序列输入至注意力机制模型；再将注意力机制模型输出的特征序列输入至解码器。而在传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐。因为本申请采用了将注意力机制取代DTW对齐的技术手段，克服了传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐精度往往较差，导致合成语音音质较差。而非平行语料的语音转换系统，往往对声学特征中内容和音色的解耦不够充分，导致转换的音色不像目标发音人的技术问题，本申请提供的技术方案，将注意力机制取代DTW对齐，使对齐精度更好，并且使用音素概率图特征作为转换系统的输入特征使模型的学习更方便；该方法既能提高对齐的精度，也能有效提高转换的音色效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图4是本申请实施例提供的语音转换模型的训练方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图4所示，语音转换模型的训练方法可以包括以下步骤：
S401、将第一用户针对语音的声学特征输入至音色概率图模型，得到音色概率图模型输出的音色概率序列。
S402、将音色概率图模型输出的音素概率序列输入至编码器，得到编码器输出的特征序列。
S403、将编码器输出的特征序列输入至注意力机制模型，得到注意力机制模型输出的特征序列。
S404、将注意力机制模型输出的特征序列输入至解码器，得到解码器输出的特征序列。
S405、基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。
S406、将第一用户针对目标语音的声学特征输入至训练好的语音转换模型，通过语音转换模型得到预测出的第二用户针对目标语音的声学特征。
在本步骤中，电子设备可以将第一用户针对目标语音的声学特征输入至训练好的语音转换模型，通过语音转换模型得到预测出的第二用户针对目标语音的声学特征。具体地，电子设备可以先将第一用户针对目标语音的声学特征输入至训练好的音素概率图模型，得到音素概率图模型输出的预测的音色概率序列；然后将预测的音色概率序列输入至训练好的编码器，得到编码器输出的预测的特征序列；再将编码器输出的预测的特征序列输入至训练好的解码器，得到解码器输出的预测的特征序列；将解码器输出的预测的特征序列作为预测出的第二用户针对目标语音的声学特征。
S407、基于第二用户针对目标语音的声学特征得到目标语音；其中，目标语音包括第一用户针对目标语音的内容信息和第二用户针对目标语音的音色信息。
在本步骤中，电子设备可以基于第二用户针对目标语音的声学特征得到目标语音；其中，目标语音包括第一用户针对目标语音的内容信息和第二用户针对目标语音的音色信息。具体地，电子设备可以将第二用户针对目标语音的声学特征输入至声码器，得到声码器输出的目标语音。
图5是本申请实施例提供的语音转换模型的预测系统的结构示意图。如图5所示，语音转换模型的预测系统可以包括：音素概率图模型、编码器、解码器和声码器；在使用该语音转换系统进行预测时，先将第一用户针对目标语音的声学特征输入至训练好的音素概率图模型，得到音素概率图模型输出的预测的音色概率序列；然后将预测的音色概率序列输入至训练好的编码器，得到编码器输出的预测的特征序列；再将编码器输出的预测的特征序列输入至训练好的解码器，得到解码器输出的预测的特征序列；将解码器输出的预测的特征序列作为预测出的第二用户针对目标语音的声学特征；最后将第二用户针对目标语音的声学特征输入至声码器，得到声码器输出的目标语音。
本申请实施例提出的语音转换模型的训练方法，先将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到解码器输出的特征序列；然后基于解码器输出的特征序列和第二用户针对语音的声学特征对待训练的语音转换模型进行训练。也就是说，本申请在对语音转换模型进行训练时，在语音转换模型中将注意力机制取代DTW对齐，将编码器输出的特征序列输入至注意力机制模型；再将注意力机制模型输出的特征序列输入至解码器。而在传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐。因为本申请采用了将注意力机制取代DTW对齐的技术手段，克服了传统的平行语料的语音转换系统，基于DTW算法进行语音帧的对齐精度往往较差，导致合成语音音质较差。而非平行语料的语音转换系统，往往对声学特征中内容和音色的解耦不够充分，导致转换的音色不像目标发音人的技术问题，本申请提供的技术方案，将注意力机制取代DTW对齐，使对齐精度更好，并且使用音素概率图特征作为转换系统的输入特征使模型的学习更方便；该方法既能提高对齐的精度，也能有效提高转换的音色效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图6是本申请实施例提供的语音转换模型的训练装置的结构示意图。如图6所示，所述装置600包括：输入模块601和训练模块602；其中，
所述输入模块601，用于将第一用户针对语音的声学特征按照从前到后的顺序依次输入至音色概率图模型、编码器、注意力机制模型和解码器，得到所述解码器输出的特征序列；
所述训练模块602，用于基于所述解码器输出的特征序列和第二用户针对所述语音的声学特征对待训练的语音转换模型进行训练。
进一步的，所述输入模块601，具体用于将所述第一用户针对所述语音的声学特征输入至所述音色概率图模型，得到所述音色概率图模型输出的音色概率序列；将所述音色概率图模型输出的音素概率序列输入至所述编码器，得到所述编码器输出的特征序列；将所述编码器输出的特征序列输入至所述注意力机制模型，得到所述注意力机制模型输出的特征序列；将所述注意力机制模型输出的特征序列输入至所述解码器，得到所述解码器输出的特征序列。
进一步的，所述输入模块601，具体用于将所述第一用户针对所述语音的声学特征划分为N个声学特征单元；其中，N为大于1的自然数；将所述N个声学特征单元输入至所述音色概率图模型。
进一步的，所述训练模块602，具体用于基于所述解码器输出的特征序列和第二用户针对所述语音的声学特征计算所述待训练的语音转换模型针对所述语音的声学特征的损失值；根据所述待训练的语音转换模型针对所述语音的声学特征的损失值对所述待训练的语音转换模型的参数进行调整。
进一步的，所述装置还包括：预测模块603(图中未示出)，用于将第一用户针对目标语音的声学特征输入至训练好的语音转换模型，通过所述语音转换模型得到预测出的第二用户针对所述目标语音的声学特征；基于所述第二用户针对所述目标语音的声学特征得到目标语音；其中，所述目标语音包括所述第一用户针对所述目标语音的内容信息和所述第二用户针对所述目标语音的音色信息。
进一步的，所述预测模块603，具体用于将所述第一用户针对所述目标语音的声学特征输入至训练好的音素概率图模型，得到所述音素概率图模型输出的预测的音色概率序列；将所述预测的音色概率序列输入至训练好的编码器，得到所述编码器输出的预测的特征序列；将所述编码器输出的预测的特征序列输入至训练好的解码器，得到所述解码器输出的预测的特征序列；将所述解码器输出的预测的特征序列作为所述预测出的第二用户针对所述目标语音的声学特征。。
上述语音转换模型的训练装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的语音转换模型的训练方法。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
实施例五
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7示出了可以用来实施本公开的实施例的示例电子设备700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、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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如语音转换模型的训练方法。例如，在一些实施例中，语音转换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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的语音转换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701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音转换模型的训练方法。
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，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 (6)

1.一种语音转换模型的训练方法，所述方法包括：
将第一用户针对语音的声学特征划分为N个声学特征单元；其中，N为大于1的自然数；将所述N个声学特征单元输入至音色概率图模型，得到所述音色概率图模型输出的音色概率序列；将所述音色概率图模型输出的音素概率序列输入至编码器，得到所述编码器输出的特征序列；将所述编码器输出的特征序列输入至注意力机制模型，得到所述注意力机制模型输出的特征序列；将所述注意力机制模型输出的特征序列输入至解码器，得到所述解码器输出的特征序列；其中，所述编码器由一层双向长短期记忆网络组成；所述注意力机制模型为声音敏感的注意力机制模型；所述编码器和所述解码器是针对等长的序列进行学习的模型；所述注意力机制模型是针对不等长的序列进行学习的模型；
基于所述解码器输出的特征序列和第二用户针对所述语音的声学特征计算待训练的语音转换模型针对所述语音的声学特征的损失值；根据所述待训练的语音转换模型针对所述语音的声学特征的损失值对所述待训练的语音转换模型的参数进行调整；
将第一用户针对目标语音的声学特征输入至训练好的语音转换模型，通过所述语音转换模型得到预测出的第二用户针对所述目标语音的声学特征；
基于所述第二用户针对所述目标语音的声学特征得到目标语音；其中，所述目标语音包括所述第一用户针对所述目标语音的内容信息和所述第二用户针对所述目标语音的音色信息。
2.根据权利要求1所述的方法，其中，所述将第一用户针对目标语音的声学特征输入至训练好的语音转换模型，通过所述语音转换模型得到预测出的第二用户针对所述目标语音的声学特征，包括：
将所述第一用户针对所述目标语音的声学特征输入至训练好的音素概率图模型，得到所述音素概率图模型输出的预测的音色概率序列；
将所述预测的音色概率序列输入至训练好的编码器，得到所述编码器输出的预测的特征序列；
将所述编码器输出的预测的特征序列输入至训练好的解码器，得到所述解码器输出的预测的特征序列；将所述解码器输出的预测的特征序列作为所述预测出的第二用户针对所述目标语音的声学特征。
3.一种语音转换模型的训练装置，所述装置包括：输入模块、训练模块和预测模块；其中，
所述输入模块，用于将第一用户针对语音的声学特征划分为N个声学特征单元；其中，N为大于1的自然数；将所述N个声学特征单元输入至音色概率图模型，得到所述音色概率图模型输出的音色概率序列；将所述音色概率图模型输出的音素概率序列输入至编码器，得到所述编码器输出的特征序列；将所述编码器输出的特征序列输入至注意力机制模型，得到所述注意力机制模型输出的特征序列；将所述注意力机制模型输出的特征序列输入至解码器，得到所述解码器输出的特征序列；
所述训练模块，用于基于所述解码器输出的特征序列和第二用户针对所述语音的声学特征计算待训练的语音转换模型针对所述语音的声学特征的损失值；根据所述待训练的语音转换模型针对所述语音的声学特征的损失值对所述待训练的语音转换模型的参数进行调整；
所述预测模块，用于将第一用户针对目标语音的声学特征输入至训练好的语音转换模型，通过所述语音转换模型得到预测出的第二用户针对所述目标语音的声学特征；基于所述第二用户针对所述目标语音的声学特征得到目标语音；其中，所述目标语音包括所述第一用户针对所述目标语音的内容信息和所述第二用户针对所述目标语音的音色信息；其中，所述编码器由一层双向长短期记忆网络组成；所述注意力机制模型为声音敏感的注意力机制模型；所述编码器和所述解码器是针对等长的序列进行学习的模型；所述注意力机制模型是针对不等长的序列进行学习的模型。
4.根据权利要求3所述的装置，所述预测模块，具体用于将所述第一用户针对所述目标语音的声学特征输入至训练好的音素概率图模型，得到所述音素概率图模型输出的预测的音色概率序列；将所述预测的音色概率序列输入至训练好的编码器，得到所述编码器输出的预测的特征序列；将所述编码器输出的预测的特征序列输入至训练好的解码器，得到所述解码器输出的预测的特征序列；将所述解码器输出的预测的特征序列作为所述预测出的第二用户针对所述目标语音的声学特征。
5. 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1-2中任一项所述的方法。
6.一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1-2中任一项所述的方法。
CN202110949036.4A 2021-08-18 2021-08-18 一种语音转换模型的训练方法、装置、电子设备及介质 Active CN113689866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110949036.4A CN113689866B (zh) 2021-08-18 2021-08-18 一种语音转换模型的训练方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110949036.4A CN113689866B (zh) 2021-08-18 2021-08-18 一种语音转换模型的训练方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113689866A CN113689866A (zh) 2021-11-23
CN113689866B true CN113689866B (zh) 2023-04-25

Family

ID=78580429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110949036.4A Active CN113689866B (zh) 2021-08-18 2021-08-18 一种语音转换模型的训练方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113689866B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360557B (zh) * 2021-12-22 2022-11-01 北京百度网讯科技有限公司 语音音色转换方法、模型训练方法、装置、设备和介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180330718A1 (en) * 2017-05-11 2018-11-15 Mitsubishi Electric Research Laboratories, Inc. System and Method for End-to-End speech recognition
CN112017644B (zh) * 2020-10-21 2021-02-12 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
CN112750445B (zh) * 2020-12-30 2024-04-12 标贝(青岛)科技有限公司 语音转换方法、装置和系统及存储介质
CN113012678B (zh) * 2021-02-05 2024-01-19 江苏金陵科技集团有限公司 一种免标注的特定说话人语音合成方法及装置

Also Published As

Publication number Publication date
CN113689866A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
US10614803B2 (en) Wake-on-voice method, terminal and storage medium
US20240021202A1 (en) Method and apparatus for recognizing voice, electronic device and medium
CN112466288B (zh) 语音识别方法、装置、电子设备及存储介质
CN111402861B (zh) 一种语音识别方法、装置、设备及存储介质
CN114416934B (zh) 多模态的对话生成模型的训练方法、装置及电子设备
CN113674732B (zh) 语音置信度检测方法、装置、电子设备和存储介质
CN112259089A (zh) 语音识别方法及装置
US20230127787A1 (en) Method and apparatus for converting voice timbre, method and apparatus for training model, device and medium
CN112861548A (zh) 自然语言生成及模型的训练方法、装置、设备和存储介质
CN113689868B (zh) 一种语音转换模型的训练方法、装置、电子设备及介质
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
CN113468857B (zh) 风格转换模型的训练方法、装置、电子设备以及存储介质
CN113689866B (zh) 一种语音转换模型的训练方法、装置、电子设备及介质
CN113160820B (zh) 语音识别的方法、语音识别模型的训练方法、装置及设备
CN111681661B (zh) 语音识别的方法、装置、电子设备和计算机可读介质
US20230410794A1 (en) Audio recognition method, method of training audio recognition model, and electronic device
CN112910761B (zh) 即时通讯方法、装置、设备、存储介质以及程序产品
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN115292467B (zh) 信息处理与模型训练方法、装置、设备、介质及程序产品
CN114758649B (zh) 一种语音识别方法、装置、设备和介质
CN114783405B (zh) 一种语音合成方法、装置、电子设备及存储介质
CN114550692A (zh) 文本处理及其模型的训练方法、装置、设备和存储介质
CN110633476B (zh) 用于获取知识标注信息的方法及装置
CN113689867B (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