CN114360558A - 语音转换方法、语音转换模型的生成方法及其装置 - Google Patents

Abstract

本公开提供了联邦学习模型的生成方法及其装置，涉及人工智能技术领域中的深度学习和自然语言处理技术领域。其中为：获取源语音、参照语音和干净语音，从源语音中提取出语音内容信息，从参照语音中提取出第一声学特征，将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征；以及根据第二声学特征合成目标语音。本公开实施例利用干净语音指导语音转换模型整合语音内容信息和第一声学特征，得到第二声学特征，从而生成干净的目标语音，提高语音转换的质量和鲁棒性，降低对录音环境的要求，该方法能够适用于各种通用场景。

Description

语音转换方法、语音转换模型的生成方法及其装置

技术领域

本公开涉及人工智能技术领域中的深度学习和自然语言处理技术领域，尤其涉及一种语音转换方法、语音转换模型的生成方法及其装置。

背景技术

语音转换系统指的是将源说话人的语音转换为与目标说话人相同音色的语音的系统。与较为原始的变声器的不同是：经过语音转换后的语音更为真实，在音色层面上更加接近目标说话者，同时语音转换系统也能充分保留文本和情感信息。多对一的语音转换系统能够将多个不同用户的语音转换为同一音色的语音，例如虚拟声音形象应用场景，虚拟声音形象要求对外形象的稳定性，即目标说话人为长期单一且固定的。因此，声音的稳定性以及较高质量的音质是保持良好的虚拟声音形象的先觉条件。

目前，相关技术中的语音转换方法对录音环境要求较为严格，只能适用于不带噪音和混响的棚录环境下录制的语音，在带有噪音和混响的较为通用的场景下，转换语音质量较差，难以适用于各种通用场景。

发明内容

提供了一种语音转换方法、语音转换模型的生成方法及其装置。

根据第一方面，提供了一种语音转换方法，包括：获取源语音、参照语音和干净语音；从所述源语音中提取出语音内容信息；从所述参照语音中提取出第一声学特征；将所述语音内容信息、所述第一声学特征和所述干净语音输入至语音转换模型中，以生成第二声学特征；以及根据所述第二声学特征合成目标语音。

根据第二方面，提供了一种语音转换模型的生成方法，包括：获取样本源语音、样本参照语音和样本待解耦语音；从所述样本源语音中提取出样本语音内容信息；从所述样本参照语音中提取出第一样本声学特征；将所述样本语音内容信息、所述第一样本声学特征和所述样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征；以及根据所述第一样本声学特征和所述第二样本声学特征对所述待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

根据第三方面，提供了一种语音转换装置，包括：第一获取模块，用于获取源语音、参照语音和干净语音；第一提取模块，用于从所述源语音中提取出语音内容信息；第二提取模块，用于从所述参照语音中提取出第一声学特征；第一生成模块，用于将所述语音内容信息、所述第一声学特征和所述干净语音输入至语音转换模型中，以生成第二声学特征；以及合成模块，用于根据所述第二声学特征合成目标语音。

根据第四方面，提供了一种语音转换模型的生成装置，包括：第二获取模块，用于获取样本源语音、样本参照语音和样本待解耦语音；第三提取模块，用于从所述样本源语音中提取出样本语音内容信息；第四提取模块，用于从所述样本参照语音中提取出第一样本声学特征；第二生成模块，用于将所述样本语音内容信息、所述第一样本声学特征和所述样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征；以及训练模块，用于根据所述第一样本声学特征和所述第二样本声学特征对所述待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

根据第五方面，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本公开第一方面所述的语音转换方法，或者第二方面所述的语音转换模型的生成方法。

根据第六方面，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本公开第一方面所述的语音转换方法，或者第二方面所述的语音转换模型的生成方法。

根据第七方面，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本公开第一方面所述语音转换方法，或者第二方面所述的语音转换模型的生成方法的步骤。

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语音转换方法的流程示意图；

图2是根据本公开第二实施例的语音转换方法的流程示意图；

图3是根据本公开第三实施例的语音转换方法的流程示意图；

图4是根据本公开实施例的语音转换方法的整体结构框图；

图5是根据本公开第一实施例的语音转换模型的生成方法的流程示意图；

图6是根据本公开第二实施例的语音转换模型的生成方法的流程示意图；

图7是根据本公开第一实施例的语音转换装置的框图；

图8是根据本公开第二实施例的语音转换装置的框图；

图9是根据本公开第一实施例的语音转换模型的生成装置的框图；

图10是根据本公开第二实施例的语音转换模型的生成装置的框图；

图11是用来实现本公开实施例的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。

人工智能(ArtificialIntelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

自然语言处理(Natural Language Processing，简称NLP)是计算机科学领域与人工智能领域中的一个重要方向，主要研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言,所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。

下面结合附图描述本公开实施例的语音转换方法、语音转换模型的生成方法及其装置。

图1是根据本公开第一实施例的语音转换方法的流程示意图。

如图1所示，本公开实施例的语音转换方法具体可包括以下步骤：

S101，获取源语音、参照语音和干净语音。

具体的，本公开实施例的语音转换方法的执行主体可为本公开实施例提供的语音转换装置，该语音转换装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

在本公开实施例中，对源语音进行语音转换，得到与参照语音的音色相似的语音，可以通过麦克风等录音设备获取源语音，参照语音和干净语音。其中源语音和参照语音为音色不同的语音，例如以第一用户的语音作为源语音，以目标用户的语音作为参照语音，或者同一用户通过变换发声位置发出的两种音色不同的语音作为源语音和参照语音。。

S102，从源语音中提取出语音内容信息。

在本公开实施例中，从源语音中提取出语音内容信息即文本特征信息，例如语音后验概率(Phonetic PosteriorGrams，简称PPG)特征。在一些实施例中还可以在提取语音内容信息之前对源语音进行预处理以规整源语音信号，减小混响和噪音，同时还可以对源语音对应的语音信号进行归一化，以便于进行语音转换。

S103，从参照语音中提取出第一声学特征。

在本公开实施例中，从参照语音中提取参照语音对应的第一声学特征，在第一声学特征中包括参照语音的音色信息。

S104，将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征。

在本公开实施例中，将源语音对应的语音内容信息、参照语音对应的第一声学特征和干净语音输入至语音转换模型中，对文本特征和音色信息进行整合，基于干净语音生成第二声学特征。其中，语音转换模型为预先训练好的，能够适用于通用场景的语音转换模型。

在一些实施例中，第一声学特征和第二声学特征可以为梅尔特征，例如梅尔频谱。

S105，根据第二声学特征合成目标语音。

在本公开实施例中，根据语音转换模型生成的第二声学特征合成目标语音，得到与参照语音的音色相似、与源语音内容相同的目标语音，实现语音转换。

综上，本公开实施例的语音转换方法，获取源语音、参照语音和干净语音，从源语音中提取出语音内容信息，从参照语音中提取出第一声学特征，将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征；以及根据第二声学特征合成目标语音。本公开实施例利用干净语音指导语音转换模型整合语音内容信息和第一声学特征，得到第二声学特征，从而生成干净的目标语音，提高语音转换的质量和鲁棒性，降低对录音环境的要求，该方法能够适用于各种通用场景。

本公开实施例中，基于编码器和解码器构建语音转换模型，其中编码器可以包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块。

图2是根据本公开第二实施例的语音转换方法的流程示意图。

如图2所示，在图1所示实施例的基础上，本公开实施例的语音转换方法具体可包括以下步骤：

S201，获取源语音、参照语音和干净语音。

S202，从源语音中提取出语音内容信息。

S203，从参照语音中提取出第一声学特征。

上述步骤S104具体可包括步骤S204-S208:

S204，将语音内容信息输入至文本编码模块，以生成文本编码特征。

在本公开实施例中，将源语音对应的语音内容信息输入至文本编码模块对语音内容信息进行编码，生成文本编码特征。

S205，将第一声学特征输入至声学特征编码模块，以生成声学编码特征。

在本公开实施例中，将参照语音对应的第一声学特征输入至声学特征编码模块，生成声学特征编码。

S206，将干净语音输入至环境音解耦模块，以生成语音干净类别。

在本公开实施例中，将干净语音输入至环境音解耦模块，以检测干净语音中是否带有噪声，生成语音干净类别，例如带噪或者干净两个类别，还可以根据噪声等级划分子类别。其中语音干净类别可根据需要设定本公开不做限定。

在一些实施例中，干净语音可以与参照语音的音色相同，可以将第同一用户的任一语音内容的干净语音输入环境音解耦模块，生成语音干净类别，基于语音干净类别指导模型中的整合模块进行计算，从而使得转换后的语音也是干净的。

S207，将文本编码特征、声学编码特征和语音干净类别输入至整合模块，以生成整合编码特征。

在本公开实施例中，将文本编码特征、声学编码特征和语音干净类别输入至整合模块，基于语音干净类别指导整合模块对文本编码特征和声学编码特征进行整合，以生成整合编码特征。

S208，将整合编码特征输入至解码器，以生成第二声学特征。

在本公开实施例中，将整合模块生成的整合编码特征输入至解码器得到第二声学特征，如梅尔频谱。

S209，根据第二声学特征合成目标语音。

具体的，步骤S201-步骤S203与上述步骤S101-S103相同，步骤S209与上述步骤S205相同，此处不再赘述。

在一些实施例中，可以基于语音转换模型中的整合模块，根据语音干净类别对文本编码特征和声学编码特征进行整合，从而生成整合编码信息。

如图3所示，根据语音干净类别对文本编码特征和声学编码特征进行整合的过程可以包括以下步骤：

S301，根据语音干净类别确定整合模块的目标参数值。

在本公开实施例中，可以预先存储语音干净类别与整合模块的各个参数的参数值的对应关系，根据不同的语音干净类别为整合模块配置不同的参数值，以使得整合模块进行针对性的整合操作。例如将与参照语音的音色相同的干净语音输入环境音解耦模块，生成语音干净类别，根据该语音干净类别查找上述对应关系，以确定整合模块的目标参数值，使得整合模块基于目标参数值进行整合。其中语音干净类别与整合模块的各个参数的参数值的对应关系可以通过对语音转换模型的模型的训练确定。

S302，根据目标参数值配置整合模块的参数。

在本公开实施例中，根据确定的模型参数值配置整合模块的模型参数，从而调整整合模块的工作状态。

S303，基于参数配置后的整合模块，对文本编码特征和声学编码特征进行整合，以生成整合编码特征。

在本公开实施例中，基于参数配置后的整合模块，对文本编码特征和声学编码特征进行整合，生成整合编码特征，从而得到与干净语音同样干净等级的目标语音。

综上，本公开实施例的语音转换方法，获取源语音、参照语音和干净语音，从源语音中提取出语音内容信息，从参照语音中提取出第一声学特征，将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征；以及根据第二声学特征合成目标语音。本公开实施例利用干净语音指导语音转换模型整合语音内容信息和第一声学特征，得到第二声学特征，从而生成干净的目标语音，提高语音转换的质量和鲁棒性，降低对录音环境的要求，该方法能够适用于各种通用场景。

为清楚地说明本公开实施例的语音转换方法，下面结合图4进行详细描述。图4是根据本公开实施例的语音转换方法的整体结构框图，如图4所示，从源语音中提取语音内容信息，从参照语音中提取第一声学特征，利用编码器中的文本编码模块对语音内容信息编码，生成文本编码特征，利用编码器中的声学特征编码模块对第一声学特征编码，生成声学编码特征，将干净语音输入至编码器的环境音解耦模块生成语音干净类别，将语音干净类别、文本编码特征和声学编码特征输入至编码器的整合模块，生成整合编码特征，将整合编码特征输入解码器，生成第二声学特征，声码器根据第二声学特征合成目标语音。

图5是根据本公开第一实施例的语音转换模型的生成方法的流程示意图。

如图5所示，本公开实施例的语音转换模型的生成方法具体可包括以下步骤：

S501，获取样本源语音、样本参照语音和样本待解耦语音。

具体的，本公开实施例的语音转换模型的生成方法的执行主体可为本公开实施例提供的语音转换模型的生成装置，该语音转换模型的生成装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

在本公开实施例中，从样本语音数据中获取干净/带噪语音作为样本源语音，获取不同于样本源语音的音色的干净语音作为样本参照语音，以及获取干净/带噪语音作为样本待解耦语音。

S502，从样本源语音中提取出样本语音内容信息。

具体的，该步骤可参照上述实施例，此处不再赘述。

S503，从样本参照语音中提取出第一样本声学特征。

具体的，该步骤可参照上述实施例，此处不再赘述。

S504，将样本语音内容信息、第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征。

在本公开实施例中，将样本源语音对应的样本语音内容信息、样本参照语音对应的第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，生成第二样本声学特征。

S505，根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

在本公开实施例中，根据第一样本声学特征和待训练的语音转换模型输出的第二样本声学特征对模型进行训练，以生成训练好的语音转换模型。

其中，第一样本声学特征和第二样本声学特征可以为梅尔特征。

综上，本公开实施例的语音转换模型的生成方法，获取样本源语音、样本参照语音和样本待解耦语音，从样本源语音中提取出样本语音内容信息，从样本参照语音中提取出第一样本声学特征，将样本语音内容信息、第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征，以及根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。该模型能够适用于各种通用场景，利用该模型进行语音转换，将带有噪声的源语音转换为干净的目标语音，提高了语音转换的质量和鲁棒性。

本公开实施例中，基于编码器和解码器构建语音转换模型，其中编码器可以包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块。

图6是根据本公开第二实施例的语音转换模型的生成方法的流程示意图。

如图6所示，在图5所示实施例的基础上，本公开实施例的语音转换模型的生成方法，具体可包括以下步骤：

S601，获取样本源语音、样本参照语音和样本待解耦语音。

S602，从样本源语音中提取出样本语音内容信息。

S603，从样本参照语音中提取出第一样本声学特征。

上述步骤S504具体可包括步骤S604-S608：

S604，将样本语音内容信息输入至文本编码模块，以生成样本文本编码特征。

S605，将第一样本声学特征输入至声学特征编码模块，以生成样本声学编码特征。

具体的，该步骤可参照上述实施例，此处不再赘述。

S606，将样本待解耦语音输入至环境音解耦模块，以生成样本语音干净类别。

具体的，该步骤可参照上述实施例，此处不再赘述。

在本公开实施例中，样本待解耦语音输入至环境音解耦模块判断该样本待解耦语音是否带有噪声，生成样本语音干净类别。

在一些实施例中，样本待解耦语音和样本源语音可以为音色相同的语音，例如，音色相同的干净语音或者带噪语音。

S607，将样本文本编码特征、样本声学编码特征和样本语音干净类别输入至整合模块，以生成样本整合编码特征。

在本公开实施例中，将样本文本编码特征、样本声学编码特征和样本语音干净类别输入至整合模块，根据样本语音干净类别调整整合模块的参数，使得该模型具有适用通用场景的鲁棒性，整合模块对样本文本编码特征和样本声学编码特征进行整合，生成样本整合编码特征。

S608，将样本整合编码特征输入至解码器，以生成第二样本声学特征。

具体的，该步骤可参照上述实施例，此处不再赘述。

S609，根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

具体的，步骤S601-S603与上述步骤S501-S503相同，步骤S609与上述步骤S505相同，此处不再赘述。

在一些实施例中，可以将带有不同程度噪声的样本待解耦语音和干净的样本待解耦语音输入语音转换模型中的环境音解耦模块生成语音干净类别，基于环境音解耦模块的输出结果调整整合模块的参数，使得语音转换模块具有适应通用场景的鲁棒性。

作为一种可行的实施方式，针对每一个语音干净类别记录训练好的语音转换模型中整合模块对应的目标参数值，以便利用训练好的语音转换模型进行语音转换时能够根据语音干净类别得到对应的干净语音。

综上，本公开实施例的语音转换模型的生成方法，获取样本源语音、样本参照语音和样本待解耦语音，从样本源语音中提取出样本语音内容信息，从样本参照语音中提取出第一样本声学特征，将样本语音内容信息、第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征，以及根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。该模型能够适用于各种通用场景，利用该模型进行语音转换，将带有噪声的源语音转换为干净的目标语音，提高了语音转换的质量和鲁棒性。

图7是根据本公开第一实施例的语音转换装置的框图。

如图7所示，本公开实施例的语音转换装置700，包括：第一获取模块701、第一提取模块702、第二提取模块703、第一生成模块704和合成模块705。

第一获取模块701，用于获取源语音、参照语音和干净语音。

第一提取模块702，用于从源语音中提取出语音内容信息；

第二提取模块703，用于从参照语音中提取出第一声学特征；

第一生成模块704，用于将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征。

合成模块705，用于根据第二声学特征合成目标语音。

需要说明的是，上述对语音转换方法实施例的解释说明，也适用于本公开实施例的语音转换装置，具体过程此处不再赘述。

综上，本公开实施例的语音转换装置，获取源语音、参照语音和干净语音，从源语音中提取出语音内容信息，从参照语音中提取出第一声学特征，将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征；以及根据第二声学特征合成目标语音。本公开实施例利用干净语音指导语音转换模型整合语音内容信息和第一声学特征，得到第二声学特征，从而生成干净的目标语音，提高语音转换的质量和鲁棒性，降低对录音环境的要求，该方法能够适用于各种通用场景。

图8是根据本公开第二实施例的语音转换装置的框图。

如图8所示，本公开实施例的语音转换装置800，包括：第一获取模块801、第一提取模块802、第二提取模块803、第一生成模块804和合成模块805。

其中，第一获取模块801与上一实施例中的第一获取模块701具有相同的结构和功能，第一提取模块802与上一实施例中的第一提取模块702具有相同的结构和功能，第二提取模块803与上一实施例中第二提取模块703具有相同的结构和功能，第一生成模块804与上一实施例中第一生成模块704具有相同的结构和功能，合成模块805与上一实施例中合成模块705具有相同的结构和功能。

进一步地，语音转换模型包括编码器和解码器，编码器包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块，第一生成模块804，包括：第一输入单元8041，用于将语音内容信息输入至文本编码模块，以生成文本编码特征；第二输入单元8042，用于将第一声学特征输入至声学特征编码模块，以生成声学编码特征；第三输入单元8043，用于将干净语音输入至环境音解耦模块，以生成语音干净类别；第四输入单元8044，用于将文本编码特征、声学编码特征和语音干净类别输入至整合模块，以生成整合编码特征；以及第一解码单元8045，用于将整合编码特征输入至解码器，以生成第二声学特征。

进一步地，整合模块，用于根据语音干净类别对文本编码特征和声学编码特征进行整合，以生成整合编码特征。

进一步地，第四输入单元，还包括：确定子单元，用于根据语音干净类别确定整合模块的目标参数值；配置子单元，用于根据目标参数值配置整合模块的参数；整合子单元，用于基于参数配置后的整合模块，对文本编码特征和声学编码特征进行整合，以生成整合编码特征。

进一步地，第一声学特征和第二声学特征为梅尔特征。

进一步地，参照语音与干净语音的音色相同。

综上，本公开实施例的语音转换装置，获取源语音、参照语音和干净语音，从源语音中提取出语音内容信息，从参照语音中提取出第一声学特征，将语音内容信息、第一声学特征和干净语音输入至语音转换模型中，以生成第二声学特征；以及根据第二声学特征合成目标语音。本公开实施例利用干净语音指导语音转换模型整合语音内容信息和第一声学特征，得到第二声学特征，从而生成干净的目标语音，提高语音转换的质量和鲁棒性，降低对录音环境的要求，该方法能够适用于各种通用场景。

图9是根据本公开第一实施例的语音转换模型的生成装置的框图。

如图9所示，本公开实施例的语音转换模型的生成装置900，包括：第二获取模块901、第三提取模块902、第四提取模块903、第二生成模块904和训练模块905。

第二获取模块901，用于获取样本源语音、样本参照语音和样本待解耦语音。

第三提取模块902，用于从样本源语音中提取出样本语音内容信息。

第四提取模块903，用于从样本参照语音中提取出第一样本声学特征。

第二生成模块904，用于将样本语音内容信息、第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征。

训练模块905，用于根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

需要说明的是，上述对语音转换模型的生成方法实施例的解释说明，也适用于本公开实施例的语音转换模型的生成装置，具体过程此处不再赘述。

综上，本公开实施例的语音转换模型的生成装置，获取样本源语音、样本参照语音和样本待解耦语音，从样本源语音中提取出样本语音内容信息，从样本参照语音中提取出第一样本声学特征，将样本语音内容信息、第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征，以及根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。该模型能够适用于各种通用场景，利用该模型进行语音转换，将带有噪声的源语音转换为干净的目标语音，提高了语音转换的质量和鲁棒性。

图10是根据本公开第二实施例的语音转换模型的生成装置的框图。

如图10所示，本公开实施例的语音转换模型的生成装置1000，包括：第二获取模块1001、第三提取模块1002、第四提取模块1003、第二生成模块1004和训练模块1005。

其中，第二获取模块1001与上一实施例中的第二获取模块1001具有相同的结构和功能，第三提取模块1002与上一实施例中的第三提取模块902具有相同的结构和功能，第四提取模块1003与上一实施例中第四提取模块903具有相同的结构和功能，第二生成模块1004与上一实施例中第二生成模块904具有相同的结构和功能，训练模块1005与上一实施例中训练模块905具有相同的结构和功能。

进一步地，待训练的语音转换模型包括编码器和解码器，编码器包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块，第二生成模块1004，包括：第五输入单元10041，用于将样本语音内容信息输入至文本编码模块，以生成样本文本编码特征；第六输入单元10042，用于将第一样本声学特征输入至声学特征编码模块，以生成样本声学编码特征；第七输入单元10043，用于将样本待解耦语音输入至环境音解耦模块，以生成样本语音干净类别；第八输入单元10044，用于将样本文本编码特征、样本声学编码特征和样本语音干净类别输入至整合模块，以生成样本整合编码特征；以及第二解码单元10045，用于将样本整合编码特征输入至解码器，以生成第二样本声学特征。

进一步地，第一声学特征和第二声学特征为梅尔特征。

进一步地，样本参照语音与样本干净语音的音色相同。

综上，本公开实施例的语音转换模型的生成装置，获取样本源语音、样本参照语音和样本待解耦语音，从样本源语音中提取出样本语音内容信息，从样本参照语音中提取出第一样本声学特征，将样本语音内容信息、第一样本声学特征和样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征，以及根据第一样本声学特征和第二样本声学特征对待训练的语音转换模型进行训练，以生成训练好的语音转换模型。该模型能够适用于各种通用场景，利用该模型进行语音转换，将带有噪声的源语音转换为干净的目标语音，提高了语音转换的质量和鲁棒性。

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。

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11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1001、ROM 1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如图1至图4所示的语音转换方法。例如，在一些实施例中，语音转换方法或者语音转换模型的生成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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM1103并由计算单元1101执行时，可以执行上文描述的语音转换方法的一个或多个步骤，或者语音转换模型的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101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方法或者语音转换模型的生成方法。

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)、互联网以及区块链网络。

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。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的语音转换方法的步骤，或者语音转换模型的生成方法的步骤。

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 (23)

1.一种语音转换方法，包括：

获取源语音、参照语音和干净语音；

从所述源语音中提取出语音内容信息；

从所述参照语音中提取出第一声学特征；

将所述语音内容信息、所述第一声学特征和所述干净语音输入至语音转换模型中，以生成第二声学特征；以及

根据所述第二声学特征合成目标语音。

2.根据权利要求1所述的语音转换方法，其中，所述语音转换模型包括编码器和解码器，所述编码器包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块，所述将所述语音内容信息、所述第一声学特征和所述干净语音输入至语音转换模型中，以生成第二声学特征，包括：

将所述语音内容信息输入至所述文本编码模块，以生成文本编码特征；

将所述第一声学特征输入至所述声学特征编码模块，以生成声学编码特征；

将所述干净语音输入至所述环境音解耦模块，以生成语音干净类别；

将所述文本编码特征、所述声学编码特征和所述语音干净类别输入至所述整合模块，以生成整合编码特征；以及

将所述整合编码特征输入至所述解码器，以生成所述第二声学特征。

3.根据权利要求2所述的语音转换方法，其特征在于，所述整合模块，用于根据所述语音干净类别对所述文本编码特征和所述声学编码特征进行整合，以生成整合编码特征。

4.根据权利要求3所述的语音转换方法，其特征在于，所述根据所述语音干净类别对所述文本编码特征和所述声学编码特征进行整合，以生成整合编码特征，包括：

根据所述语音干净类别确定所述整合模块的目标参数值；

根据所述目标参数值配置所述整合模块的参数；

基于参数配置后的所述整合模块，对所述文本编码特征和所述声学编码特征进行整合，以生成整合编码特征。

5.根据权利要求1所述的语音转换方法，其中，所述第一声学特征和所述第二声学特征为梅尔特征。

6.根据权利要求1所述的语音转换方法，其中，所述参照语音与所述干净语音的音色相同。

7.一种语音转换模型的生成方法，包括：

获取样本源语音、样本参照语音和样本待解耦语音；

从所述样本源语音中提取出样本语音内容信息；

从所述样本参照语音中提取出第一样本声学特征；

将所述样本语音内容信息、所述第一样本声学特征和所述样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征；以及

根据所述第一样本声学特征和所述第二样本声学特征对所述待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

8.根据权利要求7所述的生成方法，其中，所述待训练的语音转换模型包括编码器和解码器，所述编码器包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块，所述将所述样本语音内容信息、所述第一样本声学特征和所述样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征，包括：

将所述样本语音内容信息输入至所述文本编码模块，以生成样本文本编码特征；

将所述第一样本声学特征输入至所述声学特征编码模块，以生成样本声学编码特征；

将所述样本待解耦语音输入至所述环境音解耦模块，以生成样本语音干净类别；

将所述样本文本编码特征、所述样本声学编码特征和所述样本语音干净类别输入至所述整合模块，以生成样本整合编码特征；以及

将所述样本整合编码特征输入至所述解码器，以生成所述第二样本声学特征。

9.根据权利要求7所述的语音转换方法，其中，所述第一样本声学特征和所述第二样本声学特征为梅尔特征。

10.根据权利要求7所述的语音转换方法，其中，所述样本参照语音与所述样本干净语音的音色相同。

11.一种语音转换装置，包括：

第一获取模块，用于获取源语音、参照语音和干净语音；

第一提取模块，用于从所述源语音中提取出语音内容信息；

第二提取模块，用于从所述参照语音中提取出第一声学特征；

第一生成模块，用于将所述语音内容信息、所述第一声学特征和所述干净语音输入至语音转换模型中，以生成第二声学特征；以及

合成模块，用于根据所述第二声学特征合成目标语音。

12.根据权利要求11所述的语音转换装置，其中，所述语音转换模型包括编码器和解码器，所述编码器包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块，所述第一生成模块，包括：

第一输入单元，用于将所述语音内容信息输入至所述文本编码模块，以生成文本编码特征；

第二输入单元，用于将所述第一声学特征输入至所述声学特征编码模块，以生成声学编码特征；

第三输入单元，用于将所述干净语音输入至所述环境音解耦模块，以生成语音干净类别；

第四输入单元，用于将所述文本编码特征、所述声学编码特征和所述语音干净类别输入至所述整合模块，以生成整合编码特征；以及

第一解码单元，用于将所述整合编码特征输入至所述解码器，以生成所述第二声学特征。

13.根据权利要求12所述的语音转换装置，其特征在于，所述整合模块，用于根据所述语音干净类别对所述文本编码特征和所述声学编码特征进行整合，以生成整合编码特征。

14.根据权利要求13所述的语音转换装置，其特征在于，所述第四输入单元，还包括：

确定子单元，用于根据所述语音干净类别确定所述整合模块的目标参数值；

配置子单元，用于根据所述目标参数值配置所述整合模块的参数；

整合子单元，用于基于参数配置后的所述整合模块，对所述文本编码特征和所述声学编码特征进行整合，以生成整合编码特征。

15.根据权利要求11所述的语音转换装置，其中，所述第一声学特征和所述第二声学特征为梅尔特征。

16.根据权利要求11所述的语音转换装置，其中，所述参照语音与所述干净语音的音色相同。

17.一种语音转换模型的生成装置，包括：

第二获取模块，用于获取样本源语音、样本参照语音和样本待解耦语音；

第三提取模块，用于从所述样本源语音中提取出样本语音内容信息；

第四提取模块，用于从所述样本参照语音中提取出第一样本声学特征；

第二生成模块，用于将所述样本语音内容信息、所述第一样本声学特征和所述样本待解耦语音输入至待训练的语音转换模型中，以生成第二样本声学特征；以及

训练模块，用于根据所述第一样本声学特征和所述第二样本声学特征对所述待训练的语音转换模型进行训练，以生成训练好的语音转换模型。

18.根据权利要求17所述的生成装置，其中，所述待训练的语音转换模型包括编码器和解码器，所述编码器包括文本编码模块、声学特征编码模块、环境音解耦模块和整合模块，所述第二生成模块，包括：

第五输入单元，用于将所述样本语音内容信息输入至所述文本编码模块，以生成样本文本编码特征；

第六输入单元，用于将所述第一样本声学特征输入至所述声学特征编码模块，以生成样本声学编码特征；

第七输入单元，用于将所述样本待解耦语音输入至所述环境音解耦模块，以生成样本语音干净类别；

第八输入单元，用于将所述样本文本编码特征、所述样本声学编码特征和所述样本语音干净类别输入至所述整合模块，以生成样本整合编码特征；以及

第二解码单元，用于将所述样本整合编码特征输入至所述解码器，以生成所述第二样本声学特征。

19.根据权利要求17所述的语音转换装置，其中，所述第一声学特征和所述第二声学特征为梅尔特征。

20.根据权利要求17所述的语音转换装置，其中，所述样本参照语音与所述样本干净语音的音色相同。

21.一种电子设备，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1-10中任一项所述的方法。

22.一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1-10中任一项所述的方法。

23.一种计算机程序产品，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权利要求1-10中任一项所述方法的步骤。

Images