CN114360587A - 识别音频的方法、装置、设备、介质及产品 - Google Patents
识别音频的方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114360587A CN114360587A CN202111614630.4A CN202111614630A CN114360587A CN 114360587 A CN114360587 A CN 114360587A CN 202111614630 A CN202111614630 A CN 202111614630A CN 114360587 A CN114360587 A CN 114360587A
- Authority
- CN
- China
- Prior art keywords
- audio
- prediction result
- result
- recognized
- unvoiced
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009826 distribution Methods 0.000 claims description 78
- 238000001228 spectrum Methods 0.000 claims description 38
- 230000003595 spectral effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 19
- 230000015572 biosynthetic process Effects 0.000 abstract description 13
- 238000003786 synthesis reaction Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000001260 vocal cord Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
-
- 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
- G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
- G10L2025/937—Signal energy in various frequency bands
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种识别音频的方法、装置、设备、介质及产品，涉及计算机技术领域，尤其涉及语音处理、深度学习、人工智能技术领域。具体实现方案为：对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量；基于声学特征参考量，得到第二音频预测结果；基于第一音频预测结果以及第二音频预测结果，确定待识别音频的音频识别结果，音频识别结果包括清音或浊音。本公开能够在确定音频为清音或浊音时，利用对待识别音频进行声学特征预测得到的第一音频预测结果，并结合基于其他声学特征参考量得到第二音频预测结果，使对音频的清音或者浊音的判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及语音处理、深度学习、人工智能技术领域。
背景技术
随着科技的发展，计算机越来越多地用于进行音频数据等的处理。语音增强、语音合成等对于音频数据的处理过程中，对于音频数据的清浊音确定具有重要意义。清音(Unvoiced sound)，即发声时，没有伴随声带振动的声音，而浊音(Voiced sound)，即发声同时伴随着声带振动的声音。
清浊音判断结果出现问题时，处理得到的声音会出现变速、变调，合成的声音出现哑音、破音、假音等问题，影响声音的处理效果。
发明内容
本公开提供了一种用于识别音频的方法、装置、设备、介质及产品。
根据本公开的一方面，提供了一种识别音频的方法，包括：对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量；基于所述声学特征参考量，得到第二音频预测结果；基于所述第一音频预测结果以及所述第二音频预测结果，确定所述待识别音频的音频识别结果，所述音频识别结果包括清音或浊音。
根据本公开的另一方面，提供了一种识别音频的装置，包括：预测模块，用于对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量；确定模块，基于所述声学特征参考量，得到第二音频预测结果，并基于所述第一音频预测结果以及所述第二音频预测结果，确定所述待识别音频的音频识别结果，所述音频识别结果包括清音或浊音。
根据本公开的又一方面，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本公开中任一项所述的识别音频的方法。
根据本公开的又一方面，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本公开中任一项所述的识别音频的方法。
根据本公开的又一方面，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本公开中任一项所述的识别音频的方法。
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是根据本公开的识别音频的方法的流程示意图；
图2是根据本公开的识别音频的方法的流程示意图；
图3是根据本公开的识别音频的方法的流程示意图；
图4是根据本公开的基于声学特征参考量，得到第二音频预测结果的方法的流程示意图；
图5是根据本公开的识别音频的装置的框图；
图6是用来实现本公开实施例的识别音频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。
语音合成的应用越来越广，其实现基于声学模型和声码器，其中，声学模型将文本或音素转换成声学特征，声码器将声学特征转换成语音音频。
对于使用参数声码器的系统，声学模型能够输出对于音频预测得到的清浊音预测结果、基频、谱包络、能量等声学参数。由于声学模型存在局限性，预测出的声学参数与实际数值可能存在误差。
人在发清音时，声带不发生振动，即振动对应的基频应为0。声学模型进行预测时，输入声学的基频包括为0的基频，会使基频不连续，成为离散值，造成声学模型的预测困难。且对于声学模型而言，输入为连续值的预测比输入为离散值的预测更加简单，故，利用与基频为0的点前后相邻的基频值，对基频为0的点进行插值，得到连续基频，以便于声学模型进行预测。在后续的声音合成中，对清音部分的基频进行屏蔽，得到准确的声音。
当清浊音预测结果出现预测错误时，例如，将本为浊音的音频误判断为清音，或者，将本为清音的音频误判断为浊音，声码器利用该清浊音预测结果进行合成，会由于对基频的错误屏蔽，使合成得到的音频出现哑音等现象，降低合成声音合成的质量，影响用户体验。
鉴于此，本公开实施例提供了一种识别音频的方法，通过声学特征预测得到的结果，根据音频预测结果结合其他声学特征参考量，确定待识别音频的音频识别结果为清音或浊音，使对音频的清音或者浊音的判定结果更加准确。
图1是根据本公开的识别音频的方法的流程示意图。如图1所示，本公开的方法包括以下步骤。
在步骤S101中，对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量。
在本公开实施例中，可以是通过声学模型对待识别音频进行声学特征预测。声学模型对待识别音频进行声学特征预测，得到的音频的声学特征，以及第一音频预测结果。声学模型的声学特征预测结果，在音频的帧级别具有对应关系。可以将待识别音频进行分帧，以便将待识别音频划分成的不同音频帧进行处理。第一音频预测结果可以是基于音频预测(Unvoiced sound，uv)值进行判断的预测结果，uv值用于表征该预测值对应的发音为清音或者是为浊音。uv值为小于0的数值时，对应的发音为清音，而uv值为大于0的数值时，对应的发音为浊音，其中，0为区分清音与浊音的临界值。声学特征参考量可以用于预测音频识别结果。可以理解地，第一音频预测结果以及声学特征参考量，均可以确定音频为清音或者为浊音。
在步骤S102中，基于声学特征参考量，得到第二音频预测结果。
在步骤S103中，基于第一音频预测结果以及第二音频预测结果，确定待识别音频的音频识别结果，音频识别结果包括清音或浊音。
在本公开实施例中，对待识别音频进行声学特征预测，能够得到第一音频预测结果以及待识别音频的其它声学特征。第一音频预测结果第一音频预测结果与第二音频预测结果不一致预测音频识别结果为清音或者浊音，但是其预测结果可能存在误差。基于声学特征参考量，对待识别音频进行清浊音识别，得到第二音频预测结果。结合第一音频预测结果与第二音频预测结果，确定待识别音频的音频识别结果，能够对第一音频预测结果进行有效地修正，使对于待识别音频的清浊音识别结果更为准确。
根据本公开实施例，在进行音频为清音或浊音的识别时，利用对待识别音频进行声学特征预测得到的结果，即基于uv值得到第一音频预测结果，并结合其他声学特征参考量得到第二音频预测结果，来确定待识别音频的音频为清音或者为浊音，使对音频的清音或者浊音的判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
图2是根据本公开的识别音频的方法的流程示意图。如图2所示，本公开的方法包括以下步骤。
在步骤S201中，对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量。
在步骤S202中，基于声学特征参考量，得到第二音频预测结果。
在步骤S203中，若第一音频预测结果与第二音频预测结果不一致，则修正第一音频预测结果，得到待识别音频的音频识别结果。
在本公开实施例中，识别音频以确定音频识别结果，即确定该音频为清音或者为浊音时，利用对待识别音频进行声学特征预测的输出结果，即通过第一音频预测结果，以及声学特征参考量。声学特征参考量可以用于预测音频识别结果，得到对待识别音频的音频进行识别得到的第二音频预测结果。
第一音频预测结果用于表征音频为清音或者浊音，基于第一音频预测结果，并结合由声学特征参考量得到的第二音频预测结果，确定待识别音频的音频识别结果。若第二音频预测结果与第一音频预测结果不一致，即通过声学模型输出的uv值可能存在误差，导致第一音频预测结果预测错误，对第一音频预测结果进行修正，以得到待识别音频的音频识别结果。
根据本公开实施例，对待识别音频进行声学特征预测，基于得到的第一音频预测结果，以及基于声学特征参考量，得到第二音频预测结果，确定待识别音频的音频识别结果。若第二音频预测结果与第一音频预测结果不一致，对第一音频预测结果进行修正，以得到待识别音频的音频识别结果，使判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
图3是根据本公开的识别音频的方法的流程示意图，如图3所示，本公开的方法包括以下步骤。
在步骤S301中，对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量。
在步骤S302中，基于声学特征参考量，得到第二音频预测结果。
在步骤S303中，若第一音频预测结果与第二音频预测结果不一致，响应于第一音频预测结果对应的音频预测值属于预设范围区间，若第一音频预测结果为清音，则将浊音作为待识别音频的音频识别结果，若第一音频预测结果为浊音，则将清音作为待识别音频的音频识别结果。
在本公开实施例中，对待识别音频进行识别，以确定音频识别结果，即确定该音频为清音或者为浊音。基于第一音频预测结果，并结合其它声学特征参考量确定待识别音频的音频识别结果。若基于声学特征参考量得到的第二预测结果与第一音频预测结果不一致，例如，基于声学特征参考量得到的第二预测结果为清音，而第一音频预测结果为浊音，或者，基于声学特征参考量得到的第二预测结果为浊音，而第一音频预测结果为清音，则第一音频预测结果可能存在误差。对第一音频预测结果进行修正，以得到待识别音频的音频识别结果。
在本公开实施例中，利用声学模型输出的uv值确定第一音频预测结果。在音频中的音节内部，声学模型输出的uv值可以是正值，也可以是负值，且正值或负值的绝对值较大，uv值预测出现预测误差的可能性较低。在音频中发音音节和不发音音节的边界处，预测得到的uv值预测为接近临界值0的数值，可以是正值，也可以是负值。综上，在音节边界附近，即预测得到的uv值为接近于0的数值时，基于uv值确定的第一音频预测结果出现预测错误的可能性较大。
当第一音频预测结果与第二音频预测结果不一致时，进一步对第一音频预测结果对应的uv值进行判断，即判断uv值是否属于预设范围区间。该预设范围区间，可以是以临界值为区间中点，以预设值为区间端点的区间，且区间端点与区间中点较为接近。可以理解地，预设范围区间可以根据实际使用需求自行确定。若第一音频预测结果与第二音频预测结果不一致，且uv值属于预设范围区间时，若第一音频预测结果为清音，则将浊音作为待识别音频的音频识别结果，若第一音频预测结果为浊音，则将清音作为待识别音频的音频识别结果，
根据本公开实施例，对待识别音频进行声学特征预测，基于得到的音频预测结果，若第一音频预测结果与第二音频预测结果不一致，且uv值属于预设范围区间，对第一音频预测结果进行调整，将调整后的第一音频预测结果作为待识别音频的音频识别结果，使判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
在本公开示例性的实施方式中，通过声学模型对待识别音频进行声学特征预测，得到音频的声学特征，例如，声学特征可以是基频、频谱分布、能量、基音周期和清浊音的音频预测结果等。可以是基于频谱分布均值以及能量值，作为进行音频清浊音识别的参考值，对声学模型输出的音频预测结果进行修正，得到待识别音频的清浊音识别的准确结果。同时基于频谱分布均值以及能量值，得到第二音频预测结果，并结合第二音频预测结果，对第一音频预测结果进行校验，当结果不符合时，对第一音频预测结果进行修正，能够使对音频的清音或者浊音的判定结果更加准确。
图4是根据本公开的基于声学特征参考量，得到第二音频预测结果的方法的流程示意图，如图4所示，本公开的方法包括以下步骤。
在步骤S401中，若频谱分布在第一频率范围内的分布均值小于第一预设阈值，且能量值大于第三预设阈值，则确定对待识别音频进行预测的第二音频预测结果为浊音，其中，第一频率范围为频谱分布中，低于第一预设频率的范围。
在步骤S402中，若频谱分布在第二频率范围内的分布均值大于第二预设阈值，且能量值小于或等于第三预设阈值，则确定对待识别音频进行预测的第二音频预测结果为清音，其中，第二频率范围为频谱分布中，高于第二预设频率的范围。
在本公开实施例中，通过声学模型对待识别音频进行声学特征预测，得到音频的频谱分布，频谱是时域的信号在频域的表示方式，可以针对信号进行傅立叶变换而得，频谱可以表示一个信号是由哪些频率的弦波所组成。通过频谱分布确定对待识别音频进行清浊音预测的第一预测结果。音频信号可以通过多子带滤波器进行滤波，并通过时域至频域的变换得到音频信号的频域信息。可根据不同的频率范围，分别确定音频频谱在各频率范围的频谱分布。
可以理解地，清音和浊音的频谱分布存在不同，其中，清音的频谱分布中，能量集中于高频范围。而浊音的频谱分布中，能量集中于中、低频范围。因此，可以通过频谱分布均值，确定待识别音频为清音或浊音的第一预测结果。
本公开示例性的实施方式中，可以对频谱分布中低于第一频率范围内的分布均值，即对应低频率频带的分布均值进行判断，确定第一预测结果。例如，对于频谱分布的全部频带，将低于第一预设频率的范围内的频带确定为低维频带，将高于第二预设频率的范围内的频带确定为高维频带，其中，第一预设频率小于第二预设频率。若低维频带的分布均值小于第一预设阈值，则确定对待识别音频进行预测的第一预测结果为浊音，频谱分布的低维频带的分布均值大于或等于第一预设阈值，则确定对待识别音频进行预测的第一预测结果为请音。还可以通过对频谱分布的高维频带分布均值进行判断，确定第一预测结果。若频谱分布的高维频带分布均值大于第二预设阈值，则确定对待识别音频进行预测的第一预测结果为清音，频谱分布的高维频带分布均值小于或等于第二预设阈值，则确定对待识别音频进行预测的第一预测结果为浊音。
在本公开实施例中，通过声学模型对待识别音频进行声学特征预测，得到音频对应的能量值。通过多子带滤波器对待识别音频的音频信号进行滤波，通过音频信号的频谱确定频谱能量值。清音和浊音的频谱能量值分布，存在数值上的差异。因此，可以通过能量值，确定待识别音频为清音或浊音的第二预测结果。
在本公开示例性的实施方式中，可以对频谱能量值进行判断，确定第二预测结果。若频谱能量值大于第三预设阈值，则确定对待识别音频进行预测的第二预测结果为浊音，若频谱能量值小于或等于第三预设阈值，则确定对待识别音频进行预测的第二预测结果为清音。
在本公开实施例中，通过频谱分布均值，确定待识别音频为清音或浊音的第一预测结果，并通过能量值，确定待识别音频为清音或浊音的第二预测结果，基于第一预测结果、第二预测结果以及音频预测结果，确定待识别音频的音频识别结果。例如，通过第一预测结果确定待识别音频为清音、通过第二预测结果确定待识别音频为清音，而音频预测结果确定待识别音频为浊音，第一预测结果以及第二预测结果一致，且与音频预测结果不一致，则对音频预测结果进行修正，得到待识别音频的音频识别结果。
在基于频谱分布均值以及能量值，得到第二音频预测结果时，若频谱分布的低维频带分布均值小于第一预设阈值，且能量值大于第三预设阈值，则确定对待识别音频进行预测的第二音频预测结果为浊音。若频谱分布的高维频带分布均值大于第二预设阈值，且能量值小于或等于第三预设阈值，则确定对待识别音频进行预测的第二音频预测结果为清音。
根据本公开实施例，对待识别音频进行声学特征预测，基于uv值，得到第一音频预测结果，基于频谱分布均值以及能量值，得到第二音频预测结果，第一音频预测结果与第二音频预测结果不一致时，进行音频预测结果的修正，以得到待识别音频的音频识别结果，使判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
在一种实施方式中，通过声学模型，对待识别音频进行声学特征预测，声学模型输出用于预测音频识别结果的音频预测结果、频谱分布均值以及能量值，并基于通过频谱分布均值、能量值得到的预测结果，对音频预测结果进行修正，得到准确的待识别音频的音频识别结果。对待识别音频的音频信号通过多子带滤波器进行滤波，并通过时域至频域的变换得到音频信号的频域信息。对频谱分布的低维频带分布均值进行判断，确定对待识别音频进行预测的第一预测结果，并对频谱能量值进行判断，确定第二预测结果。
可以是基于如下方式进行，若频谱分布的低维频带分布均值小于第一预设阈值，则确定对待识别音频进行预测的第一预测结果为浊音，进一步，若频谱能量值大于第三预设阈值，则确定对待识别音频进行预测的第二预测结果为浊音。即，对待识别音频进行预测的第一预测结果与对待识别音频进行预测的第二预测结果一致。若音频预测结果确定该待识别音频为清音，则与上述第一预测结果、第二预测结果不一致。此时，若音频预测结果属于预设范围区间，该区间为分布于清浊音区分临界点附近的区间，则对音频预测结果进行调整，即将其结果调整为浊音，并确定待识别音频的音频识别结果为浊音。
可以理解地，对待识别音频进行预测的第一预测结果与对待识别音频进行预测的第二预测结果一致，同为清音时。若音频预测结果确定该待识别音频为浊音，对音频预测结果进行调整，将其结果调整为清音，并确定待识别音频的音频识别结果为清音。
根据本公开实施例，在进行音频为清音或浊音的识别时，结合声学特征预测得到的声学特征参考量进行结果判断，即基于声学特征参考量以及音频预测结果，确定待识别音频的音频为清音或者为浊音，使对音频的清音或者浊音的判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
在本公开示例性的实施方式中，基于待识别音频对应的uv值确定第一音频预测结果，并基于频谱分布均值以及能量值，得到第二音频预测结果，基于第一音频预测结果以及第二音频预测结果，确定待识别音频的音频识别结果时，还可以通过以下方式实现。清音和浊音的频谱分布不同，可以通过频谱分布均值的数值，修正基于uv值确定的第一预测结果。例如，对第一待识别音频，其频谱分布的低维频带分布均值小于第一阈值时，将该音频确定为浊音。而对于第二待识别音频，其频谱分布的低维频带分布均值小于第二阈值时，将该音频确定为浊音，第一阈值的绝对值大于第二阈值的绝对值。在对于第一待识别音频、第而待识别音频的第一音频预测结果进行修正时，其修正的方式不同。即，对于第一待识别音频，其频谱分布的低维频带分布均值小于第一阈值，且能量值大于第三阈值时，将其确定为浊音。进一步确定uv值为大于第四阈值时，对基于uv值确定的第一音频预测结果进行修正。而对于第二待识别音频，其频谱分布的低维频带分布均值小于第二阈值，且能量值大于第三阈值时，将其确定为浊音。进一步确定uv值为大于第五阈值时，对基于uv值确定的第一音频预测结果进行修正。其中，第四阈值的绝对值大于第五阈值的绝对值。使对第一音频预测结果进行修正更加准确。
例如，对于第一待识别音频，其频谱分布低维频带分布均值小于-15，且能量值大于0时，得到浊音的第二音频预测结果。当音频的uv值大于-5时，对第一音频预测结果进行修正，即将第一音频预测结果确定为浊音，若音频的uv值小于或等于-5时，不对第一音频预测结果进行修正。对于第二待识别音频，其频谱分布低维频带分布均值小于-9，且能量值大于0，第二音频预测结果为浊音。当音频的uv值大于-3时，即对第一音频预测结果进行修正，即将第一音频预测结果确定为浊音。
基于相同的构思，本公开实施例还提供一种识别音频的装置。
可以理解的是，本公开实施例提供的装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
图5是根据本公开的识别音频的装置的框图。
如图5所示，本公开实施例的识别音频的装置500，包括：预测模块501和确定模块502。
预测模块501，用于对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量。
确定模块502，用于基于声学特征参考量，得到第二音频预测结果，并基于第一音频预测结果以及第二音频预测结果，确定待识别音频的音频识别结果，音频识别结果包括清音或浊音。
在本公开示例性的实施方式中，确定模块502还用于：若第一音频预测结果与第二音频预测结果不一致，则修正第一音频预测结果，得到待识别音频的音频识别结果。
在本公开示例性的实施方式中，确定模块502还用于：响应于第一音频预测结果对应的音频预测值属于预设范围区间，若第一音频预测结果为清音，则将浊音作为待识别音频的音频识别结果，若第一音频预测结果为浊音，则将清音作为待识别音频的音频识别结果。
在本公开示例性的实施方式中，声学特征参考量包括：频谱分布均值以及能量值。
在本公开示例性的实施方式中，确定模块502还用于：若频谱分布在第一频率范围内的分布均值小于第一预设阈值，且能量值大于第三预设阈值，则确定对待识别音频进行预测的第二音频预测结果为浊音，其中，第一频率范围为频谱分布中，低于第一预设频率的范围；若频谱分布在第二频率范围内的分布均值大于第二预设阈值，且能量值小于或等于第三预设阈值，则确定对待识别音频进行预测的第二音频预测结果为清音，其中，第二频率范围为频谱分布中，高于第二预设频率的范围。
综上，根据本公开实施例的识别音频的装置，能够在确定音频为清音或浊音时，利用对待识别音频进行声学特征预测得到的结果，即基于第一音频预测结果，并结合其他声学特征参考量得到第二音频预测结果，来确定待识别音频的音频为清音或者为浊音，使对音频的清音或者浊音的判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如识别音频的方法。例如，在一些实施例中，识别音频的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 703并由计算单元601执行时，可以执行上文描述的识别音频的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行识别音频的方法。
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。
根据本公开实施例提供的技术方案，本公开能够在确定音频为清音或浊音时，利用对待识别音频进行声学特征预测得到的结果，即基于第一音频预测结果，并结合其他声学特征参考量得到第二音频预测结果，来确定待识别音频的音频为清音或者为浊音，使对音频的清音或者浊音的判定结果更加准确，从而提高语音合成等语音处理中的音频质量。
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 (13)
1.一种识别音频的方法，包括：
对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量；
基于所述声学特征参考量，得到第二音频预测结果；
基于所述第一音频预测结果以及所述第二音频预测结果，确定所述待识别音频的音频识别结果，所述音频识别结果包括清音或浊音。
2.根据权利要求1所述的方法，其中，所述基于所述第一音频预测结果以及所述第二音频预测结果，确定所述待识别音频的音频识别结果，包括：
若所述第一音频预测结果与所述第二音频预测结果不一致，则修正所述第一音频预测结果，得到待识别音频的音频识别结果。
3.根据权利要求2所述的方法，其中，所述修正所述第一音频预测结果，得到待识别音频的音频识别结果，包括：
响应于所述第一音频预测结果对应的音频预测值属于预设范围区间，若所述第一音频预测结果为清音，则将浊音作为待识别音频的音频识别结果，若所述第一音频预测结果为浊音，则将清音作为待识别音频的音频识别结果。
4.根据权利要求1-3中任意一项所述的方法，其中，所述声学特征参考量包括：频谱分布均值以及能量值。
5.根据权利要求4所述的方法，其中，所述基于所述声学特征参考量，得到第二音频预测结果，包括：
若所述频谱分布在第一频率范围内的分布均值小于第一预设阈值，且所述能量值大于第三预设阈值，则确定对所述待识别音频进行预测的第二音频预测结果为浊音，其中，所述第一频率范围为所述频谱分布中，低于第一预设频率的范围；
若所述频谱分布在第二频率范围内的分布均值大于第二预设阈值，且所述能量值小于或等于所述第三预设阈值，则确定对所述待识别音频进行预测的第二音频预测结果为清音，其中，所述第二频率范围为所述频谱分布中，高于第二预设频率的范围。
6.一种识别音频的装置，包括：
预测模块，用于对待识别音频进行声学特征预测，得到第一音频预测结果，以及用于预测音频识别结果的声学特征参考量；
确定模块，基于所述声学特征参考量，得到第二音频预测结果，并基于所述第一音频预测结果以及所述第二音频预测结果，确定所述待识别音频的音频识别结果，所述音频识别结果包括清音或浊音。
7.根据权利要求6所述的装置，其中，所述确定模块，还用于：
若所述第一音频预测结果与所述第二音频预测结果不一致，则修正所述第一音频预测结果，得到待识别音频的音频识别结果。
8.根据权利要求7所述的装置，其中，所述确定模块，还用于：
响应于所述第一音频预测结果对应的音频预测值属于预设范围区间，若所述第一音频预测结果为清音，则将浊音作为待识别音频的音频识别结果，若所述第一音频预测结果为浊音，则将清音作为待识别音频的音频识别结果。
9.根据权利要求6-8中任意一项所述的装置，其中，所述声学特征参考量包括：频谱分布均值以及能量值。
10.根据权利要求9所述的装置，其中，所述确定模块，还用于：
若所述频谱分布在第一频率范围内的分布均值小于第一预设阈值，且所述能量值大于第三预设阈值，则确定对所述待识别音频进行预测的第二音频预测结果为浊音，其中，所述第一频率范围为所述频谱分布中，低于第一预设频率的范围；
若所述频谱分布在第二频率范围内的分布均值大于第二预设阈值，且所述能量值小于或等于所述第三预设阈值，则确定对所述待识别音频进行预测的第二音频预测结果为清音，其中，所述第二频率范围为所述频谱分布中，高于第二预设频率的范围。
11.一种电子设备，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1-5中任一项所述的识别音频的方法。
12.一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1-5中任一项所述的识别音频的方法。
13.一种计算机程序产品，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1-5中任一项所述的识别音频的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111614630.4A CN114360587A (zh) | 2021-12-27 | 2021-12-27 | 识别音频的方法、装置、设备、介质及产品 |
| US17/891,596 US20230206943A1 (en) | 2021-12-27 | 2022-08-19 | Audio recognizing method, apparatus, device, medium and product |
| EP22191361.9A EP4202924A1 (en) | 2021-12-27 | 2022-08-22 | Audio recognizing method, apparatus, device, medium and product |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111614630.4A CN114360587A (zh) | 2021-12-27 | 2021-12-27 | 识别音频的方法、装置、设备、介质及产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114360587A true CN114360587A (zh) | 2022-04-15 |
Family
ID=81102068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111614630.4A Pending CN114360587A (zh) | 2021-12-27 | 2021-12-27 | 识别音频的方法、装置、设备、介质及产品 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230206943A1 (zh) |
| EP (1) | EP4202924A1 (zh) |
| CN (1) | CN114360587A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689837A (zh) * | 2021-08-24 | 2021-11-23 | 北京百度网讯科技有限公司 | 音频数据处理方法、装置、设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070027681A1 (en) * | 2005-08-01 | 2007-02-01 | Samsung Electronics Co., Ltd. | Method and apparatus for extracting voiced/unvoiced classification information using harmonic component of voice signal |
| CN104637489A (zh) * | 2015-01-21 | 2015-05-20 | 华为技术有限公司 | 声音信号处理的方法和装置 |
| WO2018159402A1 (ja) * | 2017-02-28 | 2018-09-07 | 国立研究開発法人情報通信研究機構 | 音声合成システム、音声合成プログラムおよび音声合成方法 |
| CN110580920A (zh) * | 2019-08-28 | 2019-12-17 | 南京梧桐微电子科技有限公司 | 一种声码器子带清浊音判决的方法及系统 |
| CN113838452A (zh) * | 2021-08-17 | 2021-12-24 | 北京百度网讯科技有限公司 | 语音合成方法、装置、设备和计算机存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU696092B2 (en) * | 1995-01-12 | 1998-09-03 | Digital Voice Systems, Inc. | Estimation of excitation parameters |
| JP5446874B2 (ja) * | 2007-11-27 | 2014-03-19 | 日本電気株式会社 | 音声検出システム、音声検出方法および音声検出プログラム |
| WO2013008384A1 (ja) * | 2011-07-11 | 2013-01-17 | 日本電気株式会社 | 音声合成装置、音声合成方法および音声合成プログラム |
-
2021
- 2021-12-27 CN CN202111614630.4A patent/CN114360587A/zh active Pending
-
2022
- 2022-08-19 US US17/891,596 patent/US20230206943A1/en active Pending
- 2022-08-22 EP EP22191361.9A patent/EP4202924A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070027681A1 (en) * | 2005-08-01 | 2007-02-01 | Samsung Electronics Co., Ltd. | Method and apparatus for extracting voiced/unvoiced classification information using harmonic component of voice signal |
| CN1909060A (zh) * | 2005-08-01 | 2007-02-07 | 三星电子株式会社 | 提取浊音/清音分类信息的方法和设备 |
| CN104637489A (zh) * | 2015-01-21 | 2015-05-20 | 华为技术有限公司 | 声音信号处理的方法和装置 |
| WO2018159402A1 (ja) * | 2017-02-28 | 2018-09-07 | 国立研究開発法人情報通信研究機構 | 音声合成システム、音声合成プログラムおよび音声合成方法 |
| CN110580920A (zh) * | 2019-08-28 | 2019-12-17 | 南京梧桐微电子科技有限公司 | 一种声码器子带清浊音判决的方法及系统 |
| CN113838452A (zh) * | 2021-08-17 | 2021-12-24 | 北京百度网讯科技有限公司 | 语音合成方法、装置、设备和计算机存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689837A (zh) * | 2021-08-24 | 2021-11-23 | 北京百度网讯科技有限公司 | 音频数据处理方法、装置、设备以及存储介质 |
| CN113689837B (zh) * | 2021-08-24 | 2023-08-29 | 北京百度网讯科技有限公司 | 音频数据处理方法、装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230206943A1 (en) | 2023-06-29 |
| EP4202924A1 (en) | 2023-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8682670B2 (en) | Statistical enhancement of speech output from a statistical text-to-speech synthesis system | |
| EP2159788B1 (en) | A voice activity detecting device and method | |
| US20220191635A1 (en) | Delay Estimation Method and Apparatus | |
| CN109801646B (zh) | 一种基于融合特征的语音端点检测方法和装置 | |
| CN113689837B (zh) | 音频数据处理方法、装置、设备以及存储介质 | |
| Latorre et al. | Continuous F0 in the source-excitation generation for HMM-based TTS: Do we need voiced/unvoiced classification? | |
| EP4202924A1 (en) | Audio recognizing method, apparatus, device, medium and product | |
| JP7314450B2 (ja) | 音声合成方法、装置、機器、及びコンピュータ記憶媒体 | |
| CN110718210B (zh) | 一种英文错误发音的识别方法、装置、介质和电子设备 | |
| CN113763974B (zh) | 一种丢包补偿方法、装置、电子设备及存储介质 | |
| CN114596870A (zh) | 实时音频处理方法和装置、计算机存储介质、电子设备 | |
| CN114495977A (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
| CN112185382B (zh) | 一种唤醒模型的生成和更新方法、装置、设备及介质 | |
| CN113658586A (zh) | 语音识别模型的训练方法、语音交互方法及装置 | |
| CN113938749B (zh) | 音频数据处理方法、装置、电子设备和存储介质 | |
| CN115512682A (zh) | 多音字读音预测方法、装置、电子设备及存储介质 | |
| KR101833731B1 (ko) | 머신 러닝을 통한 화자 인식 모델 생성 방법 및 장치 | |
| CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
| CN114220430A (zh) | 多音区语音交互方法、装置、设备以及存储介质 | |
| CN117558269B (zh) | 声音识别方法、装置、介质和电子设备 | |
| CN111583945B (zh) | 用于处理音频的方法、装置、电子设备和计算机可读介质 | |
| CN115953995A (zh) | 语音合成模型的训练方法、装置、电子设备及存储介质 | |
| CN114420106A (zh) | 声学建模方法、装置、设备以及存储介质 | |
| CN114783423A (zh) | 基于语速调整的语音切分方法、装置、计算机设备及介质 | |
| CN115206292A (zh) | 一种语音活动检测方法、装置，电子设备及存储介质 |
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 |