CN114420106A - 声学建模方法、装置、设备以及存储介质 - Google Patents
声学建模方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114420106A CN114420106A CN202111439729.5A CN202111439729A CN114420106A CN 114420106 A CN114420106 A CN 114420106A CN 202111439729 A CN202111439729 A CN 202111439729A CN 114420106 A CN114420106 A CN 114420106A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- training sample
- voice
- speech
- text
- 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 77
- 238000001228 spectrum Methods 0.000 claims abstract description 260
- 238000012549 training Methods 0.000 claims abstract description 192
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 42
- 230000002238 attenuated effect Effects 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 5
- 238000003786 synthesis reaction Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013519 translation Methods 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
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 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
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 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
- G10L15/26—Speech to text systems
-
- 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
- G10L21/013—Adapting to target pitch
-
- 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
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0316—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude
- G10L21/0364—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude for improving intelligibility
-
- 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
-
- 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
- G10L2015/0631—Creating reference templates; Clustering
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)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开提供了一种声学建模方法、语音转换方法、装置、设备、存储介质以及计算机程序产品,涉及人工智能技术领域,具体为深度学习和语音合成技术领域,可应用于声学建模、语音转换等场景。具体实现方案为:获取文本训练样本和对应的语音频谱训练样本;对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本;基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。首先对语音频谱训练样本进行频谱质量校准,然后基于文本训练样本和校准后的语音频谱训练样本进行训练,使目标声学模型输出的语音频谱更准确。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习和语音合成技术领域,可应用于声学建模、语音转换等场景,尤其涉及一种声学建模方法、语音转换方法、装置、设备、存储介质以及计算机程序产品。
背景技术
目前在语音合成中,通常是合成字正腔圆的语音,不能合成悄悄话形式的语音。
发明内容
本公开提供了一种声学建模方法、语音转换方法、装置、设备、存储介质以及计算机程序产品,使目标声学模型输出的语音频谱更准确。
根据本公开的一方面,提供了一种声学建模方法,包括:获取文本训练样本和对应的语音频谱训练样本;对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本;基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
根据本公开的另一方面,提供了一种语音转换方法,包括:获取待转换文本;基于目标声学模型,得到待转换文本对应的语音频谱;将语音频谱转换为语音,并输出语音。
根据本公开的又一方面,提供了一种声学建模装置,包括:第一获取模块,被配置为获取文本训练样本和对应的语音频谱训练样本;校准模块,被配置为对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本;训练模块,被配置为基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
根据本公开的又一方面,提供了一种语音转换装置,包括:第二获取模块,被配置为获取待转换文本;第三获取模块,被配置为基于目标声学模型,得到待转换文本对应的语音频谱;转换模块,被配置为将语音频谱转换为语音,并输出语音。
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;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述声学建模方法、语音转换方法。
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,上述计算机指令用于使上述计算机执行上述声学建模方法、语音转换方法。
根据本公开的再一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现上述声学建模方法、语音转换方法。
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是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的声学建模方法的一个实施例的流程图;
图3是根据本公开的声学建模方法的另一个实施例的流程图;
图4是根据本公开的声学建模方法的又一个实施例的流程图;
图5(a)是本公开的校准前的语音频谱训练样本的示意图;
图5(b)是本公开的校准后的语音频谱训练样本的示意图;
图6是根据本公开的语音转换方法的一个实施例的流程图;
图7是根据本公开的语音转换方法的另一个实施例的流程图;
图8是根据本公开的声学建模装置的一个实施例的结构示意图;
图9是根据本公开的语音转换装置的一个实施例的结构示意图;
图10是用来实现本公开实施例的声学建模方法或语音转换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。
图1示出了可以应用本公开的声学建模方法或语音转换方法或声学建模装置或语音转换装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以获取目标声学模型等。终端设备101、102、103上可以安装有各种客户端应用,例如语音频谱处理应用等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种基于声学建模的服务。例如,服务器105可以对从终端设备101、102、103获取到的文本训练样本和对应的语音频谱训练样本进行分析和处理,并生成处理结果(例如确定出目标声学模型等)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的声学建模方法或语音转换方法一般由服务器105执行,相应地,声学建模装置或语音转换装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的声学建模方法的一个实施例的流程200。该声学建模方法包括以下步骤:
步骤201、获取文本训练样本和对应的语音频谱训练样本。
在本实施例中,声学建模方法的执行主体(例如图1所示的服务器105)可以获取文本训练样本和对应的语音频谱训练样本。其中,文本训练样本可以是任意长度、任意内容的文字,文本可以是汉字,可以是英文,也可以是韩文,本公开对此不做限定,可以从书籍等已有文字中任意截取一段文字,作为文本训练样本,也可以任意写一段文字作为文本训练样本,本公开对此不做限定。语音频谱是一种可以用来代表短期音讯的梅尔声谱,人耳听到的声音高低和实际频率不呈线性关系,梅尔声谱符合人耳的听觉特性,即在1000赫兹以下呈线性分布,在1000赫兹以上呈对数增长,因此,可以将原始语音信号转换为梅尔声谱进行分析。语音频谱训练样本与文本训练样本相对应,可以在获取文本训练样本后,基于文本训练样本的内容生成对应的语音,将记录的语音作为与文本训练样本对应的语音,然后将语音转换为梅尔声谱,即得到对应的语音频谱训练样本。语音的响度、音调等可以是任意的响度、音调,本公开对此不做限定,示例性的,语音可以是响度较低的悄悄话形式的语音。
步骤202、对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本。
在本实施例中,上述执行主体在得到语音频谱训练样本后,可以对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本。频谱质量校准即对频谱进行数据处理,剔除频谱中的杂音、噪音等,使频谱能更好的还原原始语音。具体地,可以将语音频谱训练样本输入到一个杂音识别模型中,识别出语音频谱训练样本中的杂音、噪音,将标注为杂音、噪音的信号剔除,得到校准后的语音频谱训练样本。
步骤203、基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
在本实施例中,上述执行主体在得到文本训练样本和校准后的语音频谱训练样本之后,可以基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。具体地,可以执行以下训练步骤:将文本训练样本输入到初始声学模型中,得到初始声学模型输出的与每个文本训练样本对应的语音频谱,将输出的语音频谱与校准后的语音频谱训练样本进行比较,得到初始声学模型的预测准确率,将初始声学模型的预测准确率与预先设定的准确率阈值进行比较,示例性的,预先设定准确率阈值为80%,若初始声学模型的预测准确率大于预先设定的准确率阈值,则将初始声学模型确定为目标声学模型,若初始声学模型的预测准确率小于预先设定的准确率阈值,则调整初始声学模型的参数,继续训练。初始声学模型可以是自回归语音合成模型,也可以是非自回归语音合成模型,本公开对此不做限定。
在本实施例的一些可选实现方式中,可以将文本训练样本输入到初始声学模型中,首先对文本训练样本进行语义分析,得到发音提示,然后进行韵律处理,得到每个发音的音高、音长、音强等,使合成语音更加自然,最后进行声学处理,得到合成语音频谱,并进行输出,将输出的语音频谱与校准后的语音频谱训练样本进行比较,得到初始声学模型的预测准确率,将初始声学模型的预测准确率与预先设定的准确率阈值进行比较,若初始声学模型的预测准确率大于预先设定的准确率阈值,则将初始声学模型确定为目标声学模型,若初始声学模型的预测准确率小于预先设定的准确率阈值,则调整初始声学模型的参数,继续训练。
本公开实施例提供的声学建模方法,首先获取文本训练样本和对应的语音频谱训练样本,然后对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本,最后基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型,使目标声学模型输出的语音频谱更准确。
进一步继续参考图3,其示出了根据本公开的声学建模方法的另一个实施例的流程300。该声学建模方法包括以下步骤:
步骤301、获取文本训练样本和对应的语音频谱训练样本。
在本实施例中,步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍,在此不再赘述。
步骤302、对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本,其中,频谱质量校准包括低频衰减操作和频谱校正操作。
在本实施例中,上述执行主体可以对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本。其中,对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本的具体操作,已在图2所示的实施例中步骤202进行了详细的介绍,在此不再赘述。具体地,频谱质量校准可以包括低频衰减操作和频谱校正操作,其中,低频衰减操作是对频谱中的低频信号进行衰减的操作,频谱中的低频信号一般代表杂音、噪音,对低频信号进行衰减,可以削弱频谱中的杂音、噪音,提高频谱的质量。频谱校正操作是对频谱的能量进行校正的操作,在生成原始语音的过程中,可能会受环境的影响,使一些单音的响度、音调等发生变化,降低原始语音的质量,将原始语音转换为语音频谱后,相应的语音频谱的质量也有所下降,若再将语音频谱转换为语音,可能会造成语音翻译不准确的问题,对语音频谱执行频谱校正操作后,可以对有问题的频谱进行修复,使修复后的语音频谱再转换为语音时,能够提高语音翻译的准确度。
步骤303、基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
在本实施例中,步骤303具体操作已在图2所示的实施例中步骤203进行了详细的介绍,在此不再赘述。
需要说明的是,语音频谱训练样本可以是总语音时长为任意值的语音频谱,在本实施例的一些可选实现方式中,语音频谱训练样本对应的总语音时长可以小于预设时长阈值,其中,预设时长阈值可以是一个较小的数值,使用于模型训练的样本数据为小样本数据,示例性的,预设时长阈值为一小时。具体地,可以基于使用小样本进行模型训练的需求,修改初始声学模型的模型结构,并用小于预设时长阈值的语音频谱训练样本和对应的文本训练样本,对修改后的初始声学模型进行训练,训练完成后,得到的初始声学模型可以只用少量的训练样本,即可实现稳定的声学建模。
从图3中可以看出,与图2对应的实施例相比,本实施例中的声学建模方法用低频衰减操作和频谱校正操作对语音频谱训练样本进行频谱质量校准,提高了语音频谱训练样本的质量,从而使目标声学模型输出的语音频谱更准确,同时对模型结构进行改进,使改进后的模型只用小于预设时长阈值的训练样本即可实现稳定建模,提高了声学建模的效率。
进一步继续参考图4,其示出了根据本公开的声学建模方法的又一个实施例的流程400。该声学建模方法包括以下步骤:
步骤401、获取文本训练样本和对应的语音频谱训练样本。
在本实施例中,步骤401具体操作已在图2所示的实施例中步骤201进行了详细的介绍,在此不再赘述。
步骤402、获取语音频谱训练样本中的低频信号。
在本实施例中,上述执行主体可以获取语音频谱训练样本中的低频信号。通常500赫兹以下的语音信号为低频信号,而低频噪音的声音频率范围为20赫兹-200赫兹,可以获取语音频谱训练样本中的低频噪音,即主要获取20赫兹-200赫兹的低频信号。可以在20赫兹-200赫兹的范围内任意设定一个低频阈值,获取语音频谱训练样本中低于低频阈值的信号作为低频信号,也可以首先获取低频信号的历史取值,对所有的历史值取平均值,将低于该平均值的信号作为低频信号,也可以基于一个默认值,将低于该默认值的信号作为低频信号,本公开对此不做限定。
步骤403、对低频信号进行衰减,得到衰减语音频谱训练样本。
在本实施例中,上述执行主体在得到低频信号后,可以对低频信号进行衰减,得到衰减语音频谱训练样本。衰减即对低频信号进行剔除,具体地,可以获取语音频谱训练样本中所有的低频信号,将低频信号的数值替换为预先计算的数值,也可以获取语音频谱训练样本中的低频信号,然后用平滑滤波的方式去除语音频谱训练样本中的杂音、噪音。对语音频谱训练样本的低频信号进行衰减后,得到衰减语音频谱训练样本,衰减语音频谱训练样本可以避免合成语音产生随机杂音,提高了合成语音的准确度。
步骤404、获取衰减语音频谱训练样本中的频谱边界。
在本实施例中,上述执行主体可以获取衰减语音频谱训练样本中的频谱边界。衰减语音频谱训练样本可以以频谱图的形式呈现,图中颜色越白代表语音信号的能量越大,颜色越黑代表语音信号的能量越小,可以找到频谱图中所有的白色亮斑的边界,将其确定为衰减语音频谱训练样本中的频谱边界。
步骤405、对频谱边界进行校正,得到校准后的语音频谱训练样本。
在本实施例中,上述执行主体在得到频谱边界后,可以对频谱边界进行校正,得到校准后的语音频谱训练样本。如果语音频谱训练样本是20赫兹-500赫兹之间的低频语音频谱,示例性的,语音频谱训练样本代表100赫兹的悄悄话形式的轻声语音,则轻声语音对频谱边界很敏感,如果不对频谱边界进行校正,则可能造成合成语音不准确,因此,需要对频谱边界进行校正,以提升声学建模的稳定性。具体地,可以将衰减语音频谱训练样本输入到频谱校正程序中,基于获取的频谱边界,对白色亮斑范围内的能量整体拉平,同时对频谱边界进行精细修剪,得到校准后的语音频谱训练样本。用校准后的语音频谱训练样本转换为语音,可以使转换得到的语音更准确。
步骤406、获取优化损失函数,其中,优化损失函数包括针对语音频谱的中频信号和高频信号的损失函数。
在本实施例中,上述执行主体可以获取优化损失函数。损失函数是用来评估模型输出结果的函数,示例性的,损失函数可以是第一损失函数加第二损失函数,其中,第一损失函数是校准后的语音频谱训练样本和初始声学模型输出的语音频谱之间的所有绝对差之和,第二损失函数是校准后的语音频谱训练样本和初始声学模型输出的语音频谱之间的所有平方差的总和。优化损失函数是包括针对语音频谱的中频信号和高频信号的损失函数,即优化损失函数是第一损失函数加第二损失函数加针对语音频谱的中频信号和高频信号的损失函数,其中,中频信号500赫兹-2000赫兹的语音信号,高频信号是2000赫兹-16000赫兹的语音信号。具体地,校准后的语音频谱训练样本和初始声学模型输出的语音频谱,都是一种可以用来代表短期音讯的梅尔声谱,梅尔声谱是用短时傅里叶变换,将语音信号从线性的频率刻度映射到对数的梅尔刻度,得到多维特征向量,一般的,可以用80维特征向量代表梅尔声谱,因为80维特征向量可以大致表示信号能量在梅尔刻度频率上的分布,其中,第30-70维度代表的是中频信号和高频信号,优化损失函数即第1-80维度的第一损失函数加第二损失函数,加第30-70维度的损失函数。
步骤407、基于文本训练样本、校准后的语音频谱训练样本和优化损失函数,训练初始声学模型,得到目标声学模型。
在本实施例中,上述执行主体可以基于文本训练样本、校准后的语音频谱训练样本和优化损失函数,训练初始声学模型,得到目标声学模型。具体地,可以将文本训练样本输入到初始声学模型中,得到初始声学模型输出的与每个文本训练样本对应的语音频谱,基于输出的语音频谱与校准后的语音频谱训练样本,计算优化损失函数对应的数值,将优化损失函数对应的数值与预先设定的准确率阈值进行比较,示例性的,预先设定准确率阈值为80%,若优化损失函数对应的数值大于预先设定的准确率阈值,则将初始声学模型确定为目标声学模型,若优化损失函数对应的数值小于预先设定的准确率阈值,则调整初始声学模型的参数,继续训练。
从图4中可以看出,与图3对应的实施例相比,本实施例中的声学建模方法对语音频谱训练样本中的低频信号进行衰减,使衰减语音频谱训练样本可以避免合成语音产生随机杂音,提高了合成语音的准确度,对频谱边界进行校正,提升了声学建模的稳定性,并构建了优化损失函数,进一步提高了目标声学模型输出的语音频谱的准确率。
进一步继续参考图5,图5(a)是本公开的校准前的语音频谱训练样本的示意图,图5(b)是本公开的校准后的语音频谱训练样本的示意图,如图5所示,图中颜色越白代表语音信号的能量越大,颜色越黑代表语音信号的能量越小,图5中从上到下代表从高频到低频的语音频谱。对比图5(a)和图5(b)下方方框内的低频频谱,可以看出图5(b)中校准后的语音频谱训练样本对低频信号进行了衰减,与图5(a)相比,可以避免合成语音产生杂音。进一步对比图5(a)和图5(b)中的白色亮斑分布,可以看出对频谱边界进行校正后,图5(b)实现了对频谱边界和能量的修正,提升了建模的稳定性。
进一步继续参考图6,其示出了根据本公开的语音转换方法的一个实施例的流程600。该语音转换方法包括以下步骤:
步骤601、获取待转换文本。
在本实施例中,上述执行主体可以获取待转换文本。其中,待转换文本可以是任意长度、任意内容的文字,文本可以是汉字,可以是英文,也可以是韩文,本公开对此不做限定,可以从书籍等已有文字中任意截取一段文字,作为待转换文本,也可以任意写一段文字作为待转换文本,本公开对此不做限定。
步骤602、基于目标声学模型,得到待转换文本对应的语音频谱。
在本实施例中,上述执行主体获取待转换文本后,可以基于目标声学模型,得到待转换文本对应的语音频谱。其中,目标声学模型是预先训练好的,可以得到文本和语音频谱的对应关系的声学模型,具体地,可以基于目标声学模型,得到待转换文本的每个字对应的语音频谱,将待转换文本的所有字对应的语音频谱确定为待转换文本对应的语音频谱。
步骤603、将语音频谱转换为语音,并输出语音。
在本实施例中,上述执行主体可以将语音频谱转换为语音,并输出语音。具体地,可以用调用语音解码程序,将语音频谱转换为语音,得到语音后,可以给扬声控制程序发送播放指令,并将转换的语音信号传送到播放程序中,扬声控制程序接收到播放指令后,控制播放程序播放转换的语音。
从图6中可以看出,本实施例中的语音转换方法首先获取待转换文本,然后基于目标声学模型,得到待转换文本对应的语音频谱,最后将语音频谱转换为语音,并输出语音。通过目标声学模型将文本转换为语音,提高了文本转为语音的准确率。
进一步继续参考图7,其示出了根据本公开的语音转换方法的另一个实施例的流程700。该语音转换方法包括以下步骤:
步骤701、获取待转换文本。
在本实施例中,步骤701具体操作已在图6所示的实施例中步骤601进行了详细的介绍,在此不再赘述。
步骤702、将待转换文本输入目标声学模型,得到对应的语音频谱,或者,基于目标声学模型构建语音频谱库,从语音频谱库中得到待转换文本对应的语音频谱。
在本实施例中,上述执行主体可以将待转换文本输入目标声学模型,得到对应的语音频谱。具体地,将待转换文本作为输入数据,输入到目标声学模型的输入端,从目标声学模型的输出端输出对应的语音频谱。上述执行主体也可以基于目标声学模型构建语音频谱库,从语音频谱库中得到待转换文本对应的语音频谱。具体地,将任意文本输入到预先训练的目标声学模型中,可以准确地输出对应的语音频谱,因此,可以预先将多个不同的文本输入预先训练的目标声学模型,从预先训练的目标声学模型中得到不同的文本与语音频谱的对应关系,将该对应关系确定为语音频谱库,当获取待转换文本后,从语音频谱库找到待转换文本的每个字对应的语音频谱,将待转换文本的所有字的语音频谱进行拼接,得到待转换文本对应的语音频谱。
步骤703、将语音频谱转换为语音,并输出语音。
在本实施例中,步骤703具体操作已在图6所示的实施例中步骤603进行了详细的介绍,在此不再赘述。
从图7中可以看出,与图6对应的实施例相比,本实施例中的语音转换方法将待转换文本输入目标声学模型,得到对应的语音频谱,或者,基于目标声学模型构建语音频谱库,从语音频谱库中得到待转换文本对应的语音频谱,然后将语音频谱转换为语音,使语音转换方式更灵活。
进一步参考图8,作为对上述声学建模方法的实现,本公开提供了一种声学建模装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的声学建模装置800可以包括第一获取模块801,校准模块802,训练模块803。其中,第一获取模块801,被配置为获取文本训练样本和对应的语音频谱训练样本;校准模块802,被配置为对语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本;训练模块803,被配置为基于文本训练样本和校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
在本实施例中,声学建模装置800:第一获取模块801,校准模块802和训练模块803的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选实现方式中,校准模块802中的频谱质量校准包括低频衰减操作和频谱校正操作。
在本实施例的一些可选实现方式中,校准模块802包括:第一获取子模块,被配置为获取语音频谱训练样本中的低频信号;衰减子模块,被配置为对低频信号进行衰减,得到衰减语音频谱训练样本;第二获取子模块,被配置为获取衰减语音频谱训练样本中的频谱边界;校正子模块,被配置为对频谱边界进行校正,得到校准后的语音频谱训练样本。
在本实施例的一些可选实现方式中,训练模块803包括:第三获取子模块,被配置为获取优化损失函数,其中,优化损失函数包括针对语音频谱的中频信号和高频信号的损失函数;训练子模块,被配置为基于文本训练样本、校准后的语音频谱训练样本和优化损失函数,训练初始声学模型,得到目标声学模型。
在本实施例的一些可选实现方式中,声学建模装置中的语音频谱训练样本对应的总语音时长小于预设时长阈值。
进一步参考图9,作为对上述语音转换方法的实现,本公开提供了一种语音转换装置的一个实施例,该装置实施例与图6所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的语音转换装置900可以包括第二获取模块901,第三获取模块902,转换模块903。其中,第二获取模块901,被配置为获取待转换文本;第三获取模块902,被配置为基于目标声学模型,得到待转换文本对应的语音频谱;转换模块903,被配置为将语音频谱转换为语音,并输出语音。
在本实施例中,语音转换装置900:第二获取模块901,第三获取模块902和转换模块903的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-603的相关说明,在此不再赘述。
在本实施例的一些可选实现方式中,第三获取模块902包括:输入子模块,被配置为将待转换文本输入目标声学模型,得到对应的语音频谱;或者,构建子模块,被配置为基于目标声学模型构建语音频谱库,从语音频谱库中得到待转换文本对应的语音频谱。
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、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10所示,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1008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RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003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。
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,例如声学建模方法或语音转换方法。例如,在一些实施例中,声学建模方法或语音转换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1008。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1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的声学建模方法或语音转换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)而被配置为执行声学建模方法或语音转换方法。
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。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器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。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
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 (17)
1.一种声学建模方法,包括:
获取文本训练样本和对应的语音频谱训练样本;
对所述语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本;
基于所述文本训练样本和所述校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
2.根据权利要求1所述的方法,其中,所述频谱质量校准包括低频衰减操作和频谱校正操作。
3.根据权利要求2所述的方法,其中,所述对所述语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本包括:
获取所述语音频谱训练样本中的低频信号;
对所述低频信号进行衰减,得到衰减语音频谱训练样本;
获取所述衰减语音频谱训练样本中的频谱边界;
对所述频谱边界进行校正,得到所述校准后的语音频谱训练样本。
4.根据权利要求3所述的方法,其中,所述基于所述文本训练样本和所述校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型包括:
获取优化损失函数,其中,所述优化损失函数包括针对语音频谱的中频信号和高频信号的损失函数;
基于所述文本训练样本、所述校准后的语音频谱训练样本和所述优化损失函数,训练所述初始声学模型,得到所述目标声学模型。
5.根据权利要求1-4任一项所述的方法,其中,所述语音频谱训练样本对应的总语音时长小于预设时长阈值。
6.一种语音转换方法,包括:
获取待转换文本;
基于目标声学模型,得到所述待转换文本对应的语音频谱,其中,所述目标声学模型通过如权利要求1-5任一项所述的声学建模方法构建;
将所述语音频谱转换为语音,并输出所述语音。
7.根据权利要求6所述的方法,其中,所述基于目标声学模型,得到所述待转换文本对应的语音频谱包括:
将所述待转换文本输入所述目标声学模型,得到对应的语音频谱;或者,
基于所述目标声学模型构建语音频谱库,从所述语音频谱库中得到所述待转换文本对应的语音频谱。
8.一种声学建模装置,所述装置包括:
第一获取模块,被配置为获取文本训练样本和对应的语音频谱训练样本;
校准模块,被配置为对所述语音频谱训练样本进行频谱质量校准,得到校准后的语音频谱训练样本;
训练模块,被配置为基于所述文本训练样本和所述校准后的语音频谱训练样本,训练初始声学模型,得到目标声学模型。
9.根据权利要求8所述的装置,其中,所述频谱质量校准包括低频衰减操作和频谱校正操作。
10.根据权利要求9所述的装置,其中,所述校准模块包括:
第一获取子模块,被配置为获取所述语音频谱训练样本中的低频信号;
衰减子模块,被配置为对所述低频信号进行衰减,得到衰减语音频谱训练样本;
第二获取子模块,被配置为获取所述衰减语音频谱训练样本中的频谱边界;
校正子模块,被配置为对所述频谱边界进行校正,得到所述校准后的语音频谱训练样本。
11.根据权利要求10所述的装置,其中,所述训练模块包括:
第三获取子模块,被配置为获取优化损失函数,其中,所述优化损失函数包括针对语音频谱的中频信号和高频信号的损失函数;
训练子模块,被配置为基于所述文本训练样本、所述校准后的语音频谱训练样本和所述优化损失函数,训练所述初始声学模型,得到所述目标声学模型。
12.根据权利要求8-11任一项所述的装置,其中,所述语音频谱训练样本对应的总语音时长小于预设时长阈值。
13.一种语音转换装置,所述装置包括:
第二获取模块,被配置为获取待转换文本;
第三获取模块,被配置为基于目标声学模型,得到所述待转换文本对应的语音频谱,其中,所述目标声学模型通过如权利要求1-5任一项所述的声学建模方法构建;
转换模块,被配置为将所述语音频谱转换为语音,并输出所述语音。
14.根据权利要求13所述的装置,其中,所述第三获取模块包括:
输入子模块,被配置为将所述待转换文本输入所述目标声学模型,得到对应的语音频谱;或者,
构建子模块,被配置为基于所述目标声学模型构建语音频谱库,从所述语音频谱库中得到所述待转换文本对应的语音频谱。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439729.5A CN114420106A (zh) | 2021-11-30 | 2021-11-30 | 声学建模方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439729.5A CN114420106A (zh) | 2021-11-30 | 2021-11-30 | 声学建模方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114420106A true CN114420106A (zh) | 2022-04-29 |
Family
ID=81265747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111439729.5A Pending CN114420106A (zh) | 2021-11-30 | 2021-11-30 | 声学建模方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114420106A (zh) |
-
2021
- 2021-11-30 CN CN202111439729.5A patent/CN114420106A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108630190B (zh) | 用于生成语音合成模型的方法和装置 | |
US8682670B2 (en) | Statistical enhancement of speech output from a statistical text-to-speech synthesis system | |
US8306819B2 (en) | Enhanced automatic speech recognition using mapping between unsupervised and supervised speech model parameters trained on same acoustic training data | |
CN109767752A (zh) | 一种基于注意力机制的语音合成方法及装置 | |
US20210350791A1 (en) | Accent detection method and accent detection device, and non-transitory storage medium | |
CN113571039B (zh) | 语音转换方法、系统、电子设备及可读存储介质 | |
US11587547B2 (en) | Electronic apparatus and method for controlling thereof | |
US9484044B1 (en) | Voice enhancement and/or speech features extraction on noisy audio signals using successively refined transforms | |
CN113689837B (zh) | 音频数据处理方法、装置、设备以及存储介质 | |
US9530434B1 (en) | Reducing octave errors during pitch determination for noisy audio signals | |
US9922662B2 (en) | Coherently-modified speech signal generation by time-dependent scaling of intensity of a pitch-modified utterance | |
US20230178067A1 (en) | Method of training speech synthesis model and method of synthesizing speech | |
CN114495956A (zh) | 语音处理方法、装置、设备及存储介质 | |
CN114203154A (zh) | 语音风格迁移模型的训练、语音风格迁移方法及装置 | |
KR20200028852A (ko) | 암묵 신호 분리를 위한 방법, 장치 및 전자 장치 | |
CN114783409A (zh) | 语音合成模型的训练方法、语音合成方法及装置 | |
CN113963679A (zh) | 一种语音风格迁移方法、装置、电子设备及存储介质 | |
CN113421584A (zh) | 音频降噪方法、装置、计算机设备及存储介质 | |
CN112967732A (zh) | 调整均衡器的方法、装置、设备和计算机可读存储介质 | |
US20230081543A1 (en) | Method for synthetizing speech and electronic device | |
US20230087531A1 (en) | Method of processing audio data, electronic device and storage medium | |
US20230206943A1 (en) | Audio recognizing method, apparatus, device, medium and product | |
CN114420106A (zh) | 声学建模方法、装置、设备以及存储介质 | |
CN113889073A (zh) | 语音处理方法、装置、电子设备和存储介质 | |
CN112786058A (zh) | 声纹模型训练方法、装置、设备以及存储介质 |
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 |