CN114446268B - 一种音频数据处理方法、装置、电子设备、介质和程序产品 - Google Patents

一种音频数据处理方法、装置、电子设备、介质和程序产品 Download PDF

Info

Publication number
CN114446268B
CN114446268B CN202210106767.7A CN202210106767A CN114446268B CN 114446268 B CN114446268 B CN 114446268B CN 202210106767 A CN202210106767 A CN 202210106767A CN 114446268 B CN114446268 B CN 114446268B
Authority
CN
China
Prior art keywords
audio data
adjusted
voice audio
unit
pronunciation
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
CN202210106767.7A
Other languages
English (en)
Other versions
CN114446268A (zh
Inventor
王艺鹏
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 CN202210106767.7A priority Critical patent/CN114446268B/zh
Publication of CN114446268A publication Critical patent/CN114446268A/zh
Priority to JP2023500097A priority patent/JP2024507603A/ja
Priority to EP22826640.9A priority patent/EP4261819A4/en
Priority to PCT/CN2022/108363 priority patent/WO2023142413A1/zh
Priority to US18/016,856 priority patent/US20240038251A1/en
Application granted granted Critical
Publication of CN114446268B publication Critical patent/CN114446268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/36—Accompaniment arrangements
    • G10H1/361—Recording/reproducing of accompaniment for use with an external source, e.g. karaoke 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
    • G10L21/01—Correction of time axis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/36—Accompaniment arrangements
    • G10H1/361—Recording/reproducing of accompaniment for use with an external source, e.g. karaoke systems
    • G10H1/366—Recording/reproducing of accompaniment for use with an external source, e.g. karaoke systems with means for modifying or correcting the external signal, e.g. pitch correction, reverberation, changing a singer's voice
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/36—Accompaniment arrangements
    • G10H1/40—Rhythm
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/12—Speech classification or search using dynamic programming techniques, e.g. dynamic time warping [DTW]
    • 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
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G10L15/187—Phonemic context, e.g. pronunciation rules, phonotactical constraints or phoneme n-grams
    • 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
    • G10L21/0272—Voice signal separating
    • G10L21/028—Voice signal separating using properties of sound source
    • 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
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/005—Musical accompaniment, i.e. complete instrumental rhythm synthesis added to a performed melody, e.g. as output by drum machines
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/031—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal
    • G10H2210/041—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal based on mfcc [mel -frequency spectral coefficients]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2240/00—Data organisation or data communication aspects, specifically adapted for electrophonic musical tools or instruments
    • G10H2240/325—Synchronizing two or more audio tracks or files according to musical features or musical timings
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2250/00—Aspects of algorithms or signal processing methods without intrinsic musical character, yet specifically adapted for or used in electrophonic musical processing
    • G10H2250/311—Neural networks for electrophonic musical instruments or musical processing, e.g. for musical recognition or control, automatic composition or improvisation
    • 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
    • G10L21/04—Time compression or expansion
    • G10L21/055—Time compression or expansion for synchronising with other signals, e.g. video signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本公开提供了一种音频数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及音频处理技术。实现方案为：获取待调整人声音频数据和参考人声音频数据，其中参考人声音频数据与待调整人声音频数据基于相同的文字信息获得；分别对待调整人声音频数据和参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合；分别识别每一个音频帧所对应的发音单元；基于每一个音频帧的时间戳，确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳；以及对待调整人声音频数据中的发音单元的时间戳进行调整，以使得待调整人声音频数据与参考人声音频数据中的相对应的发音单元的时间戳一致。

Description

一种音频数据处理方法、装置、电子设备、介质和程序产品
技术领域
本公开涉及人工智能技术领域，尤其涉及音频处理技术领域，具体涉及一种音频数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着移动互联网K歌应用的不断发展，用户对于K歌体验的要求越来越高。用户在K歌过程中，往往由于对音乐节奏把握不准确，容易导致“唱快了”或“唱慢了”等问题，大大影响了K歌效果。
发明内容
本公开提供了一种音频数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种音频数据处理方法，包括：获取待调整人声音频数据；获取参考人声音频数据，其中参考人声音频数据与待调整人声音频数据基于相同的文字信息获得；分别对待调整人声音频数据和参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合；分别识别第一音频帧集合和第二音频帧集合中的每一个音频帧所对应的发音单元；基于每一个音频帧的时间戳，分别确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳；以及对待调整人声音频数据中的发音单元的时间戳进行调整，以使得待调整人声音频数据与参考人声音频数据中的相对应的发音单元的时间戳一致。
根据本公开的另一方面，提供了一种音频数据处理装置，包括：第一单元，被配置用于获取待调整人声音频数据；第二单元，被配置用于获取参考人声音频数据，其中参考人声音频数据与待调整人声音频数据基于相同的文字信息获得；第三单元，被配置用于分别对待调整人声音频数据和参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合；第四单元，被配置用于分别识别第一音频帧集合和第二音频帧集合中的每一个音频帧所对应的发音单元；第五单元，被配置用于基于每一个音频帧的时间戳，分别确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳；以及第六单元，被配置用于对待调整人声音频数据中的发音单元的时间戳进行调整，以使得待调整人声音频数据与参考人声音频数据中的相对应的发音单元的时间戳一致。
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；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行上述一种音频数据处理方法。
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，该计算机指令用于使计算机执行上述一种音频数据处理方法。
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，该计算机程序在被处理器执行时实现上述一种音频数据处理方法。
根据本公开的一个或多个实施例，通过识别人声音频数据中的每个发音单元，并基于发音单元的时间戳进行变速，以此来得到校正后的音频数据。通过这样的方式，提升了音频节奏校正效果，丰富产品功能，提升了用户体验。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的一种音频数据处理方法的流程图；
图3示出了根据本公开的实施例的在图2的方法中分别确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳方法的流程图；
图4示出了根据本公开的实施例的一种音频数据处理装置的结构框图；以及
图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够一种音频数据处理的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来接收人声音频数据，并且输出经过校正后的人声音频数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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120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。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
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。
用户在K歌过程中，往往由于对音乐节奏把握不准确，容易导致例如某个字应该唱久一点但用户提前结束、某个字应该唱短一点但用户唱久了等问题，大大影响了K歌效果，在听觉上节奏较乱，影响美感。因此，亟需一种精细化的K歌节奏校正算法，纠正用户K歌过程中节奏不一致的问题，提高用户K歌满意度。
根据本公开的一个方面，提供了一种音频数据处理方法。图2示出了根据本公开的实施例的一种音频数据处理方法200。该方法200可以应用在图1中的任一客户端设备101、102、103、104、105和106。
根据本公开的实施例，通过识别人声音频数据中的每个发音单元，并基于发音单元的时间戳进行变速，以此来得到校正后的音频数据。通过这样的方式，提升了音频节奏校正效果，丰富产品功能，提升了用户体验。
如图2所示，方法200可以包括以下步骤：
在步骤201中，获取待调整人声音频数据。
根据一些实施例，可以获取终端设备采集的原始人声音频数据；
在一些示例中，终端设备可以功放机、音箱、多媒体控制台、数字调音台、音频采样卡、合成器、中高频音箱和话筒等。通过这些终端设备构成的语音采集系统进行采集，得到原始人声音频数据。在K歌场景下，该原始人声音频数据即为终端设备(例如麦克风)所采集的人声音频数据(即不包括伴奏音频数据)。
在实践中，在进行音频采集时，通过语音采集系统采集的通常是包含环境噪声和人声音频数据的原始人声音频数据。为了得到更好的人声音频数据，需要对得到的原始人声音频数据进行预处理。
因此，根据一些实施例，通过对原始人声音频数据进行预处理，获得待调整人声音频数据，该预处理可以包括但不限于：降噪、去除混响等。
在实践中，降噪的目的是为了降低背景环境的噪声。降低混响主要是减少声波不必要的反射，影响其他音频信号。在一个示例中，用户在讲话时，每秒钟大约发出2到3个字。假定发出两个单字“你好”，假定混响时间是3秒，那么，在发出“你”字的声音之后，虽然声强逐渐减弱，但还要持续一段时间(3秒)。在发出“好”字的声音的时刻，“你”字的声强还相当大。因而两个单字的声音混在一起，导致音频间的互相干扰。因此，通过预处理，可以获得更清晰的人声音频数据，以方便后续操作。例如，在一些实施例中，可以提高后续提取音频特征过程中的准确度，该过程在下文中详细描述。
为了校正待调整人声音频数据，还需要得到参考人声音频数据。
在步骤202中，获取参考人声音频数据，其中参考人声音频数据与待调整人声音频数据基于相同的文字信息获得。
示例地，参考人声音频数据与待调整人声音频数据可以是对同一篇文章的不同的朗读音频数据。在K歌场景下，该参考人声音频数据可以为标准原唱人声音频数据。
根据一些实施例，获取待调整人声音频数据所对应的参考音频数据，以基于该参考音频数据获得参考人声音频数据。
在一个示例中，可以通过调取数据库中对应待调整人声音频数据的参考音频数据。替换地或附加地，用户也可以指定数据库中对应待调整人声音频数据的参考音频数据。
参考音频数据通常由多个音轨的数据组合生成。例如，在K歌场景下，音频数据可以由人声音频数据和伴奏音频数据组合生成。
因此，根据一些实施例，可以将参考音频数据中的人声音频数据与伴奏音频数据进行分离，以获得参考人声音频数据。
在一些示例中，可以通过spleeter算法实现对参考音频数据中的人声音频数据与伴奏音频数据进行分离，以获得参考人声音频数据。
根据一些实施例，也可以基于经训练的人声分离模型对参考音频数据进行人声分离，该人声分离模型可以基于预设样本数据和spleeter算法进行迁移学习训练得到。预设样本数据包括：多个伴奏音频数据、多个人声音频数据、以及基于多个伴奏音频数据和多个人声音频数据所组成的多个混合音频数据。通过基于预设样本数据对spleeter算法进行迁移学习，不仅可以获得更适用于当前场景的人声分离模型，还能够利用现有算法来提高模型训练的效率。
在一个示例中，通过预设样本数据和spleeter算法可以训练得到2个词干模型(2stems)。该模型主要针对分离人声音频数据和伴奏音频数据。
在步骤203中，分别对待调整人声音频数据和参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合。
在本公开中，可以利用任何合适的方法来获得音频帧。例如，可以首先对音频数据进行预加重、然后分帧，并在分帧后进行加窗。
在一些示例中，在分帧中，往往设置在相邻两帧之间有一部分重叠。在相邻两帧之间基音发生变化，如正好是两个音节之间或正好是声母向韵母过渡，等等，这时其特征参数有可能变化较大。但为了使特征参数平滑地变化，在两个不重叠的帧之间插一些帧来提取特征参数，这就形成了相邻帧之间有重叠部分。
在步骤204中，分别识别第一音频帧集合和第二音频帧集合中的每一个音频帧所对应的发音单元。
根据一些实施例，发音单元包括以下项中的至少一项：中文发音的声母和韵母、以及英文发音的音素。
在一个示例中，针对待调整人声音频数据是中文音频数据，该发音单元可以是声母和韵母。
替换地或附加地，针对待调整人声音频数据是英文音频，该发音单元可以是音素。
可以理解的是，针对待调整人声音频数据是中英文混合音频，该发音单元是声母、韵母以及音素。
在基于K歌场景的一个示例中，一句歌词中存在中文字“我们”。示例地，可以识别出“我”字包括声母“W”和韵母“O”。在K歌人对“我”字进行发音时，为“W-O”。根据歌曲音律或歌唱习惯的不同，人们对于同一个字中的不同发音单元的发音重点或发音时长并不相同。
因此，通过识别每一个音频帧所对应的发音单元，可以识别出每个字的各个发音单元。从而在后续操作中对每个字的各个发音单元的时间戳进行调节，而非将每个字作为整体进行时间戳的调节。将每个字作为整体进行时间戳的调节，会造成该字中的各个发音单元等比例缩放，效果上仅仅是将其进行快放或慢放，这往往并不符合歌唱发音习惯。而对每个字的各个发音单元的时间戳进行调节，能更好地还原原歌曲的音律或原唱的歌唱习惯。
根据一些实施例，可以基于经训练的包括高斯混合模型(GMM)和隐马尔科夫模型(HMM)的模型识别每一个音频帧所对应的发音单元。
在一个示例中，针对待调整人声音频数据是中文音频，收集纯净中文人声语音数据，得到模型的训练集，并以声韵母为单元进行建模。首先训练针对monophone(单音)的GMM-HMM模型，然后基于monophone(单音)的GMM-HMM模型的参数初始化针对triphone(三音)的上下文相关的GMM-HMM模型，以进一步训练针对triphone(三音)的GMM-HMM模型。最后，针对triphone(三音)的GMM-HMM模型即可用于识别每一个音频帧所对应的发音单元。
可以理解的是，针对待调整人声音频数据是中英文混合音频，可以基于声母、韵母以及音素为单元进行建模，以使得训练后的模型既可以识别中文中的发音单元也可以识别英文中的发音单元。
在步骤205中，基于每一个音频帧的时间戳，分别确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳。
在本公开中，各个发音单元的时间戳可以为包括该发音单元的起始时间和结束时间的时间段。
根据一些实施例，可以基于经训练的包括深度神经网络(DNN)和隐马尔科夫模型(HMM)的模型确定所识别出的每一个所述发音单元的时间戳。
在一个示例中，在上述基于针对monophone(单音)的GMM-HMM模型，进一步训练得到针对triphone(三音)的GMM-HMM模型后，即可进一步训练包括DNN-HMM的混合模型，以将triphone(三音)的GMM-HMM模型输出的每个音频帧及其对应的发音单元的标签作为该混合模型的输入，以通过该混合模型确定每一个发音单元所对应的时间戳。
在一个示例中，可以进一步对训练得到模型进行序列区分性训练，以进一步提高模型使用效果。
当然应当理解，其他任何合适的能够用来识别各个发音单元的时间戳的方法也是可能的，在此不作限制。
图3示出了根据本公开的实施例的在图2的方法中分别确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳方法205的流程图。方法205可以包括以下步骤。
在步骤301中，获取所述第一音频帧集合所对应的第一音频特征以及所述第二音频帧集合所对应的第二音频特征。即，待调整人声音频数据中的每一个音频帧具有相应的第一音频特征；参考人声音频数据中的每一个音频帧具有相应的第二音频特征。
根据一些实施例，第一音频特征和所述第二音频特征中的至少一个包括：梅尔倒谱系数特征和基频特征。
在一个示例中，在得到待调整人声音频数据和参考人声音频数据后，分别可以对待调整人声音频数据和参考人声音频数据提取39维的梅尔倒谱系数特征(MFCC)和1维的基频特征。再将MFCC特征与F0特征分别归一化后，进行拼接，形成40维的音频特征。梅尔倒谱系数特征(MFCC)在待调整人声音频数据和参考人声音频数据中代表文字内容，而基频特征在待调整人声音频数据和参考人声音频数据中代表音调。
可以理解的是，其他维度的音频特征也是可能的，并且特征维度越高，效果可能越好，但同时后续的计算量也会更大。因此，可以根据实际需要设计相应的特征维度。
进一步地，可以理解的是，其他任何合适的音频特征也是可能的，例如PLP(感知线性预测)特征、FBank(FilterBank)特征等等，在此不作限制。
在一些实施例中，可以对所获取的待调整人声音频数据和参考人声音频数据直接进行特征提取。在该特征提取过程中，对待调整人声音频数据和参考人声音频数据进行了分帧操作。因此，在该特征提取后，即可分别获得了第一音频帧集合和第二音频帧集合(即步骤203操作)。
在步骤302中，基于所述第一音频特征和所述第二音频特征，获得所述第一音频帧集合和所述第二音频帧集合中的相应帧之间的对应关系。
在分别得到对应于待调整人声音频数据的第一音频特征和参考人声音频数据对应的第二音频特征后，通过特征之间的相似性，获得第一音频帧集合与第二音频帧集合中的音频帧之间的对应关系。
根据一些实施例，基于以下算法中的至少一个获取所述第一音频帧集合和所述第二音频帧集合中的相应帧之间的对应关系：DTW算法、FastDTW算法。
在一个示例中，通过动态时间规整(DTW)对齐算法，在时间轴上进行局部的缩放，使得第一音频帧集合和第二音频帧集合形态尽可能的一致，来获得第一音频帧集合和第二音频帧集合中的相应帧之间的对应关系。
在另一个示例中，也可以使用速度更快的FastDTW算法，来获得第一音频帧集合和第二音频帧集合中的相应音频帧之间的对应关系。
在步骤303中，确定所述参考人声音频数据中的各个发音单元的时间戳。
在一些示例中，如上所述，可以基于经训练的包括深度神经网络(DNN)和隐马尔科夫模型(HMM)的模型确定参考人声音频数据中的各个发音单元的时间戳。
当然应当理解，其他任何合适的能够用来识别各个发音单元的时间戳的方法也是可能的，在此不作限制。
在步骤304中，基于所述参考人声音频数据的所述时间戳以及所述对应关系，确定所述待调整人声音频数据中的各个发音单元的时间戳。
在上述示例中，在通过训练后的模型识别出参考人声音频数据中的每一个发音单元所对应的时间戳后，即可根据该时间戳以及上述所获得的对应关系，确定待调整人声音频数据中的各个发音单元的时间戳。例如在K歌场景下，通过这种方式，即使在待调整音频数据存在漏字等情况下，也可以基于该对应关系确定待调整音频数据中的相对应的发音单元的时间戳。从而，可以提高所识别出的待调整人声音频数据中的各个发音单元的时间戳的准确性。
在步骤206中，对待调整人声音频数据中的发音单元的时间戳进行调整，以使得待调整人声音频数据与参考人声音频数据中的相对应的发音单元的时间戳一致。
根据一些实施例，对待调整人声音频数据中的发音单元的时间戳进行调整可以包括：分别基于待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳，确定两个字之间的空白区域的时间戳；以及基于时间顺序依次对待调整人声音频数据中的发音单元的时间戳以及空白区域的时间戳进行调整。
示例地，在K歌场景下，该空白区域可以是两句歌词之间的时间段区域、或者一句歌词中的两个字之间的停顿时间段区域。示例地，识别出歌曲第一句歌词的第一个字的第一个发音单元的时间戳为10s-11s，则可以确定歌曲的第一个空白区域的时间戳为0s-10s。
根据一些实施例，基于时间顺序依次对待调整人声音频数据中的发音单元的时间戳以及空白区域的时间戳进行调整。
根据一些实施例，分别确定待调整的发音单元和空白区域的变速比例，其中，所述变速比例分别基于所述待调整的发音单元和空白区域的时间长度与所述参考人声音频数据中的相对应的发音单元和空白区域的时间长度的比值所确定。
继续参考上边的示例，确定参考人声音频数据中的第一个空白区域的时间戳为0s-10s，第一个发音单元的时间戳为10s-11s。另外，确定待调整人声音频数据中的第一个空白区域的时间戳为0s-9s，第一个发音单元的时间戳为9s-9.2s。因此，可以基于待调整的发音单元的时间长度与待调整的发音单元相对应的参考人声音频数据中的发音单元的时间长度的比值，确定该待调整的发音单元的变速比例；可以基于待调整的空白区域的时间长度与待调整的空白区域相对应的参考人声音频数据中的空白区域的时间长度的比值，确定该待调整的空白区域的变速比例。
在一些示例中，参考公式，变速比例p＝x/y。其中x为待调整的发音单元或空白区域时间长度，y是参考人声音频数据中的发音单元或空白区域的时间长度。
根据一些实施例，基于变速比例对待调整的发音单元和空白区域的时间戳进行调整，以使得待调整的发音单元和空白区域的时间戳与参考人声音频数据中的相对应的发音单元和空白区域的时间戳一致。
继续参考上述实施例，继续参考上边的示例，确定参考人声音频数据中的第一个空白区域的时间戳为0s-10s，第一个发音单元的时间戳为10s-11s。另外，确定待调整人声音频数据中的第一个空白区域的时间戳为0s-9s，第一个发音单元的时间戳为9s-9.2s。针对第一个空白区域，变速比例是9/10＝0.9，所以第一个空白区域时间长度应该调整为9/0.9＝10，也就是调整后的第一个空白区域时间长度应该为10s，即由0s-9s调整为0s-10s。可以理解的是，在第一个空白区域的时间戳调整为0s-10s后，第一个发音单元的时间戳的起始时间应该从9s变为10s，也就是此时第一个发音单元的时间戳为10s-10.2s。继续参考变速比例公式，针对第一个发音单元的时间戳，变速比例是0.2/1＝0.2，所以第一个发音单元的时间戳时间长度应该调整为0.2/0.2＝1，也就是调整后的第一个发音单元的时间戳的时间长度应该为1s，使得第一个发音单元的时间戳的时间戳应该调整为10s-11s。待调整人声音频数据经过调整后，与参考人声音频数据中相对应的发音单元和空白区域的时间戳一致。
通过这样的方式使得待调整的发音单元和空白区域的时间戳与参考人声音频数据中的相对应的发音单元和空白区域的时间戳一致，实现了对音频节奏的校正。
在本公开中，可以基于时域和频域的变速算法对待调整的发音单元和空白区域的时间戳进行调整。例如，可以基于WSOLA算法的时域变速算法实现对音频节奏的校正。但是可以理解的是，也可以通过任何合适的变速算法实现上述时间戳的调整，本公开不限于此。
根据本公开的另一方面，还提供了一种音频数据处理装置。图4示出了根据本公开的实施例的一种音频数据处理装置400的结构框图。如图4所示，该装置400包括：第一单元401，被配置用于获取待调整人声音频数据；第二单元402，被配置用于获取参考人声音频数据，其中参考人声音频数据与待调整人声音频数据基于相同的文字信息获得；第三单元403，被配置用于分别对待调整人声音频数据和参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合；第四单元404，被配置用于分别识别第一音频帧集合和第二音频帧集合中的每一个音频帧所对应的发音单元；第五单元405，被配置用于基于每一个音频帧的时间戳，分别确定待调整人声音频数据和参考人声音频数据中的各个发音单元的时间戳；以及第六单元406，被配置用于对待调整人声音频数据中的发音单元的时间戳进行调整，以使得待调整人声音频数据与参考人声音频数据中的相对应的发音单元的时间戳一致。
根据本公开的实施例，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。
参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501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501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501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
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)、复杂可编程逻辑设备(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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种音频数据处理方法，包括：
获取待调整人声音频数据；
获取参考人声音频数据，其中所述参考人声音频数据与所述待调整人声音频数据基于相同的文字信息获得；
分别对所述待调整人声音频数据和所述参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合；
分别识别所述第一音频帧集合和第二音频帧集合中的每一个音频帧所对应的发音单元，所述发音单元包括以下项中的至少一项：中文发音的声母和韵母、以及英文发音的音素；
基于所述每一个音频帧的时间戳，分别确定所述待调整人声音频数据和所述参考人声音频数据中的各个发音单元的时间戳；以及
对所述待调整人声音频数据中的发音单元的时间戳进行调整，以使得所述待调整人声音频数据与所述参考人声音频数据中的相对应的发音单元的时间戳一致，其中，对所述待调整人声音频数据中的发音单元的时间戳进行调整包括：
分别基于所述待调整人声音频数据和所述参考人声音频数据中的各个发音单元的时间戳，确定两个字之间的空白区域的时间戳；以及
基于时间顺序依次对所述待调整人声音频数据中的发音单元的时间戳以及空白区域的时间戳进行调整。
2.如权利要求1所述的方法，其中，分别确定所述待调整人声音频数据和所述参考人声音频数据中的各个发音单元的时间戳包括：
获取所述第一音频帧集合所对应的第一音频特征以及所述第二音频帧集合所对应的第二音频特征；
基于所述第一音频特征和所述第二音频特征，获得所述第一音频帧集合和所述第二音频帧集合中的相应帧之间的对应关系；
确定所述参考人声音频数据中的各个发音单元的时间戳；以及
基于所述参考人声音频数据的所述时间戳以及所述对应关系，确定所述待调整人声音频数据中的各个发音单元的时间戳。
3.如权利要求1所述的方法，其中，获取待调整人声音频数据包括：
获取终端设备采集的原始人声音频数据；以及
对所述原始人声音频数据进行预处理，以获得待调整人声音频数据，
其中，所述预处理包括以下项中的至少一项：降噪、去除混响。
4.如权利要求1所述的方法，其中，获取参考人声音频数据包括：
获取所述待调整人声音频数据所对应的参考音频数据；以及
将所述参考音频数据中的人声音频数据与伴奏音频数据进行分离，以获得参考人声音频数据。
5.如权利要求4所述的方法，其中，基于经训练的人声分离模型对所述参考音频数据进行人声分离，其中，
所述人声分离模型基于预设样本数据和spleeter算法进行迁移学习训练得到，所述预设样本数据包括：多个伴奏音频数据、多个人声音频数据、以及基于所述多个伴奏音频数据和所述多个人声音频数据所组成的多个混合音频数据。
6.如权利要求2所述的方法，其中，所述第一音频特征和所述第二音频特征中的至少一个包括：梅尔倒谱系数特征和基频特征。
7.如权利要求1所述的方法，其中，基于经训练的包括高斯混合模型和隐马尔科夫模型的模型识别所述每一个音频帧所对应的发音单元。
8.如权利要求1或7所述的方法，其中，基于经训练的包括深度神经网络和隐马尔科夫模型的模型确定所识别出的每一个所述发音单元的时间戳。
9.如权利要求2所述的方法，其中，基于以下算法中的至少一个获取所述第一音频帧集合和所述第二音频帧集合中的相应帧之间的对应关系：DTW算法、FastDTW算法。
10.如权利要求1所述的方法，其中，依次对所述待调整人声音频数据中的发音单元的时间戳以及空白区域的时间戳进行调整包括：
确定待调整的发音单元和空白区域的变速比例，其中，所述变速比例分别基于所述待调整的发音单元和空白区域的时间长度与所述参考人声音频数据中的相对应的发音单元和空白区域的时间长度的比值所确定；以及
基于所述变速比例对所述待调整的发音单元和空白区域的时间戳进行调整，以使得所述待调整的发音单元和空白区域的时间戳与所述参考人声音频数据中的相对应的发音单元和空白区域的时间戳一致。
11.一种音频数据处理装置，包括：
第一单元，被配置用于获取待调整人声音频数据；
第二单元，被配置用于获取参考人声音频数据，其中所述参考人声音频数据与所述待调整人声音频数据基于相同的文字信息获得；
第三单元，被配置用于分别对所述待调整人声音频数据和所述参考人声音频数据进行分帧，以分别获得第一音频帧集合和第二音频帧集合；
第四单元，被配置用于分别识别所述第一音频帧集合和第二音频帧集合中的每一个音频帧所对应的发音单元，所述发音单元包括以下项中的至少一项：中文发音的声母和韵母、以及英文发音的音素；
第五单元，被配置用于基于所述每一个音频帧的时间戳，分别确定所述待调整人声音频数据和所述参考人声音频数据中的各个发音单元的时间戳；以及
第六单元，被配置用于对所述待调整人声音频数据中的发音单元的时间戳进行调整，以使得所述待调整人声音频数据与所述参考人声音频数据中的相对应的发音单元的时间戳一致，其中，所述第六单元包括：
用于分别基于所述待调整人声音频数据和所述参考人声音频数据中的各个发音单元的时间戳，确定两个字之间的空白区域的时间戳的单元；以及
用于基于时间顺序依次对所述待调整人声音频数据中的发音单元的时间戳以及空白区域的时间戳进行调整的单元。
12.如权利要求11所述的装置，其中，所述第五单元包括：
用于获取所述第一音频帧集合所对应的第一音频特征以及所述第二音频帧集合所对应的第二音频特征的单元；
用于基于所述第一音频特征和所述第二音频特征，获得所述第一音频帧集合和所述第二音频帧集合中的相应帧之间的对应关系的单元；
用于确定所述参考人声音频数据中的各个发音单元的时间戳的单元；以及
用于基于所述参考人声音频数据的所述时间戳以及所述对应关系，确定所述待调整人声音频数据中的各个发音单元的时间戳的单元。
13.如权利要求11所述的装置，其中，所述第一单元包括：
用于获取终端设备采集的原始人声音频数据的单元；以及
用于对所述原始人声音频数据进行预处理，以获得待调整人声音频数据的单元，
其中，所述预处理包括以下项中的至少一项：降噪、去除混响。
14.如权利要求11所述的装置，其中，所述第二单元包括：
用于获取所述待调整人声音频数据所对应的参考音频数据的单元；以及
用于将所述参考音频数据中的人声音频数据与伴奏音频数据进行分离，以获得参考人声音频数据的单元。
15.如权利要求11所述的装置，其中，用于依次对所述待调整人声音频数据中的发音单元的时间戳以及空白区域的时间戳进行调整的单元包括：
用于确定待调整的发音单元和空白区域的变速比例的单元，其中，所述变速比例分别基于所述待调整的发音单元和空白区域的时间长度与所述参考人声音频数据中的相对应的发音单元和空白区域的时间长度的比值所确定；以及
用于基于所述变速比例对所述待调整的发音单元和空白区域的时间戳进行调整的单元，以使得所述待调整的发音单元和空白区域的时间戳与所述参考人声音频数据中的相对应的发音单元和空白区域的时间戳一致。
16.一种电子设备，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。
17.一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。
CN202210106767.7A 2022-01-28 2022-01-28 一种音频数据处理方法、装置、电子设备、介质和程序产品 Active CN114446268B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202210106767.7A CN114446268B (zh) 2022-01-28 2022-01-28 一种音频数据处理方法、装置、电子设备、介质和程序产品
JP2023500097A JP2024507603A (ja) 2022-01-28 2022-07-27 オーディオデータの処理方法、装置、電子機器、媒体及びプログラム製品
EP22826640.9A EP4261819A4 (en) 2022-01-28 2022-07-27 AUDIO DATA PROCESSING METHOD AND APPARATUS, ELECTRONIC DEVICE, MEDIUM, AND PROGRAM PRODUCT
PCT/CN2022/108363 WO2023142413A1 (zh) 2022-01-28 2022-07-27 音频数据处理方法、装置、电子设备、介质和程序产品
US18/016,856 US20240038251A1 (en) 2022-01-28 2022-07-27 Audio data processing method and apparatus, electronic device, medium and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106767.7A CN114446268B (zh) 2022-01-28 2022-01-28 一种音频数据处理方法、装置、电子设备、介质和程序产品

Publications (2)

Publication Number Publication Date
CN114446268A CN114446268A (zh) 2022-05-06
CN114446268B true CN114446268B (zh) 2023-04-28

Family

ID=81371910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106767.7A Active CN114446268B (zh) 2022-01-28 2022-01-28 一种音频数据处理方法、装置、电子设备、介质和程序产品

Country Status (5)

Country Link
US (1) US20240038251A1 (zh)
EP (1) EP4261819A4 (zh)
JP (1) JP2024507603A (zh)
CN (1) CN114446268B (zh)
WO (1) WO2023142413A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114446268B (zh) * 2022-01-28 2023-04-28 北京百度网讯科技有限公司 一种音频数据处理方法、装置、电子设备、介质和程序产品

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4323029B2 (ja) * 1999-10-21 2009-09-02 ヤマハ株式会社 音声処理装置およびカラオケ装置
CN108231048B (zh) * 2017-12-05 2021-09-28 北京小唱科技有限公司 修正音频节奏的方法及装置
CN109033335B (zh) * 2018-07-20 2021-03-26 广州酷狗计算机科技有限公司 音频录制方法、装置、终端及存储介质
CN110136748A (zh) * 2019-05-16 2019-08-16 上海流利说信息技术有限公司 一种节奏识别校正方法、装置、设备及存储介质
CN110675886B (zh) * 2019-10-09 2023-09-15 腾讯科技（深圳）有限公司 音频信号处理方法、装置、电子设备及存储介质
CN111370024B (zh) * 2020-02-21 2023-07-04 腾讯科技（深圳）有限公司 一种音频调整方法、设备及计算机可读存储介质
CN111681637B (zh) * 2020-04-28 2024-03-22 平安科技（深圳）有限公司 歌曲合成方法、装置、设备及存储介质
CN112735429B (zh) * 2020-12-28 2023-11-14 腾讯音乐娱乐科技（深圳）有限公司 确定歌词时间戳信息的方法和声学模型的训练方法
CN113257211B (zh) * 2021-05-13 2024-05-24 杭州网易云音乐科技有限公司 音频调节方法、介质、装置和计算设备
CN114446268B (zh) * 2022-01-28 2023-04-28 北京百度网讯科技有限公司 一种音频数据处理方法、装置、电子设备、介质和程序产品

Also Published As

Publication number Publication date
WO2023142413A1 (zh) 2023-08-03
JP2024507603A (ja) 2024-02-21
EP4261819A1 (en) 2023-10-18
EP4261819A4 (en) 2024-02-21
CN114446268A (zh) 2022-05-06
US20240038251A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
US10997764B2 (en) Method and apparatus for generating animation
CN110211565B (zh) 方言识别方法、装置及计算机可读存储介质
US9754580B2 (en) System and method for extracting and using prosody features
EP3504709B1 (en) Determining phonetic relationships
KR20210082153A (ko) 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템
US20210335364A1 (en) Computer program, server, terminal, and speech signal processing method
US11676572B2 (en) Instantaneous learning in text-to-speech during dialog
CN111145777A (zh) 一种虚拟形象展示方法、装置、电子设备及存储介质
CN112309365A (zh) 语音合成模型的训练方法、装置、存储介质以及电子设备
CN109102800A (zh) 一种确定歌词显示数据的方法和装置
CN113393828A (zh) 一种语音合成模型的训练方法、语音合成的方法及装置
CN112382270A (zh) 语音合成方法、装置、设备以及存储介质
WO2023279976A1 (zh) 语音合成方法、装置、设备及存储介质
CN114446268B (zh) 一种音频数据处理方法、装置、电子设备、介质和程序产品
KR20220165666A (ko) 자연어로 표현된 스타일 태그를 이용한 합성 음성 생성 방법 및 시스템
CN112712783B (zh) 生成音乐的方法和装置、计算机设备和介质
CN114999441A (zh) 虚拟形象生成方法、装置、设备、存储介质以及程序产品
Humayun et al. Native language identification for Indian-speakers by an ensemble of phoneme-specific, and text-independent convolutions
CN111755029A (zh) 语音处理方法、装置、存储介质以及电子设备
WO2014167570A1 (en) System and method for extracting and using prosody features
CN114999440A (zh) 虚拟形象生成方法、装置、设备、存储介质以及程序产品
CN115171660A (zh) 一种声纹信息处理方法、装置、电子设备及存储介质
JP2000075894A (ja) 音声認識方法及び装置、音声対話システム、記録媒体
CN112382269A (zh) 音频合成方法、装置、设备以及存储介质
CN112382274A (zh) 音频合成方法、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
GR01 Patent grant
GR01 Patent grant