CN114627860A - 模型训练方法、语音处理方法、装置、设备及介质 - Google Patents

模型训练方法、语音处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN114627860A
CN114627860A CN202210287818.0A CN202210287818A CN114627860A CN 114627860 A CN114627860 A CN 114627860A CN 202210287818 A CN202210287818 A CN 202210287818A CN 114627860 A CN114627860 A CN 114627860A
Authority
CN
China
Prior art keywords
speech
segments
feature
content
acoustic
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
Application number
CN202210287818.0A
Other languages
English (en)
Inventor
赵情恩
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 CN202210287818.0A priority Critical patent/CN114627860A/zh
Publication of CN114627860A publication Critical patent/CN114627860A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • 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
    • G10L15/04—Segmentation; Word boundary detection
    • 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
    • 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
    • G10L25/12—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 prediction coefficients
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units

Landscapes

  • Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种模型训练方法、语音处理方法、装置、设备及介质，涉及人工智能领域，尤其涉及语音技术领域。实现方案为：确定样本语音数据中的多个语音段，其中，样本语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有转换点的第一标签；将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果；以及针对多个语音段中的任意一者，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数。

Description

模型训练方法、语音处理方法、装置、设备及介质
技术领域
本公开涉及人工智能技术领域，尤其涉及语音技术领域，具体涉及一种语音处理模型的训练方法、语音处理方法、装置、模型、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。
此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种语音处理模型的训练方法、语音处理方法、装置、模型、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，提供了一种语音处理模型的训练方法，其中，语音处理模型至少包括预测模块，方法包括：确定样本语音数据中的多个语音段，其中，样本语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有转换点的第一标签；将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果；以及针对多个语音段中的任意一者，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数。
根据本公开的另一方面，提供了一种语音处理方法，包括：确定待处理语音数据中的多个语音段，其中，待处理语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征；以及将多个语音段中的每一者所对应的声学特征输入语音处理模型，以得到多个语音段中的每一者所对应的预测结果，其中，每个语音段所对应的预测结果能够用于指示该语音段中是否含有转换点，其中，语音处理模型基于上述方法而训练得到。
根据本公开的另一方面，提供了一种语音处理模型的训练装置，其中，语音处理模型至少包括预测模块，装置包括：第一确定单元，被配置用于确定样本语音数据中的多个语音段，其中，样本语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有转换点的第一标签；第一获取单元，被配置用于将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果；以及调整单元，被配置用于针对多个语音段中的任意一者，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数。
根据本公开的另一方面，提供了一种语音处理模型，其中，语音处理模型基于上述训练方法而训练得到。
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；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任意一种方法。
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，其中，计算机指令用于使计算机执行上述任意一种方法。
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，其中，计算机程序在被处理器执行时实现上述任意一种方法。
根据本公开的一个或多个实施例，语音处理模型能够在训练的过程中获得更加丰富的特征信息，使得训练得到的语音处理模型的预测准确性得到提升。
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示出了一种单声道的语音数据的示意图；
图2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3示出了根据本公开的实施例的语音处理模型的训练方法的流程图；
图4A示出了根据本公开的实施例的词位置信息的示意图；
图4B示出了根据本公开的实施例的词边界信息的示意图；
图5示出了根据本公开的实施例的融合子模块的示意图；
图6示出了根据本公开实施例的语音处理模型的训练方法的示意图；
图7示出了根据本公开实施例的语音处理方法的流程图；
图8示出了根据本公开的实施例的语音处理模型的训练装置的结构框图；以及
图9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要素与另一要素区分开。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。
在智能客服，会议讨论，访谈对话，综艺节目等场景中，单个声道上往往有多个说话人。图1示出了一种单声道的语音数据的示意图。如图1所示，语音数据100中依次包括来自第一话者的语音数据110、来自第二话者的语音数据120和来自第三话者的语音数据130。为了能够对不同的话者的语音数据分别进行有针对性的处理，需要训练可靠的语音处理模型来对语音数据进行人声分离处理，使得从语音数据中分离出的每一段语音数据中仅含有单一话者的语音数据。
相关技术中，对上述语音处理模型的训练依赖于语音的声学特征，导致模型在训练过程中学习信息较为单一，预测准确性难以提升。
基于此，本公开提出一种语音处理模型的训练方法，对于样本语音数据中的多个语音段，以每个语音段的声学特征和内容特征两者来执行对语音处理模型的训练，使得语音处理模型在训练的过程中能够从两个维度，即声音维度和内容维度，获得更加丰富的特征信息。针对每个语音段所对应的声学特征和内容特征，语音处理模型基于内容特征所提供的参考，能够在训练的过程中加深对相应的声学特征的分析和理解能力。在实际应用中，即使不对训练得到的语音处理模型输入内容信息，语音处理模型也能够凭借在训练中学习到的分析和理解能力，从语音的声学特征中提取出用于人声分离的有效信息，使得预测准确性得到提升。
下面将结合附图详细描述本公开的实施例。
图2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200的示意图。参考图2，该系统200包括一个或多个客户端设备201、202、203、204、205和206、服务器220以及将一个或多个客户端设备耦接到服务器220的一个或多个通信网络210。客户端设备201、202、203、204、205和206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220可以运行使得能够执行语音处理模型的训练方法或语音处理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220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201、202、203、204、205和/或206的用户。
在图2所示的配置中，服务器220可以包括实现由服务器220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201、202、203、204、205和/或206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220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200不同。因此，图2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201、202、203、204、205和/或206来获取或传输待处理语音数据。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2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201、202、203、204、205和/或206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；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、WindowsPhone、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210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210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220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220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220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220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220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220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201、202、203、204、205和/或206的用户接收的数据馈送和/或事件更新。服务器220还可以包括一个或多个应用程序，以经由客户端设备201、202、203、204、205和/或206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220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220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200还可以包括一个或多个数据库230。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230中的一个或多个可用于存储诸如语音文件和视频文件的信息。数据库230可以驻留在各种位置。例如，由服务器220使用的数据库可以在服务器220本地，或者可以远离服务器220且可以经由基于网络或专用的连接与服务器220通信。数据库230可以是不同的类型。在某些实施例中，由服务器220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230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2的系统200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。
图3示出了根据本公开示例性实施例的一种语音处理模型的训练方法的流程图，其中，语音处理模型至少包括预测模块，该方法300包括：步骤S301、确定样本语音数据中的多个语音段，其中，样本语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有转换点的第一标签；步骤S302、将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果；以及步骤S303、针对多个语音段中的任意一者，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数。
由此，在语音处理模型的训练过程中，使得语音处理模型能够从两个维度，即声音维度和内容维度，获得更加丰富的特征信息。针对每个语音段所对应的声学特征和内容特征，语音处理模型借助于内容特征所提供的参考，能够在训练的过程中加深对相应的声学特征的分析和理解能力。在实际应用中，即使不对训练得到的语音处理模型输入内容信息，语音处理模型也能够依靠这种分析和理解能力，从语音的声学特征中提取出用于人声分离的有效信息，使得预测准确性得到提升。
关于步骤S301，其中，样本语音数据中发生话者变化的转换点可以为从一个话者的语音数据转换为另一个话者的语音数据的转化点，也可以是从静音段到某个话者的语音数据的转化点，或者某个话者的语音数据到静音段的转换点。图1为例，图1所示的语音数据中的时间点101～105中的每一者均可以作为本公开中所述的发生话者变化的转换点。
根据一些实施例，多个语音段中的每一者所对应的声学特征可以基于以下至少一者而确定：该语音段的梅尔倒谱系数(MFCC)、该语音段的感知线性预测系数(PLP)和滤波器组系数(Fbank)。特别地，可以通过组合上述不同类型的系数来表现语音段的声学特征。
根据一些实施例，多个语音段中的每一者所对应的内容特征至少基于该语音段所对应的音素而确定。
音素，例如，可以是中文中的声韵母，或者英文中的音标。基于不同语音段所分别对应的音素，可以将不同的语音段在语音内容维度上进行区分。
根据一些实施例，可以利用经过预先训练的语音识别特征抽取模型，来确定每个语音段所对应的音素。
示例性地，对语音识别特征抽取模型的训练可以通过以下步骤来执行：确定用于训练的初始语音数据中的多个语音段，每个语音段具有对应的音素标签；针对多个语音段中的每一者，提取该语音段所对应的声学特征，例如，MFCC、PLP和Fbank中的一种或多种；将多个语音段中的每一者的声学特征输入至待训练的语音识别特征抽取模型，得到多个语音段中的每一者所对应的预测音素；以及基于多个语音段中的任意一者的音素标签和预测音素，来调整该语音识别特征抽取模型的参数。
根据一些实施例，多个语音段中的每一者的内容特征包括音素信息、词位置信息和词边界信息中的一种或多种，并且其中，词位置信息包括用于指示该语音段所对应的音素在词中的发声位置的信息，词边界信息包括用于指示该语音段所对应的音素与词的发声边缘的位置关系的信息。
其中，对于这里的“词”可以理解为中文中的一个字，也可以理解为英文中的一个单词。
在一种实施方式中，词位置信息可以根据连续的多个语音段所分别对应的音素而推理得到。示例性地，词位置信息可以分为5类，即静音段、单音词、词开始、词中间和词末尾。
图4A示出了根据本公开示例性的词位置信息的示意图。如图4A所示，在含有“我爱我家”的语音数据410中，语音数据411中的语音段所对应的词位置信息为静音段；与单音词“爱”相应的语音数据414中的语音段所对应的词位置信息为单音词；与双音词“我”中的声母“w”相应的语音数据412中的语音段所对应的词位置信息为词开始，韵母“o”相应的语音数据413中的语音段所对应的词位置信息为词末尾；与三音词“家”中的声母“j”相应的语音数据415中的语音段所对应的词位置信息为词开始，介母“i”相应的语音数据416中的语音段所对应的词位置信息为词中间，韵母“a”相应的语音数据417中的语音段所对应的词位置信息为词末尾。
可以理解，在中文中，采用上述5类词位置信息就可以表示语音段的音素在词中的所有可能的发声位置信息。但是，在英文中，一个单词中可能是由三个以上的音标构成，相应地，可以通过增加词位置信息的类别来指示语音段所对应的音素在词中的发声位置的信息。
在一种实施方式中，词边界信息可以根据连续的多个语音段所分别对应的音素而推理得到。示例性地，词边界信息可以分为5类，即静音段，词内段，静音-语音段，语音-静音段，词间段。
图4B示出了根据本公开示例性的词边界信息的示意图。如图4B所示，在含有“Howare you”的语音数据420中，语音数据422中的语音段所对应的词边界信息为静音段，语音数据425中的语音段所对应的词边界信息为词内段，语音数据423中的语音段所对应的词边界信息为静音-语音段，语音数据421中的语音段所对应的词边界信息为语音-静音段，语音数据424中的语音段所对应的词边界信息为词间段。
基于语音段的音素而得到的音素信息、词位置信息和词边界信息，可以为人声分离提供有效的参考，使得语音处理模型在训练的过程中，可以参考这些内容特征来加深对相应的声学特征的理解。
例如，如果在语音数据中的多个连续的语音段中的每一者所对应的音素信息相同，那么这些语音段中的语音很可能来自于同一话者；又如，语音段的词位置信息为词开始，或者语音段的词边界信息为词间段，则在该语音段中含有转换点的概率比较小；又如，语音段的词边界信息为静音-语音段，则在该语音段中含有转换点的概率则比较大。
根据一些实施例，在语音段的内容特征包括至少两种信息时，将这至少两种信息进行联合表征，以便于在训练和应用时输入语音处理模型。
在一种实施方式中，可以将语音段所对应的至少两种信息中的每一者分别进行表征，再将至少两种信息中的每一者的表征结果连接起来，作为语音段的内容特征。例如，音素信息有48个可选类别，词位置信息有5个可选类别，词边界信息有5个可选类别。对音素信息进行独立表征，得到48维向量，其中，将向量中语音段的音素信息所对应的位置设置为1，并且将该向量的其他位置均设置为0；对词位置信息进行独立表征，得到5维向量，其中，将向量中语音段的词位置信息所对应的位置设置为1，并且将向量的其他位置均为设置0；对词边界信息进行独立表征，得到5维向量，其中，将向量中语音段的词边界信息所对应的位置设置为1，并且将向量的其他位置均为设置0。最后，将上述音素信息所对应的48维向量、词位置信息所对应的5维向量以及词边界信息所对应的5维向量进行拼接，并将拼接结果作为语音段的内容特征。
在另一种实施方式中，可以现将语音段所对应的至少两种信息中的每一者所分别对应的类别作为一个整体，对这个整体进行表征。仍以音素信息有48个可选类别，词位置信息有5个可选类别，词边界信息有5个可选类别为例，设置48*5*5维向量，将该48*5*5维向量中对应于该语音段的音素信息、词位置信息和词边界信息的一个位置设置为1，并且将向量的其他位置均为设置0。
针对用于输入预测模块的“多个语音段”，可以为从样本语音数据中直接提取而确定，也可以为对多个语音帧执行降采样而确定。
根据一些实施例，语音处理模型还可以包括声学特征提取模块，方法还可以包括：在确定样本语音数据中的多个语音段之前，从样本语音数据中提取多个语音帧，其中，多个语音帧中的每一者具有对应的声学子特征；以及将多个语音帧中的每一者所对应的声学子特征输入声学特征提取模块，以得到多个语音段中的每一者所对应的声学特征，其中，每个语音段的声学特征基于声学特征提取模块对多个语音帧中的至少部分语音帧所对应的多个声学子特征的卷积计算而确定。
其中，针对每个语音段的声学特征，用于计算该语音段的声学特征的多个声学子特征为基于卷积计算的卷积核的大小和卷积计算的次数而确定。
可以理解，语音帧在样本语音数据中所覆盖的时间范围小于语音段在样本语音数据中所覆盖的时间范围，同时，输入预测模块的多个语音段的数量可以小于从样本语音数据中提取多个语音帧的数量。
由于卷积计算本身的性质，相比于卷积计算的输入数据，卷积计算的输出数据不仅数据量减小，而且能够具有更强的表征能力，如此，基于对多个声学子特征的卷积计算而确定的语音段的声学特征，不仅涵盖了至少部分语音帧所对应的多个声学子特征中的信息，而且具有更强的表征能力，使得在不损失从样本语音数据中所提取的信息的前提下，能够降低输入预测模块的数据量，节省计算资源，提升计算效率。
根据一些实施例，样本语音数据中的多个语音帧可以为在时域上依次相连的多个语音帧。特别地，可以利用预设的时间窗，以预设的步长对样本语音数据进行分帧，得到在时域上依次相连的多个语音帧。
根据一些实施例，在将多个语音帧中的每一者所对应的声学子特征输入声学特征提取模块之前，对多个语音帧中的每一者所对应的声学子特征进行增强处理，用以提升对语音处理模型的训练难度，增强训练得到的语音处理模型的鲁棒性。
为了匹配利用声学特征提取模块执行卷积降采样所确定的多个声学特征，可以对多个语音帧所对应的多个内容子特征进行降采样，以使输入预测模型的内容特征的数量和声学特征的数量相等。
根据一些实施例，多个语音帧中的每一者还可以具有对应的内容子特征，方法还可以包括：基于多个语音帧中的每一者所对应的内容子特征，确定多个语音段中的每一者所对应的初始内容特征，其中，每个语音段的初始内容特征为该语音段中的多个语音帧所分别对应的多个内容子特征中的一者；以及将多个语音段中的每一者的初始内容特征输入用于辅助语音处理模型训练的内容特征提取模块，以得到多个语音段中的每一者所对应的内容特征，其中，每个语音段的内容特征为内容特征提取模块对多个语音段中的每一者的初始内容特征的融合计算而确定。
由此，输入预测模型的内容特征的数量能够与声学特征的数量相等，对应于同一语音段的声学特征和内容特征构成一个组合，共同表征一个语音段在两个不同维度的特征，即声音维度和内容维度的特征，使得语音处理模型的预测模块得以在训练的过程中，参照语音段的内容特征来加强对该语音段的声学特征的理解和分析能力。
根据一些实施例，内容特征提取模块可以利用自注意力机制来实现多个语音段中的每一者的初始内容特征的融合计算。特别地，内容特征提取模块中的自注意力机制可以基于transformer网络来实现。
可以理解，内容特征提取模块不属于语音处理模型，可以仅在训练的过程中用来辅助语音处理模型的训练。但是在训练迭代的过程中，内容特征提取模块中的参数可以和语音处理模型中的参数一起调整。由此，随着训练迭代次数的增加，内容特征提取模块对训练的辅助能力能够逐渐提升，使得每轮训练的训练效果不断提升。
关于步骤S202，根据一些实施例，预测模块可以包括融合子模块和预测子模块，并且其中，将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果可以包括：将多个语音段中的每一者所对应的声学特征和内容特征输入融合子模块，以得到多个语音段中的每一者的第一融合特征；针对多个语音段中的每一者，至少基于该语音段的第一融合特征，确定用于输入预测子模块的第二融合特征；以及将多个语音段中的每一者的第二融合特征输入预测子模块，以得到多个语音段中的每一者所对应的第一预测结果。
由此，利用预测模块中的融合子模块，可以使输入的声学特征和内容特征相互融合，以使在训练过程中，语音处理模型能够充分利用内容特征来提升预测能力。
根据一些实施例，融合子模块可以利用自注意力机制来实现声学特征和内容特征的融合。特别地，融合子模块中的自注意力机制可以基于卷积增强的注意力序列网络，例如Conformer网络，来实现。
在一种实施方式中，多个语音段中的每一者所对应的声学特征和内容特征可以在经过拼接之后，再输入融合子模块之中进行梳理。如此，融合子模块所执行的语音段的声学特征和内容特征的融合，可以通过如下公式表示：
XConcat＝Concatenate(XAcoustic，XASR)
E＝ConformerEncoder(XConcat)
其中，XAcoustic，和XASR分别表示每个语音段所对应的声学特征和内容特征，两者的维度相同。
通过Concatenate函数对每个语音段所对应的声学特征XAcoustic和内容特征XASR进行拼接，得到两者的拼接结果XConcat。将拼接结果XConcat输入卷积增强的注意力序列模型ConformerEncoder，经过ConformerEncoder内部多种非线性变换可以得到多个语音段中的每一者的第一融合特征E。
图5示出了根据本公开示例性实施例的一种融合子模块的示意图，融合子模块500可以包括多个层，其中每一个层由依次相连的第一前向网络(Feed-forward)510、基于内容上下文的自注意力模块(Contextualized self-attention)520、卷积模块(Convolution)530、第二前向网络(Feed-forward)540以及归一化模块(layernorm)550构成。现以融合子模块中的其中一层的处理过程为例，进行说明。
如图5所示，确定该层的输入数据501，其中，输入数据501中包括多个语音段中的每一者所对应的内容特征和声学特征。如果该层是融合子模块中的第一层，则输入数据501中的内容特征和声学特征分别为输入融合子模块的内容特征和声学特征；如果该层不是融合子模块中的第一层，则输入数据501中的内容特征为输入融合子模块的内容特征，而声学特征则是上一层输出的更新后的声学特征。
将输入数据501输入前向网络510中，前向网络510对输入数据501中的内容特征和声学特征执行矩阵计算，得到多个语音段中的每一者的高级内容特征502和高级声学特征503，并将高级内容特征502和高级声学特征503输入基于内容上下文的自注意力模块520。
基于内容上下文的自注意力模块520中包括拼接模块521、计算模块522和声学特征融合模块523。
在基于内容上下文的自注意力模块520之中，针对多个语音段中的每一者，该语音段的高级内容特征502和高级声学特征503两者共同输入拼接模块521中，将对高级内容特征502和高级声学特征503两者的拼接结果作为该语音段所对应的查询向量Q和关键词向量K，即每个语音段用于执行自注意力计算的查询向量Q和关键词向量K均包含内容和声学两个维度的信息。同时，将该语音段的高级声学特征503作为该语音段所对应的值向量V，即每个语音段用于执行自注意力计算的值向量V仅含有声学维度的信息。
将查询向量Q和关键词向量K输入计算模块522，计算模块522对查询向量Q和关键词向量K执行矩阵计算、系数相乘和归一化计算等，以得到相似度矩阵。在该相似度矩阵中包含计算得到的多个语音段中的每两个语音段之间的相似度值。
将相似度矩阵和语音段所对应的值向量V输入声学特征融合模块523。在声学特征融合模块523中，针对多个语音段中的每一者，通过计算各个语音段所对应的值向量V的加权和，得到该语音段所对应的融合声学特征，其中，各个语音段所对应权重根据相似度矩阵中各个语音段与该语音段的相似度值而确定。多个语音段中的每一者的融合声学特征构成了输出数据504。
输出数据504再经过卷积模块530的卷积计算、第二前向网络540的矩阵计算以及归一化模块550的处理之后，最终得到多个语音段中的每一者所对应的更新后的声学特征505。经过融合子模块中的多层迭代计算，最终可以得到多个语音段中的每一者的第一融合特征。
其中，示例性地，在忽略融合子模块中其他模块的影响的情况下，基于内容上下文的自注意力模块520所执行的计算可以通过以下公式表示：
Vi＝Ei-1 (1≤i≤n；E0＝XAcoustic)
Ki＝Qi＝Concatenate(XASR，Ei-1) (1≤i≤n)
Ei＝ConformerEncoderLayer(Qi，Ki，Vi) (1≤i≤n)
其中，n表示融合子模块的层数，Ei表示融合子模块第i层输出的更新后的声学特征，Qi表示第i层的查询向量Q，Ki表示第i层的关键词向量K，Vi表示第i层的值向量V。
在基于内容上下文的自注意力模块520第i层的计算中，Vi来自上一层输出的更新后的声学特征，即第i-1层输出的Ei-1，初始值E0等于输入融合子模块的声学特征XAcoustic。Ki和Qi的值均等于通过Concatenate函数对输入融合子模块的内容特征XASR和第i-1层输出的Ei-1的进行拼接的结果，即图5中拼接模块521所执行的处理。ConformerEncoderLayer函数表示基于Conformer网络的编码层，通过对第i层的查询向量Qi、关键词向量Ki和值向量Vi执行自注意力计算，得到第i层输出的更新后的声学特征Ei，即图5中计算模块522和声学特征融合模块523两者所执行的处理。
根据一些实施例，针对多个语音段中的每一者，至少基于该语音段的第一融合特征，确定用于输入预测子模块的第二融合特征可以包括：针对多个语音段中的每一者，将该语音段的第一融合特征和该语音段的内容特征进行拼接，以确定第二融合特征。
相对于声学特征中丰富的信息，内容特征的信息量相对较小，为了防止内容特征在融合子模块的处理中被淹没，导致预测子模块无法获取内容特征中的相关信息，对融合子模块所输出的第一融合特征和内容特征进行拼接，使得预测子模块在训练过程中能够获取到内容维度上的信息，提升训练的准确性。
上述将第一融合特征和内容特征进行拼接，拼接后的结果输入预测子模块中执行进一步的计算。该过程可以通过如下公式表示：
Econcat＝Concatenate(E，XASR)
Z＝σ(Linear(Econcat))
其中，E表示第一融合特征，XASR表示内容特征，σ表示sigmod函数。
通过Concatenate函数，对第一融合特征E和内容特征XASR进行拼接，以得到用于输入预测子模块的第二融合特征Econcat。经过Linear函数所执行的矩阵线性变换，以及sigmod函数对第二融合特征Econcat的处理，即预测子模块所执行的处理，可以得到多个语音段中的每一者所对应的第一预测结果Z。
关于步骤S203，根据一些实施例，多个语音段中的每一者还可以具有用于表示该语音段所对应的音素的第二标签，并且其中，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数可以包括：将多个语音段中的每一者的第二融合特征输入用于辅助语音处理模型训练的附加预测模块，以得到多个语音段中的每一者所对应的第二预测结果；以及针对多个语音段中的任意一者，基于该语音段所对应的第一标签和第一预测结果，以及该语音段所对应的第二标签和第二预测结果，调整语音处理模型的参数。
在训练过程中引入由附加预测模块所构建的预测支路，基于该支路在训练中的约束作用，可以在训练过程中使得内容特征在模型中的各个部分中的作用得到强化。即使内容特征的信息量很小，也不会在训练的过程中丢失，进而提升对语音处理模型的训练效果。
图6示出了根据本公开示例性实施例的一种语音处理模型的训练方法的示意图。
如图6所示，首先从样本语音数据中提取多个语音帧，多个语音帧中的每一者的内容子特征构成了输入数据601，多个语音帧中的每一者的声学子特征构成了输入数据602。
将输入数据601输入抽样降采样模块611，以使抽样降采样模块611能够从输入数据601中抽取一定比例的内容子特征。将抽取出的内容子特征输入内容特征提取模块612，以得到多个语音段中的每一者所对应的内容特征603，其中，内容特征提取模块612中可以包含transformer网络。
将输入数据602输入增强处理模块621，以得到经过增强处理的声学子特征。将经过增强处理的声学子特征输入声学特征提取模块622，以得到多个语音段中的每一者所对应的声学特征604。
将多个语音段的内容特征603和多个语音段的声学特征604输入融合子模块630，以得到多个语音段中的每一者的第一融合特征605。将多个语音段的第一融合特征605和多个语音段的内容特征603进行拼接，并将拼接后的结果分别输入预测子模块641和附加预测模块642。
预测子模块641利用Sigmod非线性激活函数，计算得到多个语音段中的每一者的第一预测结果606，每个语音段的第一预测结果可以用于预测该语音段中是否包含话者变化的转换点。基于第一预测结果和指示语音段是否存在转换点的第一标签之间的差异，可以反向调整语音处理模型中的参数。
附加预测模块642利用Softmax激活函数，计算得到多个语音段中的每一者的第二预测结果607，每个语音段的第二预测结果可以用于预测该语音段所对应的音素。基于第二预测结果和指示语音段所对应的音素的第二标签之间的差异，可以反向调整语音处理模型中的参数。
图7示出了根据本公开示例性实施例的一种语音处理方法的流程图，该方法700包括：步骤S701、确定待处理语音数据中的多个语音段，其中，待处理语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征；以及步骤S702、将多个语音段中的每一者所对应的声学特征输入语音处理模型，以得到多个语音段中的每一者所对应的预测结果，其中，每个语音段所对应的预测结果能够用于指示该语音段中是否含有转换点，其中，语音处理模型基于上述任意一种方法而训练得到。
由于在对语音处理模型的训练过程中，语音处理模型参考内容特征，已经学到了如何利用声学特征来刻画话者的特征。因此，在测试和应用阶段，仅需要输入声学特征，就能够得到理想的预测效果。
可以理解，在应用过程中，可以将多个语音段中的每一者所对应的声学特征输入语音处理模型中的预测模块，来执行语音处理。其中，对于包含有声学特征提取模块的语音处理模型，也可以将多个语音段中的每一者所对应的声学特征输入语音处理模型中的声学特征提取模块来执行语音处理。
图8示出了根据本公开示例性实施例的一种语音处理模型的训练装置，其中，语音处理模型至少包括预测模块，该装置800包括：第一确定单元801，被配置用于确定样本语音数据中的多个语音段，其中，样本语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有转换点的第一标签；第一获取单元802，被配置用于将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果；以及调整单元803，被配置用于针对多个语音段中的任意一者，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数。
根据一些实施例，多个语音段中的每一者所对应的声学特征基于以下至少一者而确定：该语音段的梅尔倒谱系数；该语音段的感知线性预测系数；和滤波器组系数。
根据一些实施例，多个语音段中的每一者所对应的内容特征至少基于该语音段所对应的音素而确定。
根据一些实施例，多个语音段中的每一者的内容特征包括音素信息、词位置信息和词边界信息中的一种或多种，并且其中，词位置信息包括用于指示该语音段所对应的音素在词中的发声位置的信息，词边界信息包括用于指示该语音段所对应的音素与词的发声边缘的位置关系的信息。
根据一些实施例，预测模块包括融合子模块和预测子模块，并且其中，第一获取单元包括：第一获取子单元，被配置用于将多个语音段中的每一者所对应的声学特征和内容特征输入融合子模块，以得到多个语音段中的每一者的第一融合特征；确定子单元，被配置用于针对多个语音段中的每一者，至少基于该语音段的第一融合特征，确定用于输入预测子模块的第二融合特征；以及第二获取子单元，被配置用于将多个语音段中的每一者的第二融合特征输入预测子模块，以得到多个语音段中的每一者所对应的第一预测结果。
根据一些实施例，确定子单元包括：用于针对多个语音段中的每一者，将该语音段的第一融合特征和该语音段的内容特征进行拼接，以确定第二融合特征的子单元。
根据一些实施例，多个语音段中的每一者还具有用于表示该语音段所对应的音素的第二标签，并且其中，调整单元包括：第三获取子单元，被配置用于将多个语音段中的每一者的第二融合特征输入用于辅助语音处理模型训练的附加预测模块，以得到多个语音段中的每一者所对应的第二预测结果；以及调整子单元，被配置用于针对多个语音段中的任意一者，基于该语音段所对应的第一标签和第一预测结果，以及该语音段所对应的第二标签和第二预测结果，调整语音处理模型的参数。
根据一些实施例，语音处理模型还包括声学特征提取模块，装置还包括：提取单元，被配置用于在确定样本语音数据中的多个语音段之前，从样本语音数据中提取多个语音帧，其中，多个语音帧中的每一者具有对应的声学子特征；以及第二获取单元，被配置用于将多个语音帧中的每一者所对应的声学子特征输入声学特征提取模块，以得到多个语音段中的每一者所对应的声学特征，其中，每个语音段的声学特征基于声学特征提取模块对多个语音帧中的至少部分语音帧所对应的多个声学子特征的卷积计算而确定。
根据一些实施例，多个语音帧中的每一者还具有对应的内容子特征，装置还包括：第二确定单元，被配置用于基于多个语音帧中的每一者所对应的内容子特征，确定多个语音段中的每一者所对应的初始内容特征，其中，每个语音段的初始内容特征为该语音段中的多个语音帧所分别对应的多个内容子特征中的一者；以及第三获取单元，被配置用于将多个语音段中的每一者的初始内容特征输入用于辅助语音处理模型训练的内容特征提取模块，以得到多个语音段中的每一者所对应的内容特征，其中，每个语音段的内容特征为内容特征提取模块对多个语音段中的每一者的初始内容特征的融合计算而确定。
根据本公开的实施例，还提供一种语音处理模型，其中，语音处理模型基于上述任意一种训练方法而训练得到。
根据本公开的实施例，还提供一种电子设备，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，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任意一种方法。
根据本公开的实施例，还提供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，计算机指令用于使计算机执行上述任意一种方法。
根据本公开的实施例，还提供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上述任意一种方法。
参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906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907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/语音输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如，语音处理模型的训练方法或语音处理方法。例如，在一些实施例中，语音处理模型的训练方法或语音处理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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的语音处理模型的训练方法或语音处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元901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处理模型的训练方法或语音处理方法。
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)、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 (23)

1.一种语音处理模型的训练方法，其中，所述语音处理模型至少包括预测模块，所述方法包括：
确定样本语音数据中的多个语音段，其中，所述样本语音数据中包含至少一个发生话者变化的转换点，所述多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有所述转换点的第一标签；
将所述多个语音段中的每一者所对应的声学特征和内容特征输入所述预测模块，以得到所述多个语音段中的每一者所对应的第一预测结果；以及
针对所述多个语音段中的任意一者，至少基于该语音段的所述第一标签和所述第一预测结果，调整所述语音处理模型的参数。
2.根据权利要求1所述的方法，其中，所述多个语音段中的每一者所对应的声学特征基于以下至少一者而确定：
该语音段的梅尔倒谱系数；
该语音段的感知线性预测系数；和
滤波器组系数。
3.根据权利要求1或2所述的方法，其中，所述多个语音段中的每一者所对应的内容特征至少基于该语音段所对应的音素而确定。
4.根据权利要求3所述的方法，其中，所述多个语音段中的每一者的内容特征包括音素信息、词位置信息和词边界信息中的一种或多种，
并且其中，所述词位置信息包括用于指示该语音段所对应的音素在词中的发声位置的信息，所述词边界信息包括用于指示该语音段所对应的音素与词的发声边缘的位置关系的信息。
5.根据权利要求1所述的方法，其中，所述预测模块包括融合子模块和预测子模块，并且其中，所述将所述多个语音段中的每一者所对应的声学特征和内容特征输入所述预测模块，以得到所述多个语音段中的每一者所对应的第一预测结果包括：
将所述多个语音段中的每一者所对应的声学特征和内容特征输入所述融合子模块，以得到所述多个语音段中的每一者的第一融合特征；
针对所述多个语音段中的每一者，至少基于该语音段的第一融合特征，确定用于输入所述预测子模块的第二融合特征；以及
将所述多个语音段中的每一者的第二融合特征输入所述预测子模块，以得到所述多个语音段中的每一者所对应的第一预测结果。
6.根据权利要求5所述的方法，其中，所述针对所述多个语音段中的每一者，至少基于该语音段的第一融合特征，确定用于输入所述预测子模块的第二融合特征包括：
针对所述多个语音段中的每一者，将该语音段的第一融合特征和该语音段的内容特征进行拼接，以确定所述第二融合特征。
7.根据权利要求5或6所述的方法，其中，所述多个语音段中的每一者还具有用于表示该语音段所对应的音素的第二标签，
并且其中，所述至少基于该语音段的所述第一标签和所述第一预测结果，调整所述语音处理模型的参数包括：
将所述多个语音段中的每一者的第二融合特征输入用于辅助所述语音处理模型训练的附加预测模块，以得到所述多个语音段中的每一者所对应的第二预测结果；以及
针对所述多个语音段中的任意一者，基于该语音段所对应的第一标签和第一预测结果，以及该语音段所对应的第二标签和第二预测结果，调整所述语音处理模型的参数。
8.根据权利要求1至7中的任意一项所述的方法，其中，所述语音处理模型还包括声学特征提取模块，所述方法还包括：
在所述确定样本语音数据中的多个语音段之前，从所述样本语音数据中提取多个语音帧，其中，所述多个语音帧中的每一者具有对应的声学子特征；以及
将所述多个语音帧中的每一者所对应的声学子特征输入所述声学特征提取模块，以得到所述多个语音段中的每一者所对应的声学特征，
其中，每个语音段的声学特征基于所述声学特征提取模块对所述多个语音帧中的至少部分语音帧所对应的多个声学子特征的卷积计算而确定。
9.根据权利要求8所述的方法，其中，所述多个语音帧中的每一者还具有对应的内容子特征，所述方法还包括：
基于所述多个语音帧中的每一者所对应的内容子特征，确定所述多个语音段中的每一者所对应的初始内容特征，其中，每个语音段的初始内容特征为该语音段中的多个语音帧所分别对应的多个内容子特征中的一者；以及
将所述多个语音段中的每一者的初始内容特征输入用于辅助所述语音处理模型训练的内容特征提取模块，以得到所述多个语音段中的每一者所对应的内容特征，
其中，每个语音段的内容特征为所述内容特征提取模块对所述多个语音段中的每一者的初始内容特征的融合计算而确定。
10.一种语音处理方法，包括：
确定待处理语音数据中的多个语音段，其中，所述待处理语音数据中包含至少一个发生话者变化的转换点，所述多个语音段中的每一者均具有对应的声学特征；以及
将所述多个语音段中的每一者所对应的声学特征输入语音处理模型，以得到所述多个语音段中的每一者所对应的预测结果，其中，每个语音段所对应的预测结果能够用于指示该语音段中是否含有所述转换点，
其中，所述语音处理模型基于权利要求1至9中任意一项所述的方法而训练得到。
11.一种语音处理模型的训练装置，其中，所述语音处理模型至少包括预测模块，所述装置包括：
第一确定单元，被配置用于确定样本语音数据中的多个语音段，其中，所述样本语音数据中包含至少一个发生话者变化的转换点，所述多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有所述转换点的第一标签；
第一获取单元，被配置用于将所述多个语音段中的每一者所对应的声学特征和内容特征输入所述预测模块，以得到所述多个语音段中的每一者所对应的第一预测结果；以及
调整单元，被配置用于针对所述多个语音段中的任意一者，至少基于该语音段的所述第一标签和所述第一预测结果，调整所述语音处理模型的参数。
12.根据权利要求11所述的装置，其中，所述多个语音段中的每一者所对应的声学特征基于以下至少一者而确定：
该语音段的梅尔倒谱系数；
该语音段的感知线性预测系数；和
滤波器组系数。
13.根据权利要求11或12所述的装置，其中，所述多个语音段中的每一者所对应的内容特征至少基于该语音段所对应的音素而确定。
14.根据权利要求13所述的装置，其中，所述多个语音段中的每一者的内容特征包括音素信息、词位置信息和词边界信息中的一种或多种，
并且其中，所述词位置信息包括用于指示该语音段所对应的音素在词中的发声位置的信息，所述词边界信息包括用于指示该语音段所对应的音素与词的发声边缘的位置关系的信息。
15.根据权利要求11所述的装置，其中，所述预测模块包括融合子模块和预测子模块，并且其中，所述第一获取单元包括：
第一获取子单元，被配置用于将所述多个语音段中的每一者所对应的声学特征和内容特征输入所述融合子模块，以得到所述多个语音段中的每一者的第一融合特征；
确定子单元，被配置用于针对所述多个语音段中的每一者，至少基于该语音段的第一融合特征，确定用于输入所述预测子模块的第二融合特征；以及
第二获取子单元，被配置用于将所述多个语音段中的每一者的第二融合特征输入所述预测子模块，以得到所述多个语音段中的每一者所对应的第一预测结果。
16.根据权利要求15所述的装置，其中，所述确定子单元包括：
用于针对所述多个语音段中的每一者，将该语音段的第一融合特征和该语音段的内容特征进行拼接，以确定所述第二融合特征的子单元。
17.根据权利要求15或16所述的装置，其中，所述多个语音段中的每一者还具有用于表示该语音段所对应的音素的第二标签，
并且其中，所述调整单元包括：
第三获取子单元，被配置用于将所述多个语音段中的每一者的第二融合特征输入用于辅助所述语音处理模型训练的附加预测模块，以得到所述多个语音段中的每一者所对应的第二预测结果；以及
调整子单元，被配置用于针对所述多个语音段中的任意一者，基于该语音段所对应的第一标签和第一预测结果，以及该语音段所对应的第二标签和第二预测结果，调整所述语音处理模型的参数。
18.根据权利要求11至17中的任意一项所述的装置，其中，所述语音处理模型还包括声学特征提取模块，所述装置还包括：
提取单元，被配置用于在所述确定样本语音数据中的多个语音段之前，从所述样本语音数据中提取多个语音帧，其中，所述多个语音帧中的每一者具有对应的声学子特征；以及
第二获取单元，被配置用于将所述多个语音帧中的每一者所对应的声学子特征输入所述声学特征提取模块，以得到所述多个语音段中的每一者所对应的声学特征，
其中，每个语音段的声学特征基于所述声学特征提取模块对所述多个语音帧中的至少部分语音帧所对应的多个声学子特征的卷积计算而确定。
19.根据权利要求18所述的装置，其中，所述多个语音帧中的每一者还具有对应的内容子特征，所述装置还包括：
第二确定单元，被配置用于基于所述多个语音帧中的每一者所对应的内容子特征，确定所述多个语音段中的每一者所对应的初始内容特征，其中，每个语音段的初始内容特征为该语音段中的多个语音帧所分别对应的多个内容子特征中的一者；以及
第三获取单元，被配置用于将所述多个语音段中的每一者的初始内容特征输入用于辅助所述语音处理模型训练的内容特征提取模块，以得到所述多个语音段中的每一者所对应的内容特征，
其中，每个语音段的内容特征为所述内容特征提取模块对所述多个语音段中的每一者的初始内容特征的融合计算而确定。
20.一种语音处理模型，其中，所述语音处理模型基于权利要求1至9中任意一项所述的方法而训练得到。
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，其中，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
CN202210287818.0A 2022-03-22 2022-03-22 模型训练方法、语音处理方法、装置、设备及介质 Pending CN114627860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210287818.0A CN114627860A (zh) 2022-03-22 2022-03-22 模型训练方法、语音处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210287818.0A CN114627860A (zh) 2022-03-22 2022-03-22 模型训练方法、语音处理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114627860A true CN114627860A (zh) 2022-06-14

Family

ID=81904647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210287818.0A Pending CN114627860A (zh) 2022-03-22 2022-03-22 模型训练方法、语音处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114627860A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180852A1 (en) * 2014-12-19 2016-06-23 Dolby Laboratories Licensing Corporation Speaker identification using spatial information
CN107369440A (zh) * 2017-08-02 2017-11-21 北京灵伴未来科技有限公司 一种针对短语音的说话人识别模型的训练方法及装置
WO2019245916A1 (en) * 2018-06-19 2019-12-26 Georgetown University Method and system for parametric speech synthesis
US20200043467A1 (en) * 2018-07-31 2020-02-06 Tencent Technology (Shenzhen) Company Limited Monaural multi-talker speech recognition with attention mechanism and gated convolutional networks
CN111489734A (zh) * 2020-04-03 2020-08-04 支付宝(杭州)信息技术有限公司 基于多说话人的模型训练方法以及装置
CN112489629A (zh) * 2020-12-02 2021-03-12 北京捷通华声科技股份有限公司 语音转写模型、方法、介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180852A1 (en) * 2014-12-19 2016-06-23 Dolby Laboratories Licensing Corporation Speaker identification using spatial information
CN107369440A (zh) * 2017-08-02 2017-11-21 北京灵伴未来科技有限公司 一种针对短语音的说话人识别模型的训练方法及装置
WO2019245916A1 (en) * 2018-06-19 2019-12-26 Georgetown University Method and system for parametric speech synthesis
US20200043467A1 (en) * 2018-07-31 2020-02-06 Tencent Technology (Shenzhen) Company Limited Monaural multi-talker speech recognition with attention mechanism and gated convolutional networks
CN111489734A (zh) * 2020-04-03 2020-08-04 支付宝(杭州)信息技术有限公司 基于多说话人的模型训练方法以及装置
CN112489629A (zh) * 2020-12-02 2021-03-12 北京捷通华声科技股份有限公司 语音转写模型、方法、介质及电子设备

Similar Documents

Publication Publication Date Title
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN114648638B (zh) 语义分割模型的训练方法、语义分割方法与装置
CN113836333A (zh) 图文匹配模型的训练方法、实现图文检索的方法、装置
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
CN114611532B (zh) 语言模型训练方法及装置、目标翻译错误检测方法及装置
CN114625855A (zh) 用于生成对话信息的方法及装置、设备和介质
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN114443989A (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN114005452A (zh) 提取语音特征的方法、装置、电子设备及存储介质
CN117351330A (zh) 图像处理方法、图像处理模型的训练方法、装置和设备
CN115862031B (zh) 文本处理方法、神经网络的训练方法、装置和设备
CN115170887B (zh) 目标检测模型训练方法、目标检测方法及其装置
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN115101075B (zh) 一种语音识别的方法以及相关装置
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN113948103A (zh) 音频处理方法和装置、模型训练方法和装置、设备及介质
CN114627860A (zh) 模型训练方法、语音处理方法、装置、设备及介质
CN114429678A (zh) 模型训练方法及装置、电子设备和介质
CN117059070B (zh) 语音识别方法、深度学习模型的训练方法、装置和设备
CN115879468B (zh) 基于自然语言理解的文本要素提取方法、装置和设备
CN115713071B (zh) 用于处理文本的神经网络的训练方法和处理文本的方法
CN113889120A (zh) 声纹特征提取方法、装置、电子设备及存储介质
CN114187924A (zh) 数据处理方法、装置、电子设备及介质
CN114023349A (zh) 语音处理方法、装置、电子设备及存储介质
CN117709471A (zh) 可解释性分析方法、装置、设备和介质

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