CN115064177A - 基于声纹编码器的语音转换方法、装置、设备及介质 - Google Patents
基于声纹编码器的语音转换方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115064177A CN115064177A CN202210669839.9A CN202210669839A CN115064177A CN 115064177 A CN115064177 A CN 115064177A CN 202210669839 A CN202210669839 A CN 202210669839A CN 115064177 A CN115064177 A CN 115064177A
- Authority
- CN
- China
- Prior art keywords
- individual
- voiceprint
- voice conversion
- audio data
- encoder
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005236 sound signal 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/16—Vocoder architecture
-
- 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
- G10L21/0208—Noise filtering
-
- 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
- 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
- G10L25/60—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 for measuring the quality of voice signals
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例公开了一种基于声纹编码器的语音转换方法、装置、设备及介质。其中，该方法包括：获取第一个体的音频数据；获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。本技术方案，能够实现第一个体到第二个体的语音转换，且保留了第一个体的说话习惯，并能够实现对第一个体和第二个体的任意切换。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于声纹编码器的语音转换方法、装置、设备及介质。
背景技术
随着智能移动终端的发展，语音转换应用在各式各样的终端设备及聊天软件上。如何在保留源说话人习惯上，实现多个源说话人到多个目标说话人的语音转换是语音转换技术亟需解决的一个问题。
目前的语音转换模型，针对单个目标说话人的语音数据集进行训练，可以实现多个源说话人到一个目标说话人的语音转换。
然而，现有的语音转换模型要想实现多个源说话人到多个目标说话人的语音转换，需要对新的目标说话人的语音数据集进行训练，每换一个目标说话人都需要训练一次，耗时且费力。
发明内容
本发明提供了一种基于声纹编码器的语音转换方法、装置、设备及介质，能够实现第一个体到第二个体的语音转换，且保留了第一个体的说话习惯，并能够实现对第一个体和第二个体的任意切换。
根据本发明的一方面，提供了一种基于声纹编码器的语音转换方法，所述方法包括：
获取第一个体的音频数据；
获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；
将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。
根据本发明的另一方面，提供了一种基于声纹编码器的语音转换装置，包括：
音频数据获取模块，用于获取第一个体的音频数据；
声纹特征获取模块，用于获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；
语音转换结果生成模块，用于将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于声纹编码器的语音转换方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于声纹编码器的语音转换方法。
本发明实施例的技术方案，通过获取第一个体的音频数据；再获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。本技术方案，能够实现第一个体到第二个体的语音转换，且保留了第一个体的说话习惯，并能轻易切换第一个体和第二个体。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于声纹编码器的语音转换方法的流程图；
图2是根据本发明实施例一提供的一种基于声纹编码器的语音转换方法的流程图；
图3是根据本发明实施例二提供的一种基于声纹编码器的语音转换方法的流程图；
图4是根据本发明实施例二提供的一种基于声纹编码器的语音转换方法的对抗网络流程图；
图5是根据本发明实施例三提供的一种基于声纹编码器的语音转换装置的结构示意图；
图6是实现本发明实施例的一种基于声纹编码器的语音转换方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种基于声纹编码器的语音转换方法的流程图，本实施例可适用于语音转换的情况，该方法可以由基于声纹编码器的语音转换装置来执行，该基于声纹编码器的语音转换装置可以采用硬件和/或软件的形式实现，该基于声纹编码器的语音转换装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
S110，获取第一个体的音频数据。
其中，所述第一个体可以是源说话人，例如语音转换需要把源说话人的语音转换成带有目标说话人音色的语音，第一个体可以切换，从一个源说话人切换成另一个源说话人。所述音频数据可以是数字化的声音数据，例如我们手机上的录音功能，录下的音频并存储在手机上的可以是音频数据。
S120，获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的。
其中，所述第二个体可以是目标说话人，例如语音转换需要把源说话人的语音转换成带有目标说话人音色的语音，第二个体可以切换，从一个目标说话人切换成另一个目标说话人。所述声纹特征可以是声纹图谱中明显且稳定的特征，可以用电声学仪器显示且携带言语信息的声波频谱，例如第二个体的清晰的声纹图谱中，共振峰的频率值及其走向可以是声纹特征。所述声纹编码器可以是神经网络，其作用是提取声纹的声纹特征，例如其可以是LSTM网络或RESNET网络，可采用等错误率(EER)作为声纹编码器的评价指标。
本实施例中，第二个体的声纹特征通过预先训练的声纹编码器获得，取得的声纹特征更具有代表性，更能代表第二个体的声纹信息。
本实施例中，优选的，获取第二个体的声纹特征，如图2所示，包括：
S210，获取第二个体的音频数据；
S220，对所述第二个体的音频数据进行降噪和静默片段去除的预处理，得到预处理结果；
其中，所述降噪可以是降低音频数据中的噪声，例如音频数据中含有风声，鸣笛声等，对这些噪声做消除或降低处理。所述静默片段可以是没有声音的片段，例如音频数据中，两句话中间的沉默阶段。
S230，将所述预处理结果输入至预先训练的声纹编码器，得到所述第二个体的声纹特征；
或者，包括：获取第二个体的身份信息；根据所述第二个体的身份信息，对已存储的声纹特征进行匹配；其中，所述已存储的声纹特征是与身份信息进行关联存储的；若匹配成功，则将匹配成功的声纹信息确定为第二个体的声纹特征。
其中，所述身份信息可以是包含第二个体声纹特征的信息集，可以是第二个体的姓名、性别、声纹特征、电话、指纹、住址等信息，例如执法机关采集到的犯罪嫌疑人信息，其中包括声纹特征。
本方案中，通过对第二个体的音频数据进行预处理，再输入预先训练的声纹编码器，得到了准确的声纹特征；或者，直接从身份信息中提取声纹特征，方便且快捷。
S130，将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。
其中，所述语音转换模型可以进行语音转换，例如语音转换模型经过训练后，只需输入第一个体的音频数据和第二个体的声纹特征，就可得到第一个体到第二个体的语音转换结果。所述编码可以是语音转换模型进行语音转换中的一种数据格式，经过特定处理可得到第一个体到第二个体的语音。
在本实施例中，可选的，所述语音转换模型的训练过程，包括：获取预设数量的音频训练数据，得到音频训练数据集；从所述音频训练数据集中构建输入信息对；其中，所述每个输入信息对由一个第一个体的音频数据和一个第二个体的音频数据构成；所述第一个体的音频数据和所述第二个体的音频数据具有相同文本内容；基于所述输入信息训练语音转换模型。
具体的，获取一定数量说话人的具有相同文本的音频数据作为输入信息集合，输入信息集合中句子的数量和每个句子的时长可以预先设定，然后基于这些输入信息集合训练语音转换模型。
示例性的，说话人的总数量不少于500，每个说话人都可作为第一个体和第二个体，每个说话人句子不少于400，每句话不少于5秒。
本方案中，通过有着相同文本的语音文本对数据集训练语音转换模型，并且数据集中说话人数量很多，使整个语音转换系统更稳定。
本发明实施例的技术方案，通过获取第一个体的音频数据；再获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。本技术方案，能够实现第一个体到第二个体的语音转换，且保留了第一个体的说话习惯，并能够实现对第一个体和第二个体的任意切换。
在本实施例中，可选的，在得到由第一个体到第二个体的语音转换结果之后，所述方法还包括：获取所述语音转换结果的音频内容评价结果、声纹特征评价结果以及流畅度评价结果中的至少一种，得到所述语音转换结果的综合分值；根据所述综合分值对所述预先训练的语音转换模型进行调整。
其中，所述音频内容可以是一段音频，是带有第一个体说话习惯和第二个体音色的音频。所述流畅度可以是语音流畅程度，例如磕磕巴巴的语音流畅度比较差，语速快且清晰的语音流畅度比较好。
示例性的，音频内容占5分，由语音识别模型或者人耳直接判断，评分按照文本内容完成度百分比完成。声纹特征占5分，随机抽取第二个体的四个音频和转换后的音频混合五个一组，不标明音频来源。让评价人找出每组中不是第二个体音色的音频，按照找出的转换音频数量对其进行加权评分。流畅度占5分，随机抽取第一个体音频、第二个体音频和转换音频组成总数为五的音频组，不标明音频来源。评价人对音频组的每一个音频进行流畅度打分。最后按照评价人对第一个体和第二个体音频语音流畅度的打分对评价人对转换音频的打分进行调整，得到最后的语音流畅度打分。
本方案中，通过对音频内容、声纹特征和流畅度的打分，得到第一个体到第二个体的语音转换结果的评价，进而可以对语音转换模型进行调整，获得更好的语音转换结果。
实施例二
图3为本发明实施例二提供的一种基于声纹编码器的语音转换方法的流程图，本实施例以上述实施例为基础进行优化。如图3所示，本实施例的方法具体包括如下步骤：
S310，获取第一个体的音频数据。
S320，获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的。
S330，将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型的混合编码器，以对所述第一个体的音频数据和所述声纹特征进行混合，得到对抗网络输入数据。
其中，所述混合编码器可以是具有插入数据功能的编码器，例如混合编码器可将音频数据编码为对抗网络输入数据，并在输入数据中插入声纹特征。所述对抗网络可以是深度学习模型，通过生成模型和判别模型的相互博弈来学习从而产生相当好的输出，例如对抗网络中的生成模型指给定某种隐含信息，随机产生观测数据；判别模型指输入变量，通过某种模型来产生预测。生成模型的目标是生成尽量真实的数据欺骗判别网络，而判别网络的数据是尽量把生成模型生成的数据和真实的数据区分开，这样形成一个动态博弈的过程去训练整个网络。
S340，将所述对抗网络输入数据输入至预设对抗网络，得到第二个体的梅尔特征。
其中，所述梅尔特征可以是梅尔频谱特征，例如将音频信号进行分帧、加窗，进行快速傅里叶变换得到频谱后，再通过梅尔刻度设计的三角形滤波器组得到的就是梅尔频谱，从中提取到梅尔频谱特征。
本实施例中，优选的，如图4所示，所述对抗网络包括至少一个生成器和至少一个判别器；所述生成器用于生成第二个体的梅尔特征；所述判别器用于根据所述第一个体的音频数据和所述声纹特征对所述第二个体的梅尔特征进行验证。
具体的，训练对抗网络的过程可以是生成器生成第二个体的梅尔特征，判别器利用真实数据，即第一个体的音频数据和第二个体的声纹特征对梅尔特征进行验证，经过一定量的训练，生成的梅尔特征愈发真实。
本方案中，通过对抗网络得到了更具备第二个体音色的梅尔特征。
S350，根据所述第二个体的梅尔特征对所述第一个体的音频数据的语义信息进行转换，得到语音转换结果。
其中，所述语义信息可以是信息集合，是保留了第一个体说话习惯的信息集合，是要经过语音转换模型训练才能从第一个体的音频数据中提炼出来。
本实施例中，优选的根据所述第二个体的梅尔特征对所述第一个体的音频数据的语义信息进行转换，得到语音转换结果，包括：利用声码器模型对所述第二个体的梅尔特征进行转换，得到音频时域信号。
所述声码器模型可以是一种转换模型，可以是基于生成对抗网络的模型、基于自回归的模型和基于扩散概率的模型，本方案中，声码器模型用来转换梅尔特征为音频的时域信号。
本方案中，借助声码器模型对梅尔特征进行转换，生成音频的时域信号，该信号可直接用于扬声器等终端发声设备。
本实施例中，将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型的混合编码器，以对所述第一个体的音频数据和所述声纹特征进行混合，得到对抗网络输入数据；将所述对抗网络输入数据输入至预设对抗网络，得到第二个体的梅尔特征；根据所述第二个体的梅尔特征对所述第一个体的音频数据的语义信息进行转换，得到语音转换结果。本实施例中，通过梅尔特征这一媒介，减少了计算负担，并保留了第一个体的说话习惯，使得输出结果更人性化。
实施例三
图5为本发明实施例三提供的一种基于声纹编码器的语音转换装置的结构示意图，该装置可执行本发明任意实施例所提供的基于声纹编码器的语音转换方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置包括：
音频数据获取模块510，用于获取第一个体的音频数据；
声纹特征获取模块520，用于获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；
语音转换结果生成模块530，用于将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。
可选的，所述语音转换结果生成模块530还包括：
对抗网络输入数据获取单元，用于将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型的混合编码器，以对所述第一个体的音频数据和所述声纹特征进行混合，得到对抗网络输入数据；
梅尔特征生成单元，用于将所述对抗网络输入数据输入至预设对抗网络，得到第二个体的梅尔特征；
语音转换结果生成单元，用于根据所述第二个体的梅尔特征对所述第一个体的音频数据的语义信息进行转换，得到语音转换结果。
可选的，所述对抗网络包括至少一个生成器模块和至少一个判别器模块；
所述生成器模块具体用于：
生成第二个体的梅尔特征；
所述判别器模块具体用于：
根据所述第一个体的音频数据和所述声纹特征对所述第二个体的梅尔特征进行验证。
可选的，所述装置还包括：
音频时域信号获取模块，用于利用声码器模型对所述第二个体的梅尔特征进行转换，得到音频时域信号。
可选的，所述装置还包括：
音频训练数据集生成模块，用于获取预设数量的音频训练数据，得到音频训练数据集；
音频训练数据集生成模块具体用于：
从所述音频训练数据集中构建输入信息对；其中，所述每个输入信息对由一个第一个体的音频数据和一个第二个体的音频数据构成；所述第一个体的音频数据和所述第二个体的音频数据具有相同文本内容；
语音转换模型训练模块，用于基于所述输入信息训练语音转换模型。
可选的，声纹特征获取模块520包括：
第二个体音频数据获取单元，用于获取第二个体的音频数据；
预处理单元，用于对所述第二个体的音频数据进行降噪和静默片段去除的预处理，得到预处理结果；
第二个体声纹特征生成单元，用于将所述预处理结果输入至预先训练的声纹编码器，得到所述第二个体的声纹特征；
或者，包括：
第二个体身份信息获取单元，用于获取第二个体的身份信息；
声纹特征匹配单元，用于根据所述第二个体的身份信息，对已存储的声纹特征进行匹配；其中，所述已存储的声纹特征是与身份信息进行关联存储的；
第二个体声纹特征确定单元，用于若匹配成功，则将匹配成功的声纹信息确定为第二个体的声纹特征。
可选的，所述装置还包括：
综合分值获取模块，用于获取所述语音转换结果的音频内容评价结果、声纹特征评价结果以及流畅度评价结果中的至少一种，得到所述语音转换结果的综合分值；
语音转换模型调整模块，用于根据所述综合分值对所述预先训练的语音转换模型进行调整。
本发明实施例所提供的一种基于声纹编码器的语音转换装置可执行本发明任意实施例所提供的一种基于声纹编码器的语音转换方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如方法XXX。
在一些实施例中，方法基于声纹编码器的语音转换可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法基于声纹编码器的语音转换的一个或多个步骤。备选地，在其他实施例中，处理器11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基于声纹编码器的语音转换。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于声纹编码器的语音转换方法，其特征在于，所述方法包括：
获取第一个体的音频数据；
获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；
将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。
2.根据权利要求1所述的方法，其特征在于，将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果，包括：
将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型的混合编码器，以对所述第一个体的音频数据和所述声纹特征进行混合，得到对抗网络输入数据；
将所述对抗网络输入数据输入至预设对抗网络，得到第二个体的梅尔特征；
根据所述第二个体的梅尔特征对所述第一个体的音频数据的语义信息进行转换，得到语音转换结果。
3.根据权利要求2所述的方法，其特征在于，所述对抗网络包括至少一个生成器和至少一个判别器；
所述生成器用于生成第二个体的梅尔特征；
所述判别器用于根据所述第一个体的音频数据和所述声纹特征对所述第二个体的梅尔特征进行验证。
4.根据权利要求2所述的方法，其特征在于，根据所述第二个体的梅尔特征对所述第一个体的音频数据的语义信息进行转换，得到语音转换结果，包括：
利用声码器模型对所述第二个体的梅尔特征进行转换，得到音频时域信号。
5.根据权利要求1所述的方法，其特征在于，所述语音转换模型的训练过程，包括：
获取预设数量的音频训练数据，得到音频训练数据集；
从所述音频训练数据集中构建输入信息对；其中，所述每个输入信息对由一个第一个体的音频数据和一个第二个体的音频数据构成；所述第一个体的音频数据和所述第二个体的音频数据具有相同文本内容；
基于所述输入信息训练语音转换模型。
6.根据权利要求1所述的方法，其特征在于，获取第二个体的声纹特征，包括：
获取第二个体的音频数据；
对所述第二个体的音频数据进行降噪和静默片段去除的预处理，得到预处理结果；
将所述预处理结果输入至预先训练的声纹编码器，得到所述第二个体的声纹特征；
或者，包括：
获取第二个体的身份信息；
根据所述第二个体的身份信息，对已存储的声纹特征进行匹配；其中，所述已存储的声纹特征是与身份信息进行关联存储的；
若匹配成功，则将匹配成功的声纹信息确定为第二个体的声纹特征。
7.根据权利要求1所述的方法，其特征在于，在得到由第一个体到第二个体的语音转换结果之后，所述方法还包括：
获取所述语音转换结果的音频内容评价结果、声纹特征评价结果以及流畅度评价结果中的至少一种，得到所述语音转换结果的综合分值；
根据所述综合分值对所述预先训练的语音转换模型进行调整。
8.一种基于声纹编码器的语音转换装置，其特征在于，所述装置包括：
音频数据获取模块，用于获取第一个体的音频数据；
声纹特征获取模块，用于获取第二个体的声纹特征；其中，所述第二个体的声纹特征是采用预先训练的声纹编码器输出得到的；
语音转换结果生成模块，用于将所述第一个体的音频数据和所述声纹特征输入至预先训练的语音转换模型，以供所述语音转换模型基于所述第一个体的音频数据和所述声纹特征的编码结果，得到由第一个体到第二个体的语音转换结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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中任一项所述的基于声纹编码器的语音转换方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于声纹编码器的语音转换方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210669839.9A CN115064177A (zh) | 2022-06-14 | 2022-06-14 | 基于声纹编码器的语音转换方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210669839.9A CN115064177A (zh) | 2022-06-14 | 2022-06-14 | 基于声纹编码器的语音转换方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115064177A true CN115064177A (zh) | 2022-09-16 |
Family
ID=83199739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210669839.9A Pending CN115064177A (zh) | 2022-06-14 | 2022-06-14 | 基于声纹编码器的语音转换方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115064177A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3113175A1 (en) * | 2015-07-02 | 2017-01-04 | Thomson Licensing | Method for converting text to individual speech, and apparatus for converting text to individual speech |
| CN109559736A (zh) * | 2018-12-05 | 2019-04-02 | 中国计量大学 | 一种基于对抗网络的电影演员自动配音方法 |
| CN109637551A (zh) * | 2018-12-26 | 2019-04-16 | 出门问问信息科技有限公司 | 语音转换方法、装置、设备及存储介质 |
| CN111247585A (zh) * | 2019-12-27 | 2020-06-05 | 深圳市优必选科技股份有限公司 | 语音转换方法、装置、设备及存储介质 |
| CN111445900A (zh) * | 2020-03-11 | 2020-07-24 | 平安科技（深圳）有限公司 | 一种语音识别的前端处理方法、装置及终端设备 |
| CN111566655A (zh) * | 2018-01-11 | 2020-08-21 | 新智株式会社 | 多种语言文本语音合成方法 |
| CN111696520A (zh) * | 2020-05-26 | 2020-09-22 | 深圳壹账通智能科技有限公司 | 智能配音方法、装置、介质及电子设备 |
| CN112382271A (zh) * | 2020-11-30 | 2021-02-19 | 北京百度网讯科技有限公司 | 语音处理方法、装置、电子设备和存储介质 |
| CN112466316A (zh) * | 2020-12-10 | 2021-03-09 | 青海民族大学 | 一种基于生成对抗网络的零样本语音转换系统 |
| CN112863529A (zh) * | 2020-12-31 | 2021-05-28 | 平安科技（深圳）有限公司 | 基于对抗学习的说话人语音转换方法及相关设备 |
| CN113571039A (zh) * | 2021-08-09 | 2021-10-29 | 北京百度网讯科技有限公司 | 语音转换方法、系统、电子设备及可读存储介质 |
-
2022
- 2022-06-14 CN CN202210669839.9A patent/CN115064177A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3113175A1 (en) * | 2015-07-02 | 2017-01-04 | Thomson Licensing | Method for converting text to individual speech, and apparatus for converting text to individual speech |
| CN111566655A (zh) * | 2018-01-11 | 2020-08-21 | 新智株式会社 | 多种语言文本语音合成方法 |
| CN109559736A (zh) * | 2018-12-05 | 2019-04-02 | 中国计量大学 | 一种基于对抗网络的电影演员自动配音方法 |
| CN109637551A (zh) * | 2018-12-26 | 2019-04-16 | 出门问问信息科技有限公司 | 语音转换方法、装置、设备及存储介质 |
| CN111247585A (zh) * | 2019-12-27 | 2020-06-05 | 深圳市优必选科技股份有限公司 | 语音转换方法、装置、设备及存储介质 |
| CN111445900A (zh) * | 2020-03-11 | 2020-07-24 | 平安科技（深圳）有限公司 | 一种语音识别的前端处理方法、装置及终端设备 |
| CN111696520A (zh) * | 2020-05-26 | 2020-09-22 | 深圳壹账通智能科技有限公司 | 智能配音方法、装置、介质及电子设备 |
| CN112382271A (zh) * | 2020-11-30 | 2021-02-19 | 北京百度网讯科技有限公司 | 语音处理方法、装置、电子设备和存储介质 |
| CN112466316A (zh) * | 2020-12-10 | 2021-03-09 | 青海民族大学 | 一种基于生成对抗网络的零样本语音转换系统 |
| CN112863529A (zh) * | 2020-12-31 | 2021-05-28 | 平安科技（深圳）有限公司 | 基于对抗学习的说话人语音转换方法及相关设备 |
| CN113571039A (zh) * | 2021-08-09 | 2021-10-29 | 北京百度网讯科技有限公司 | 语音转换方法、系统、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10997764B2 (en) | Method and apparatus for generating animation | |
| CN110457432B (zh) | 面试评分方法、装置、设备及存储介质 | |
| CN109767765A (zh) | 话术匹配方法及装置、存储介质、计算机设备 | |
| US11475897B2 (en) | Method and apparatus for response using voice matching user category | |
| CN105489221B (zh) | 一种语音识别方法及装置 | |
| CN110265040A (zh) | 声纹模型的训练方法、装置、存储介质及电子设备 | |
| CN109545193B (zh) | 用于生成模型的方法和装置 | |
| CN107818798A (zh) | 客服服务质量评价方法、装置、设备及存储介质 | |
| CN114416934B (zh) | 多模态的对话生成模型的训练方法、装置及电子设备 | |
| CN111081280B (zh) | 与文本无关的语音情感识别方法及装置、用于识别情感的算法模型的生成方法 | |
| WO2021047319A1 (zh) | 基于语音的个人信用评估方法、装置、终端及存储介质 | |
| CN111433847A (zh) | 语音转换的方法及训练方法、智能装置和存储介质 | |
| KR20220064940A (ko) | 음성 생성 방법, 장치, 전자기기 및 저장매체 | |
| US9613616B2 (en) | Synthesizing an aggregate voice | |
| CN117493830A (zh) | 训练数据质量的评估、评估模型的生成方法、装置及设备 | |
| CN112133289B (zh) | 声纹鉴定模型训练、声纹鉴定方法、装置、设备及介质 | |
| CN117171310A (zh) | 数字人的交互方法、装置、电子设备及存储介质 | |
| US20230081543A1 (en) | Method for synthetizing speech and electronic device | |
| US20230015112A1 (en) | Method and apparatus for processing speech, electronic device and storage medium | |
| KR102583434B1 (ko) | 음성 상담의 품질 평가 방법 및 시스템 | |
| CN115064177A (zh) | 基于声纹编码器的语音转换方法、装置、设备及介质 | |
| CN114999440A (zh) | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 | |
| CN114049875A (zh) | 一种tts播报方法、装置、设备以及存储介质 | |
| Kafle et al. | Modeling Acoustic-Prosodic Cues for Word Importance Prediction in Spoken Dialogues | |
| CN105376409B (zh) | 一种基于手机端的钢琴调音系统 |
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 |