CN115831089B - 声学特征的确定方法、装置、设备、介质及产品 - Google Patents

Abstract

本公开一种声学特征的确定方法、装置、设备、介质及产品，涉及计算机技术领域，尤其涉及语音处理、深度学习、人工智能技术领域。具体实现方案为：获取待提取声学特征的文本；为所述文本添加语音特征，并确定所述文本对应的语义特征；基于所述语义特征以及所述语音特征，确定所述文本对应的声学特征。本公开能够在确定文本的声学特征时，为待提取声学特征的文本添加语音特征，以丰富文本在发音方面的特征信息，并将语义特征以及语音特征相结合，通过二者结合的特征确定文本对应的声学特征，使文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

Description

声学特征的确定方法、装置、设备、介质及产品

本申请为分案申请，原申请的申请号为202111612005.6，申请日为2021年12月27日，发明名称为“声学特征的确定方法、装置、设备、介质及产品”。

技术领域

本公开涉及计算机技术领域，尤其涉及语音处理、深度学习、人工智能技术领域。

背景技术

随着人工智能技术的飞速发展，语音合成作为实现人机语音交互系统的核心技术之一，是语音处理技术中一个重要的方向。语音合成，又称文语转换，通过一定的规则或模型算法将文本转换为语音并朗读播报。语音合成将文本转换成声学特征，再将声学特征转换成语音音频。

相关技术中，为了改善声学模型的质量，提高模型的学习效果，声学模型利用文本的语义信息对模型进行改进，例如，重音、声调的标注，语法结构树等，对模型输入文本的语义特征进行补充。

发明内容

本公开提供了一种用于声学特征的确定的方法、装置、设备、介质及产品。

根据本公开的一方面，提供了一种声学特征的确定方法，包括：获取待提取声学特征的文本；为所述文本添加语音特征，并确定所述文本对应的语义特征；基于所述语义特征以及所述语音特征，确定所述文本对应的声学特征。

根据本公开的另一方面，提供了一种声学特征的确定装置，包括：获取模块，用于获取待提取声学特征的文本；确定模块，用于为所述文本添加语音特征，并确定所述文本对应的语义特征，基于所述语义特征以及所述语音特征，确定所述文本对应的声学特征。

根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的声学特征的确定方法。

根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的声学特征的确定方法。

根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一项所述的声学特征的确定方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的声学特征的确定方法的流程示意图；

图2是根据本公开的为文本添加语音特征方法的流程示意图；

图3是根据本公开的训练自解码模型方法的流程示意图；

图4是根据本公开的基于语义特征以及语音特征，确定文本对应的声学特征方法的流程示意图；

图5是根据本公开的基于语音特征对语义特征进行调整方法的流程示意图；

图6是根据本公开的声学特征的确定装置的框图；

图7是用来实现本公开实施例的声学特征的确定方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

语音技术，包括自动语音识别技术和语音合成技术等，是人机交互的重要组成部分，作为人机交互方式之一，语音具有明显的优势。

相关技术中，语音合成的实现基于声学模型和声码器，其中，声学模型将文本或音素转换成声学特征，声码器将声学特征转换成语音音频。对文本提取声学特征时，通过一些方式，对文本的语义相关信息进行补充，以实现文本和声学特征更好的对应。可以抵御文本进行语义信息方面的分析，例如，对于文本进行重音、声调的标注，或者，利用表征文本中语法结构的语法结构树，输入文本的语义特征等方式，实现语义特征的补充。

声音特征最终将转化为语音进行播报，朗读文本时的发音信息、发声习惯等语音信息，对于确定声学特征存在影响。例如，发音相似的音节，对应在声学特征的空间分布中，特征距离较近，文本的语义特征信息无法反应距离相近的声学特征的位置关系。

鉴于此，本公开实施例提供了一种声学特征的确定方法，通过在确定文本的声学特征时，为文本添加语音特征，并将语义特征以及语音特征相结合，使文本与声学特征更好地对应，使文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

图1是根据本公开的声学特征的确定方法的流程示意图。如图1所示，本公开的声学特征的确定方法包括以下步骤。

在步骤S101中，获取待提取声学特征的文本。

语音合成的过程是将文本转换成对应的语音，以进行语音的播报。在本公开实施例中，待提取声学特征的文本可以是文字，也可以是文字对应的音素序列。

在步骤S102中，为文本添加语音特征，并确定文本对应的语义特征。

在本公开实施例中，将文本或音素转换成声学特征，再将声学特征转换成语音音频，并进行语音音频的播放，从而实现语音合成。文本对应的语义特征，即文本中包括的文字在语言表达方面的含义。语义信息特征，例如句式信息、重音、情感、词向量信息等，可以通过如下方式确定语义特征。例如，对文本进行重音、语调等的标注。还可以通过对文本语句进行推导，对语句结构、语句进行语法结构树的表示。还可以通过文本分析或者从预训练模型中抽取词的特征向量表征，例如，通过统计的方法获得词频等词特征，再利用文本分析的方法生成词特征向量；从机器学习任务中抽取编码器输出作为词向量，利用GloVe、Bert模型抽取词向量，将词向量作为语义特征。

文本的语音特征，是文本被发声朗读时，发音、发声习惯等与文本对应的声音相关特征。可以理解地，在确定文本对应的声学特征时，文本的语音特征无法通过语义特征反应，语音特征是与文本相关的、与语义特征不同维度的特征。

在步骤S103中，基于语义特征以及语音特征，确定文本对应的声学特征。

在本公开实施例中，可以通过声学模型确定文本对应的声学特征，文本的语义特征以及为文本添加的语音特征，作为声学模型的输入的补充，使声学模型的输入中包括文本的语义以及文本的语音特征。

根据本公开实施例提供的声学特征的确定方法，为待提取声学特征的文本添加语音特征，以丰富文本在发音方面的特征信息，并将语义特征以及语音特征相结合，利用语义特征以及语音特征的结合确定文本对应的声学特征，使文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

图2是根据本公开的为文本添加语音特征方法的流程示意图。如图2所示，该方法包括以下步骤。

在步骤S201中，通过自解码模型对文本的音频数据进行自解码，音频数据为文本通过声音进行呈现时产生的。

在本公开实施例中，将说话人通过声音进行对应文本的呈现，作为该文本对应的音频数据。也即，说话人出声诵读文本，例如通过对文本的朗诵或者背诵等形式，产生的音频数据。自解码模型为利用反向传播算法使输出值等于输入值的神经网络，包括编码器以及解码器。编码器将文本的音频数据作为输入，压缩得到词级别隐向量，自解码模型的解码器通过解码，将隐向量重构输出，输出仍为音频数据。可以理解地，自编码模型自我监督学习过程中，不涉及文本，编码器得到的词级别隐向量只包含语音特征。

在步骤S202中，提取自解码模型对文本的音频数据进行自解码过程中对音频数据进行编码得到的词级别隐向量。

在步骤S203中，将词级别隐向量作为音频数据的语音特征，添加至文本中。

文本的音频数据与文本存在对应关系，上述自解码模型对音频数据进行编码，压缩得到词级别隐向量。在本公开实施例中，为文本添加语音特征时，通过提取该词级别隐向量，以得到文本的语音特征。即将词级别隐向量作为音频数据的语音特征，添加至文本中。

根据本公开实施例提供的声学特征的确定方法，提取自解码模型对文本的音频数据进行自解码过程中，对音频数据进行编码得到的词级别隐向量，由于自解码模型不涉及文本，故编码器压缩得到的词级别隐向量只包含语音特征。且自解码模型的输入与输出均为音频数据，使通过自解码模型提取的词界别隐向量更具有价值属性，更准确表达语音特征，将该词界别隐向量作为文本的语音特征，能够使确定文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

图3是根据本公开的训练自解码模型方法的流程示意图。如图3所示，该方法包括以下步骤。

在步骤S301中，获取文本通过声音进行呈现时的音频数据样本，音频数据样本中包括多个不同朗读者朗读文本的音频数据。

提取自解码模型对文本的音频数据进行编码得到的词级别隐向量，将词级别隐向量作为音频数据的语音特征，添加至文本中，以为待提取声学特征的文本添加语音特征。

在步骤S302中，将音频数据样本输入至初始自解码模型中，通过初始自解码模型中的编码器对音频数据进行编码，得到音频数据对应的词级别隐向量。

在步骤S303中，通过初始自解码模型的解码器对词级别隐向量进行解码，得到音频数据的解码音频数据。

在步骤S304中，根据解码音频数据与解码音频数据，对初始自解码模型进行训练，直至训练结果满足训练结束条件，得到自解码模型。

本公开实施例中的训练自解码模型可以通过以下方式训练得到。在训练自解码模型时，将多个不同朗读者朗读文本的音频数据作为自解码模型的音频数据样本，输入自解码模型。可以理解地，多个不同朗读者朗读相同文本的音频数据，其音色、发音习惯等存在不同，自解码模型可以学习到对应于相同文本的多个音频数据的语音特征。

将多个不同朗读者朗读文本的音频数据输入至初始自解码模型中，通过初始自解码模型中的编码器对音频数据进行编码，压缩得到音频数据对应的词级别隐向量。初始自解码模型的解码器对词级别隐向量进行解码，得到解码音频数据。根据音频数据与解码音频数据，对初始自解码模型进行训练，直至训练结果满足训练结束条件，得到训练好的自解码模型。可以理解地，训练结束条件可以根据实际情况自行设定，本公开实施例对此不作限定。

根据本公开实施例提供的自解码模型训练方法，通过获取多个不同朗读者朗读文本的音频数据文本通过声音进行呈现时的音频数据样本，对自解码模型进行训练，训练结果满足训练结束条件时得到训练好的自解码模型，确保了自解码模型对于语音特征的提取，为基于语音特征确定文本对应的声学特征奠定了基础。

图4是根据本公开的基于语义特征以及语音特征，确定文本对应的声学特征方法的流程示意图，如图4所示，该方法包括以下步骤。

在步骤S401中，基于语音特征对语义特征进行调整，得到包含语音特征的语义特征。

在步骤S402中，基于包含语音特征的语义特征，确定文本对应的声学特征。

在本公开实施例中，可以通过语义模型确定文本对应的语义特征，例如，可以利用Bert(Bidirectional encoder representations from transformers，变换的双向编码器表示)模型、GloVe模型等实现。以Bert模型为例，Bert模型是一种无监督的自然语言处理(NaturalLanguage Processing，NLP)训练模型，其结构上是Transformer工具的编码部分。对BERT模型框架的训练在具体任务中可包含模型预训练和模型微调(fine-tune)两个阶段，在模型预训练阶段，可使用大量数据训练对模型进行无监督的训练，在模型微调阶段是针对具体的任务对模型微调，以达到好的效果。

在本公开实施例中，Bert模型的输入为文本，对输入的文本进行特征抽取，输出抽取后的Bert embedding，Bert embedding为词向量，将Bert embedding作为待提取声学特征文本的语义特征。并提取自解码模型对待提取声学特征文本的音频数据进行编码得到的词级别隐向量，将词级别隐向量作为音频数据的语音特征。基于包含语音特征的隐向量，对表征语义特征的Bert embedding进行调整，即将从自解码模型提取的词级别隐向量作为目标特征，对Bert embedding进行调整，使调整后的Bert embedding包含语音特征。

根据本公开实施例提供的确定文本对应的声学特征方法，通过基于语音特征对语义特征进行调整，得到包含语音特征的语义特征，并基于包含语音特征的语义特征，确定文本对应的声学特征，能够实现将语义特征以及语音特征相结合，利用语义特征以及语音特征的结合确定文本对应的声学特征，确定文本对应的声学特征，使确定的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

图5是根据本公开的基于语音特征对语义特征进行调整方法的流程示意图，如图5所示，该方法包括以下步骤。

在步骤S501中，确定对文本进行特征提取得到语义特征的语义模型。

在步骤S502中，计算语义特征与语音特征的损失函数值，并基于损失函数值，按照由语义模型输出层至输入层的顺序，确定神经网络的参数梯度，以调整语义模型。

在步骤S503中，通过调整后的语义模型，对文本进行特征抽提取，得到调整后的语义特征。

在本公开实施例中，可以通过Bert模型确定文本对应的语义特征，将待提取声学特征的文本输入Bert模型，输出抽取后的Bert embedding，作为文本的语义特征。可以理解地，输出的Bert embedding为词向量，包含文本的语义特征。通过自解码模型对待提取声学特征文本的音频数据进行编码得到的词级别隐向量，该词级别隐向量包含文本的语音特征。使用损失函数计算Bert embedding和词级别隐向量之间的损失函数值，进而根据每轮计算出的损失函数值。通过后向传播，即依据微积分中的链式法则，沿模型从输出层到输入层的顺序，依次计算、存储目标函数有关神经网络各层的中间变量，以及调整Bert模型中的参数梯度，实现对Bert模型的调整。本公开实施例中，对于调整Bert模型的损失函数不作限定。经调整后的Bert模型，在进行推理时，对于输入的文本，能够输出文本对应的包含语音特征的语义特征。

根据本公开实施例提供的确定文本对应的声学特征方法，通过基于语音特征对语义特征进行调整，得到包含语音特征的语义特征，并基于包含语音特征的语义特征，确定文本对应的声学特征，能够实现将语义特征与语音特征相结合以确定文本对应的声学特征，使确定的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

在一种实施方式中，可以是通过训练自解码模型、Bert模型以及声学模型，以用于确定待提取声学特征的文本。训练模型时，使用多个不同朗读者的音频数据训练自解码模型，使自解码模型学习到对应于不同朗读者音频数据的语音特征，自解码模型包括编码器以及解码器，通过编码器对音频数据进行编码，得到词级别隐向量，该词级别隐向量是包含语音特征的向量。通过解码器对词级别隐向量进行解码，解码得到音频。自解码模型训练好后，提取自解码模型对音频数据进行编码得到的词级别隐向量。通过用于训练自解码模型的音频数据，能够获取音频数据对应的文本。将训练自解码模型的音频数据对应的文本，输入至语义特征提取模型，如Bert模型。Bert模型对输入的文本进行特征抽取，输出抽取后的Bert embedding，Bert embedding为表征文本语义特征的词向量。将自解码模型提取的词级别隐向量作为目标特征，对Bert embedding进行微调，使调整后的Bert模型输出的Bertembedding包含语音特征，以通过Bert模型实现文本到音频的映射关系。对Bert embedding进行微调的过程，可以使用损失函数计算Bert embedding和词级别隐向量之间的损失函数值，进而根据每轮计算出的损失函数值通过反向传播，调整Bert模型中的参数。调整后的Bert模型，在进行推理时，对于输入的文本，能够输出文本对应的包含语音特征的语义特征。将调整后的Bert输出的Bert embedding拼接在声学模型的输入端，作为声学模型的附加输入，使声学模型的输入中包括文本的语义特征，以及文本的声学特征。

根据本公开实施例，通过语音特征以及语义特征确定文本对应的声学特征，使文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

基于相同的构思，本公开实施例还提供一种声学特征的确定装置。

可以理解的是，本公开实施例提供的声学特征的确定装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。

图6是根据本公开的声学特征的确定装置的框图。

如图6所示，本公开实施例的声学特征的确定装置600，包括：获取模块601和确定模块602。

获取模块601，用于获取待提取声学特征的文本。

确定模块602，用于为文本添加语音特征，并确定文本对应的语义特征，基于语义特征以及语音特征，确定文本对应的声学特征。

在本公开示例性的实施方式中，确定模块602还用于：通过自解码模型对文本的音频数据进行自解码，音频数据为文本通过声音进行呈现时产生的；提取自解码模型对文本的音频数据进行自解码过程中对音频数据进行编码得到的词级别隐向量；将词级别隐向量作为音频数据的语音特征，添加至文本中。

本公开示例性的实施方式中，自解码模型采用如下方式训练得到：获取文本通过声音进行呈现时的音频数据样本，音频数据样本中包括多个不同朗读者朗读文本的音频数据；将音频数据样本输入至初始自解码模型中，通过初始自解码模型中的编码器对音频数据进行编码，得到音频数据对应的词级别隐向量；通过初始自解码模型的解码器对词级别隐向量进行解码，得到音频数据的解码音频数据；根据音频数据与解码音频数据，对初始自解码模型进行训练，直至训练结果满足训练结束条件，得到自解码模型。

在本公开示例性的实施方式中，确定模块602还用于：基于语音特征对语义特征进行调整，得到包含语音特征的语义特征；基于包含语音特征的语义特征，确定文本对应的声学特征。

在本公开示例性的实施方式中，确定模块602还用于：确定对文本进行特征提取得到语义特征的语义模型；计算语义特征与语音特征的损失函数值，并基于损失函数值，按照由语义模型输出层至输入层的顺序，确定神经网络的参数梯度，以调整语义模型；通过调整后的语义模型，对文本进行特征抽提取，得到调整后的语义特征。

综上，根据本公开实施例的声学特征的确定装置，在确定文本的声学特征时，为待提取声学特征的文本添加语音特征，以丰富文本在发音方面的特征信息，并将语义特征以及语音特征相结合，通过二者结合的特征确定文本对应的声学特征，使文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如声学特征的确定。例如，在一些实施例中，声学特征的确定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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的声学特征的确定的一个或多个步骤。备选地，在其他实施例中，计算单元701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特征的确定。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开实施例提供的技术方案，本公开能够在确定文本的声学特征时，为待提取声学特征的文本添加语音特征，以丰富文本在发音方面的特征信息，并将语义特征以及语音特征相结合，确定文本对应的声学特征，使文本对应的声学特征更加准确，从而提高语音合成等语音处理中的音频质量。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (4)

1.一种声学特征的确定方法，包括：

获取待提取声学特征的文本；

通过自解码模型对所述文本的音频数据进行自解码，其中，所述音频数据为所述文本通过声音进行呈现时产生的；

提取所述自解码模型对所述文本的所述音频数据进行自解码过程中，对所述音频数据进行编码得到的词级别隐向量；

将所述词级别隐向量作为所述音频数据的语音特征，添加至所述文本中；

确定所述文本对应的语义特征；

确定对所述文本进行特征提取得到所述语义特征的语义模型；

计算所述语义特征与所述语音特征之间的损失函数值，并基于所述损失函数值，按照由所述语义模型输出层至输入层的顺序，通过后向传播依次计算、存储所述语义模型各层的中间变量，调整所述语义模型的参数梯度，以调整所述语义模型；

通过调整后的所述语义模型，对所述文本进行特征抽提取，得到调整后包含所述语音特征的语义特征；

基于包含所述语音特征的语义特征，确定所述文本对应的声学特征。

2.一种声学特征的确定装置，包括：

获取模块，用于获取待提取声学特征的文本；

确定模块，用于通过自解码模型对所述文本的音频数据进行自解码，其中，所述音频数据为所述文本通过声音进行呈现时产生的；

所述确定模块还用于，提取所述自解码模型对所述文本的所述音频数据进行自解码过程中，对所述音频数据进行编码得到的词级别隐向量；

所述确定模块还用于，将所述词级别隐向量作为所述音频数据的语音特征，添加至所述文本中；

所述确定模块还用于，确定所述文本对应的语义特征；

所述确定模块还用于，确定对所述文本进行特征提取得到所述语义特征的语义模型；

所述确定模块还用于，计算所述语义特征与所述语音特征之间的损失函数值，并基于所述损失函数值，按照由所述语义模型输出层至输入层的顺序，通过后向传播依次计算、存储所述语义模型各层的中间变量，调整所述语义模型的参数梯度，以调整所述语义模型；

所述确定模块还用于，通过调整后的所述语义模型，对所述文本进行特征抽提取，得到调整后的语义特征；

所述确定模块还用于，基于包含所述语音特征的语义特征，确定所述文本对应的声学特征。

3.一种电子设备，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所述的声学特征的确定方法。

4.一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所述的声学特征的确定方法。