CN116072098A - 音频信号生成方法、模型训练方法、装置、设备和介质 - Google Patents
音频信号生成方法、模型训练方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116072098A CN116072098A CN202310133936.0A CN202310133936A CN116072098A CN 116072098 A CN116072098 A CN 116072098A CN 202310133936 A CN202310133936 A CN 202310133936A CN 116072098 A CN116072098 A CN 116072098A
- Authority
- CN
- China
- Prior art keywords
- sample
- text
- noise
- feature
- information
- 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.)
- Granted
Links
- 230000005236 sound signal Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000012549 training Methods 0.000 title claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 47
- 230000008447 perception Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 28
- 238000009792 diffusion process Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012804 iterative process Methods 0.000 claims description 12
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 241000820057 Ithone Species 0.000 claims 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000008451 emotion Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
-
- 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
- G10H1/0008—Associated control or indicating means
- G10H1/0025—Automatic or semi-automatic music composition, e.g. producing random music, applying rules from music theory or modifying a musical piece
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
- G10L13/0335—Pitch control
-
- 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
- G10H2210/101—Music Composition or musical creation; Tools or processes therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种音频信号生成方法,涉及人工智能技术领域,尤其涉及深度学习、自然语言处理和音频处理等技术领域。具体实现方案为:根据输入文本信息,确定输入文本信息的文本特征;根据文本特征和噪声相关信息,确定输入文本信息的音频表示;以及根据音频表示,生成与输入文本信息相对应的目标音频信号。本公开还提供了一种深度学习模型的训练方法、装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习、自然语言处理和音频处理等技术领域。更具体地,本公开提供了一种音频信号生成方法、深度学习模型的训练方法、装置、电子设备和存储介质。
背景技术
随着人工智能技术的发展,可以基于深度学习技术来生成音频(例如音乐)。在获得了符合预定规则的文本之后,可以基于该文本生成相应的音乐。
发明内容
本公开提供了一种音频信号生成方法、深度学习模型的训练方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种音频信号生成方法,该方法包括:根据输入文本信息,确定输入文本信息的文本特征;根据文本特征和噪声相关信息,确定输入文本信息的音频表示;以及根据音频表示,生成与输入文本信息相对应的目标音频信号。
根据本公开的另一方面,提供了一种深度学习模型的训练方法,该方法包括:确定样本文本信息的样本文本特征,其中,样本文本信息与样本音频信号对应;根据样本文本特征和样本音频信号,得到样本加噪感知信息;将样本加噪感知信息和样本文本特征输入到深度学习模型,得到样本文本信息的输出音频表示;以及根据输出音频表示与样本音频信号的样本音频表示之间的差异,调整深度学习模型的参数。
根据本公开的另一方面,提供了一种音频信号生成装置,该装置包括:第一确定模块,用于根据输入文本信息,确定输入文本信息的文本特征;第二确定模块,用于根据文本特征和噪声相关信息,确定输入文本信息的音频表示;以及生成模块,用于根据音频表示,生成与输入文本信息相对应的目标音频信号。
根据本公开的另一方面,提供了一种深度学习模型的训练装置,该装置包括:第三确定模块,用于确定样本文本信息的样本文本特征,其中,样本文本信息与样本音频信号对应;第一获得模块,用于根据样本文本特征和样本音频信号,得到样本加噪感知信息;第二获得模块,用于将样本加噪感知信息和样本文本特征输入到深度学习模型,得到样本文本信息的输出音频表示;以及调整模块,用于根据输出音频表示与样本音频信号的样本音频表示之间的差异,调整深度学习模型的参数。
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根据本公开提供的方法。
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根据本公开提供的方法。
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,计算机程序在被处理器执行时实现根据本公开提供的方法。
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是根据本公开的一个实施例的可以应用音频信号生成方法和装置的示例性系统架构示意图;
图2是根据本公开的一个实施例的音频信号生成方法的流程图;
图3是根据本公开的一个实施例的确定音频表示的示意图;
图4是根据本公开的一个实施例的扩散模型的示意图;
图5是根据本公开的一个实施例的深度学习模型的训练方法的流程图;
图6是根据本公开的一个实施例的深度学习模型的示意图;
图7是根据本公开的一个实施例的音频信号生成装置的框图;
图8是根据本公开的一个实施例的深度学习模块的训练装置的框图;以及
图9是根据本公开的一个实施例的可以应用音频信号生成方法和/或深度学习模型的训练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。
在一些实施例中,上述的符合预定规则的文本与流畅的自然语言之间的差别较大。符合预定规则的文本可以包括与音乐相关的一些关键词。这些关键词可以包括音乐键(key)、节拍(meter)和风格(style)等。根据这些关键词,可以生成音乐乐谱。但多个关键词难以体现出自然语言的多样性。音乐乐谱与音乐音频也不同。需要使用音乐合成技术来将乐谱转换为音频。
在一些实施例中,可以利用基于序列和Transformer的双向编码表示(sentenceBidirectional Encoder Representation from Transformers,sentence-BERT)模型对自然语言文本和有限的音乐标签(Tag)集合分别进行编码,确定与自然语言文本最接近的音乐标签。将与该音乐标签对应音乐集合作为源音乐,并将若干个源音乐拼接,作为目标音乐。然而,仅使用一些标签集合作为输入,难以充分使用文本的多样性表述对音乐施加影响。
在一些实施例中,音乐表示可以包括符号标识和音频表示。符号表示可以是离散变量,包括多个音乐概念,如音高、持续时间、和弦等。例如,乐器数字接口(MIDI)是一种行业标准的电子通信协议,为电子乐器和其他播放设备定义音符和播放代码。该协议允许电子仪器、计算机、移动电话和其他电子设备相互连接、调整和同步,以实时交换性能信息。乐器数字接口与一系列有序的事件相关,每个事件可以控制音符的开始、结束、持续时间、速度和乐器。
图1是根据本公开一个实施例的可以应用音频信号生成方法和装置的示例性系统架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的音频信号生成方法一般可以由服务器105执行。相应地,本公开实施例所提供的音频信号生成装置一般可以设置于服务器105中。本公开实施例所提供的音频信号生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的音频信号生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的音频信号生成方法的流程图。
如图2所示,该方法200可以包括操作S210至操作S230。
在操作S210,根据输入文本信息,确定输入文本信息的文本特征。
在本公开实施例中,输入文本信息可以与自然语言文本相关。例如,自然语言文本可以是“钢琴旋律的弦音,轻轻地、温柔地倾诉心中的遐想、心中的爱恋”。
在本公开实施例中,输入文本信息可以与多个语种的自然语言文本相关。例如,多个语种的自然语言文本可以包括英文文本,也可以包括中文文本。可以理解,多个语种的自然语言文本可以为任一语种的自然语言文本,本公开对此不进行限制。
在本公开实施例中,可以利用各种方式对输入文本信息进行特征提取,确定文本特征。例如,可以将自然语言文本标记化(tokenize),得到自然语言文本的多个标记(token)。对多个标记进行编码,得到文本特征。
在操作S220,根据文本特征和噪声相关信息,确定输入文本信息的音频表示。
在本公开实施例中,音频表示可以包括:保持音乐相关信息的连续变量。音频表示可以具有丰富的声学细节(例如音色、清晰度等)。
在本公开实施例中,噪声相关信息可以包括初始噪声相关信息。例如,可以根据随机噪声确定初始噪声相关信息。
在本公开实施例中,可以将文本特征和初始噪声相关信息融合,得到初始融合结果。对融合结果进行下采样后再进行上采样,可以得到初始音频表示v1。
在操作S230,根据音频表示,生成与输入文本信息相对应的目标音频信号。
在本公开实施例中,根据初始音频表示和随机噪声,可以生成初始音频信号。例如,可以将初始音频信号作为目标音频信号。可以通过以下公式确定初始音频信号:
Pred1=z1*α1-v1*σ1 (公式一)
Pred1可以为初始音频信号,可以作为目标音频信号。z1可以为初始噪声相关信息。v1可以为初始音频表示。α1可以为第一初始预定噪声参数。σ1可以为第二初始预定噪声参数。第一初始预定噪声参数和第二初始预定噪声参数的平方和可以为
通过本公开实施例,将输入文本信息作为条件,生成了音频信号,可以利用无任何限制的文本生成音频信号。可以充分利用文本的多样性表述对文本施加影响,使得生成的音频信号可以具有与输入文本信息相近的且丰富的感情。
此外,通过本公开实施例,生成的音频信号可以作为音乐,可以被地播放,无需额外的音乐合成过程。
可以理解上文对本公开的音频信号生成方法进行了说明,下面将对确定文本特征的一些方式进行说明。
在本公开实施例中,可以对输入文本信息进行编码,得到输入文本信息的文本特征。例如,可以利用各种文本编码器对输入文本信息进行编码,得到文本特征。可以将基于深度学习的预训练模型(ERNIE)作为文本编码器。该预训练模型可以支持多个语种的自然语言文本。
在本公开实施例中,文本特征可以为序列文本特征。文本特征可以包括文本表示特征和文本类别特征。在文本特征[s0;S]中,s0可以为文本类别特征,与文本类别表示符[CLS]对应。S可以为文本表示特征集,包括M个文本表示特征。S=[s1,...,sM]且dE可以为序列文本特征的维度。sm可以为第m个文本表示特征。M可以为大于1的整数。m可以为大于1且小于M的整数。
可以理解,上文对确定文本特征的一些方式进行了说明,下面将对确定音频表示的一些方式进行进一步说明。
在一些实施例中,根据文本特征和噪声相关信息,确定输入文本信息的音频表示可以包括:根据文本类别特征和时间信息,确定文本感知特征。将文本感知特征与噪声相关信息融合,得到加噪感知特征。利用自注意力机制处理文本表示特征以及加噪感知特征,得到输入文本信息的音频表示。通过本公开实施例,充分利用了从输入文本信息中提取出的类别特征和表示特征,并利用自注意力机制进行了处理,可以使得输入文本信息中的多样性表述有效的融入到音频表示中,进而可以生成与输入文本信息更加接近的音频信号。下面将结合图3进行详细说明。
图3是根据本公开的一个实施例的确定音频表示的示意图。
如图3所示,可以将输入文本信息输入文本编码器310,得到文本表示特征S和文本类别特征s0。
时间信息可以与时间步长t对应。可以对时间步长t进行嵌入(Embedding)处理,得到时间信息et。文本类别特征s0可以与时间信息et融合(例如相加),得到文本感知特征e′t。接下来,可以将文本感知特征e′t与噪声相关信息z融合(例如拼接),得到加噪感知特征z′。接下来,可以将加噪感知特征z′和文本表示特征S输入扩散模型(Diffusion Model)320,以利用扩散模型320的自注意力模块322处理加噪感知特征z′和文本表示特征S,得到输入文本信息的音频表示v。
在本公开实施例中,利用自注意力机制处理文本表示特征以及加噪感知特征,得到输入文本信息的音频表示可以包括:根据加噪感知特征,得到查询特征。根据文本表示特征和加噪感知特征,分别得到键特征和值特征。根据查询特征、键特征和值特征,得到自注意力特征。根据自注意力特征,得到音频表示。通过本公开实施例,可以利用多头自注意力机制得到音频表示。根据文本表示特征和加噪感知特征分别获得了键特征和值特征,可以高效地利用输入文本的多样性表述来对音频表示施加影响,有助于音频信号具有更加丰富的感情。自注意力模块422的自注意力机制可以为多头自注意力机制。多头自注意力机制可以包括H个注意力头,下面将结合第h个注意力头对自注意力机制进行进一步说明。
例如,可以根据加噪感知特征和查询矩阵,得到查询特征。可以通过以下公式获得第h个查询特征Q:
例如,可以根据加噪感知特征和第一键矩阵,得到第一子键特征。根据文本表示特征和第二键矩阵,得到第二子键特征。根据第一子键特征和第二子键特征,可以得到键特征。可以通过以下公式获得第h个键特征Kh:
例如,可以根据加噪感知特征和第一值矩阵,得到第一子值特征。根据文本表示特征和第二值矩阵,得到第二子值特征。根据第一子值特征和第二子值特征,可以得到值特征。可以通过以下公式获得第h个值特征V:
例如,可以通过以下公式确定第h个自注意力特征headh:
dk可以为第h个键特征的维度。
接下来,可以根据H个自注意力特征,得到自注意力融合特征。可以通过以下公式得到自注意力融合特征:
WO可以为参数矩阵。
可以根据自注意力融合特征,得到音频表示v。
在本公开实施例中,根据噪声相关信息和第一预定噪声参数,可以确定第一音频信息。根据音频表示和第二预定噪声参数,可以确定第二音频信息。根据第一音频信息和第二音频信息之间的差异,可以确定音频信号。可以通过以下公式确定音频信号:
Pred=z*α-v*σ (公式七)
Pred可以为音频信号。α可以为第一预定噪声参数,σ可以为第二预定噪声参数。
可以理解,上文对本公开的自注意力机制进行了说明,下面将对扩散模型进行进一步说明。
在一些实施例中,扩散模型可以是基于U型网络(U-Net)模型构建的。下面将结合图4进行进一步说明。扩散模型是一种由非平衡热力学驱动的隐变量模型。通过迭代地进行正向扩散过程来逐渐破坏原始数据分布的结构,然后通过有限迭代地进行反向去噪过程来学习反转以重建原始数据。正向处理可以迭代地向数据样本添加噪声,反向处理多次对数据样本进行降噪,以生成符合真实数据分布的结果。扩散模模型可以包括条件扩散模块和非条件扩散模型。下面以条件扩散模型为示例进行进一步说明。可以理解,在本公开实施例中,条件扩散模型的条件可以为文本。
图4是根据本公开的一个实施例的扩散模型的示意图。
如图4所示,扩散模型420可以包括多级卷积模块、多级自注意力模块、下采样模块和上采样模块。多级自注意力模块可以基于多头自注意力机制进行数据处理。关于多头自注意力机制的描述,可以参考上述针对自注意力模块322的描述。接下来,以多级自注意力模块是4级为示例,对扩散模型420进行进一步说明。
可以将加噪感知特征z′输入卷积模块4211,得到第1级卷积结果。将第1级卷积结果输入卷积模块4212,可以得到第2级卷积结果。将第2级卷积结果输入卷积模块4313,可以得到第3级卷积结果。将第3级卷积结果输入下采样模块4231,可以得到下采样结果。
将下采样结果输入卷积模块4214,可以得到第4级卷积结果将第4级卷积结果和文本表示特征S输入自注意力模块4221,可以得到第1级自注意力融合特征。将第1级自注意力融合特征输入卷积模块4215,可以得到第5级卷积结果将第5级卷积结果和文本表示特征S输入自注意力模块4222,可以得到第2级自注意力融合特征。
可以将第2级自注意力融合特征和第5级卷积结果输入卷积模块4216,得到第6级卷积结果将第6级卷积结果和文本表示特征S输入自注意力模块4223,可以得到第3级自注意力融合特征。将第3级自注意力融合特征和第4级卷积结果输入卷积模块4217,可以得到第7级卷积结果将第7级卷积结果和文本表示特征S输入自注意力模块4224,可以得到第4级自注意力融合特征。
可以将第4级自注意力融合特征输入上采样模块4232,可以得到上采样结果。将上采样结果和第3级卷积结果输入卷积模块4218,可以得到第8级卷积结果。将第8级卷积结果和第2级卷积结果输入卷积模块4219,可以得到第9级卷积结果。将第9级卷积结果和第1级卷积结果输入卷积模块42110,可以得到第10级卷积结果。可以将第10级卷积结果,作为音频表示v。
可以理解,为了生成更加准确的目标音频信号,可以进行多次迭代处理。上文对本公开的说明可以作为一次迭代的说明,下面将对多次迭代的过程进行进一步说明。
在一些实施例中,噪声相关信息可以包括I个噪声相关信息。根据文本特征和噪声相关信息,确定输入文本信息的音频表示可以包括:执行I次第一迭代处理来确定输入文本信息的音频表示。I可以为大于1的整数。通过本公开实施例,在进行I次第一迭代的情况下,可以更加充分地利用输入文本信息的多样性表述,可以使得音频信号与输入文本信息的情感更加接近。
在本公开实施例中,I次第一迭代处理中的第i次第一迭代处理可以包括:在i等于1的情况下,将随机高斯噪声作为第i个噪声相关信息。例如,上述的随机噪声z0可以是随机高斯噪声。根据输入文本信息和随机噪声z0,利用上述的文本编码器310和扩散模块320,可以得到音频表示v。该音频表示v可以与随机噪声z0对应。该音频表示v可以作为第1次第一迭代处理得到的第1音频表示v1。
在一些实施例中,根据音频表示,生成与输入文本信息相对应的目标音频信号可以包括:执行I次第二迭代处理来生成与输入文本信息相对应的目标音频信号。可以理解,第一迭代处理用于生成音频表示,第二迭代处理用于生成音频信号。
在本公开实施例中,I次第二迭代处理中的第i次第二迭代处理可以包括:根据第i个噪声相关信息和第i次第一迭代处理得到的第i音频表示,确定第i音频信号。例如,根据第i个噪声相关信息和第i音频表示,可以通过以下公式确定第i音频信号:
Predi=zi*αi-vi*σi (公式八)
在i=1的情况下,zi可以为上述的随机噪声。αi可以为第i个第一预定噪声参数,σi可以为第i个第二预定噪声参数。在本公开实施例中,第一预定噪声参数可以为I个,第二预定噪声参数可以为I个。在I次迭代过程中,使用了不同的预定噪声参数,确定了音频信号,可以使得音频信号具有与输入文本信息更加接近的情感。
在本公开实施例中,I次第一迭代处理中的第i次第一迭代处理可以包括:在i=1的情况下,可以根据第1个音频信号,确定第2个噪声相关信息。例如,可以根据第1音频信号Pred1和第1个第一预定噪声参数α1,得到第2个噪声相关信息。可以通过以下公式确定第2个噪声相关信息z2:
z2=Pred1*α1 (公式九)
在本公开实施例中,在i大于1且小于或等于I的情况下,根据第i-1个音频信号,确定第i个噪声相关信息。例如,可以根据第i-1音频信号Predi-1和第i-1个第一预定噪声参数αi-1,得到第i个噪声相关信息。可以通过以下公式确定第i个噪声相关信息:
zi=Predi-1*αi-1 (公式十)
在确定第i个噪声相关信息之后,可以利用上述的公式八来确定第i音频信号。
在本公开实施例中,根据音频表示,生成与输入文本信息相对应的目标音频信号可以包括:将第I次第二迭代处理得到的第I音频信号作为目标音频信号。例如,可以将第I音频信号PredI作为目标音频信号。
可以理解,上文对本公开的音频信号生成方法进行了说明。可以利用深度学习模型来实现该音频信号生成方法,下面将对深度学习模型的训练方法进行说明。
图5是根据本公开的一个实施例的深度学习模型的训练方法的流程图。
如图5所示,该方法500可以包括操作S510至操作S540。
在操作S510,确定样本文本信息的样本文本特征。
在本公开实施例中,样本文本信息可以与自然语言文本相关。例如,自然语言文本可以是“欢快的钢琴曲”。
在本公开实施例中,样本文本信息可以与样本音频信号对应。例如,在线音乐播放平台中,用户可以对平台上的某个音乐进行评价。可以将该音乐作为样本音频信号,将评价的文本作为样本文本信息。
在本公开实施例中,样本文本信息可以与多个语种的自然语言文本相关。例如,多个语种的自然语言文本可以包括英文文本,也可以包括中文文本。可以理解,多个语种的自然语言文本可以为任一语种的自然语言文本,本公开对此不进行限制。
在本公开实施例中,可以利用各种方式对输入文本信息进行特征提取,确定文本特征。例如,可以将自然语言文本标记化,得到自然语言文本的多个标记。对多个标记进行编码,得到文本特征。
在操作S520,根据样本文本特征和样本音频信号,得到样本加噪感知信息。
例如,可以从样本音频信号中提取样本噪声信息。可以将样本文本特征和样本噪声信息融合,得到样本加噪感知信息。
在操作S530,将样本加噪感知信息和样本文本特征输入到深度学习模型,得到样本文本信息的输出音频表示。
在本公开实施例中,样本音频表示可以包括:保持音乐相关信息的连续变量。音频表示可以具有丰富的声学细节(例如音色、清晰度等)。
在本公开实施例中,可以将文本特征和样本加噪感知信息融合,得到样本初始融合结果。对样本初始融合结果进行下采样后再进行上采样,可以得到初始输出音频表示。
在操作S540,根据输出音频表示与样本音频信号的样本音频表示之间的差异,调整深度学习模型的参数。
在本公开实施例中,可以从样本音频信号中提取样本音频表示。根据样本音频表示和输出音频表示之间的差异,可以利用各种损失函数确定损失值。根据损失值可以调整深度学习模型的参数。
通过本公开实施例,可以高效地训练深度学习模型,使得深度学习模型可以有效地输出文本信息的音频表示。
可以理解,上文对深度学习模型的训练方法进行了说明,下面将对获取样本文本信息和样本音频信号的一些方式进行说明。
在本公开实施例中,样本文本信息和样本音频信号可以是根据投票机制获取的。在线音乐播放平台上,用户可以针对自己感兴趣的音乐撰写评论。如果其他用户认为这些评论质量较高,他们可以点击“支持投票”的按钮控件。支持投票数高的评论可以被选为“热门评论”。例如,针对“流行音乐”的评论的质量较高,可以包含许多的音乐相关信息,如乐器、流派和表达的人类情绪。基于此,可以将上述产生“热门评论”的机制称为投票机制,可以获取大量评论文本以及对应的音乐,作为并行数据对,以训练深度学习模型。
可以理解,上文对样本文本信息和样本音频信号进行了说明,下面将结合相关实施例对深度学习模型进行说明。在本公开实施例中,深度学习模型可以包括条件扩散模型。
图6是根据本公开的一个实施例的深度学习模型的示意图。
在一些实施例中,可以利用文本编码器对样本文本信息进行编码,以确定样本文本特征。例如,可以将基于深度学习的预训练模型作为文本编码器610。该预训练模型可以支持多个语种的自然语言文本。可以将上述的输入文本信息作为一样本文本信息。若输入文本信息的文本特征和样本文本信息的样本文本均是由该预训练模型确定的,文本特征可以与样本文本特征一致。
在本公开实施例中,样本文本特征可以为样本序列文本特征。样本文本特征可以包括样本文本表示特征和样本文本类别特征。例如,上述的文本特征[s0;S]可以作为样本文本特征。在样本文本特征[s0;S]中,s0也可以为样本文本类别特征,与文本类别表示符[CLS]对应。S也可以为样本文本表示特征集,包括M个样本文本表示特征。S=[s1,...,sM]且dE可以为样本序列文本特征的维度。sm可以为第m个样本文本表示特征。M可以为大于1的整数。m可以为大于1且小于M的整数。
可以理解,上文对确定样本文本特征的一些方式进行了说明,下面将对获得样本加噪感知信息的一些方式进行说明。
在一些实施例中,根据样本文本特征和样本音频信号,得到样本加噪感知信息可以包括:根据样本文本类别特征和时间信息,确定样本文本感知特征。根据预定噪声信息和样本音频信号,得到样本噪声相关信息。将样本文本感知特征与样本噪声信息融合,得到样本加噪感知信息。
时间信息可以与时间步长t对应。可以对时间步长t进行嵌入处理,得到时间信息et。样本文本类别特征s0可以与时间信息et融合(例如相加),得到样本文本感知特征e′t。
在本公开实施例中,预定噪声信息可以包括样本第一预定噪声参数和样本第二预定噪声参数。根据样本音频信号和样本第一预定噪声参数,可以确定第一噪声样本信息。根据样本音频信号,可以确定相应的样本噪声参数。根据样本噪声参数和样本第二预定噪声参数,可以确定第二噪声样本信息。根据第一噪声样本信息和第二噪声样本信息,可以确定样本噪声相关信息。例如,可以通过以下公式确定样本噪声相关信息:
zt=αt*x+σt*ε (公式十一)
αt可以为样本第一预定噪声参数,σt可以为样本第二预定噪声参数。zt可以为样本噪声相关信息。x可以为样本音频信号。ε可以为样本噪声参数。
接下来,可以将文本感知特征e′t与噪声相关信息zt融合(例如拼接),得到样本加噪感知信息z′t。接下来,可以将加噪感知信息z′t和样本文本表示特征S输入深度学习模型620,以利用深度学习模型620的多级自注意力模块处理样本加噪感知特征z′t和样本文本表示特征S,得到输出音频表示。
在一些实施例中,深度学习模型可以包括交替级联的多级卷积模块和多级自注意力模块。将样本加噪感知信息和样本文本特征输入到深度学习模型,得到样本文本信息的输出音频表示可以包括:可以将样本加噪感知信息输入到多级卷积模块中的第1级卷积模块。可以将样本文本表示特征输入到多级自注意力模块中的各级自注意力模块。自注意力模块可以基于自注意力机制进行数据处理。自注意力机制可以包括多头自注意力机制。
在本公开实施例中,自注意力模块可以执行以下操作:根据卷积模块处理后的样本加噪感知信息,可以得到样本查询特征。根据样本文本表示特征和卷积模块处理后的样本加噪感知特征,可以分别得到样本键特征和样本值特征。根据样本查询特征、样本键特征和样本值特征,可以得到样本自注意力特征。通过本公开实施例,利用多头自注意力机制进行了数据处理。根据文本表示特征和加噪感知特征分别获得了键特征和值特征,可以高效地利用输入文本的多样性表述来对音频表示施加影响,有助于音频信号具有更加丰富的感情。多头自注意力机制可以包括H个注意力头,下面将结合第h个注意力头对自注意力机制进行进一步说明。
例如,可以根据卷积模块处理后的样本加噪感知信息和样本查询矩阵,得到样本查询特征。可以通过以下公式获得第h个样本查询特征Qht:
例如,可以根据卷积模块处理后的样本加噪感知信息和第一样本键矩阵,得到第一子样本键特征。根据样本文本表示特征和第二样本键矩阵,得到第二子样本键特征。根据第一子样本键特征和第二子样本键特征,可以得到样本键特征。可以通过以下公式获得第h个样本键特征Kht:
例如,可以根据卷积模块处理后的样本加噪感知信息和第一样本值矩阵,得到第一子样本值特征。根据样本文本表示特征和第二样本值矩阵,得到第二子样本值特征。根据第一子样本值特征和第二子样本值特征,可以得到样本值特征。可以通过以下公式获得第h个样本值特征Vht:
例如,可以通过以下公式确定第h个样本自注意力特征headht:
dk可以为第h个样本键特征的维度。
接下来,可以根据H个样本自注意力特征,得到样本自注意力融合特征。可以通过以下公式得到样本自注意力融合特征:
可以理解,上文对本公开的自注意力机制进行了说明,下面将对深度学习模型的结构进行进一步说明。
在一些实施例中,深度学习模型可以是基于U型网络模型构建的。深度学习模型620可以包括多级卷积模块、多级自注意力模块、下采样模块和上采样模块。多级自注意力模块可以基于多头自注意力机制进行数据处理。关于多头自注意力机制的描述,可以参考上述针对自注意力模块的描述。接下来,以多级自注意力模块是4级为示例,对深度学习模型620进行进一步说明。
可以将样本加噪感知特征z′t输入第1级卷积模块,得到第1级样本卷积结果。将第1级样本卷积结果输入第2级卷积模块,可以得到第2级样本卷积结果。将第2级样本卷积结果输入第3级卷积模块,可以得到第3级样本卷积结果。将第3级样本卷积结果输入下采样模块,可以得到样本下采样结果。
将样本下采样结果输入第4级卷积模块,可以得到第4级样本卷积结果将第4级样本卷积结果和样本文本表示特征S输入第1级自注意力模块,可以得到第1级样本自注意力融合特征。将第1级自注意力融合特征输入第5级卷积模块,可以得到第5级样本卷积结果将第5级样本卷积结果和样本文本表示特征S输入第2级自注意力模块,可以得到第2级样本自注意力融合特征。
可以将第2级样本自注意力融合特征和第5级样本卷积结果输入第6级卷积模块,得到第6级样本卷积结果将第6级样本卷积结果和样本文本表示特征S输入第3级自注意力模块,可以得到第3级样本自注意力融合特征。将第3级样本自注意力融合特征和第4级样本卷积结果输入第7级卷积模块,可以得到第7级样本卷积结果将第7级样本卷积结果和样本文本表示特征S输入第4级自注意力模块,可以得到第4级样本自注意力融合特征。
可以将第4级样本自注意力融合特征输入上采样模块,可以得到样本上采样结果。将样本上采样结果和第3级样本卷积结果输入第8级卷积模块,可以得到第8级样本卷积结果。将第8级样本卷积结果和第2级样本卷积结果输入第9级卷积模块,可以得到第9级样本卷积结果。将第9级样本卷积结果和第1级样本卷积结果输入第10级卷积模块,可以得到第10级样本卷积结果。可以将第10级样本卷积结果,作为输出音频表示。
可以理解,上文对本公开的深度学习模型的结构进行了说明,下面将对调整深度学习模型的参数的一些方式进行说明。
在本公开实施例中,根据第一噪声样本信息和第二噪声样本信息之间的差异,可以确定样本噪声表示。可以通过以下公式确定样本噪声表示:
vt=αt*x-σt*ε (公式十七)
在一些实施例中,根据输出音频信号与样本音频信号的样本音频表示之间的差异,调整深度学习模型的参数可以包括:根据输出音频信号与样本音频信号的样本音频表示之间的L2范数,确定损失函数值。调整深度学习模型的参数,直到损失函数值收敛。例如,可以通过以下公式确定损失函数值Lθ:
可以理解,为了生成更加准确的输出音频信号,可以进行多次迭代处理。上文对本公开的说明可以作为一次迭代的说明,下面将对多次迭代的过程进行进一步说明。
在一些实施例中,预定噪声信息可以包括N组样本噪声表参数。N组样本噪声表参数可以包括N个样本第一预定噪声参数和N个样本第二预定噪声参数。N可以为大于1的整数。
在一些实施例中,样本噪声相关信息可以包括N个噪声相关信息。根据预定噪声信息和样本音频信号,得到样本噪声相关信息包括:执行N次第三迭代处理来得到N个样本噪声相关信息。
在本公开实施例中,在n大于或等于1且小于或等于N的情况下,根据第n组样本噪声表参数和样本音频信号,可以确定第n个样本噪声相关信息。可以通过以下公式确定第n个样本噪声相关信息:
ztn=αtn*x+σtn*ε (公式十九)
ztn可以为第n个样本噪声相关信息。αtn可以为第n个样本第一预定噪声参数。σtn可以为第n个样本第二预定噪声参数。
可以理解,在第n次第三迭代处理过程中,可以将样本文本感知特征和第n个样本噪声相关信息融合,得到第n个样本加噪感知信息。接下来,可以将第n个样本加噪感知信息和样本文本表示特征输入深度学习模型,得到第n个输出音频表示。
图7是根据本公开的一个实施例的音频信号生成装置的框图。
如图7所示,该装置700可以包括第一确定模块710、第二确定模块720和生成模块730。
第一确定模块710,用于根据输入文本信息,确定输入文本信息的文本特征。
第二确定模块720,用于根据文本特征和噪声相关信息,确定输入文本信息的音频表示。
生成模块730,用于根据音频表示,生成与输入文本信息相对应的目标音频信号。
在一些实施例中,文本特征包括文本表示特征和文本类别特征;第二确定模块包括:第一确定子模块,用于根据文本类别特征和时间信息,确定文本感知特征;第一融合子模块,用于将文本感知特征与噪声相关信息融合,得到加噪感知特征;以及第一处理子模块,用于利用自注意力机制处理文本表示特征以及加噪感知特征,得到输入文本信息的音频表示。
在一些实施例中,第一处理子模块包括:第一获得单元,用于根据加噪感知特征,得到查询特征;第二获得单元,用于根据文本表示特征和加噪感知特征,分别得到键特征和值特征;第三获得单元,用于根据查询特征、键特征和值特征,得到自注意力特征;以及第四获得单元,用于根据自注意力特征,得到音频表示。
在一些实施例中,第二获得单元包括:第一获得子单元,用于根据加噪感知特征和第一键矩阵,得到第一子键特征;第二获得子单元,用于根据文本表示特征和第二键矩阵,得到第二子键特征;第三获得子单元,用于根据第一子键特征和第二子键特征,得到键特征。
在一些实施例中,第二获得单元包括:第四获得子单元,用于根据加噪感知特征和第一值矩阵,得到第一子值特征;第五获得子单元,用于根据文本表示特征和第二值矩阵,得到第二子值特征;第六获得子单元,用于根据第一子值特征和第二子值特征,得到值特征。
在一些实施例中,噪声相关信息包括I个噪声相关信息;第二确定模块包括:第一执行子模块,用于执行I次第一迭代处理来确定输入文本信息的音频表示;I次第一迭代处理中的第i次第一迭代处理包括:在i大于1且小于等于I的情况下,根据第i-1音频信号,确定第i个噪声相关信息;其中,I为大于1的整数。
在一些实施例中,生成模块包括:第二执行子模块,用于执行I次第二迭代处理来生成与输入文本信息相对应的目标音频信号;I次第二迭代处理中的第i次第二迭代处理包括:根据第i个噪声相关信息和第i次第一迭代处理得到的第i音频表示,确定第i音频信号。
在一些实施例中,生成模块还用于:将第I次第二迭代处理得到的第I音频信号作为目标音频信号。
在一些实施例中,I次第一迭代处理中的第i次第一迭代处理还包括:在i等于1的情况下,将随机高斯噪声作为第i个噪声相关信息。
图8是根据本公开的另一个实施例的深度学习模型的训练装置的框图。
如图8所示,该装置800可以包括第三确定模块810、第一获得模块820、第二获得模块830和调整模块840。
第三确定模块810,用于确定样本文本信息的样本文本特征,其中,样本文本信息与样本音频信号对应。
第一获得模块820,用于根据样本文本特征和样本音频信号,得到样本加噪感知信息。
第二获得模块830,用于将样本加噪感知信息和样本文本特征输入到深度学习模型,得到样本文本信息的输出音频表示。
调整模块840,用于根据输出音频表示与样本音频信号的样本音频表示之间的差异,调整深度学习模型的参数。
在一些实施例中,样本文本特征包括样本文本表示特征和样本文本类别特征;第一获得模块包括:第二确定子模块,用于根据样本文本类别特征和时间信息,确定样本文本感知特征;第一获得子模块,用于根据预定噪声信息和样本音频信号,得到样本噪声相关信息;以及第二获得子模块,用于将样本文本感知特征与样本噪声相关信息融合,得到样本加噪感知信息。
在一些实施例中,深度学习模型包括交替级联的多级卷积模块和多级自注意力模块;将第二获得模块包括:第一输入子模块,用于将样本加噪感知信息输入到多级卷积模块中的第1级卷积模块;以及第二输入子模块,用于将样本文本表示特征输入到多级自注意力模块中的各级自注意力模块。
在一些实施例中,自注意力模块用于执行以下操作:根据卷积模块处理后的加噪感知信息,得到样本查询特征;根据样本文本表示特征和卷积模块处理后的加噪感知特征,分别得到样本键特征和样本值特征;根据样本查询特征、样本键特征和样本值特征,得到样本自注意力特征。
在一些实施例中,自注意力模块还用于执行以下操作:根据卷积模块处理后的加噪感知特征和第一样本键矩阵,得到第一子样本键特征;根据样本文本表示特征和第二样本键矩阵,得到第二子样本键特征;根据第一子样本键特征和第二子样本键特征,得到样本键特征。
在一些实施例中,自注意力模块还用于执行以下操作:根据卷积模块处理后的加噪感知特征和第一样本值矩阵,得到第一子样本值特征;根据样本文本表示特征和第二样本值矩阵,得到第二子样本值特征;根据第一子样本值特征和第二子样本值特征,得到样本值特征。
在一些实施例中,样本噪声相关信息包括N个噪声相关信息,预定噪声信息包括N组样本噪声表参数;第一获得模块包括:第三执行子模块,用于执行N次第三迭代处理来得到N个样本噪声相关信息;N次第三迭代处理中的第n次第三迭代处理包括:在n大于或等于1且小于或等于N的情况下,根据第n组样本噪声表参数和样本音频信号,确定第n个样本噪声相关信息;其中,N为大于1的整数。
在一些实施例中,深度学习模型包括条件扩散模型。
在一些实施例中,调整模块包括:第三确定子模块,用于根据输出音频信号与样本音频信号的样本音频表示之间的L2范数,确定损失函数值;以及调整子模块,用于调整深度学习模型的参数,直到损失函数值收敛。
在一些实施例中,样本音频信号和样本文本信息是根据投票机制获取的。
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。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,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。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备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。
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,例如音频信号生成方法和/或深度学习模型的训练方法。例如,在一些实施例中,音频信号生成方法和/或深度学习模型的训练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/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的音频信号生成方法和/或深度学习模型的训练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)而被配置为执行音频信号生成方法和/或深度学习模型的训练方法。
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)显示器或者LCD(液晶显示器));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。
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 (38)
1.一种音频信号生成方法,包括:
根据输入文本信息,确定所述输入文本信息的文本特征;
根据所述文本特征和噪声相关信息,确定所述输入文本信息的音频表示;以及
根据所述音频表示,生成与所述输入文本信息相对应的目标音频信号。
2.根据权利要求1所述的方法,其中,所述文本特征包括文本表示特征和文本类别特征;所述根据所述文本特征和噪声相关信息,确定所述输入文本信息的音频表示包括:
根据所述文本类别特征和时间信息,确定文本感知特征;
将所述文本感知特征与所述噪声相关信息融合,得到加噪感知特征;以及
利用自注意力机制处理所述文本表示特征以及所述加噪感知特征,得到所述输入文本信息的音频表示。
3.根据权利要求2所述的方法,其中,所述利用自注意力机制处理所述文本表示特征以及所述加噪感知特征,得到所述输入文本信息的音频表示包括:
根据所述加噪感知特征,得到查询特征;
根据所述文本表示特征和所述加噪感知特征,分别得到键特征和值特征;
根据所述查询特征、所述键特征和所述值特征,得到所述自注意力特征;以及
根据所述自注意力特征,得到所述音频表示。
4.根据权利要求3所述的方法,其中,所述根据所述文本表示特征和所述加噪感知特征,分别得到键特征和值特征包括:
根据所述加噪感知特征和第一键矩阵,得到第一子键特征;
根据所述文本表示特征和第二键矩阵,得到第二子键特征;
根据所述第一子键特征和所述第二子键特征,得到所述键特征。
5.根据权利要求3所述的方法,其中,所述根据所述文本表示特征和所述加噪感知特征,分别得到键特征和值特征包括:
根据所述加噪感知特征和第一值矩阵,得到第一子值特征;
根据所述文本表示特征和第二值矩阵,得到第二子值特征;
根据所述第一子值特征和所述第二子值特征,得到所述值特征。
6.根据权利要求1或2所述的方法,其中,所述噪声相关信息包括I个噪声相关信息;所述根据所述文本特征和噪声相关信息,确定所述输入文本信息的音频表示包括:
执行I次第一迭代处理来确定输入文本信息的音频表示;
所述I次第一迭代处理中的第i次第一迭代处理包括:
在i大于1且小于或等于I的情况下,根据第i-1音频信号,确定第i个噪声相关信息;
其中,I为大于1的整数。
7.根据权利要求6所述的方法,其中,所述根据所述音频表示,生成与所述输入文本信息相对应的目标音频信号包括:
执行I次第二迭代处理来生成与所述输入文本信息相对应的目标音频信号;
所述I次第二迭代处理中的第i次第二迭代处理包括:
根据第i个噪声相关信息和第i次第一迭代处理得到的第i音频表示,确定第i音频信号。
8.根据权利要求7所述的方法,其中,所述根据所述音频表示,生成与所述输入文本信息相对应的目标音频信号还包括:
将第I次第二迭代处理得到的第I音频信号作为所述目标音频信号。
9.根据权利要求6所述的方法,其中,所述I次第一迭代处理中的第i次第一迭代处理还包括:
在i等于1的情况下,将随机高斯噪声作为第i个噪声相关信息。
10.一种深度学习模型的训练方法,包括:
确定样本文本信息的样本文本特征,其中,所述样本文本信息与样本音频信号对应;
根据所述样本文本特征和所述样本音频信号,得到样本加噪感知信息;
将所述样本加噪感知信息和所述样本文本特征输入到深度学习模型,得到所述样本文本信息的输出音频表示;以及
根据所述输出音频表示与所述样本音频信号的样本音频表示之间的差异,调整所述深度学习模型的参数。
11.根据权利要求10所述的方法,其中,所述样本文本特征包括样本文本表示特征和样本文本类别特征;所述根据所述样本文本特征和所述样本音频信号,得到样本加噪感知信息包括:
根据所述样本文本类别特征和时间信息,确定样本文本感知特征;
根据预定噪声信息和所述样本音频信号,得到样本噪声相关信息;以及
将所述样本文本感知特征与所述样本噪声相关信息融合,得到所述样本加噪感知信息。
12.根据权利要求11所述的方法,其中,所述深度学习模型包括交替级联的多级卷积模块和多级自注意力模块;将所述样本加噪感知信息和所述样本文本特征输入到深度学习模型,得到所述样本文本信息的输出音频表示包括:
将所述样本加噪感知信息输入到所述多级卷积模块中的第1级卷积模块;以及
将所述样本文本表示特征输入到所述多级自注意力模块中的各级自注意力模块。
13.根据权利要求12所述的方法,其中,所述自注意力模块用于执行以下操作:
根据卷积模块处理后的加噪感知信息,得到样本查询特征;
根据所述样本文本表示特征和所述卷积模块处理后的加噪感知特征,分别得到样本键特征和样本值特征;
根据所述样本查询特征、所述样本键特征和所述样本值特征,得到所述样本自注意力特征。
14.根据权利要求13所述的方法,其中,所述根据所述样本文本表示特征和所述卷积模块处理后的加噪感知特征,分别得到样本键特征和样本值特征包括:
根据所述卷积模块处理后的加噪感知特征和第一样本键矩阵,得到第一子样本键特征;
根据所述样本文本表示特征和第二样本键矩阵,得到第二子样本键特征;
根据所述第一子样本键特征和所述第二子样本键特征,得到所述样本键特征。
15.根据权利要求13所述的方法,其中,所述根据所述样本文本表示特征和所述卷积模块处理后的加噪感知特征,分别得到样本键特征和样本值特征包括:
根据所述卷积模块处理后的加噪感知特征和第一样本值矩阵,得到第一子样本值特征;
根据所述样本文本表示特征和第二样本值矩阵,得到第二子样本值特征;
根据所述第一子样本值特征和所述第二子样本值特征,得到所述样本值特征。
16.根据权利要求11所述的方法,其中,所述样本噪声相关信息包括N个噪声相关信息,所述预定噪声信息包括N组样本预定噪声参数;所述根据预定噪声信息和所述样本音频信号,得到样本噪声相关信息包括:执行N次第三迭代处理来得到N个样本噪声相关信息;所述N次第三迭代处理中的第n次第三迭代处理包括:
在n大于或等于1且小于或等于N的情况下,根据第n组样本预定噪声参数和所述样本音频信号,确定第n个样本噪声相关信息;
其中,N为大于1的整数。
17.根据权利要求10或11所述的方法,其中,所述深度学习模型包括条件扩散模型。
18.根据权利要求10所述的方法,其中,所述根据所述输出音频信号与所述样本音频信号的样本音频表示之间的差异,调整所述深度学习模型的参数包括:
根据所述输出音频信号与所述样本音频信号的样本音频表示之间的L2范数,确定损失函数值;以及
调整所述深度学习模型的参数,直到所述损失函数值收敛。
19.根据权利要求10至18之一所述的方法,其中,所述样本音频信号和样本文本信息是根据投票机制获取的。
20.一种音频信号生成装置,包括:
第一确定模块,用于根据输入文本信息,确定所述输入文本信息的文本特征;
第二确定模块,用于根据所述文本特征和噪声相关信息,确定所述输入文本信息的音频表示;以及
生成模块,用于根据所述音频表示,生成与所述输入文本信息相对应的目标音频信号。
21.根据权利要求20所述的装置,其中,所述文本特征包括文本表示特征和文本类别特征;所述第二确定模块包括:
第一确定子模块,用于根据所述文本类别特征和时间信息,确定文本感知特征;
第一融合子模块,用于将所述文本感知特征与所述噪声相关信息融合,得到加噪感知特征;以及
第一处理子模块,用于利用自注意力机制处理所述文本表示特征以及所述加噪感知特征,得到所述输入文本信息的音频表示。
22.根据权利要求21所述的装置,其中,所述第一处理子模块包括:
第一获得单元,用于根据所述加噪感知特征,得到查询特征;
第二获得单元,用于根据所述文本表示特征和所述加噪感知特征,分别得到键特征和值特征;
第三获得单元,用于根据所述查询特征、所述键特征和所述值特征,得到所述自注意力特征;以及
第四获得单元,用于根据所述自注意力特征,得到所述音频表示。
23.根据权利要求22所述的装置,其中,所述第二获得单元包括:
第一获得子单元,用于根据所述加噪感知特征和第一键矩阵,得到第一子键特征;
第二获得子单元,用于根据所述文本表示特征和第二键矩阵,得到第二子键特征;
第三获得子单元,用于根据所述第一子键特征和所述第二子键特征,得到所述键特征。
24.根据权利要求22所述的方法,其中,所述第二获得单元包括:
第四获得子单元,用于根据所述加噪感知特征和第一值矩阵,得到第一子值特征;
第五获得子单元,用于根据所述文本表示特征和第二值矩阵,得到第二子值特征;
第六获得子单元,用于根据所述第一子值特征和所述第二子值特征,得到所述值特征。
25.根据权利要求20或21所述的装置,其中,所述噪声相关信息包括I个噪声相关信息;所述第二确定模块包括:
第一执行子模块,用于执行I次第一迭代处理来确定输入文本信息的音频表示;
所述I次第一迭代处理中的第i次第一迭代处理包括:
在i大于1且小于等于I的情况下,根据第i-1音频信号,确定第i个噪声相关信息;
其中,I为大于1的整数。
26.根据权利要求25所述的装置,其中,所述生成模块包括:
第二执行子模块,用于执行I次第二迭代处理来生成与所述输入文本信息相对应的目标音频信号;
所述I次第二迭代处理中的第i次第二迭代处理包括:
根据第i个噪声相关信息和第i次第一迭代处理得到的第i音频表示,确定第i音频信号。
27.根据权利要求26所述的装置,其中,所述生成模块还用于:
将第I次第二迭代处理得到的第I音频信号作为所述目标音频信号。
28.根据权利要求25所述的装置,其中,所述I次第一迭代处理中的第i次第一迭代处理还包括:
在i等于1的情况下,将随机高斯噪声作为第i个噪声相关信息。
29.一种深度学习模型的训练装置,包括:
第三确定模块,用于确定样本文本信息的样本文本特征,其中,所述样本文本信息与样本音频信号对应;
第一获得模块,用于根据所述样本文本特征和所述样本音频信号,得到样本加噪感知信息;
第二获得模块,用于将所述样本加噪感知信息和所述样本文本特征输入到深度学习模型,得到所述样本文本信息的输出音频表示;以及
调整模块,用于根据所述输出音频表示与所述样本音频信号的样本音频表示之间的差异,调整所述深度学习模型的参数。
30.根据权利要求29所述的装置,其中,所述样本文本特征包括文本表示特征和样本文本类别特征;所述第一获得模块包括:
第二确定子模块,用于根据所述样本文本类别特征和时间信息,确定样本文本感知特征;
第一获得子模块,用于根据预定噪声信息和所述样本音频信号,得到样本噪声相关信息;以及
第二获得子模块,用于将所述样本文本感知特征与所述样本噪声相关信息融合,得到所述样本加噪感知信息。
31.根据权利要求30所述的装置,其中,所述深度学习模型包括交替级联的多级卷积模块和多级自注意力模块;将第二获得模块包括:
第一输入子模块,用于将所述样本加噪感知信息输入到所述多级卷积模块中的第1级卷积模块;以及
第二输入子模块,用于将所述样本文本表示特征输入到所述多级自注意力模块中的各级自注意力模块。
32.根据权利要求30所述的装置,其中,所述样本噪声相关信息包括N个噪声相关信息,所述预定噪声信息包括N组样本预定噪声参数;所述第一获得模块包括:
第三执行子模块,用于执行N次第三迭代处理来得到N个样本噪声相关信息;
所述N次第三迭代处理中的第n次第三迭代处理包括:
在n大于或等于1且小于或等于N的情况下,根据第n组样本预定噪声参数和所述样本音频信号,确定第n个样本噪声相关信息;
其中,N为大于1的整数。
33.根据权利要求29或30所述的装置,其中,所述深度学习模型包括条件扩散模型。
34.根据权利要求29所述的装置,其中,所述调整模块包括:
第三确定子模块,用于根据所述输出音频信号与所述样本音频信号的样本音频表示之间的L2范数,确定损失函数值;以及
调整子模块,用于调整所述深度学习模型的参数,直到所述损失函数值收敛。
35.根据权利要求29至34之一所述的装置,其中,,所述样本音频信号和样本文本信息是根据投票机制获取的。
36.一种电子设备,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至19中任一项所述的方法。
37.一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至19中任一项所述的方法。
38.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至19中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133936.0A CN116072098B (zh) | 2023-02-07 | 2023-02-07 | 音频信号生成方法、模型训练方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133936.0A CN116072098B (zh) | 2023-02-07 | 2023-02-07 | 音频信号生成方法、模型训练方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116072098A true CN116072098A (zh) | 2023-05-05 |
CN116072098B CN116072098B (zh) | 2023-11-14 |
Family
ID=86180031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133936.0A Active CN116072098B (zh) | 2023-02-07 | 2023-02-07 | 音频信号生成方法、模型训练方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116072098B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884391A (zh) * | 2023-09-06 | 2023-10-13 | 中国科学院自动化研究所 | 基于扩散模型的多模态融合音频生成方法及装置 |
CN117423329A (zh) * | 2023-12-19 | 2024-01-19 | 北京中科汇联科技股份有限公司 | 模型训练及语音生成方法、装置、设备及存储介质 |
CN117496927A (zh) * | 2024-01-02 | 2024-02-02 | 广州市车厘子电子科技有限公司 | 基于扩散模型的音乐音色风格转换方法及系统 |
CN117953912A (zh) * | 2024-03-26 | 2024-04-30 | 荣耀终端有限公司 | 一种语音信号处理方法及相关设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182936A (zh) * | 2018-03-14 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 语音信号生成方法和装置 |
CN112002305A (zh) * | 2020-07-29 | 2020-11-27 | 北京大米科技有限公司 | 语音合成方法、装置、存储介质及电子设备 |
CN112530400A (zh) * | 2020-11-30 | 2021-03-19 | 清华珠三角研究院 | 基于深度学习的文本生成语音的方法、系统、装置及介质 |
CN112767910A (zh) * | 2020-05-13 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 音频信息合成方法、装置、计算机可读介质及电子设备 |
CN113205793A (zh) * | 2021-04-30 | 2021-08-03 | 北京有竹居网络技术有限公司 | 音频生成方法、装置、存储介质及电子设备 |
CN113450761A (zh) * | 2021-06-17 | 2021-09-28 | 清华大学深圳国际研究生院 | 一种基于变分自编码器的并行语音合成方法和装置 |
CN114372457A (zh) * | 2022-01-11 | 2022-04-19 | 上海商汤智能科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
US20220301543A1 (en) * | 2021-03-22 | 2022-09-22 | Google Llc | Unsupervised Parallel Tacotron Non-Autoregressive and Controllable Text-To-Speech |
CN115240638A (zh) * | 2022-07-26 | 2022-10-25 | 北京小米移动软件有限公司 | 音频生成方法、装置、存储介质及芯片 |
CN115641834A (zh) * | 2022-09-09 | 2023-01-24 | 平安科技(深圳)有限公司 | 一种语音合成方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-07 CN CN202310133936.0A patent/CN116072098B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182936A (zh) * | 2018-03-14 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 语音信号生成方法和装置 |
CN112767910A (zh) * | 2020-05-13 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 音频信息合成方法、装置、计算机可读介质及电子设备 |
CN112002305A (zh) * | 2020-07-29 | 2020-11-27 | 北京大米科技有限公司 | 语音合成方法、装置、存储介质及电子设备 |
CN112530400A (zh) * | 2020-11-30 | 2021-03-19 | 清华珠三角研究院 | 基于深度学习的文本生成语音的方法、系统、装置及介质 |
US20220301543A1 (en) * | 2021-03-22 | 2022-09-22 | Google Llc | Unsupervised Parallel Tacotron Non-Autoregressive and Controllable Text-To-Speech |
CN113205793A (zh) * | 2021-04-30 | 2021-08-03 | 北京有竹居网络技术有限公司 | 音频生成方法、装置、存储介质及电子设备 |
CN113450761A (zh) * | 2021-06-17 | 2021-09-28 | 清华大学深圳国际研究生院 | 一种基于变分自编码器的并行语音合成方法和装置 |
CN114372457A (zh) * | 2022-01-11 | 2022-04-19 | 上海商汤智能科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
CN115240638A (zh) * | 2022-07-26 | 2022-10-25 | 北京小米移动软件有限公司 | 音频生成方法、装置、存储介质及芯片 |
CN115641834A (zh) * | 2022-09-09 | 2023-01-24 | 平安科技(深圳)有限公司 | 一种语音合成方法、装置、电子设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884391A (zh) * | 2023-09-06 | 2023-10-13 | 中国科学院自动化研究所 | 基于扩散模型的多模态融合音频生成方法及装置 |
CN116884391B (zh) * | 2023-09-06 | 2023-12-01 | 中国科学院自动化研究所 | 基于扩散模型的多模态融合音频生成方法及装置 |
CN117423329A (zh) * | 2023-12-19 | 2024-01-19 | 北京中科汇联科技股份有限公司 | 模型训练及语音生成方法、装置、设备及存储介质 |
CN117423329B (zh) * | 2023-12-19 | 2024-02-23 | 北京中科汇联科技股份有限公司 | 模型训练及语音生成方法、装置、设备及存储介质 |
CN117496927A (zh) * | 2024-01-02 | 2024-02-02 | 广州市车厘子电子科技有限公司 | 基于扩散模型的音乐音色风格转换方法及系统 |
CN117953912A (zh) * | 2024-03-26 | 2024-04-30 | 荣耀终端有限公司 | 一种语音信号处理方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116072098B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116072098B (zh) | 音频信号生成方法、模型训练方法、装置、设备和介质 | |
CN110264991B (zh) | 语音合成模型的训练方法、语音合成方法、装置、设备及存储介质 | |
Shen et al. | Naturalspeech 2: Latent diffusion models are natural and zero-shot speech and singing synthesizers | |
US11195521B2 (en) | Generating target sequences from input sequences using partial conditioning | |
US11210475B2 (en) | Enhanced attention mechanisms | |
US11205444B2 (en) | Utilizing bi-directional recurrent encoders with multi-hop attention for speech emotion recognition | |
JP2022531414A (ja) | 数字列のエンドツーエンド自動音声認識 | |
WO2022121257A1 (zh) | 模型训练方法、语音识别方法、装置、设备及存储介质 | |
CN112289299B (zh) | 语音合成模型的训练方法、装置、存储介质以及电子设备 | |
JP2019102063A (ja) | ページ制御方法および装置 | |
US20230121711A1 (en) | Content augmentation with machine generated content to meet content gaps during interaction with target entities | |
US20210089909A1 (en) | High fidelity speech synthesis with adversarial networks | |
US8019593B2 (en) | Method and apparatus for generating features through logical and functional operations | |
WO2020052069A1 (zh) | 用于分词的方法和装置 | |
CN112466314A (zh) | 情感语音数据转换方法、装置、计算机设备及存储介质 | |
US20220083742A1 (en) | Man-machine dialogue method and system, computer device and medium | |
US20220300708A1 (en) | Method and device for presenting prompt information and storage medium | |
EP3377983A1 (en) | Generating feature embeddings from a co-occurrence matrix | |
US11322133B2 (en) | Expressive text-to-speech utilizing contextual word-level style tokens | |
CN111414561A (zh) | 用于呈现信息的方法和装置 | |
WO2020052061A1 (zh) | 用于处理信息的方法和装置 | |
WO2020052060A1 (zh) | 用于生成修正语句的方法和装置 | |
JP7211011B2 (ja) | 学習方法、学習プログラム及び生成方法 | |
CN116702770A (zh) | 长文本的生成方法、装置、终端及存储介质 | |
US10706086B1 (en) | Collaborative-filtering based user simulation for dialog systems |
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 |