CN116543748A - 基于实时训练的语音重构方法、装置、计算机设备及介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，尤其涉及一种基于实时训练的语音重构方法、装置、计算机设备及介质。该方法将训练语音切分为第一语音片段和第二语音片段后，分别输入特征编码器，得到第一语音特征和第二语音特征，将训练语音输入滤波编码器，得到滤波特征，将第一语音特征和第二语音特征的均值与滤波特征输入解码器中，得到重构语音，根据第一语音特征、第二语音特征、重构语音和训练语音，对语音重构模型进行训练，基于训练好的语音重构模型对待处理语音进行重构，提高了特征解码的准确率，进而提高了语音重构的准确率，能够提高金融服务平台下机器客服语音的仿真性，进而提高用户在金融服务平台中的用户体验。

Description

基于实时训练的语音重构方法、装置、计算机设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于实时训练的语音重构方法、装置、计算机设备及介质。

背景技术

目前，随着人工智能技术的快速发展，语音重构技术已广泛应用于金融服务平台中，金融服务平台可以是保险系统、银行系统、交易系统、订单系统等，金融服务平台可以支持购物、社交、互动游戏、资源转移等功能，还可以具有申请贷款、信用卡或者购买保险、理财产品等功能。

语音重构技术可以为金融服务平台的广告服务、客服服务等进行赋能，例如实现广告视频配音、客服语音合成等多种应用功能，通过语音重构技术得到符合目标说话人音色的重构语音，能够大幅节省目标说话人为重复录音消耗的人力资源。

但是，现有语音重构模型通常直接对待进行重构处理的语音进行特征提取，提取到的特征既包含语义信息，又包含说话人的音色信息，二者在特征解码过程中相互干扰，导致语音重构的准确率较低，因此，如何提高语音重构的准确率成为亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于实时训练的语音重构方法、装置、计算机设备及介质，以解决语音重构的准确率较低的问题。

第一方面，本发明实施例提供一种基于实时训练的语音重构方法，所述语音重构方法包括：

对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将所述第一语音片段和所述第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征；

将所述训练语音输入滤波编码器进行特征提取，得到滤波特征，计算所述第一语音特征和所述第二语音特征的均值，将计算结果和所述滤波特征输入解码器中，得到重构语音；

根据所述第一语音特征、所述第二语音特征和预设的度量损失函数，计算得到度量损失，根据所述重构语音、所述训练语音和预设的重构损失函数，计算得到重构损失；

根据所述度量损失和所述重构损失，对所述特征编码器、所述滤波编码器和所述解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于所述训练好的语音重构模型对待处理语音进行重构。

第二方面，本发明实施例提供一种基于实时训练的语音重构装置，所述语音重构装置包括：

语音切分模块，用于对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将所述第一语音片段和所述第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征；

语音重构模块，用于将所述训练语音输入滤波编码器进行特征提取，得到滤波特征，计算所述第一语音特征和所述第二语音特征的均值，将计算结果和所述滤波特征输入解码器中，得到重构语音；

损失计算模块，用于根据所述第一语音特征、所述第二语音特征和预设的度量损失函数，计算得到度量损失，根据所述重构语音、所述训练语音和预设的重构损失函数，计算得到重构损失；

语音重构模块，用于根据所述度量损失和所述重构损失，对所述特征编码器、所述滤波编码器和所述解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于所述训练好的语音重构模型对待处理语音进行重构。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的语音重构方法。

第四方面，本发明实施例提供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程序，所述计算机程序被处理器执行时实现如第一方面所述的语音重构方法。

本发明实施例与现有技术相比存在的有益效果是：

对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将第一语音片段和第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征，将训练语音输入滤波编码器进行特征提取，得到滤波特征，计算第一语音特征和第二语音特征的均值，将计算结果和滤波特征输入解码器中，得到重构语音，根据第一语音特征、第二语音特征和预设的度量损失函数，计算得到度量损失，根据重构语音、训练语音和预设的重构损失函数，计算得到重构损失，根据度量损失和重构损失，对特征编码器、滤波编码器和解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于训练好的语音重构模型对待处理语音进行重构，通过度量学习对语音切分结果进行训练，使得特征编码器能够准确提取到表征说话人音色信息的语音特征，结合滤波编码器提取到的表征语义的滤波特征，实现语音重构，在语音重构过程中语音特征和滤波特征完全解耦，从而提高了特征解码过程的准确率，进而提高了语音重构的准确率，能够提高金融服务平台下机器客服语音的仿真性，进而提高用户在金融服务平台中的用户体验。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种基于实时训练的语音重构方法的一应用环境示意图；

图2是本发明实施例一提供的一种基于实时训练的语音重构方法的流程示意图；

图3是本发明实施例二提供的一种基于实时训练的语音重构方法的流程示意图；

图4是本发明实施例三提供的一种基于实时训练的语音重构装置的结构示意图；

图5是本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明实施例一提供的一种基于实时训练的语音重构方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

客户端和服务端可以部署于金融服务平台中，金融服务平台可以是保险系统、银行系统、交易系统、订单系统等，金融服务平台可以支持购物、社交、互动游戏、资源转移等功能，还可以具有申请贷款、信用卡或者购买保险、理财产品等功能，语音重构任务可以为金融服务平台中的广告视频配音、客服语音合成等应用提供合成语音，提高用户在金融服务平台的体验。

参见图2，是本发明实施例一提供的一种基于实时训练的语音重构方法的流程示意图，上述语音重构方法可以应用于图1中的客户端，客户端对应的计算机设备与服务端连接，以从服务端获取符合待重构条件的训练语音，客户端对应的计算机设备部署有语音重构模型，语音重构模型可以包括特征编码器、滤波编码器和解码器，符合待重构条件的训练语音可以用于作为语音重构模型进行实时训练的训练样本，特征编码器可以用于提取语音中表征说话人音色的语音特征，滤波编码器可以用于提取语音中表征语义信息的滤波特征，解码器可以用于将特征重构为重构语音。如图2所示，该语音重构方法可以包括以下步骤：

步骤S201，对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将第一语音片段和第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征。

其中，待重构条件可以是指训练语音属于有效语音，有效语音可以是指语音包含至少一句完整句子的语音且该完整句子的文本信息已知，训练语音可以是指用于作为训练样本的语音信息，在金融服务场景下，训练语音可以是指人工客服的语音。

切分可以是指将完整的训练语音切分为多个子语音片段，在本实施例中，将训练语音切分为两个子语音片段，也即第一语音片段和第二语音片段，子语音片段均包含部分语音信息，特征编码器可以用于提取语音片段的说话人音色特征，说话人音色特征可以是指训练语音对应的说话人的音色信息，在本实施例中，说话人音色特征为第一语音特征和第二语音特征。

具体地，在本实施例中训练语音已经过预处理，预处理可以是指对训练语音对应的语音信号进行傅里叶变换，得到频谱向量作为训练语音的训练输入向量，训练输入向量也即特征编码器的输入。

特征编码器可以包括卷积层，用以对训练输入向量进行卷积，得到卷积结果作为语音特征，第一语音片段对应的语音特征为第一语音特征，第二语音片段对应的语音特征为第二语音特征。

可选的是，对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段包括：

获取训练语音的语音长度，将语音长度与预设的切分系数相乘，确定相乘结果为切分位置；

按照切分位置对训练语音进行切分，得到第一语音片段和第二语音片段。

其中，语音长度可以是指训练语音对应的音素序列的长度，音素序列可以包含若干个音素，音素可以是指语音的基本组成单位，切分系数可以用于确定切分点的位置，也即切分位置。

具体地，设音素序列的长度为len，相应地，音素序列包含的音素个数也为len，在本实施例中，预设的切分系数可以设置为0.5，则上述相乘结果为0.5len，需要说明的是，为避免相乘结果不为整数，此处以[0.5len]作为相乘结果，也即0.5len向下取整，在得到切分位置后，以起始音素到切分位置处音素的子序列作为第一语音片段，以切分位置后一位处音素到终止音素的子序列作为第二语音片段。

需要说明的是，此时预处理步骤可以在切分操作完成之后进行，并对预处理后得到的子片段向量进行尺寸归一化，尺寸归一化可以采用补零操作，使得每段子片段向量归一化后尺寸均为预设尺寸，尺寸归一化的目的可以为便于后续特征编码器对子片段向量进行统一处理。

本实施例通过预设系数和语音长度确定切分位置，从而可以动态确定子语音片段，提高了语音切分的灵活性，同时能够有效保证切分结果的语音连续性，从而提高训练好的特征编码器提取说话人音色特征的能力，进而提高语音重构的准确率。

可选的是，将语音长度与预设的切分系数相乘，确定相乘结果为切分位置包括：

将语音长度分别与预设的N个切分系数相乘，根据相乘结果确定N个切分位置；

相应地，按照切分位置对训练语音进行切分，得到第一语音片段和第二语音片段包括：

遍历N个切分位置，按照切分位置对训练语音进行切分，得到N组片段集合；

相应地，根据第一语音特征、第二语音特征和预设的度量损失函数，计算得到度量损失包括：

根据N组片段集合和度量损失函数，计算得到对应N组片段集合的N个度量子损失，确定N个度量子损失之和为度量损失。

在本实施例中，预设的切分系数可以设置为N个，N为大于零的整数，例如，可以设置N为3，三个切分系数分别为0.25,0.5,0.75，则可以得到三个切分位置，由三个切分位置分别切分，可以得到三组切分结果，切分结果也即片段集合，每组片段集合中包含一第一语音片段和一第二语音片段，且一组片段集合内的一第一语音片段和一第二语音片段存在对应关系。

本实施例通过设置多个切分系数的方式，针对同一训练语音，能够得到多组用于特征编码器训练的输入对，从而在训练语音较少的情况下，有效扩增训练样本数量，从而提高特征编码器的训练拟合准确率，进而提高语音重构的准确率。

上述对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将第一语音片段和第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征的步骤，通过将训练语音切分为第一语音片段和第二语音片段，再输入同一特征编码器进行特征提取，得到第一语音特征和第二语音特征，便于后续根据第一语音特征和第二语音特征构建的度量损失对特征编码器进行训练，提高训练便捷性的同时，也提高了特征编码器训练拟合的准确率，从而提高语音重构的准确率。

步骤S202，将训练语音输入滤波编码器进行特征提取，得到滤波特征，计算第一语音特征和第二语音特征的均值，将计算结果和滤波特征输入解码器中，得到重构语音。

其中，滤波编码器可以用于提取训练语音的语义信息，滤波特征可以用于表征上述训练语音的语义信息，解码器可以用于对特征进行重构，重构语音可以是指解码器输出的特征重构结果。

具体地，滤波编码器可以包括语音识别部分和语义提取部分，语音识别部分可以采用声学模型，例如混合声学模型、端到端声学模型等，语音识别部分可以用于将输入的训练输入向量转换为文本信息向量，语义提取部分可以采用语言模型，例如BERT、Transformer模型等，语义提取部分可以用于从文本信息向量中提取语义信息。

上述将训练语音输入滤波编码器进行特征提取，得到滤波特征，计算第一语音特征和第二语音特征的均值，将计算结果和滤波特征输入解码器中，得到重构语音的步骤，将第一语音特征、第二语音特征和滤波特征联合输入解码器中进行重构，从而能够对特征编码器和滤波编码器联合训练，提高训练效率的同时，使得特征编码器和滤波编码器的训练过程能够互相提供信息，从而提高训练好的特征编码器和训练好的滤波编码器的拟合准确率，进而提高语音重构的准确率。

步骤S203，根据第一语音特征、第二语音特征和预设的度量损失函数，计算得到度量损失，根据重构语音、训练语音和预设的重构损失函数，计算得到重构损失。

其中，预设的度量损失函数可以采用欧式距离、余弦相似度等距离度量方式进行计算，度量损失可以用于表征对第一语音特征和第二语音特征之间相似度的约束，预设的重构损失函数也可以采用欧式距离、余弦相似度等距离度量方式进行计算，重构损失可以用于表征重构语音和训练语音之间相似度的约束。

具体地，由于第一语音特征和第二语音特征分别对应的子语音片段不同，也即，第一语音片段和第二语音片段的语音内容不同，因此，以常规方式训练得到的第一语音特征和第二语音特征也应当不同，但由于第一语音片段和第二语音片段的相同点在于二者均是由同一说话人说出的，因此，本实施例中度量损失可以用于衡量第一语音特征和第二语音特征的相似度，当相似度较大时，度量损失较小，反之，当相似度较小时，度量损失较大，以约束特征编码器对于同一训练语音的第一语音片段和第二语音片段，输出类似的第一语音特征和第二语音特征，此时，特征编码器忽略了语音片段的语义信息，而仅关注其说话人信息，也即说话人音色信息，因此，语音特征能够用于表征说话人音色特征。

上述根据第一语音特征、第二语音特征和预设的度量损失函数，计算得到度量损失，根据重构语音、训练语音和预设的重构损失函数，计算得到重构损失的步骤，能够有效监督特征编码器和滤波编码器的训练，使得二者能够充分解耦训练语音特征为语义特征和说话人音色特征，从而便于提高后续语音重构的便捷性。

步骤S204，根据度量损失和重构损失，对特征编码器、滤波编码器和解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于训练好的语音重构模型对待处理语音进行重构。

其中，训练好的语音重构模型可以用对语音进行重构，待处理语音可以是指符合待重构条件且需要进行语音重构的语音。

具体地，以度量损失和重构损失之和作为整体损失，通过反向传播算法对特征编码器、滤波编码器和解码器组成的语音重构模型的模型参数进行训练，迭代直至上述整体损失收敛。

可选的是，根据度量损失和重构损失，对特征编码器、滤波编码器和解码器组成的语音重构模型进行训练包括：

将度量损失和预设的第一权重相乘，得到第一相乘结果，将重构损失和预设的第二权重相乘，得到第二相乘结果；

将第一相乘结果和第二相乘结果相加，确定相加结果为最终损失，根据最终损失，对语音重构模型进行训练。

其中，预设的第一权重可以用于表征度量损失对最终损失的影响程度，预设的第二权重可以用于表征重构损失对最终损失的影响程度，例如，在本实施例中，第一权重和第二权重均可以设置为0.5。

本实施例通过加权的方式联合度量损失和重构损失，从而为语音重构模型的训练过程提供偏好，便于语音重构模型在训练过程中快速收敛，提高了语音重构模型的训练效率。

可选的是，将度量损失和预设的第一权重相乘，得到第一相乘结果，将重构损失和预设的第二权重相乘，得到第二相乘结果包括：

采用归一化指数函数对度量损失和重构损失进行归一化处理，确定对应度量损失的归一化处理结果为第一权重，确定对应重构损失的归一化处理结果为第二权重；

将度量损失和第一权重相乘，得到第一相乘结果，将重构损失和第二权重相乘，得到第二相乘结果。

本实施例中，设度量损失为L₁，重构损失为L₂，则对应度量损失的归一化处理结果可以表示为对应重构损失的归一化处理结果可以表示为

由于联合训练过程中的最终损失会受度量损失和重构损失的影响，因此，根据损失的具体值动态调整损失对应的权重，能够有效提高训练过程的效率，例如，若度量损失较重构损失更大，则最终损失主要考虑度量损失，以降低度量损失为主要目的进行训练，以确保特征编码器的训练效果，在特征编码器的训练效果足够好时，也即度量损失收敛时，其为编码器提供的语音特征也更为准确，从而便于滤波编码器和解码器能够有效收敛。

本实施例中，通过自适应动态权重对度量损失和重构损失进行加权，得到最终损失，能够有效提高语音重构模型的训练效率和训练拟合效果，从而提高训练好的语音重构模型的准确率，进而提高语音重构的准确率。

可选的是，基于训练好的语音重构模型对待处理语音进行重构包括：

获取符合待重构条件的待处理语音及其对应的待重构文本；

将待处理语音输入训练好的语音重构模型进行语音重构，得到重构语音，重构语音的文本信息与待重构文本一致。

其中，待处理语音可以是指实际获取的目标说话人的语音，待重构文本可以是指语音重构任务所需重构得到的重构语音对应的文本信息，重构语音可以是指重构的由目标说话人读待重构文本的语音信息。

具体地，将待处理语音输入训练好的特征编码器，得到目标语音特征，将待重构文本输入训练好的滤波编码器，得到目标语义特征，将目标语音特征和目标语义特征输入训练好的解码器，得到重构语音。

由于本实施例中语音重构模型中说话人音色特征与语义特征分离解耦提取，则可以通过仅更换待重构文本的方式，获取同一目标说话人读不同文本的重构语音，以应用于如视频配音、音频合成等场景中，例如，导航语音合成仅需要目标说话人的一句待处理语音，即可重构得到符合该目标说话人音色的整个导航语音包，同时，可以通过仅更换待处理语音的方式，获取不同目标说话人读同一文本的重构语音，以应用于如视频配音筛选等场景，为视频选择效果较好的配音。

本实施例采用上述训练好的语音重构模型进行语音重构，能够灵活调整语音重构任务，从而更好的胜任个性化语音合成任务，在具体应用场景中取得更好的语音重构效果，也即语音重构的准确率较高。

上述根据度量损失和重构损失，对特征编码器、滤波编码器和解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于训练好的语音重构模型对待处理语音进行重构的步骤，通过度量损失和重构损失联合训练语音重构模型，能够使语义特征和说话人音色特征完全解耦，从而提高语义特征提取和说话人音色特征提取的准确率，进而提高语音重构的准确率。

本实施例通过度量学习对语音切分结果进行训练，使得特征编码器能够准确提取到表征说话人音色信息的语音特征，结合滤波编码器提取到的表征语义的滤波特征，实现语音重构，在语音重构过程中语音特征和滤波特征完全解耦，从而提高了特征解码过程的准确率，进而提高了语音重构的准确率。

参见图3，是本发明实施例二提供的一种基于实时训练的语音重构方法的流程示意图，该语音重构方法中，滤波编码器可以采用语言模型的编码器结构，以提取文本的语义特征，还可以采用瓶颈形式的编码器结构，以直接提取语音的语义特征，无需进行语音与文本的转换操作，提高训练效率。

滤波编码器采用语言模型的编码器结构时，该滤波编码器的计算过程参见实施例一，在此不再赘述。

滤波编码器采用采用瓶颈形式的编码器结构时，滤波编码器包括降维层、卷积层和升维层；

该滤波编码器的计算过程包括以下步骤：

步骤S301，将训练语音输入降维层进行降维处理，得到降维特征，将降维特征输入卷积层进行特征提取，得到中间特征；

步骤S302，将中间特征输入升维层进行升维处理，得到滤波特征。

其中，滤波编码器可以用于提取训练语音的语义信息，降维层可以用于对训练语音对应的训练输入向量进行维度下降处理，降维特征可以用于表征降维处理后的训练语音信息，卷积层可以用于对降维特征进行特征提取，中间特征可以用于表征降维特征经过特征提取后得到的语义信息，升维层可以用于对中间特征进行维度上升处理，滤波特征可以与训练输入向量维度一致且可以用于表征语义信息。

具体地，降维层可以通过1*1卷积方式实现，即设置预设个数的1*1尺寸的卷积核，采用预设个数的1*1尺寸的卷积核对训练语音对应的训练输入向量进行卷积处理，得到尺寸不变且维度数降低的降维特征，例如，在本实施例中，设训练输入向量尺寸为32*32*192，其中，32*32与训练输入向量的尺寸参数对应，192与训练输入向量的维度数对应，相应地，1*1尺寸的卷积核尺寸具体为1*1*192，预设个数设置为16，则得到的降维特征的尺寸为32*32*16，可见在降维处理前后，向量的尺寸未改变，但维度数降低。

降维层处理的目的可以是降低滤波编码器的计算量，显然，对降维特征进行后续处理需要计算的参数更少，因此能够有效提高滤波编码器的计算效率，在本实施例中，针对语音重构任务，采用降维层处理的目的还包括强制舍弃输入的训练语音的部分信息，由于特征编码器的作用为提取训练语音的说话人音色特征，也即可以认为训练好的特征编码器仅提取训练语音的说话人音色特征，此时，在限制滤波编码器强制舍弃输入的训练语音的部分信息时，若滤波编码器强制舍弃到语义信息，则难以准确完成重构，导致重构损失较高，因此，滤波编码器只有仅舍弃到说话人音色特征时，才能准确重构出语义信息，从而符合后续重构损失的约束。

需要说明的是，上述预设个数可以用于控制滤波编码器舍弃信息的多少，为实现说话人音色特征和语义特征的完全分离，并最大限度降低滤波编码器的计算量，在训练过程中，以预设步长减少该预设个数，预设步长在本实施例中设置为1，直至重构损失难以收敛，也即语义特征被舍弃而导致无法准确重构。

同样地，升维层也可以通过1*1卷积方式实现，即采用训练输入向量的维度数个1*1尺寸的卷积核对中间特征进行卷积处理，得到维度数与训练输入向量一致的滤波特征。

本实施例中，通过对训练输入向量进行降维处理和升维处理，实现说话人音色特征和语义特征的分离解耦，从而实现仅替换说话人音色特征即可实现语音重构，提高了语音重构的便捷性和准确性，提高语音重构的准确率，能够提高金融服务平台下机器客服语音的仿真性，进而提高用户在金融服务平台中的用户体验。

对应于上文实施例的基于实时训练的语音重构方法，图4示出了本发明实施例三提供的基于实时训练的语音重构装置的结构框图，上述语音重构装置应用于客户端，客户端对应的计算机设备与服务端连接，以从服务端获取符合待重构条件的训练语音，客户端对应的计算机设备部署有语音重构模型，语音重构模型可以包括特征编码器、滤波编码器和解码器，符合待重构条件的训练语音可以用于作为语音重构模型进行实时训练的训练样本，特征编码器可以用于提取语音中表征说话人音色的语音特征，滤波编码器可以用于提取语音中表征语义信息的滤波特征，解码器可以用于将特征重构为重构语音。为了便于说明，仅示出了与本发明实施例相关的部分。

参见图4，该语音重构装置包括：

语音切分模块41，用于对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将第一语音片段和第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征；

语音重构模块42，用于将训练语音输入滤波编码器进行特征提取，得到滤波特征，计算第一语音特征和第二语音特征的均值，将计算结果和滤波特征输入解码器中，得到重构语音；

损失计算模块43，用于根据第一语音特征、第二语音特征和预设的度量损失函数，计算得到度量损失，根据重构语音、训练语音和预设的重构损失函数，计算得到重构损失；

语音重构模块44，用于根据度量损失和重构损失，对特征编码器、滤波编码器和解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于训练好的语音重构模型对待处理语音进行重构。

可选的是，上述语音切分模块41包括：

位置确定单元，用于获取训练语音的语音长度，将语音长度与预设的切分系数相乘，确定相乘结果为切分位置；

位置切分单元，用于按照切分位置对训练语音进行切分，得到第一语音片段和第二语音片段。

可选的是，上述位置确定单元包括：

系数相乘子单元，用于将语音长度分别与预设的N个切分系数相乘，根据相乘结果确定N个切分位置，N为大于零的整数；

相应地，上述语音切分模块41包括：

集合切分单元，用于遍历N个切分位置，按照切分位置对训练语音进行切分，得到N组片段集合，片段集合包括第一语音片段和第二语音片段；

相应地，上述损失计算模块43包括：

子损失计算单元，用于根据N组片段集合和度量损失函数，计算得到对应N组片段集合的N个度量子损失，确定N个度量子损失之和为度量损失。

可选的是，滤波编码器包括降维层、卷积层和升维层；

上述语音重构模块42包括：

特征降维单元，用于将训练语音输入降维层进行降维处理，得到降维特征，将降维特征输入卷积层进行特征提取，得到中间特征；

特征升维单元，用于将中间特征输入升维层进行升维处理，得到滤波特征。

可选的是，上述语音重构模块44包括：

权重相乘单元，用于将度量损失和预设的第一权重相乘，得到第一相乘结果，将重构损失和预设的第二权重相乘，得到第二相乘结果；

最终损失确定单元，用于将第一相乘结果和第二相乘结果相加，确定相加结果为最终损失，根据最终损失，对语音重构模型进行训练。

可选的是，上述权重相乘单元包括：

归一化子单元，用于采用归一化指数函数对度量损失和重构损失进行归一化处理，确定对应度量损失的归一化处理结果为第一权重，确定对应重构损失的归一化处理结果为第二权重；

权重计算子单元，用于将度量损失和第一权重相乘，得到第一相乘结果，将重构损失和第二权重相乘，得到第二相乘结果。

可选的是，上述语音重构模块44包括：

语音获取单元，用于获取符合待重构条件的待处理语音及其对应的待重构文本；

重构语音单元，用于将待处理语音输入训练好的语音重构模型进行语音重构，得到重构语音，重构语音的文本信息与待重构文本一致。

需要说明的是，上述模块、单元、子单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个语音重构方法实施例中的步骤。

该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。

所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于实时训练的语音重构方法，其特征在于，所述语音重构方法包括：

对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将所述第一语音片段和所述第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征；

将所述训练语音输入滤波编码器进行特征提取，得到滤波特征，计算所述第一语音特征和所述第二语音特征的均值，将计算结果和所述滤波特征输入解码器中，得到重构语音；

根据所述第一语音特征、所述第二语音特征和预设的度量损失函数，计算得到度量损失，根据所述重构语音、所述训练语音和预设的重构损失函数，计算得到重构损失；

根据所述度量损失和所述重构损失，对所述特征编码器、所述滤波编码器和所述解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于所述训练好的语音重构模型对待处理语音进行重构。

2.根据权利要求1所述的语音重构方法，其特征在于，所述对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段包括：

获取所述训练语音的语音长度，将所述语音长度与预设的切分系数相乘，确定相乘结果为切分位置；

按照所述切分位置对所述训练语音进行切分，得到所述第一语音片段和第二语音片段。

3.根据权利要求2所述的语音重构方法，其特征在于，所述将所述语音长度与预设的切分系数相乘，确定相乘结果为切分位置包括：

将所述语音长度分别与预设的N个切分系数相乘，根据相乘结果确定N个切分位置，N为大于零的整数；

相应地，所述按照所述切分位置对所述训练语音进行切分，得到所述第一语音片段和第二语音片段包括：

遍历所述N个切分位置，按照所述切分位置对所述训练语音进行切分，得到N组片段集合，所述片段集合包括所述第一语音片段和所述第二语音片段；

相应地，所述根据所述第一语音特征、所述第二语音特征和预设的度量损失函数，计算得到度量损失包括：

根据所述N组片段集合和所述度量损失函数，计算得到对应N组片段集合的N个度量子损失，确定所述N个度量子损失之和为所述度量损失。

4.根据权利要求1所述的语音重构方法，其特征在于，所述滤波编码器包括降维层、卷积层和升维层；

所述将所述训练语音输入滤波编码器进行特征提取，得到滤波特征包括：

将所述训练语音输入所述降维层进行降维处理，得到降维特征，将所述降维特征输入所述卷积层进行特征提取，得到中间特征；

将所述中间特征输入所述升维层进行升维处理，得到所述滤波特征。

5.根据权利要求1所述的语音重构方法，其特征在于，所述根据所述度量损失和所述重构损失，对所述特征编码器、所述滤波编码器和所述解码器组成的语音重构模型进行训练包括：

将所述度量损失和预设的第一权重相乘，得到第一相乘结果，将所述重构损失和预设的第二权重相乘，得到第二相乘结果；

将所述第一相乘结果和所述第二相乘结果相加，确定相加结果为最终损失，根据所述最终损失，对所述语音重构模型进行训练。

6.根据权利要求5所述的语音重构方法，其特征在于，所述将所述度量损失和预设的第一权重相乘，得到第一相乘结果，将所述重构损失和预设的第二权重相乘，得到第二相乘结果包括：

采用归一化指数函数对所述度量损失和所述重构损失进行归一化处理，确定对应度量损失的归一化处理结果为所述第一权重，确定对应重构损失的归一化处理结果为所述第二权重；

将所述度量损失和所述第一权重相乘，得到所述第一相乘结果，将所述重构损失和所述第二权重相乘，得到所述第二相乘结果。

7.根据权利要求1至6任一项所述的语音重构方法，其特征在于，所述基于所述训练好的语音重构模型对待处理语音进行重构包括：

获取符合所述待重构条件的所述待处理语音及其对应的待重构文本；

将所述待处理语音输入所述训练好的语音重构模型进行语音重构，得到转换语音，所述转换语音的文本信息与所述待重构文本一致。

8.一种基于实时训练的语音重构装置，其特征在于，所述语音重构装置包括：

语音切分模块，用于对获取的符合待重构条件的训练语音进行切分，得到第一语音片段和第二语音片段，将所述第一语音片段和所述第二语音片段分别输入特征编码器进行特征提取，得到第一语音特征和第二语音特征；

语音重构模块，用于将所述训练语音输入滤波编码器进行特征提取，得到滤波特征，计算所述第一语音特征和所述第二语音特征的均值，将计算结果和所述滤波特征输入解码器中，得到重构语音；

损失计算模块，用于根据所述第一语音特征、所述第二语音特征和预设的度量损失函数，计算得到度量损失，根据所述重构语音、所述训练语音和预设的重构损失函数，计算得到重构损失；

语音重构模块，用于根据所述度量损失和所述重构损失，对所述特征编码器、所述滤波编码器和所述解码器组成的语音重构模型进行训练，得到训练好的语音重构模型，基于所述训练好的语音重构模型对待处理语音进行重构。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的语音重构方法。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的语音重构方法。