CN116612773A - 基于人工智能的语音转换方法、装置、计算机设备及介质 - Google Patents

Abstract

本发明适用于语音转换技术领域，尤其涉及一种基于人工智能的语音转换方法、装置、计算机设备及介质。本发明确定音素序列中的M个边界帧及其对应的持续时长，提取文本序列的第一文本韵律特征序列，并根据边界帧对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列，并按顺序将所有边界帧对应的特征值序列组成第二文本韵律特征序列，根据文本序列、第二文本韵律特征和目标音色重构得到目标重构语音，通过提取第一文本韵律特征序列并进行特征值修正，提高了对语义信息和韵律信息的表征准确性，降低了待转换语音中的说话人信息对重构语音的影响，提高了语音转换的准确性，在金融场景中提高了机器人客服的自然性、表现力和服务质量。

Description

基于人工智能的语音转换方法、装置、计算机设备及介质

技术领域

本发明适用于语音转换技术领域，尤其涉及一种基于人工智能的语音转换方法、装置、计算机设备及介质。

背景技术

语音转换是在不改变话语内容信息的情况下，让某个人说的话听起来像是另一个人说的，在驾驶导航、视频制作等多个领域中具有很强的应用价值。

现有语音转换方法通常提取待转换语音的文本语义信息以及目标说话人的目标说话人信息，然后对文本语义信息和目标说话人信息进行融合和映射，得到转换后的重构语音。但是，语音韵律信息作为人类自然语言的一个典型特征，可以通过音高、强度以及时间等特性对语言和情绪进行表征，在语音转换任务中对于重构语音的自然性、表现力等方面具有重要的指导作用，上述语音转换方法无法准确地对待转换语音中的文本语义信息、语音韵律信息和原始说话人信息进行解耦和提取，导致转换后的目标语音受到原始说话人信息以及低质量的语音韵律信息的干扰，降低了重构语音的准确率。

因此，在语音转换技术领域中，如何提高语音转换方法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人工智能的语音转换方法、装置、计算机设备及介质，以解决现有语音转换方法中重构语音的准确性较低的问题。

第一方面，本发明实施例提供一种基于人工智能的语音转换方法，所述语音转换方法包括：

获取待转换语音的音素序列和文本序列，根据所述音素序列，确定M个边界帧和每个边界帧对应的持续时长，M为大于0的整数；

对所述文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将所述第一文本韵律特征序列与所述音素序列对齐，确定每个边界帧在所述第一文本韵律特征序列中对应的目标位置；

根据所述边界帧在所述第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应所述边界帧的持续时长的特征值序列；

按照所有边界帧在所述音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列；

获取目标音色，根据所述文本序列、所述第二文本韵律特征序列和所述目标音色进行语音重构，得到目标重构语音。

第二方面，本发明实施例提供一种基于人工智能的语音转换装置，所述语音转换装置包括：

边界帧确定模块，用于获取待转换语音的音素序列和文本序列，根据所述音素序列，确定M个边界帧和每个边界帧对应的持续时长，M为大于0的整数；

特征提取模块，用于对所述文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将所述第一文本韵律特征序列与所述音素序列对齐，确定每个边界帧在所述第一文本韵律特征序列中对应的目标位置；

序列构建模块，用于根据所述边界帧在所述第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应所述边界帧的持续时长的特征值序列；

序列组成模块，用于按照所有边界帧在所述音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列；

语音重构模块，用于获取目标音色，根据所述文本序列、所述第二文本韵律特征序列和所述目标音色进行语音重构，得到目标重构语音。

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转换方法。

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转换方法。

本发明实施例与现有技术相比存在的有益效果是：根据待转换语音的音素序列，确定M个边界帧和每个边界帧对应的持续时长，对待转换语音的文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将第一文本韵律特征序列与音素序列对齐，确定每个边界帧在第一文本韵律特征序列中对应的目标位置，根据边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列，按照所有边界帧在音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列，根据文本序列、第二文本韵律特征和获取的目标音色进行语音重构，得到目标重构语音，通过提取待转换语音的第一文本韵律特征序列并进行特征值修正，得到第二文本韵律特征序列，提高了对待转换语音中的语义信息和韵律信息的表征准确性，降低了待转换语音中的说话人信息对重构语音的影响，提高了语音转换的准确性，在金融场景中提高了机器人客服的自然性、表现力、丰富性，提高了金融业务的服务质量。

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人工智能的语音转换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人工智能的语音转换方法的流程示意图；

图3是本发明实施例二提供的一种基于人工智能的语音转换装置的结构示意图；

图4是本发明实施例三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人工智能的语音转换方法，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、云端计算机设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现，该语音转换方法可以应用于动画制作、游戏制作、语音导航、语音客服等多种领域中，例如，由于金融业务复杂多样，大量的咨询业务、售后业务等简单任务会严重占据业务人员的精力和时间，降低业务人员的工作效率和工作质量，采用机器人客服可以节省大量的人工成本，而机器人客服的语音服务是否自然流畅将直接影响到用户的体验，因此，该语音转换方法可以在金融场景中对机器人客服的音色进行转换，为客户提供自然性、表现力、丰富性更高的语音客服服务，以提高客户体验，从而提高金融业务的服务质量。

参见图2，是本发明实施例一提供的一种基于人工智能的语音转换方法的流程示意图，上述语音转换方法可以应用于图1中的客户端，该语音转换方法可以包括以下步骤：

步骤S201，获取待转换语音的音素序列和文本序列，根据音素序列，确定M个边界帧和每个边界帧对应的持续时长。

其中，一段语音中包含了表征话语内容的语义信息、表征说话人音色和发音习惯等的说话人信息，以及表征情感、节奏、停顿等的韵律信息。而语音转换任务是在不改变语义信息和韵律信息的情况下，让某个人说的话听起来像是另一个人说的，即将语音中原始的说话人信息替换为目标说话人的说话人信息。

在语音转换任务中，为了降低待转换语音的说话人信息对重构语音的影响，需要对待转换语音中的语义信息、说话人信息和韵律信息进行解耦，以获得待转换语音中的语义信息和韵律信息，结合目标说话人的说话人信息进行语音重构，得到重构语音，完成从待转换语音到重构语音的语音转换任务。

由于音素是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作即可构成一个音素。本实施例在进行语音转换时，获取待转换语音的音素序列和文本序列，作为对待转换语音进行语音转换的基础，以通过将待转换语音转换为更基础的音素形式和文本形式，来提高对待转换语音的解耦的准确性，从而提高语音转换的准确性。具体地，可以对待转换语音进行音素转换和文本转换，得到对应的音素序列和文本序列。对应地，在金融场景中针对机器人客服进行语音转换时，待转换语音可以是机器人客服对应的与客户进行交流的原始语音，待转换语音的文本序列可以是机器人客服与客户的交流内容，待转换语音的音素序列可以是原始语音的音素序列。

在音素序列中，当音素的持续时长发生改变时，会导致待转换语音包含的语义信息和韵律信息发生变化，音素的持续时长对于表征待转换语音的文本韵律特征具有重要的意义。因此，本实施例在音素序列中对各类音素进行切分，得到音素M个之间的边界帧，以及每个边界帧对应音素的持续时长，作为待转换语音的文本韵律特征的分析基础，其中，M为大于0的整数。可选的是，根据音素序列，确定M个边界帧包括：

针对音素序列中的第j帧音素，比较第j帧音素与第j+1帧音素是否一致，得到比较结果，j＝1，2，…，N-1，N为音素序列中音素的总数量，N为大于1的整数；

若比较结果为不一致，则确定任一帧音素对应的帧数为边界帧；

遍历音素序列中的第1，2，…，N-1帧音素，确定音素序列对应的M-1个边界帧。

其中，针对音素序列中的第j帧音素，j＝1，2，…，N-1，当第j帧音素与第j+1帧音素不一致，则可以确定第j帧音素是音素序列中分隔两类音素的边界帧，当第j帧音素与第j+1帧音素一致，则可以确定第j帧音素不是音素序列中分隔两类音素的边界帧。因此，遍历第1，2，…，N-1帧音素，确定音素序列中的M-1个边界帧。

本实施例通过比较第j帧音素与第j+1帧音素是否一致，来确定第1，2，…，N-1帧音素是否为音素序列中分隔两类音素的边界帧，提高了边界帧的计算合理性和准确性。

可选的是，根据音素序列，确定M个边界帧，还包括：

确定音素序列中的第N帧音素对应的帧数N为边界帧，得到M个边界帧。

其中，由于第N帧音素不存在对应的下一帧音素，因此，虽然第N帧音素不能用来分给两类音素，但仍可以确定第N帧音素是音素序列中的边界帧，并结合遍历第1，2，…，N-1帧音素所确定的M-1个边界帧，得到M个边界帧。

本实施例考虑到第N帧音素不存在对应的下一帧音素，确定第N帧音素是音素序列中的边界帧，提高了边界帧的计算合理性和准确性。

可选的是，根据音素序列，确定每个边界帧对应的持续时长包括：

按照M个边界帧对应的帧数，对M个边界帧进行排序；

针对第i个边界帧，计算第i个边界帧和第i-1个边界帧之间的帧数差值，将差值确定为第i个边界帧对应的持续时长，i＝2，3，…，M。

其中，首先按照M个边界帧的帧数，对M个边界帧进行排序，对于第i个边界帧，第i个边界帧对应的音素以及第i个边界帧和第i-1个边界帧之间的音素属于同一类音素，则可以计算第i个边界帧和第i-1个边界帧之间的帧数差值，将差值确定为第i个边界帧对应的持续时长，其中，i＝2，3，…，M。

可选的是，根据音素序列，确定每个边界帧对应的持续时长，还包括：

针对第一个边界帧，将边界帧对应的帧数确定为边界帧对应的持续时长。

其中，由于第一个边界帧不存在前一个边界帧，且第一个边界帧对应的音素以及第一个边界帧之前对应的所有音素属于同一类音素，因此，可以将第一个边界帧的帧数确定为第一个边界帧对应的持续时长。

本实施例考虑第一个边界帧和其他边界帧之间的区别，将第一个边界帧的帧数确定为第一个边界帧对应的持续时长，将其他边界帧与其前一个边界帧之间的帧数差值确定为其他边界帧对应的持续时长，提高了持续时长的计算准确性。

举例说明，对于待转换语音的音素序列【a,a,b,b,b,c,c】，N＝7，针对第2帧音素a，第2帧音素a和第3帧音素b的比较结果为不一致，则可以确定第2帧音素a对应的帧数2为边界帧；针对第3帧音素b，第3帧音素b和第4帧音素b的比较结果为一致，则可以确定第3帧音素b对应的帧数3不是边界帧；针对最后一帧音素，即第7帧音素c，可以确定第7帧音素c对应的帧数7为边界帧。则遍历上述音素序列【a,a,b,b,b,c,c】中的7帧音素，可以确定边界帧为2、5和7，对应地，M＝3。

按照边界帧的顺序，针对第1个边界帧，将第1个边界帧对应的帧数2确定为第1个边界帧对应的持续时长；针对第2个边界帧，计算第2个边界帧和第1个边界帧之间的帧数差值，即5-2＝3，将差值3确定为第2个边界帧对应的持续时长；针对第3个边界帧，计算第3个边界帧和第2个边界帧之间的帧数差值，即7-5＝2，将差值2确定为第3个边界帧对应的持续时长。

上述获取待转换语音的音素序列和文本序列，根据音素序列，确定M个边界帧和每个边界帧对应的持续时长的步骤，将待转换语音转换为更基础的音素形式，作为表征待转换语音的文本韵律特征的基础，提高了对待转换语音进行特征提取和特征解耦的准确性。

步骤S202，对文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将第一文本韵律特征序列与音素序列对齐，确定每个边界帧在第一文本韵律特征序列中对应的目标位置。

其中，由于文本序列可以表征待转换语音中的文本信息和韵律信息，无法表征待转换语音的音色信息，因此，为了准确地对待转换语音中的语义信息、说话人信息和韵律信息进行解耦，，本实施例对文本序列进行特征提取，与对待转换语音进行特征提取相比，对文本序列进行特征提取可以着重提取文本序列对应的待转换语音中的语义信息和韵律信息，忽略待转换语音中的说话人信息，得到第一文本韵律特征序列，并将第一文本韵律特征序列作为重构语音的语义信息和韵律信息的基础，降低待转换语音的说话人信息对重构语音的影响，从而提高语音转换的准确性。

在本实施例中，在得到第一文本韵律特征序列后，将第一文本韵律特征序列与音素序列对齐，确定每个边界帧在第一文本韵律特征序列中对应的目标位置，以确定每个边界帧对应的特征值，根据该特征值对第一文本韵律特征序列进行修正，来进一步提高对待转换语音中的文本韵律特征序列的表征准确性。

上述对文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将第一文本韵律特征序列与音素序列对齐，确定每个边界帧在第一文本韵律特征序列中对应的目标位置的步骤，着重提取文本序列对应的待转换语音中的语义信息和韵律信息，忽略待转换语音中的说话人信息，得到第一文本韵律特征序列，并将边界帧对应的目标位置作为对第一文本韵律特征序列进行修正的基础，来重构语音的语义信息和韵律信息，降低了待转换语音的说话人信息对重构语音的影响，提高了语音转换的准确性。

步骤S203，根据边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列。

其中，针对任一边界帧，该边界帧在音素序列中对应的音素属于同一类音素，且音素的数量与对应的持续时长一致。

在本实施例中，将该边界帧对应的目标位置在第一文本韵律特征序列中的特征值作为该边界帧的特征值，则可以使用该边界帧对应的特征值来表征该边界帧对应的各个音素的特征值，因此，可以以边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值为基础，构建对应边界帧的持续时长的特征值序列，并将特征值序列作为对第一文本韵律特征序列进行修正的基础，以提高对待转换语音中的文本韵律特征的表征准确性。

可选的是，根据边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列包括：

针对任一边界帧，复制边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，直至特征值的数量与边界帧对应的持续时长一致，得到对应边界帧的持续时长的特征值序列；

遍历所有的边界帧，得到对应所有边界帧的持续时长的特征值序列。

其中，由于边界帧可以在音素序列中分隔两类音素，且第i个边界帧对应的音素以及第i个边界帧和第i-1个边界帧之间的音素属于同一类音素，第一个边界帧对应的音素以及第一个边界帧之前对应的所有音素属于同一类音素，因此，通过复制该特征值，直至特征值的数量与该边界帧对应的持续时长一致，可以得到边界帧对应的特征值序列，以完成对该边界帧对应的所有音素的特征值的修正，从而保证该边界帧对应的所有音素的特征值的一致性和准确性。

举例说明，对于提取得到的第一文本韵律特征序列【A,A,D,B,B,C,C】，M＝3，其中，第1个边界帧对应的帧数为2，持续时长为2，第2个边界帧对应的帧数为5，持续时长为3，第3个边界帧对应的帧数为7，持续时长为2。

则可以确定第1个边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值为A，复制该特征值A直至特征值A的数量与对应的持续时长2一致，得到对应第1个边界帧的特征值序列【A,A】；确定第2个边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值为B，复制该特征值B直至特征值B的数量与对应的持续时长3一致，得到对应第2个边界帧的特征值序列【B,B,B】；确定第3个边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值为C，复制该特征值C直至特征值C的数量与对应的持续时长2一致，得到对应第3个边界帧的特征值序列【C,C】。

上述根据边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列的步骤，通过复制边界帧对应的特征值，得到边界帧对应的特征值序列，完成了对该边界帧对应的所有音素的特征值的修正，保证了该边界帧对应的所有音素的特征值的一致性和准确性，提高了对待转换语音中的文本韵律特征的表征准确性。

步骤S204，按照所有边界帧在音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列。

其中，对所有的边界帧进行上述特征值确定和特征值复制的操作，得到所有边界帧对应的特征值序列之后，可以完成对音素序列中所有音素的特征值的修正。然后按照所有边界帧在音素序列中的顺序，将所有边界帧对应的特征值序列进行排序组合，得到第二文本韵律特征序列，作为语音重构时的语义信息和韵律信息基础。

举例说明，按照所有边界帧在音素序列中的顺序，将对应第1个边界帧的特征值序列【A,A】、对应第2个边界帧的特征值序列【B,B,B】和对应第3个边界帧的特征值序列【C,C】组成第二文本韵律特征序列【A,A,B,B,B,C,C】。

上述按照所有边界帧在音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列的步骤，对所有边界帧进行特征值确定和特征值复制的操作，得到所有边界帧对应的特征值序列，并排序组合得到第二文本韵律特征序列，提高了对待转换语音中的文本韵律特征的表征准确性。

步骤S205，获取目标音色，根据文本序列、第二文本韵律特征序列和目标音色进行语音重构，得到目标重构语音。

其中，目标音色可以表征目标说话人的说话人信息，文本序列可以表征待转换语音中的文本信息，第二文本韵律特征可以表征待转换语音中的语义信息和韵律信息，则可以根据文本序列、第二文本韵律特征序列和目标音色进行语音重构，在不改变语义信息和韵律信息的情况下，将待转换语音中的说话人信息替换为目标说话人的说话人信息，得到目标重构语音，完成语音转换任务。对应地，在金融场景中针对机器人客服进行语音转换时，可以采集人工客服的音色作为对机器人客服进行语音转换的目标音色，并将目标音色存储在对应的数据库中，作为语音转换的数据基础。

在一实施方式中，可以使用训练好的解码器对文本序列、第二文本韵律特征和目标音色进行语音重构，输出目标重构语音，其中，为了提高目标重构语音的准确性，可以对解码器进行训练，通过修正解码器的参数来提高解码器的准确性。因此，本实施例获取待转换语音样本、待转换语音样本的文本序列样本、第二文本韵律特征序列样本和目标音色样本作为训练样本，并将待转换语音样本作为训练标签，对解码器进行训练。

具体地，使用解码器对文本序列样本、第二文本韵律特征序列样本和目标音色样本进行语音重构，得到重构语音，该重构语音与待转换语音样本表征同样的语义信息、说话人信息和韵律信息，因此，该重构语音与待转换语音样本之间的相似度越高，表示解码器的准确率越高。则可以通过计算待转换语音样本和重构语音之间的相似度得到模型损失，并根据梯度下降法反向修正解码器的参数，直至模型损失收敛，得到训练好的解码器。

本实施例使用训练好的解码器对文本序列、第二文本韵律特征和目标音色进行语音重构，输出目标重构语音，并获取待转换语音样本、待转换语音样本的文本序列样本、第二文本韵律特征序列样本和目标音色样本作为训练样本，将待转换语音样本作为训练标签，对解码器进行训练，提高了解码器的准确性，从而提高了目标重构语音的准确性。

在一实施方式中，根据待转换语音样本和重构语音计算模型损失包括：

计算待转换语音样本的第一梅尔倒谱系数和重构语音的第二梅尔倒谱系数；

计算第一梅尔倒谱系数和第二梅尔倒谱系数之间的相似度，将相似度和预设值之间的差值确定为模型损失。

其中，为了便于对语音之间的相似度进行准确地衡量，本实施例计算待转换语音样本的第一梅尔倒谱系数，来表征待转换语音样本信息，以及重构语音的第二梅尔倒谱系数，来表征重构语音信息。因此，可以计算第一梅尔倒谱系数和第二梅尔倒谱系数之间的相似度，则相似度越高，表示待转换语音样本和重构语音越相似，进而表示解码器的准确性越高，因此，计算该相似度和预设值之间的差值，并将该差值确定为模型损失，对应地，模型损失越小，表示解码器的准确性越高。

该预设值可以根据实际情况进行设定，例如，当计算得到的相似度在[0，1]范围内时，可以设定预设值为1。

本实施例将第一梅尔倒谱系数和第二梅尔倒谱系数之间的相似度，与预设值之间的差值确定为模型损失，提高了模型损失的计算准确性。

上述获取目标特征，根据文本序列、第二文本韵律特征序列和目标特征进行语音重构，得到目标重构语音的步骤，在不改变语义信息和韵律信息的情况下，将待转换语音中的说话人信息替换为目标说话人的说话人信息，得到目标重构语音，完成语音转换任务，提高了目标重构语音的准确性。

本发明实施例根据待转换语音的音素序列，确定M个边界帧和每个边界帧对应的持续时长，对待转换语音的文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将第一文本韵律特征序列与音素序列对齐，确定每个边界帧在第一文本韵律特征序列中对应的目标位置，根据边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列，按照所有边界帧在音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列，根据文本序列、第二文本韵律特征和获取的目标音色进行语音重构，得到目标重构语音，通过提取待转换语音的第一文本韵律特征序列并进行特征值修正，得到第二文本韵律特征序列，提高了对待转换语音中的语义信息和韵律信息的表征准确性，降低了待转换语音中的说话人信息对重构语音的影响，提高了语音转换的准确性，在金融场景中提高了机器人客服的自然性、表现力、丰富性，提高了金融业务的服务质量。

对应于上文实施例的语音转换方法，图3给出了本发明实施例二提供的基于人工智能的语音转换装置的结构框图，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3，该语音转换装置包括：

边界帧确定模块31，用于获取待转换语音的音素序列和文本序列，根据音素序列，确定M个边界帧和每个边界帧对应的持续时长，M为大于0的整数；

特征提取模块32，用于对文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将第一文本韵律特征序列与音素序列对齐，确定每个边界帧在第一文本韵律特征序列中对应的目标位置；

序列构建模块33，用于根据边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应边界帧的持续时长的特征值序列；

序列组成模块34，用于按照所有边界帧在音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列；

语音重构模块35，用于获取目标音色，根据文本序列、第二文本韵律特征序列和目标音色进行语音重构，得到目标重构语音。

可选的是，上述边界帧确定模块31包括：

第一音素比较子模块，用于针对音素序列中的第j帧音素，比较第j帧音素与第j+1帧音素是否一致，得到比较结果，j＝1，2，…，N-1，N为音素序列中音素的总数量，N为大于1的整数；

第一边界帧确定子模块，用于若比较结果为不一致，则确定任一帧音素对应的帧数为边界帧；

第二边界帧确定子模块，用于遍历音素序列中的第1，2，…，N-1帧音素，确定音素序列对应的M-1个边界帧。

可选的是，上述边界帧确定模块31还包括：

第三边界帧确定子模块，用于确定音素序列中的第N帧音素对应的帧数N为边界帧，得到M个边界帧。

可选的是，上述边界帧确定模块31包括：

排序子模块，用于按照M个边界帧对应的帧数，对M个边界帧进行排序；

第一时长计算子模块，用于针对第i个边界帧，计算第i个边界帧和第i-1个边界帧之间的帧数差值，将差值确定为第i个边界帧对应的持续时长，i＝2，3，…，M。

可选的是，上述边界帧确定模块31还包括：

第二时长计算子模块，用于针对第一个边界帧，将边界帧对应的帧数确定为边界帧对应的持续时长。

可选的是，上述序列构建模块33包括：

第一序列构建子模块，用于针对任一边界帧，复制边界帧在第一文本韵律特征序列中对应的目标位置对应的特征值，直至特征值的数量与边界帧对应的持续时长一致，得到对应边界帧的持续时长的特征值序列；

第二序列构建子模块，用于遍历所有的边界帧，得到对应所有边界帧的持续时长的特征值序列。

需要说明的是，上述模块之间的信息交互、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4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示，该实施例的计算机设备包括：至少一个处理器(图4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转换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4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)

1.一种基于人工智能的语音转换方法，其特征在于，所述语音转换方法包括：

获取待转换语音的音素序列和文本序列，根据所述音素序列，确定M个边界帧和每个边界帧对应的持续时长，M为大于0的整数；

对所述文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将所述第一文本韵律特征序列与所述音素序列对齐，确定每个边界帧在所述第一文本韵律特征序列中对应的目标位置；

根据所述边界帧在所述第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应所述边界帧的持续时长的特征值序列；

按照所有边界帧在所述音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列；

获取目标音色，根据所述文本序列、所述第二文本韵律特征序列和所述目标音色进行语音重构，得到目标重构语音。

2.根据权利要求1所述的语音转换方法，其特征在于，所述根据所述音素序列，确定M个边界帧包括：

针对所述音素序列中的第j帧音素，比较所述第j帧音素与第j+1帧音素是否一致，得到比较结果，j＝1，2，…，N-1，N为所述音素序列中音素的总数量，N为大于1的整数；

若所述比较结果为不一致，则确定所述任一帧音素对应的帧数为边界帧；

遍历所述音素序列中的第1，2，…，N-1帧音素，确定所述音素序列对应的M-1个边界帧。

3.根据权利要求2所述的语音转换方法，其特征在于，所述根据所述音素序列，确定M个边界帧，还包括：

确定所述音素序列中的第N帧音素对应的帧数N为边界帧，得到M个边界帧。

4.根据权利要求3所述的语音转换方法，其特征在于，根据所述音素序列，确定每个边界帧对应的持续时长包括：

按照所述M个边界帧对应的帧数，对所述M个边界帧进行排序；

针对第i个边界帧，计算所述第i个边界帧和第i-1个边界帧之间的帧数差值，将所述差值确定为所述第i个边界帧对应的持续时长，i＝2，3，…，M。

5.根据权利要求4所述的语音转换方法，其特征在于，根据所述音素序列，确定每个边界帧对应的持续时长，还包括：

针对第一个边界帧，将所述边界帧对应的帧数确定为所述边界帧对应的持续时长。

6.根据权利要求1所述的语音转换方法，其特征在于，所述根据所述边界帧在所述第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应所述边界帧的持续时长的特征值序列包括：

针对任一边界帧，复制所述边界帧在所述第一文本韵律特征序列中对应的目标位置对应的特征值，直至所述特征值的数量与所述边界帧对应的持续时长一致，得到对应所述边界帧的持续时长的特征值序列；

遍历所有的边界帧，得到对应所有边界帧的持续时长的特征值序列。

7.一种基于人工智能的语音转换装置，其特征在于，所述语音转换装置包括：

边界帧确定模块，用于获取待转换语音的音素序列和文本序列，根据所述音素序列，确定M个边界帧和每个边界帧对应的持续时长，M为大于0的整数；

特征提取模块，用于对所述文本序列进行韵律特征的提取，得到第一文本韵律特征序列，将所述第一文本韵律特征序列与所述音素序列对齐，确定每个边界帧在所述第一文本韵律特征序列中对应的目标位置；

序列构建模块，用于根据所述边界帧在所述第一文本韵律特征序列中对应的目标位置对应的特征值，构建对应所述边界帧的持续时长的特征值序列；

序列组成模块，用于按照所有边界帧在所述音素序列中的顺序，将所有边界帧对应的特征值序列组成第二文本韵律特征序列；

语音重构模块，用于获取目标音色，根据所述文本序列、所述第二文本韵律特征序列和所述目标音色进行语音重构，得到目标重构语音。

8.根据权利要求7所述的语音转换装置，其特征在于，所述边界帧确定模块包括：

第一音素比较子模块，用于针对所述音素序列中的第j帧音素，比较所述第j帧音素与第j+1帧音素是否一致，得到比较结果，j＝1，2，…，N-1，N为所述音素序列中音素的总数量，N为大于1的整数；

第一边界帧确定子模块，用于若所述比较结果为不一致，则确定所述任一帧音素对应的帧数为边界帧；

第二边界帧确定子模块，用于遍历所述音素序列中的第1，2，…，N-1帧音素，确定所述音素序列对应的M-1个边界帧。

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6任一项所述的语音转换方法。

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6任一项所述的语音转换方法。