WO2022037388A1 - 语音生成方法、装置、设备和计算机可读介质 - Google Patents

语音生成方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
WO2022037388A1
WO2022037388A1 PCT/CN2021/109550 CN2021109550W WO2022037388A1 WO 2022037388 A1 WO2022037388 A1 WO 2022037388A1 CN 2021109550 W CN2021109550 W CN 2021109550W WO 2022037388 A1 WO2022037388 A1 WO 2022037388A1
Authority
WO
WIPO (PCT)
Prior art keywords
speech
segment
voice
target
original
Prior art date
Application number
PCT/CN2021/109550
Other languages
English (en)
French (fr)
Inventor
蔡猛
孔亚鲁
Original Assignee
北京字节跳动网络技术有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 北京字节跳动网络技术有限公司 filed Critical 北京字节跳动网络技术有限公司
Priority to US18/041,756 priority Critical patent/US20240029709A1/en
Publication of WO2022037388A1 publication Critical patent/WO2022037388A1/zh

Links

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
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G10L13/086—Detection of language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/47—Machine-assisted translation, e.g. using translation memory
    • 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
    • G10L15/00—Speech recognition
    • G10L15/005—Language recognition
    • 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
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • 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
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • 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
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • 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
    • G10L17/04—Training, enrolment or model building
    • 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

Definitions

  • Embodiments of the present disclosure relate to the field of computer technology, and in particular, to a voice generation method, apparatus, device, and computer-readable medium.
  • Some embodiments of the present disclosure propose voice generation methods, apparatuses, devices and computer-readable media to solve the technical problems mentioned in the above background section.
  • some embodiments of the present disclosure provide a voice generation method, the method includes: by performing speaker segmentation on the original voice, determining the start time and end time of each spoken voice segment in the original voice, and obtaining Segmented voice; determine the voiceprint feature vector corresponding to each speaking voice segment in the above-mentioned original voice; convert the text corresponding to each speaking voice fragment in the above-mentioned original voice into target language text, and obtain each speaking voice in the above-mentioned original voice.
  • the target language text corresponding to the segment; the target speech is generated based on the start time and end time of each speech segment in the original speech, the voiceprint feature vector corresponding to the speech segment, and the target language text corresponding to the speech segment.
  • some embodiments of the present disclosure provide an apparatus for generating speech, the apparatus comprising: a first determining unit configured to determine the origin of each speech segment in the original speech by performing speaker segmentation on the original speech The starting time and the ending time are to obtain the divided voice; the second determining unit is configured to determine the voiceprint feature vector corresponding to each speaking voice segment in the above-mentioned original voice; the conversion unit is configured to convert each of the above-mentioned original voices Convert the text corresponding to the spoken voice fragment into target language text, and obtain the target language text corresponding to each spoken voice fragment in the above-mentioned original voice; the generating unit is configured to be based on the start time and end of each spoken voice fragment in the above-mentioned original voice. The time, the voiceprint feature vector corresponding to the above-mentioned speaking speech segment, and the target language text corresponding to the above-mentioned speech speech segment are used to generate the target speech.
  • some embodiments of the present disclosure provide an electronic device, comprising: one or more processors; a storage device on which one or more programs are stored, when one or more programs are stored by one or more The processor executes such that the one or more processors implement a method as described in any implementation of the first aspect.
  • some embodiments of the present disclosure provide a computer-readable medium having a computer program stored thereon, wherein the program, when executed by a processor, implements the method described in any implementation manner of the first aspect.
  • One of the above-mentioned embodiments of the present disclosure has the following beneficial effect: the audio and video in the first language are automatically converted into the audio and video in the second language.
  • FIG. 1 is a schematic diagram of an application scenario of the speech generation method according to some embodiments of the present disclosure
  • FIG. 2 is a flowchart of some embodiments of speech generation methods according to the present disclosure
  • FIG. 4 is a schematic structural diagram of some embodiments of a speech generating apparatus according to the present disclosure.
  • FIG. 5 is a schematic structural diagram of an electronic device suitable for implementing some embodiments of the present disclosure.
  • FIG. 1 shows a schematic diagram of an application scenario of a speech generation method to which some embodiments of the present disclosure can be applied.
  • the computing device 101 can first perform speaker segmentation on the original speech 102 to determine the start time and end time 104 of each speech segment in the original speech, and obtain the segmented speech 105 .
  • the start time and end time of the first speaking voice segment in the above-mentioned original voice 102 are "0.2s-0.4s”.
  • the voiceprint feature vector 106 corresponding to each spoken speech segment in the above-mentioned original speech is determined.
  • the above-mentioned computing device 101 determines two different voiceprint feature vectors “V1” and “V2” in the above-mentioned original speech 102.
  • the value of the above-mentioned voiceprint feature vector “V1” can be as shown in the figure " ⁇ 0.23, 0.78, 0.55, 0.64 ⁇ ” indicated by the dotted line in 1.
  • the text 103 corresponding to each speaking voice segment in the above-mentioned original voice 102 is converted into a target language text, and the target language text 107 corresponding to each speaking voice fragment in the above-mentioned original voice 102 is obtained.
  • the above-mentioned original voice 102 includes 6 speaking voice fragments, and the text corresponding to each speaking voice fragment is "Hello", "My name is", “Zhang San”, "Hello", "My name is” ”, “Li Si”, and the above target language text is English text.
  • the target language texts corresponding to each spoken voice segment in the above-mentioned original voice 102 are "Hello", “my name is”, “ZhangSan”, “Hello”, "my name is”, “LiSi” and finally , the target speech 108 is generated based on the start time and end time 104 of each speaking voice segment in the above-mentioned original speech, the voiceprint feature vector 106 corresponding to the above-mentioned speaking speech segment, and the target language text 107 corresponding to the above-mentioned speaking speech segment.
  • the above computing device 101 may be hardware or software.
  • the computing device When the computing device is hardware, it can be implemented as a distributed cluster composed of multiple servers or electronic devices, or can be implemented as a single server or a single electronic device.
  • a computing device When a computing device is embodied in software, it can be implemented as multiple software or software modules, for example, to provide distributed services, or as a single software or software module. There is no specific limitation here.
  • computing devices 101 in FIG. 1 is merely illustrative. There may be any number of computing devices 101 depending on implementation needs.
  • the voice generation method includes the following steps:
  • Step 201 by performing speaker segmentation on the original speech, determining the start time and end time of each speech segment in the original speech, and obtaining the segmented speech.
  • the above-mentioned original speech may be speech including at least one spoken speech segment.
  • the executive body of the speech generation method may perform speaker segmentation on the above-mentioned original speech by receiving a segmentation mark input manually, so as to determine each spoken speech in the above-mentioned original speech The start time and end time of the segment are obtained to obtain the segmented speech.
  • the above-mentioned executive body may also use a RNN (Recurrent Neural Network, Recurrent Neural Network)-based supervision method to perform speaker segmentation on the original speech, so as to determine the start time of each spoken speech segment in the above-mentioned original speech. and the end time to get the segmented speech.
  • RNN Recurrent Neural Network, Recurrent Neural Network
  • Step 202 Determine the voiceprint feature vector corresponding to each speech segment in the above-mentioned original speech.
  • the above-mentioned execution body can obtain the voiceprint feature vector corresponding to the above-mentioned speaking speech segment by performing speaker identification on the above-mentioned speaking speech segment.
  • the above-mentioned execution body may further determine a voiceprint feature vector corresponding to each speaking speech segment in the original speech by performing speaker clustering on the above-mentioned segmented speech.
  • Step 203 Convert the text corresponding to each speaking voice segment in the above-mentioned original voice into target language text, and obtain the target language text corresponding to each speaking voice fragment in the above-mentioned original voice.
  • the text corresponding to each spoken voice segment in the above-mentioned original voice may be obtained in advance.
  • the text corresponding to the original speech in the video is subtitles, and the subtitles are often existing.
  • Step 204 Generate target speech based on the start time and end time of each speaking voice segment in the original voice, the voiceprint feature vector corresponding to the speaking speech segment, and the target language text corresponding to the speaking speech segment.
  • the above-mentioned executive body may first extract acoustic features in the above-mentioned target language text and convert them into acoustic feature vectors. Then, the voiceprint feature vector and the acoustic feature vector are input into the pre-trained vocoder to obtain the first speech segment. Finally, the first speech segment is accelerated or decelerated according to the start time and the end time to obtain the target speech segment.
  • the above-mentioned execution body may generate the above-mentioned target speech through the following steps:
  • Step 1 Based on the voiceprint feature vector corresponding to each speaking voice segment in the above-mentioned original speech and the target language text corresponding to the speaking voice segment, generate a target speaking speech segment, and obtain a target speaking speech segment set.
  • the above-mentioned execution body may input the voiceprint feature vector corresponding to the spoken voice segment and the target language text corresponding to the spoken speech segment into a pre-trained speech synthesis network, Obtain the target speech segment.
  • the speech synthesis network described above may be a network composed of an acoustic feature extraction network and a vocoder.
  • the above-mentioned acoustic feature extraction network includes but is not limited to: Hidden Markov Model based on a deep neural network, a recurrent neural network, a long short-term memory network, and the like.
  • the above-mentioned vocoder is a speech analysis and synthesis system for speech synthesis based on acoustic features.
  • Step 2 Based on the start time and end time of each speech segment in the original speech, splicing each target speech segment in the target speech segment set to obtain the target speech.
  • the above-mentioned execution body may splicing the above-mentioned in the order of time nodes.
  • the execution subject may determine the start time and end time of the speech segment as the start time and end time of the corresponding target speech segment. After that, a silent speech segment is generated between every two adjacent target speech segments to obtain the above-mentioned target speech. The duration of the silent speech segment is the difference between the start time of the next target speech segment and the end time of the previous target speech segment in the two adjacent target speech segments.
  • the process 300 of the voice generation method includes the following steps:
  • Step 301 by performing speaker segmentation on the original speech, determining the start time and end time of each speech segment in the original speech, and obtaining the segmented speech.
  • the above-mentioned executive body may use a speech recognition network to perform speech recognition on the above-mentioned original speech. After that, the recognition results are automatically segmented.
  • the above-mentioned executive body may automatically perform sentence segmentation on the above-mentioned original speech by using a sentence model.
  • the above-mentioned executive body may also use an online speech recognition tool or speech recognition software to perform speech recognition on the above-mentioned original speech. After that, the recognition results are automatically segmented.
  • Step 304 Convert the text corresponding to each speaking voice segment in the above-mentioned original voice into target language text, and obtain the target language text corresponding to each speaking voice fragment in the above-mentioned original voice.
  • step 304 for the specific implementation of step 304 and the technical effect brought by it, reference may be made to step 203 in the embodiment corresponding to FIG. 2 , and details are not repeated here.
  • Step 305 Input the voiceprint feature vector corresponding to the above-mentioned speaking voice fragment and the target language text corresponding to the above-mentioned speaking voice fragment into the pre-trained speech synthesis network to obtain the above-mentioned target speaking voice fragment.
  • the present disclosure provides some embodiments of a speech generating apparatus, and these apparatus embodiments correspond to those method embodiments shown in FIG. 2 .
  • the second determining unit 402 is further configured to: determine the sound corresponding to each spoken speech segment in the original speech by performing speaker clustering on the segmented speech texture feature vector.
  • the generating unit 404 is further configured to: generate, based on the voiceprint feature vector corresponding to each spoken speech segment in the original speech and the target language text corresponding to the spoken speech segment The target speaking voice fragment is obtained, and the target speaking voice fragment collection is obtained; based on the start time and end time of each speaking voice fragment in the original voice, each target speaking voice fragment in the target speaking voice fragment set is spliced to obtain the target voice.
  • the generating unit 404 is further configured to: input the voiceprint feature vector corresponding to the spoken speech segment and the target language text corresponding to the spoken speech segment into the pre-trained speech A synthetic network is used to obtain the target speech segment, and further a set of target speech speech segments is obtained.
  • the generating unit 404 is further configured to: generate, based on the voiceprint feature vector corresponding to each spoken speech segment in the original speech and the target language text corresponding to the spoken speech segment
  • the target speech segment is obtained, and the target speech segment set is obtained; the start time and end time of the speech segment are determined as the start time and end time of the corresponding target speech segment; in every two adjacent target speech segments A silent speech segment is generated between the two adjacent target speech segments, wherein the duration of the silent speech segment is the difference between the start time of the next target speech segment and the end time of the previous target speech segment in the two adjacent target speech segments.
  • the units recorded in the apparatus 400 correspond to the respective steps in the method described with reference to FIG. 2 . Therefore, the operations, features, and beneficial effects described above with respect to the method are also applicable to the apparatus 400 and the units included therein, and details are not described herein again.
  • FIG. 5 a schematic structural diagram of an electronic device (eg, the computing device in FIG. 1 ) 500 suitable for implementing some embodiments of the present disclosure is shown.
  • Electronic devices in some embodiments of the present disclosure may include, but are not limited to, such as mobile phones, notebook computers, digital broadcast receivers, PDAs (personal digital assistants), PADs (tablets), PMPs (portable multimedia players), vehicle-mounted terminals Mobile terminals such as in-vehicle navigation terminals, etc., and stationary terminals such as digital TVs, desktop computers, and the like.
  • the electronic device shown in FIG. 5 is only an example, and should not impose any limitation on the function and scope of use of the embodiments of the present disclosure.
  • a computer-readable storage medium can be any tangible medium that contains or stores a program that can be used by or in conjunction with an instruction execution system, apparatus, or device.
  • a computer-readable signal medium may include a data signal propagated in baseband or as part of a carrier wave, carrying computer-readable program code therein. Such propagated data signals may take a variety of forms, including but not limited to electromagnetic signals, optical signals, or any suitable combination of the foregoing.
  • a computer-readable signal medium can also be any computer-readable medium other than a computer-readable storage medium that can transmit, propagate, or transport the program for use by or in connection with the instruction execution system, apparatus, or device .
  • Program code embodied on a computer readable medium may be transmitted using any suitable medium including, but not limited to, electrical wire, optical fiber cable, RF (radio frequency), etc., or any suitable combination of the foregoing.
  • the above-mentioned computer-readable medium may be included in the above-mentioned electronic device; or may exist alone without being assembled into the electronic device.
  • the above-mentioned computer-readable medium carries one or more programs, and when the above-mentioned one or more programs are executed by the electronic device, the electronic device: by performing speaker segmentation on the original voice, determine each speaking voice in the above-mentioned original voice.
  • determining a voiceprint feature vector corresponding to each spoken speech segment in the original speech includes: determining the original speech by performing speaker clustering on the segmented speech The voiceprint feature vector corresponding to each speech segment in .
  • the voiceprint feature vector corresponding to the spoken speech segment, and the target corresponding to the spoken speech segment language text based on the start time and end time of each spoken speech segment in the original speech, the voiceprint feature vector corresponding to the spoken speech segment, and the target corresponding to the spoken speech segment language text, and generating a target voice, including: generating a target speaking voice fragment based on the voiceprint feature vector corresponding to each speaking voice fragment in the original voice and the target language text corresponding to the speaking voice fragment, and obtaining a target speaking voice fragment set .
  • the method before converting the text corresponding to each spoken speech segment in the original speech into target language text, the method further includes: performing speech recognition on the original speech and Sentence segmentation is performed automatically to obtain the text corresponding to each spoken voice segment in the original voice.
  • the second determining unit is further configured to: determine the voiceprint feature corresponding to each spoken speech segment in the original speech by performing speaker clustering on the segmented speech vector.
  • the generating unit is further configured to: generate a target utterance based on a voiceprint feature vector corresponding to each spoken speech segment in the original speech and a target language text corresponding to the spoken speech segment Voice fragments, get the target speech voice fragment collection.
  • the generating unit is further configured to: generate a target utterance based on a voiceprint feature vector corresponding to each spoken speech segment in the original speech and a target language text corresponding to the spoken speech segment voice fragments, to obtain a set of target speaking voice fragments; based on the starting time and end time of each speaking voice fragment in the original voice, splicing each target speaking voice fragment in the set of target speaking voice fragments to obtain the target voice.
  • the generating unit is further configured to: input the voiceprint feature vector corresponding to the spoken speech segment and the target language text corresponding to the spoken speech segment into a pre-trained speech synthesis network , obtain the target speech segment, and obtain the target speech segment set; based on the start time and end time of each speech segment in the original voice, each target speech segment in the target speech segment set Splicing is performed to obtain the target speech.
  • the generating unit is further configured to: generate a target utterance based on a voiceprint feature vector corresponding to each spoken speech segment in the original speech and a target language text corresponding to the spoken speech segment voice fragment, obtain the target speaking voice fragment set; determine the start time and end time of the speaking voice fragment as the start time and end time of the corresponding target voice fragment; between every two adjacent target voice fragments A silent speech segment is generated, wherein the duration of the silent speech segment is the difference between the start time of the next target speech segment and the end time of the previous target speech segment in the two adjacent target speech segments.
  • the apparatus further includes: a speech recognition and automatic sentence segmentation unit, configured to perform speech recognition and automatic sentence segmentation on the original speech to obtain each spoken speech segment in the original speech corresponding text.
  • a speech recognition and automatic sentence segmentation unit configured to perform speech recognition and automatic sentence segmentation on the original speech to obtain each spoken speech segment in the original speech corresponding text.
  • the second determining unit is further configured to: determine at least one speech segment of the speaker represented by each speaker information in the above-mentioned speaker information set; for the above-mentioned speaker information set For each speaker represented by the speaker information, the timbre feature of the speaker is extracted from at least one speech segment of the speaker to obtain a timbre feature set.
  • the generating unit is further configured to: determine the intonation feature corresponding to the target language text as the intonation feature of the target speech.
  • the generating unit is further configured to: determine the semantic information in the target language text as the semantic information of the target speech.
  • the generating unit is further configured to: determine each set of start time and end time in the above-mentioned set of start times and end times as the start of the corresponding speech segment in the target speech start time and end time.
  • the generating unit is further configured to: determine each timbre feature in the above-mentioned timbre feature set as a timbre feature of at least one speaking voice segment in the corresponding target speech.
  • the generating unit is further configured to: based on the intonation feature of the target voice, the semantic information of the target voice, the start time and end time of each spoken voice segment in the target voice, The above-mentioned target speech is generated from the timbre feature of each spoken speech segment in the above-mentioned target speech.
  • an electronic device comprising: one or more processors; a storage device on which one or more programs are stored, when the one or more programs are stored by one or more The processors execute such that one or more processors implement a method as in any of the above.
  • a computer-readable medium having a computer program stored thereon, wherein the program, when executed by a processor, implements any of the methods described above.

Landscapes

  • Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)
  • Telephonic Communication Services (AREA)

Abstract

一种语音生成方法、装置、电子设备和计算机可读介质。该方法包括：通过对原始语音进行说话人分割，确定该原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音（201）；确定原始语音中每个说话语音片段对应的声纹特征向量（202）；将原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到原始语音中每个说话语音片段对应的目标语言文本（203）；基于原始语音中每个说话语音片段的起始时间与结束时间、说话语音片段对应的声纹特征向量和说话语音片段对应的目标语言文本，生成目标语音（204）。该方法能够实现将第一语言的音视频自动转换为第二语言的音视频。

Description

语音生成方法、装置、设备和计算机可读介质
相关申请的交叉引用
本申请基于申请号为202010823774.X、申请日为2020年08月17日，名称为“语音生成方法、装置、设备和计算机可读介质”的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本申请作为参考。
技术领域
本公开的实施例涉及计算机技术领域，具体涉及语音生成方法、装置、设备和计算机可读介质。
背景技术
将第一语言的音视频转化为第二语言的音视频需要耗费大量的人力，不能保证第二语言的音视频与第一语言的音视频中说话语音片段时间节点的对应，以及，不能保证两者声纹特征的相似度，因此需要一种自动翻译配音技术。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了语音生成方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种语音生成方法，该方法包括：通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；确定上述原始语音中每个说话语音片段对应的声纹特征向量；将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标 语言文本；基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。
第二方面，本公开的一些实施例提供了一种语音生成装置，装置包括：第一确定单元，被配置成通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；第二确定单元，被配置成确定上述原始语音中每个说话语音片段对应的声纹特征向量；转换单元，被配置成将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本；生成单元，被配置成基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：将第一语言的音视频自动转换为第二语言的音视频。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的语音生成方法的一个应用场景的示意图；
图2是根据本公开的语音生成方法的一些实施例的流程图；
图3是根据本公开的语音生成方法的另一些实施例的流程图；
图4是根据本公开的语音生成装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的语音生成方法的一个应用场景的示意图。
在图1所示的应用场景中，计算设备101可以首先通过对原始语音102进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间104，得到分割后的语音105。例如，在本应用场景中，上述原始语音102中的第一个说话语音片段的起始时间与结束时间为“0.2s-0.4s”。之后，确定上述原始语音中每个说话语音片段对应的声纹特征向量106。在本应用场景中，上述计算设备101在上述原始语音102中确定了两种不同的声纹特征向量“V1”和“V2”，作为示例，上述声纹特征向量“V1”的值可以如图1中虚线所指示“{0.23，0.78，0.55，0.64}”。之后，将上述原始语音102中每个说话语音片段对应的文本103转换为目标语言文本，得到上述原始语音 102中每个说话语音片段对应的目标语言文本107。在本应用场景中，上述原始语音102包含6个说话语音片段，每个说话语音片段对应的文本分别为“你好”、“我叫”、“张三”、“你好”、“我叫”、“李四”，以及，上述目标语言文本为英文文本。在此基础上，上述原始语音102中每个说话语音片段对应的目标语言文本分别为“Hello”、“my name is”、“ZhangSan”、“Hello”、“my name is”、“LiSi”最后，基于上述原始语音中每个说话语音片段的起始时间与结束时间104、上述说话语音片段对应的声纹特征向量106和上述说话语音片段对应的目标语言文本107，生成目标语音108。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备101的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备101。
继续参考图2，示出了根据本公开的语音生成方法的一些实施例的流程200。该语音生成方法，包括以下步骤：
步骤201，通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音。
在一些实施例中，上述原始语音可以是包含至少一个说话语音片段的语音。
在一些实施例中，语音生成方法的执行主体(例如图1中示出的计算设备)可以通过接收人工输入的分割标记对上述原始语音进行说话人分割，从而确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音。
在一些实施例中，上述执行主体还可以使用基于聚类的无监督方法，对原始语音进行说话人分割，从而确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音。
在一些实施例中，上述执行主体还可以使用基于RNN(Recurrent  Neural Network，循环神经网络)的监督方法，对原始语音进行说话人分割，从而确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音。
步骤202，确定上述原始语音中每个说话语音片段对应的声纹特征向量。
在一些实施例中，上述声纹特征向量可以是对提取出的声纹特征数据进行向量化得到的结果。其中，上述声纹特征可以包括但不限于：LPC(Linear Predictor Coefficient，线性预测系数)、MFCC(Mel Frequency Cepstrum Coefficients，梅尔倒谱系数)、PLP(Perceptual Linear Predictive，感知线性预测系数)。
在一些实施例中，上述执行主体可以通过对上述说话语音片段进行说话人识别，得到上述说话语音片段对应的声纹特征向量。
在一些实施例的一些可选的实现方式中，上述执行主体还可以通过对上述分割后的语音进行说话人聚类，确定所述原始语音中每个说话语音片段对应的声纹特征向量。
步骤203，将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本。
在一些实施例中，上述原始语音中每个说话语音片段对应的文本可以是预先获取到的。例如，视频中原始语音对应的文本为字幕，字幕往往是现有的。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过对上述原始语音进行语音识别和自动分句，得到上述原始语音中每个说话语音片段对应的文本。
在一些实施例中，上述执行主体可以通过将上述语音对应的文本输入到翻译软件或者在线翻译工具或者翻译网络，将上述语音对应的文本转换为目标语言文本。
在一些实施例中，上述执行主体还可以通过接收人工输入的方式将上述语音对应的文本转换为目标语言文本。
步骤204，基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。
在一些实施例中，上述执行主体可以首先基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音片段。之后将上述目标语音片段进行拼接，得到上述目标语音。
在一些实施例中，对上述原始语音中的每个说话语音片段，上述执行主体可以首先在上述目标语言文本中提取声学特征并转化为声学特征向量。之后，将上述声纹特征向量和上述声学特征向量输入预先训练好的声码器中，得到第一说话语音片段。最后，根据上述起始时间与结束时间对上述第一说话语音片段进行加速或减速处理，得到目标语音片段。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤生成上述目标语音：
步骤一，基于上述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合。
在一些实施例中，上述执行主体可以首先在上述目标语言文本中提取声学特征并转化为声学特征向量。之后，将上述声纹特征向量和上述声学特征向量输入预先训练好的声码器中，得到上述目标说话语音片段。
在一些实施例的一些可选的实现方式中，上述执行主体可以将所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本输入到预先训练好的语音合成网络，得到所述目标说话语音片段。
在一些实施例中，上述语音合成网络可以是由声学特征提取网络和声码器构成的网络。其中，作为示例，上述声学特征提取网络包括但不限于：基于深度神经网络的隐马尔可夫模型、循环神经网络、长短期记忆网络等。上述声码器是基于声学特征进行语音合成的语音分析合成系统。
步骤二，基于上述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音。
在一些实施例中，上述执行主体可以将上述按照时间节点的先后顺序进行拼接。
在一些施例的一些可选的实现方式中，上述执行主体可以将所述说话语 音片段的起始时间与结束时间确定为对应的目标语音片段的起始时间与结束时间。之后，在每两个相邻的目标语音片段之间生成静默语音片段，得到上述目标语音。其中，所述静默语音片段的时长为所述两个相邻的目标语音片段中后一目标语音片段的起始时间与前一目标语音片段的结束时间之差。
本公开的一些实施例提供的方法实现了将第一语言的音视频自动转换为第二语言的音视频。
进一步参考图3，其示出了语音生成方法的另一些实施例的流程300。该语音生成方法的流程300，包括以下步骤：
步骤301，通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音。
在一些实施例中，步骤301的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201，在此不再赘述。
步骤302，通过对上述分割后的语音进行说话人聚类，确定上述原始语音中每个说话语音片段对应的声纹特征向量。
在一些实施例中，语音生成方法的执行主体可以使用聚类算法对上述分割后的语音进行说话人聚类。作为示例，上述聚类算法可以包括但不限于：划分式聚类方法、基于密度的聚类方法、层次化聚类方法。
步骤303，对上述原始语音进行语音识别和自动分句，得到上述原始语音中每个说话语音片段对应的文本。
在一些实施例中，上述执行主体可以使用语音识别网络对上述原始语音进行语音识别。之后，对识别结果进行自动分句。作为示例，上述执行主体可以通过使用分句模型，对上述原始语音进行自动分句。
在一些实施例中，上述执行主体还可以使用线上语音识别工具或语音识别软件对上述原始语音进行语音识别。之后，对识别结果进行自动分句。
步骤304，将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本。
在一些实施例中，步骤304的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤203，在此不再赘述。
步骤305，将上述说话语音片段对应的声纹特征向量和上述说话语音片 段对应的目标语言文本输入到预先训练好的语音合成网络，得到上述目标说话语音片段。
步骤306，将上述说话语音片段的起始时间与结束时间确定为对应的目标语音片段的起始时间与结束时间。
步骤307，在每两个相邻的目标语音片段之间生成静默语音片段，其中，上述静默语音片段的时长为上述两个相邻的目标语音片段中后一目标语音片段的起始时间与前一目标语音片段的结束时间之差。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例描述的方案通过对原始语音进行语音识别和自动分句，得到上述原始语音中每个说话语音片段对应的文本，使得到的文本比预先获取到的文本更加可靠。以及通过步骤305-307，使得生成的目标语音中说话语音片段的时间节点与原始语音对应。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种语音生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的语音生成装置400包括：第一确定单元401、第二确定单元402、转换单元403和生成单元404。其中，第一确定单元401，被配置成通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；第二确定单元402，被配置成确定上述原始语音中每个说话语音片段对应的声纹特征向量；转换单元403，被配置成将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本；生成单元404，被配置成基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。
在一些实施例的一些可选实现方式中，第二确定单元402进一步被配置成：通过对所述分割后的语音进行说话人聚类，确定所述原始语音中每个说话语音片段对应的声纹特征向量。
在一些实施例的一些可选实现方式中，生成单元404进一步被配置成： 基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合。
在一些实施例的一些可选实现方式中，生成单元404进一步被配置成：基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合；基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音。
在一些实施例的一些可选实现方式中，生成单元404进一步被配置成：将所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本输入到预先训练好的语音合成网络，得到所述目标说话语音片段，进一步得到目标说话语音片段集合。
在一些实施例的一些可选实现方式中，生成单元404进一步被配置成：基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合；将所述说话语音片段的起始时间与结束时间确定为对应的目标语音片段的起始时间与结束时间；在每两个相邻的目标语音片段之间生成静默语音片段，其中，所述静默语音片段的时长为所述两个相邻的目标语音片段中后一目标语音片段的起始时间与前一目标语音片段的结束时间之差。
在一些实施例的一些可选实现方式中，装置400还包括：语音识别和自动分句单元，被配置成对所述原始语音进行语音识别和自动分句，得到所述原始语音中每个说话语音片段对应的文本。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收 器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连 接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；确定上述原始语音中每个说话语音片段对应的声纹特征向量；将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本；基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、转换单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二确定单元还可以被描述为“确定音色特征的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、 片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种语音生成方法，包括：通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；确定上述原始语音中每个说话语音片段对应的声纹特征向量；将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本；基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。
根据本公开的一个或多个实施例，确定所述原始语音中每个说话语音片段对应的声纹特征向量，包括：通过对所述分割后的语音进行说话人聚类，确定所述原始语音中每个说话语音片段对应的声纹特征向量。
根据本公开的一个或多个实施例，基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音，包括：基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合。
根据本公开的一个或多个实施例，基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音，还包括：基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音。
根据本公开的一个或多个实施例，基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，包括：将所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本输入到预先训练好的语音合成网络，得到所述目标说话语音片段。
根据本公开的一个或多个实施例，基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音，包括：将所述说话语音片段的起 始时间与结束时间确定为对应的目标语音片段的起始时间与结束时间；在每两个相邻的目标语音片段之间生成静默语音片段，其中，所述静默语音片段的时长为所述两个相邻的目标语音片段中后一目标语音片段的起始时间与前一目标语音片段的结束时间之差。
根据本公开的一个或多个实施例，在所述将所述原始语音中每个说话语音片段对应的文本转换为目标语言文本之前，所述方法还包括：对所述原始语音进行语音识别和自动分句，得到所述原始语音中每个说话语音片段对应的文本。
根据本公开的一个或多个实施例，提供了一种语音生成装置，包括：第一确定单元，被配置成通过对原始语音进行说话人分割，确定所述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；第二确定单元，被配置成确定所述原始语音中每个说话语音片段对应的声纹特征向量；转换单元，被配置成将所述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到所述原始语音中每个说话语音片段对应的目标语言文本；生成单元，被配置成基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音。
根据本公开的一个或多个实施例，第二确定单元进一步被配置成：通过对所述分割后的语音进行说话人聚类，确定所述原始语音中每个说话语音片段对应的声纹特征向量。
根据本公开的一个或多个实施例，生成单元进一步被配置成：基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合。
根据本公开的一个或多个实施例，生成单元进一步被配置成：基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合；基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音。
根据本公开的一个或多个实施例，生成单元进一步被配置成：将所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本 输入到预先训练好的语音合成网络，得到所述目标说话语音片段，得到目标说话语音片段集合；基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音。
根据本公开的一个或多个实施例，生成单元进一步被配置成：基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合；将所述说话语音片段的起始时间与结束时间确定为对应的目标语音片段的起始时间与结束时间；在每两个相邻的目标语音片段之间生成静默语音片段，其中，所述静默语音片段的时长为所述两个相邻的目标语音片段中后一目标语音片段的起始时间与前一目标语音片段的结束时间之差。
根据本公开的一个或多个实施例，装置还包括：语音识别和自动分句单元，被配置成对所述原始语音进行语音识别和自动分句，得到所述原始语音中每个说话语音片段对应的文本。
根据本公开的一个或多个实施例，第二确定单元进一步被配置成：确定上述说话人信息集合中每个说话人信息表征的说话人的至少一个说话语音片段；对于上述说话人信息集合中每个说话人信息表征的说话人，在上述说话人的至少一个说话语音片段中提取上述说话人的音色特征，得到音色特征集合。
根据本公开的一个或多个实施例，生成单元进一步被配置成：将上述目标语言文本对应的语调特征确定为上述目标语音的语调特征。
根据本公开的一个或多个实施例，生成单元进一步被配置成：将上述目标语言文本中的语义信息确定为上述目标语音的语义信息。
根据本公开的一个或多个实施例，生成单元进一步被配置成：将上述起始时间与结束时间集合中的每组起始时间与结束时间确定为对应的上述目标语音中说话语音片段的起始时间与结束时间。
根据本公开的一个或多个实施例，生成单元进一步被配置成：将上述音色特征集合中每个音色特征确定为对应的上述目标语音中至少一个说话语音片段的音色特征。
根据本公开的一个或多个实施例，生成单元进一步被配置成：基于上 述目标语音的语调特征、上述目标语音的语义信息、上述目标语音中每个说话语音片段的起始时间与结束时间、上述目标语音中每个说话语音片段的音色特征，生成上述目标语音。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

  1. 一种语音生成方法，包括：
    通过对原始语音进行说话人分割，确定所述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；
    确定所述原始语音中每个说话语音片段对应的声纹特征向量；
    将所述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到所述原始语音中每个说话语音片段对应的目标语言文本；
    基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音。
  2. 根据权利要求1所述的方法，其中，所述确定所述原始语音中每个说话语音片段对应的声纹特征向量，包括：
    通过对所述分割后的语音进行说话人聚类，确定所述原始语音中每个说话语音片段对应的声纹特征向量。
  3. 根据权利要求1所述的方法，其中，所述基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音，包括：
    基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，得到目标说话语音片段集合。
  4. 根据权利要求3所述的方法，其中，所述基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音，还包括：
    基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标 语音。
  5. 根据权利要求3所述的方法，其中，所述基于所述原始语音中每个说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标说话语音片段，包括：
    将所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本输入到预先训练好的语音合成网络，得到所述目标说话语音片段。
  6. 根据权利要求4所述的方法，其中，所述基于所述原始语音中每个说话语音片段的起始时间与结束时间，将所述目标说话语音片段集合中的各个目标说话语音片段进行拼接，得到所述目标语音，包括：
    将所述说话语音片段的起始时间与结束时间确定为对应的目标语音片段的起始时间与结束时间；
    在每两个相邻的目标语音片段之间生成静默语音片段，其中，所述静默语音片段的时长为所述两个相邻的目标语音片段中后一目标语音片段的起始时间与前一目标语音片段的结束时间之差。
  7. 根据权利要求1所述的方法，其中，在所述将所述原始语音中每个说话语音片段对应的文本转换为目标语言文本之前，所述方法还包括：
    对所述原始语音进行语音识别和自动分句，得到所述原始语音中每个说话语音片段对应的文本。
  8. 一种语音生成装置，包括：
    第一确定单元，被配置成通过对原始语音进行说话人分割，确定所述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；
    第二确定单元，被配置成确定所述原始语音中每个说话语音片段对应的声纹特征向量；
    转换单元，被配置成将所述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到所述原始语音中每个说话语音片段对应的目标语言文本；
    生成单元，被配置成基于所述原始语音中每个说话语音片段的起始时间与结束时间、所述说话语音片段对应的声纹特征向量和所述说话语音片段对应的目标语言文本，生成目标语音。
  9. 一种电子设备，包括：
    一个或多个处理器；
    存储装置，其上存储有一个或多个程序，
    当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
  10. 一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
PCT/CN2021/109550 2020-08-17 2021-07-30 语音生成方法、装置、设备和计算机可读介质 WO2022037388A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/041,756 US20240029709A1 (en) 2020-08-17 2021-07-30 Voice generation method and apparatus, device, and computer readable medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010823774.XA CN111916053B (zh) 2020-08-17 2020-08-17 语音生成方法、装置、设备和计算机可读介质
CN202010823774.X 2020-08-17

Publications (1)

Publication Number Publication Date
WO2022037388A1 true WO2022037388A1 (zh) 2022-02-24

Family

ID=73279008

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/109550 WO2022037388A1 (zh) 2020-08-17 2021-07-30 语音生成方法、装置、设备和计算机可读介质

Country Status (3)

Country Link
US (1) US20240029709A1 (zh)
CN (1) CN111916053B (zh)
WO (1) WO2022037388A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111916053B (zh) * 2020-08-17 2022-05-20 北京字节跳动网络技术有限公司 语音生成方法、装置、设备和计算机可读介质
CN112562721B (zh) * 2020-11-30 2024-04-16 清华珠三角研究院 一种视频翻译方法、系统、装置及存储介质
CN113343831A (zh) * 2021-06-01 2021-09-03 北京字跳网络技术有限公司 视频中说话人分类方法、装置、电子设备和存储介质
CN113889113A (zh) * 2021-11-10 2022-01-04 北京有竹居网络技术有限公司 分句方法、装置、存储介质及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076713A1 (en) * 2015-09-14 2017-03-16 International Business Machines Corporation Cognitive computing enabled smarter conferencing
CN106791913A (zh) * 2016-12-30 2017-05-31 深圳市九洲电器有限公司 数字电视节目同声翻译输出方法及系统
CN107657947A (zh) * 2017-09-20 2018-02-02 百度在线网络技术（北京）有限公司 基于人工智能的语音处理方法及其装置
CN107749296A (zh) * 2017-10-12 2018-03-02 深圳市沃特沃德股份有限公司 语音翻译方法和装置
US20180197548A1 (en) * 2017-01-09 2018-07-12 Onu Technology Inc. System and method for diarization of speech, automated generation of transcripts, and automatic information extraction
CN108780643A (zh) * 2016-11-21 2018-11-09 微软技术许可有限责任公司 自动配音方法和装置
CN110335612A (zh) * 2019-07-11 2019-10-15 招商局金融科技有限公司 基于语音识别的会议记录生成方法、装置及存储介质
CN111050201A (zh) * 2019-12-10 2020-04-21 Oppo广东移动通信有限公司 数据处理方法、装置、电子设备及存储介质
CN111161710A (zh) * 2019-12-11 2020-05-15 Oppo广东移动通信有限公司 同声传译方法、装置、电子设备及存储介质
CN111276129A (zh) * 2020-02-10 2020-06-12 厦门快商通科技股份有限公司 一种电视剧音频分割方法和装置以及设备
CN111462727A (zh) * 2020-03-31 2020-07-28 北京字节跳动网络技术有限公司 用于生成语音的方法、装置、电子设备和计算机可读介质
CN111916053A (zh) * 2020-08-17 2020-11-10 北京字节跳动网络技术有限公司 语音生成方法、装置、设备和计算机可读介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2141696A1 (en) * 2008-07-03 2010-01-06 Deutsche Thomson OHG Method for time scaling of a sequence of input signal values
JP6277958B2 (ja) * 2012-10-31 2018-02-14 日本電気株式会社 再生装置、設定装置、再生方法およびプログラム
CN107193841B (zh) * 2016-03-15 2022-07-26 北京三星通信技术研究有限公司 媒体文件加速播放、传输及存储的方法和装置
CN105975569A (zh) * 2016-05-03 2016-09-28 深圳市金立通信设备有限公司 一种语音处理的方法及终端
CN106782545B (zh) * 2016-12-16 2019-07-16 广州视源电子科技股份有限公司 一种将音视频数据转化成文字记录的系统和方法
CN108305633B (zh) * 2018-01-16 2019-03-29 平安科技（深圳）有限公司 语音验证方法、装置、计算机设备和计算机可读存储介质
CN110914828B (zh) * 2018-09-19 2023-07-04 深圳市合言信息科技有限公司 语音翻译方法及翻译装置
CN109379641B (zh) * 2018-11-14 2022-06-03 腾讯科技（深圳）有限公司 一种字幕生成方法和装置
CN110853615B (zh) * 2019-11-13 2022-05-27 北京欧珀通信有限公司 一种数据处理方法、装置及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076713A1 (en) * 2015-09-14 2017-03-16 International Business Machines Corporation Cognitive computing enabled smarter conferencing
CN108780643A (zh) * 2016-11-21 2018-11-09 微软技术许可有限责任公司 自动配音方法和装置
CN106791913A (zh) * 2016-12-30 2017-05-31 深圳市九洲电器有限公司 数字电视节目同声翻译输出方法及系统
US20180197548A1 (en) * 2017-01-09 2018-07-12 Onu Technology Inc. System and method for diarization of speech, automated generation of transcripts, and automatic information extraction
CN107657947A (zh) * 2017-09-20 2018-02-02 百度在线网络技术（北京）有限公司 基于人工智能的语音处理方法及其装置
CN107749296A (zh) * 2017-10-12 2018-03-02 深圳市沃特沃德股份有限公司 语音翻译方法和装置
CN110335612A (zh) * 2019-07-11 2019-10-15 招商局金融科技有限公司 基于语音识别的会议记录生成方法、装置及存储介质
CN111050201A (zh) * 2019-12-10 2020-04-21 Oppo广东移动通信有限公司 数据处理方法、装置、电子设备及存储介质
CN111161710A (zh) * 2019-12-11 2020-05-15 Oppo广东移动通信有限公司 同声传译方法、装置、电子设备及存储介质
CN111276129A (zh) * 2020-02-10 2020-06-12 厦门快商通科技股份有限公司 一种电视剧音频分割方法和装置以及设备
CN111462727A (zh) * 2020-03-31 2020-07-28 北京字节跳动网络技术有限公司 用于生成语音的方法、装置、电子设备和计算机可读介质
CN111916053A (zh) * 2020-08-17 2020-11-10 北京字节跳动网络技术有限公司 语音生成方法、装置、设备和计算机可读介质

Also Published As

Publication number Publication date
CN111916053B (zh) 2022-05-20
US20240029709A1 (en) 2024-01-25
CN111916053A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
WO2022037388A1 (zh) 语音生成方法、装置、设备和计算机可读介质
CN111899719B (zh) 用于生成音频的方法、装置、设备和介质
CN111933110B (zh) 视频生成方法、生成模型训练方法、装置、介质及设备
CN112786006B (zh) 语音合成方法、合成模型训练方法、装置、介质及设备
WO2022105861A1 (zh) 用于识别语音的方法、装置、电子设备和介质
WO2022057637A1 (zh) 语音翻译方法、装置、设备和存储介质
WO2022143058A1 (zh) 语音识别方法、装置、存储介质及电子设备
CN111798821B (zh) 声音转换方法、装置、可读存储介质及电子设备
WO2022105553A1 (zh) 语音合成方法、装置、可读介质及电子设备
WO2022037419A1 (zh) 音频内容识别方法、装置、设备和计算机可读介质
CN111368559A (zh) 语音翻译方法、装置、电子设备及存储介质
CN111369971A (zh) 语音合成方法、装置、存储介质和电子设备
WO2022156464A1 (zh) 语音合成方法、装置、可读介质及电子设备
WO2023083142A1 (zh) 分句方法、装置、存储介质及电子设备
CN111489735B (zh) 语音识别模型训练方法及装置
WO2022111242A1 (zh) 旋律生成方法、装置、可读介质及电子设备
WO2022156413A1 (zh) 语音风格的迁移方法、装置、可读介质和电子设备
CN111785247A (zh) 语音生成方法、装置、设备和计算机可读介质
CN113205793B (zh) 音频生成方法、装置、存储介质及电子设备
WO2022237665A1 (zh) 语音合成方法、装置、电子设备和存储介质
WO2022037383A1 (zh) 语音处理方法、装置、电子设备和计算机可读介质
WO2023082931A1 (zh) 用于语音识别标点恢复的方法、设备和存储介质
CN114242035A (zh) 语音合成方法、装置、介质以及电子设备
CN112017685A (zh) 语音生成方法、装置、设备和计算机可读介质
CN112652292A (zh) 用于生成音频的方法、装置、设备和介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21857483

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18041756

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21857483

Country of ref document: EP

Kind code of ref document: A1