CN111312209A - 文本到语音的转换处理方法、装置及电子设备 - Google Patents
文本到语音的转换处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111312209A CN111312209A CN202010106336.1A CN202010106336A CN111312209A CN 111312209 A CN111312209 A CN 111312209A CN 202010106336 A CN202010106336 A CN 202010106336A CN 111312209 A CN111312209 A CN 111312209A
- Authority
- CN
- China
- Prior art keywords
- field
- error
- text
- audio
- sentences
- 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.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 36
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 20
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 15
- 238000004883 computer application Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001308 synthesis method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 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
- G10L13/08—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
-
- 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
- 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
-
- 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
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/69—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for evaluating synthetic or decoded voice signals
-
- 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
- G10L2013/083—Special characters, e.g. punctuation marks
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本公开实施例提供了一种文本到语音的转换处理方法、装置及电子设备，属于计算机应用技术领域。其中方法包括：获取待转换的目标文本；将目标文本输入端对端从文本到语音***，获得初始合成音频；利用预设的纠错模型，查找初始合成音频中的错误字段；对初始合成音频中的错误字段进行修复，得到可用合成音频；将可用合成音频作为目标文本转换得到的音频输出。通过本公开的方案，在音频合成模型后新增一个纠错过程，对合成音频进行评估、定位和纠错，将错误句子中的错误字替换为新的备选字，并在语音数据库中找到替换字的波形信息与原句拼接，从而得到新的、完整的无错漏字的语音合成语句，有效提高了文本到语音的转换处理效率和准确度。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种文本到语音的转换处理方法、装置及电子设备。
背景技术
语音合成的发展历程主要分为三个阶段，分别为波形拼接法、参数合成法和端到端语音合成法。针对参数法的各项问题，基于端到端模型的从文本到语音***(Text ToSpeech，简称TTS)合成法成为新的主流合成方法。这种方法摒弃了参数合成中的多个复杂模块结合的方法，直接从文本生成音频。这种端到端的方式，减少了特征工程，只需要输入文本，其他的特征模型均可以通过端到端模型隐式建模。避免了多个子模型的误差传递和积累，各种条件添加方便，如语种、说话人、情感信息等。同时这种模型生成的语音细节丰富，能够大幅度还原人声。这种模型的缺点，同时也是本专利需要解决的问题，即模型性能不稳定，实验证明，这种模型经常会出现错字和漏字的情况，如漏字问题，或者多音字读错的问题，前者属于前端问题，而后者则属于难以定位的后端模型问题，两者都会或多或少不可避免的发生。对于参数合成法我们能够精准定位问题出现在哪个模块，可以直接修改，但对于端到端模型就变得非常困难，由于模型是一个黑盒，因此很难定位问题位置，排错需要重新准备数据、再次训练，且再次训练也不一定能克服那些问题，代价很大，需要多次实验不断训练，不仅难定位，训练周期长，还可能依然无法解决当前漏字错字的问题。
对于语音合成来说，有两个基本标准，其一是准确度，其二是自然度。对于语音合成的音频来说，首要任务是要读准，其次才是要求它读的自然流畅。Tacotron、Tacotron2等端到端TTS模型相对参数合成法在自然度上有很大提升，但是错漏字问题直接影响了语音合成中的准确度问题。对于语音交互***来说，如果准确度出现问题，再自然流畅也没有意义。因此，针对此类问题，本文发明了一种端到端TTS***的纠错模型，旨在解决该***的错漏字问题，促使整体语音交互过程更加准确流畅。
对于这种问题，现有的解决方案之一是改善源数据。对于现在有的端到端TTS***，所需数据相对语音识别等数据较少，总共十几个小时就可以得到比较好的音色。所用数据的数量和质量对合成效果起到了决定性作用。碰到这种问题时候，可以通过增加数据集的数量，或者提高数据集的质量，来使得端到端模型收敛的结果质量更好。高质量数据的获取成本极高，同时更换数据集需要与源数据集有相同的音色，这可能直接造成数据获取阶段的成本累加。其次，这种方法并未从模型层面解决问题，同样的模型针对其他数据无法再次投入使用，不具有通用性。
可见，现有的文本到语音的转换方案存在通用性及准确性较差的技术问题。
发明内容
有鉴于此，本公开实施例提供一种文本到语音的转换处理方法、装置及电子设备，至少部分解决现有的文本到语音的转换方案中存在通用性及准确性较差的技术问题。
第一方面，本公开实施例提供了一种文本到语音的转换处理方法，包括：
获取待转换的目标文本；
将所述目标文本输入端对端从文本到语音***，获得初始合成音频；
利用预设的纠错模型，查找所述初始合成音频中的错误字段；
对所述初始合成音频中的错误字段进行修复，得到可用合成音频；
将所述可用合成音频作为所述目标文本转换得到的音频输出。
根据本公开实施例的一种具体实现方式，所述利用预设的纠错模型，查找所述初始合成音频中的错误字段的步骤，包括：
对所述初始合成音频进行语音识别，获得对应的可读文本；
利用所述纠错模型，查找所述可读文本中的错误字段，其中，所述错误字段包括错别字字段和漏字字段。
根据本公开实施例的一种具体实现方式，所述利用所述纠错模型，查找所述可读文本中的错误字段的步骤，包括：
将所述可读文本进行前期处理，得到预设格式语句；
计算所述预设格式语句的流畅度分数；
若所述预设格式语句的流畅度分数小于或者等于第一预设阈值，则执行查找所述可读文本中的错误字段的操作；
若所述预设格式语句的流畅度分数大于所述第一预设阈值，则直接将所述初期合成音频作为所述可用合成音频。
根据本公开实施例的一种具体实现方式，所述计算所述预设格式语句的流畅度分数的步骤，包括：
计算所述预设格式语句中每个分词出现的概率；
将所述预设格式的语句中全部分词出现的概率相乘后取对数值，作为所述预设格式语句的流畅度分数。
根据本公开实施例的一种具体实现方式，所述查找所述可读文本中的错误字段的步骤，包括：
确定流畅度分数小于或者等于第一预设阈值的异常语句；
依据预设的词汇邻接概率表，计算所述异常语句中每个分词与邻接词汇的邻接概率；
将邻接概率小于或者等于第二预设阈值的分词作为所述异常语句中的错误字段。
根据本公开实施例的一种具体实现方式，所述利用所述纠错模型，查找所述可读文本中的错误字段的步骤之前，所述方法还包括：
采集预设数量的样本语句；
为每个所述样本语句匹配对应的错别字语句和漏字语句；
将每个所述样本语句及对应的错别字语句和漏字语句均输入到深度神经网络，得到所述纠错模型。
根据本公开实施例的一种具体实现方式，所述将每个所述样本语句及对应的错别字语句和漏字语句均输入到深度神经网络，得到所述纠错模型的步骤，包括：
将每个错别字语句中的错别字位置进行错别字标注，以及，将每个漏字语句中的漏字位置进行漏字标注；
将标注后的错别字语句和漏字语句输入到双向GRU模型中，进行向量化；
训练深度学习网络学习所述错别字语句中的错别字特征和漏字语句中的漏字特征，得到所述纠错模型。
根据本公开实施例的一种具体实现方式，所述对所述初始合成音频中的错误字段进行修复，得到可用合成音频的步骤，包括：
获取所述初始合成音频中的错误字段的前向字段；
查找与所述错误字段的前向字段匹配的备选字段；
利用所述备选字段替换所述初始合成音频中的所述错误字段，得到所述可用合成音频。
根据本公开实施例的一种具体实现方式，所述查找与所述错误字段的前向字段匹配的备选字段的步骤，包括：
在预设词汇库中查找与所述错误字段的前向字段匹配的多个第一目标字段；
计算每个第一目标字段与所述错误字段的前向字段的匹配分数；
从全部第一目标字段中筛选出匹配分数大于或者等于第二预设阈值的第二目标字段，作为所述备选字段。
根据本公开实施例的一种具体实现方式，所述从全部第一目标字段中筛选出匹配分数大于或者等于第二预设阈值的第二目标字段，作为所述备选字段的步骤，包括：
将每个所述第二目标字段代替异常语句中的错误字段，获得所在异常语句的备用流畅度分数；
将备用流畅度分数大于或者等于第三预设阈值的异常语句对应的第二目标字段作为所述备选字段。
第二方面，本公开实施例提供了一种文本到语音的转换处理装置，包括：
获取模块，用于获取待转换的目标文本；
合成模块，用于将所述目标文本输入端对端从文本到语音***，获得初始合成音频；
纠错模块，用于利用预设的纠错模型，查找所述初始合成音频中的错误字段；
修复模块，用于对所述初始合成音频中的错误字段进行修复，得到可用合成音频；
输出模块，用于将所述可用合成音频作为所述目标文本转换得到的音频输出。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的文本到语音的转换处理方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的文本到语音的转换处理方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的文本到语音的转换处理方法。
本公开实施例中的文本到语音的转换处理方案，包括：获取待转换的目标文本；将所述目标文本输入端对端从文本到语音***，获得初始合成音频；利用预设的纠错模型，查找所述初始合成音频中的错误字段；对所述初始合成音频中的错误字段进行修复，得到可用合成音频；将所述可用合成音频作为所述目标文本转换得到的音频输出。通过本公开的方案，在音频合成模型后新增一个纠错过程，对合成音频进行评估、定位和纠错，将错误句子中的错误字替换为新的备选字，并在语音数据库中找到替换字的波形信息与原句拼接，从而得到新的，完整的无错漏字的语音合成语句，有效提高了文本到语音的转换处理效率和准确度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种文本到语音的转换处理方法的流程示意图；
图2为本公开实施例提供的另一种文本到语音的转换处理方法的部分流程示意图；
图3为本公开实施例提供的另一种文本到语音的转换处理方法的部分流程示意图；
图4为本公开实施例提供的另一种文本到语音的转换处理方法的部分流程示意图；
图5为本公开实施例提供的一种文本到语音的转换处理装置的结构示意图；
图6为本公开实施例提供的电子设备的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种文本到语音的转换处理方法。本实施例提供的文本到语音的转换处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，本公开实施例提供的一种文本到语音的转换处理方法，包括：
S101，获取待转换的目标文本；
本实施例提供的文本到语音的转换方法，用于实现将文本转换为准确的语音输出，结合了端对端TTS***和音频中错误字段的纠错模型，实现文本到语音的准确转换。接收用户输入或者预设的待转换的文本，定义为目标文本。目标文本通常为包括连续多段文字的文本。
S102，将所述目标文本输入端对端从文本到语音***，获得初始合成音频；
电子设备内预先设置有端对端从文本到语音***，即端对端TTS***，该***可以根据预先训练的模型，将所输入的文本转换为音频。即将文本输入Tacotron等端到端***，通过声码器进行语音合成。在将文本输入到TTS模型之前，还可以对文本进行前端处理，例如文本归一化、分词、字素转音素等，将经过前端处理后的信息作为TTS模型的输入信息。
将上述步骤获取的目标文本输入到端对端的TTS***，即可转换得到音频，定义此时获得的音频为初始合成音频。初始合成音频中可能会存在错别字、漏字等错误字段，影响转换音频的流畅性和准确度，需要进一步纠错处理。
S103，利用预设的纠错模型，查找所述初始合成音频中的错误字段；
电子设备内还预先设置有纠错模型，该纠错模型可以通过深度神经网络训练大量的不包含错误字段的语句和包含错误字段的语句得到，能够实现对常规语句中可能存在的错误字段进行定位纠错。
上述步骤将目标文本转换得到初始合成音频后，将该初始合成音频输入到纠错模型，以查找该初始合成音频中是否存在错误字段。
可选的，所述利用预设的纠错模型，查找所述初始合成音频中的错误字段的步骤，可以包括：
对所述初始合成音频进行语音识别，获得对应的可读文本；
利用所述纠错模型，查找所述可读文本中的错误字段，其中，所述错误字段包括错别字字段和漏字字段。
将TTS转换成的初始合成音频通过语音识别(Automatic Speech Recognition，简称ASR)，用于后续的错误字段纠错过程。初始合成音频所用的数据均为录音棚录制，对于充分收敛后的模型合成的音频质量很高，且对于合成来说计算机所输出的话在自然语言处理(Natural Language Processing，简称NLP)步骤中是经过语法和句法分析的，没有语句级别的错误，因此ASR几乎可以保证做到精准识别。
S104，对所述初始合成音频中的错误字段进行修复，得到可用合成音频；
依据上述步骤查找到所获得的初始合成音频中的错误字段后，即可对所查找到的错误字段进行修复，得到准确度更高的可用合成音频。
S105，将所述可用合成音频作为所述目标文本转换得到的音频输出。
在得到将错误字段修复后的可用合成音频后，再将该部分可用合成音频作为目标文本最终对应的音频输出。
上述本公开实施例中的文本到语音的转换处理方案，通过在音频合成模型后新增一个纠错过程，对合成音频进行评估、定位和纠错，将错误句子中的错误字替换为新的备选字，并在语音数据库中找到替换字的波形信息与原句拼接，从而得到新的，完整的无错漏字的语音合成语句，有效提高了文本到语音的转换处理效率和准确度。
在上述实施例的基础上，根据本公开实施例的一种具体实现方式，对错误字段的纠错过程作了进一步限定。如图2所示，上述利用所述纠错模型，查找所述可读文本中的错误字段的步骤，可以包括：
S201，将所述可读文本进行前期处理，得到预设格式语句；
为提高检测准确度，对由初始合成音频转换得到的可读文本先进行前期处理，得到预设格式语句，处理成统一格式更方便纠错处理。前期处理可以依次包括分词、断句、去标点、数字变星等。
S202，计算所述预设格式语句的流畅度分数；
将可读文本处理得到多个预设格式语句后，即可计算每个预设格式语句的流畅性，可以以流畅度分数作为每个语句的流畅性评判依据。
在具体实施时，所述计算所述预设格式语句的流畅度分数的步骤，可以包括：
计算所述预设格式语句中每个分词出现的概率；
将所述预设格式的语句中全部分词出现的概率相乘后取对数值，作为所述预设格式语句的流畅度分数。
扫描前期处理得到的预设格式语句，针对每个语句中检测分词后每个字或者词的概率，然后把整句检测出的概率值相乘，取其log值，即可得到该语句的流畅度分数。
S203，若所述预设格式语句的流畅度分数小于或者等于第一预设阈值，则执行查找所述可读文本中的错误字段的操作；
S204，若所述预设格式语句的流畅度分数大于所述第一预设阈值，则直接将所述初期合成音频作为所述可用合成音频。
预先计算流畅度较高的语句的流畅度分数，作为临界的第一预设阈值。若计算得到预设格式语句的流畅度分数小于或者等于第一预设阈值，则表示该语句的流畅性较差，可能存在错别字或者漏字等影响流畅性的错误字段，需要对该预设格式语句进行纠错处理。若计算得到预设格式语句的流畅度分数大于该第一预设阈值，在尔表示该语句的流畅性较好，不存在错别字或者漏字等影响流畅性的错误字段，不需要对该预设格式语句进行纠错处理。
这样，通过针对前期处理后得到的每个语句进行流畅度分数计算，有效筛选出流畅性较差的语句进行纠错处理，提高了处理效率。
此外，根据本公开实施例的另一种具体实现方式，还增设了纠错模型的训练过程，主要包括定位模型准备、定位模型训练和定位模型测试三部分。如图3所示，所述利用所述纠错模型，查找所述可读文本中的错误字段的步骤之前，所述方法还可以包括：
S301，采集预设数量的样本语句；
在训练纠错模型时，需要大量的语料，作为样本语句。
具体的，在定位模型数据准备过程中，可以从各类语料库中搜集上百万条语料，例如从某中文语料库A中的1000000多条，中文语料库B中980000多条，1946～2003年某日报语料库5000000多条，问答论坛中文语料库中的1500000多条，在线评论数据集60000多条等。将搜集到的全部语料进行整理，剔除不正常的语料，然后对语句的长度进行切分，保证每句话为10到30个字之间，并且是完成语句，经统计可用的样本语句数量可达到2000万句左右。此处的样本语句可以为：今天的天气阳光明媚。
S302，为每个所述样本语句匹配对应的错别字语句和漏字语句；
将上述可用的样本数据进行错误字段处理，以得到对应的错别字语句和漏字语句，以扩充训练可用的样本语句。
首先，将每句语料中，每个字之间***“#”号，诸如：“今天的天气阳光明媚”—>“#今#天#的#天#气#阳#光#明#媚#”。错别字语句的制作过程为，对每句话选取随机位置，在汉语词典表中替换随机错误字，并且标记错误字在该句中的位置，诸如“#今#天#的#天#气#阳#广#明#媚#”，标注规则为当前位置正确则标注1，错误则标注0，在该例子中定位到“广”字的意为，句子的不流畅是由于该位置字错误导致。则该语句的标注应为“111111111111101111”，经过这样处理后，错误字标注训练数据就准备完成。
漏字语句的制作过程为：首先将另一半的语料数据中的每条语句，选取随机位置的字进行删除，诸如“今天的天气阳光明媚”—>“今天的天气阳明媚”，接着进行和第一部分一样的处理，将语句的每个字之间***“#”号，诸如“今天的天气阳明媚”—>“#今#天#的#天#气#阳#明#媚#”，并且对该数据进行标注，标注规则第一部分，由于上句例子中所漏字为“光”，该字在“阳”和“媚”之间，就把这两个字之间的“#”号标注为0，定位到“#”号的意为，句子不流畅是由于该位置漏字导致。则上述例子应标注为“11111111111101111”。经这样的规则处理数据后，所以训练数据准备完毕。
S303，将每个所述样本语句及对应的错别字语句和漏字语句均输入到深度神经网络，得到所述纠错模型。
进一步的，所述将每个所述样本语句及对应的错别字语句和漏字语句均输入到深度神经网络，得到所述纠错模型的步骤，包括：
将每个错别字语句中的错别字位置进行错别字标注，以及，将每个漏字语句中的漏字位置进行漏字标注；
将标注后的错别字语句和漏字语句输入到双向GRU模型中，进行向量化；
训练深度学习网络学习所述错别字语句中的错别字特征和漏字语句中的漏字特征，得到所述纠错模型。
接下来是定位模型训练过程。在定位错误字位置时需要考虑句子结构的时序特性，本方法利用双向GRU将文本序列信息嵌入到特征向量中，对每个标注后的字或“#”号预测输出向量，并进行二分类，在双向GRU模型中，当前位置正确则标注1，错误则标注0。具体步骤为：
①统计字、“#”号标签
②字或‘#’—>‘索引’表，要将字或“#”号转化为可处理的向量，需要先将其转化为相应的索引，然后在进行embedding向量化。同时转换成索引的步骤也可以对输入数据进行padding填充操作，这样才能保证模型的输入向量长度一致。
③将待处理文本标注成数字信息并进行embedding向量化后，对向量化后的数据输入双向GRU网络中，取出每个timestep阶段的输出层节点，然后输入到一个具有两个神经元的全连接层中，每句语料输出信息为带有“0”或“1”的数字串，如果“0”标注在字上，则该字出错，如果“0”标注在“#”号上，则代表该位置有漏字情况。
然后是定位模型测试过程。在模型训练充分后，使用和训练集同样的构建方法构建测试集，测试集共500000多条该数据集中含有错字和漏字的情况各50％。使用测试集经过定位模型网络，经统计，模型的定位正确率可达95以上。
至此，定位模型的训练和测试完成，该模型的功能是，定位到出错语句中错误字或缺漏字的具***置，以便纠错模型的下一步对该位置生成待替换备选字。
在上述实施方式得到纠错模型的基础上，所述查找所述可读文本中的错误字段的步骤，可以包括：
确定流畅度分数小于或者等于第一预设阈值的异常语句；
依据预设的词汇邻接概率表，计算所述异常语句中每个分词与邻接词汇的邻接概率；
将邻接概率小于或者等于第二预设阈值的分词作为所述异常语句中的错误字段。
最后，在本公开实施例的另一种具体实现方式，对定位出的错误字段的修复过程作了进一步限定。如图4所示，所述对所述初始合成音频中的错误字段进行修复，得到可用合成音频的步骤，还可以包括：
S401，获取所述初始合成音频中的错误字段的前向字段；
具体实施时，可以使用Hanlp工具定位错误字段，并根据错误字段的索引信息获取错别字或漏字“#”的前一个字，即错误字段的前向字段。
S402，查找与所述错误字段的前向字段匹配的备选字段；
电子设备内预先配置有词汇库，存储各词汇可连接的词汇以及词汇之间的匹配状态。通过查找该词汇库，查询搭配表得到该错误字段的前向字段匹配的备选字段。
S403，利用所述备选字段替换所述初始合成音频中的所述错误字段，得到所述可用合成音频。
将备选字段替换错误字段，即可修复初始合成音频，得到可用合成音频。
进一步地，所查找的备用字段的数量为多个，可以进一步筛选。所述查找与所述错误字段的前向字段匹配的备选字段的步骤，包括：
在预设词汇库中查找与所述错误字段的前向字段匹配的多个第一目标字段；
计算每个第一目标字段与所述错误字段的前向字段的匹配分数；
从全部第一目标字段中筛选出匹配分数大于或者等于第二预设阈值的第二目标字段，作为所述备选字段。
即对错别字或漏字“#”的前向字段的拼音和备选字集合中的每个字的拼音求最长公共字串和编辑距离的加权分数，并设定相应阈值，取出超过第二预设阈值的前几个字进行备选。
更进一步的，所述从全部第一目标字段中筛选出匹配分数大于或者等于第二预设阈值的第二目标字段，作为所述备选字段的步骤，包括：
将每个所述第二目标字段代替异常语句中的错误字段，获得所在异常语句的备用流畅度分数；
将备用流畅度分数大于或者等于第三预设阈值的异常语句对应的第二目标字段作为所述备选字段。
将几个备选字和原错误字或“#”号一同代入N-gram模型中，分别检测各个新句子的流畅度，计算得分并进行比较，选取最终分数最高的备选字作为该位置的输出字。这一步也能够把检错时对全对的句子消除误判，使得最优解依然为原句。
最后是从相应语库中通过规则寻找音频进行拼接的过程。主要包括：
1)对错误位置进行切分。将错误字所在音段从合成总音段中去除，留下错误字前的音段和错误字后的音段两段音频分别标记为“原音1”和”原音2”；如果错误位置是“#”号则直接切割分段。
2)使用基于数据库的音频拼接合成方法对备选字音频进行***。备选字的语音单元是从一个已录制完毕的大型语音数据库中挑选出来的，该音库与端到端模型的训练语音库音色相同，因此以这种方法进行音频拼接可以完美融合目标语句。备选字的语音段选出后标记为“备选字音”。
3)使用sox工具的sox.Combiner函数对“原句1”+“备选字音”+“原句2”的顺序进行拼接，并在音段间隙增加适当的静音段。由于合成的语音基元都是来自自然的原始发音，合成语句的清晰度和自然度都将会非常高。至此，纠错模型的过程结束。
上述本实施例提供的方案，通过先利用端到端模型输出语音，再结合ASR获取待处理文本，然后再利用纠错模型进行错误字段定位和修复，可以完全避免端到端TTS模型的错漏字问题，极大程度低提升文本到语音的转换效率和准确性。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种文本到语音的转换处理装置50，包括：
获取模块501，用于获取待转换的目标文本；
合成模块502，用于将所述目标文本输入端对端从文本到语音***，获得初始合成音频；
纠错模块503，用于利用预设的纠错模型，查找所述初始合成音频中的错误字段；
修复模块504，用于对所述初始合成音频中的错误字段进行修复，得到可用合成音频；
输出模块505，用于将所述可用合成音频作为所述目标文本转换得到的音频输出。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的文本到语音的转换处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的文本到语音的转换处理方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的文本到语音的转换处理方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开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6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，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。
特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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***、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***、装置或者器件使用或者与其结合使用。而在本公开中，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***、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。
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，使得该电子设备能够实现上述方法实施例提供的方案。
或者，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，使得该电子设备能够实现上述方法实施例提供的方案。
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操作的计算机程序代码，上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***、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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种文本到语音的转换处理方法，其特征在于，包括：
获取待转换的目标文本；
将所述目标文本输入至语译***，获得初始合成音频；
利用预设的纠错模型，查找所述初始合成音频中的错误字段；
对所述初始合成音频中的错误字段进行修复，得到可用合成音频；
将所述可用合成音频作为所述目标文本转换得到的音频输出。
2.根据权利要求1所述的方法，其特征在于，所述利用预设的纠错模型，查找所述初始合成音频中的错误字段的步骤，包括：
对所述初始合成音频进行语音识别，获得对应的可读文本；
利用所述纠错模型，查找所述可读文本中的错误字段，其中，所述错误字段包括错别字字段和漏字字段。
3.根据权利要求2所述的方法，其特征在于，所述利用所述纠错模型，查找所述可读文本中的错误字段的步骤，包括：
将所述可读文本进行前期处理，得到预设格式语句；
计算所述预设格式语句的流畅度分数；
若所述预设格式语句的流畅度分数小于或者等于第一预设阈值，则执行查找所述可读文本中的错误字段的操作；
若所述预设格式语句的流畅度分数大于所述第一预设阈值，则直接将所述初期合成音频作为所述可用合成音频。
4.根据权利要求3所述的方法，其特征在于，所述计算所述预设格式语句的流畅度分数的步骤，包括：
计算所述预设格式语句中每个分词出现的概率；
将所述预设格式的语句中全部分词出现的概率相乘后取对数值，作为所述预设格式语句的流畅度分数。
5.根据权利要求4所述的方法，其特征在于，所述查找所述可读文本中的错误字段的步骤，包括：
确定流畅度分数小于或者等于第一预设阈值的异常语句；
依据预设的词汇邻接概率表，计算所述异常语句中每个分词与邻接词汇的邻接概率；
将邻接概率小于或者等于第二预设阈值的分词作为所述异常语句中的错误字段。
6.根据权利要求2至5中任一项所述的方法，其特征在于，所述利用所述纠错模型，查找所述可读文本中的错误字段的步骤之前，所述方法还包括：
采集预设数量的样本语句；
为每个所述样本语句匹配对应的错别字语句和漏字语句；
将每个所述样本语句及对应的错别字语句和漏字语句均输入到深度神经网络，得到所述纠错模型。
7.根据权利要求6所述的方法，其特征在于，所述将每个所述样本语句及对应的错别字语句和漏字语句均输入到深度神经网络，得到所述纠错模型的步骤，包括：
将每个错别字语句中的错别字位置进行错别字标注，以及，将每个漏字语句中的漏字位置进行漏字标注；
将标注后的错别字语句和漏字语句输入到双向GRU模型中，进行向量化；
训练深度学习网络学习所述错别字语句中的错别字特征和漏字语句中的漏字特征，得到所述纠错模型。
8.根据权利要求7所述的方法，其特征在于，所述对所述初始合成音频中的错误字段进行修复，得到可用合成音频的步骤，包括：
获取所述初始合成音频中的错误字段的前向字段；
查找与所述错误字段的前向字段匹配的备选字段；
利用所述备选字段替换所述初始合成音频中的所述错误字段，得到所述可用合成音频。
9.根据权利要求8所述的方法，其特征在于，所述查找与所述错误字段的前向字段匹配的备选字段的步骤，包括：
在预设词汇库中查找与所述错误字段的前向字段匹配的多个第一目标字段；
计算每个第一目标字段与所述错误字段的前向字段的匹配分数；
从全部第一目标字段中筛选出匹配分数大于或者等于第二预设阈值的第二目标字段，作为所述备选字段。
10.根据权利要求9所述的方法，其特征在于，所述从全部第一目标字段中筛选出匹配分数大于或者等于第二预设阈值的第二目标字段，作为所述备选字段的步骤，包括：
将每个所述第二目标字段代替异常语句中的错误字段，获得所在异常语句的备用流畅度分数；
将备用流畅度分数大于或者等于第三预设阈值的异常语句对应的第二目标字段作为所述备选字段。
11.一种文本到语音的转换装置，其特征在于，包括：
获取模块，用于获取待转换的目标文本；
合成模块，用于将所述目标文本输入端对端从文本到语音***，获得初始合成音频；
纠错模块，用于利用预设的纠错模型，查找所述初始合成音频中的错误字段；
修复模块，用于对所述初始合成音频中的错误字段进行修复，得到可用合成音频；
输出模块，用于将所述可用合成音频作为所述目标文本转换得到的音频输出。
12.一种电子设备，其特征在于，所述电子设备包括：
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前述权利要求1-10中任一项所述的文本到语音的转换处理方法。
13.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-10中任一项所述的文本到语音的转换处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010106336.1A CN111312209A (zh) | 2020-02-21 | 2020-02-21 | 文本到语音的转换处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010106336.1A CN111312209A (zh) | 2020-02-21 | 2020-02-21 | 文本到语音的转换处理方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111312209A true CN111312209A (zh) | 2020-06-19 |
Family
ID=71160163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010106336.1A Pending CN111312209A (zh) | 2020-02-21 | 2020-02-21 | 文本到语音的转换处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111312209A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111935541A (zh) * | 2020-08-12 | 2020-11-13 | 北京字节跳动网络技术有限公司 | 视频修正方法、装置、可读介质及电子设备 |
| CN112738555A (zh) * | 2020-12-22 | 2021-04-30 | 上海哔哩哔哩科技有限公司 | 视频处理方法及装置 |
| CN112908293A (zh) * | 2021-03-11 | 2021-06-04 | 浙江工业大学 | 一种基于语义注意力机制的多音字发音纠错方法及装置 |
| CN112966689A (zh) * | 2021-02-25 | 2021-06-15 | 维沃移动通信有限公司 | 文本识别方法、装置、电子设备和可读存储介质 |
| CN113012705A (zh) * | 2021-02-24 | 2021-06-22 | 海信视像科技股份有限公司 | 一种语音文本的纠错方法及装置 |
| CN113763921A (zh) * | 2020-07-24 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用于纠正文本的方法和装置 |
| CN113948065A (zh) * | 2021-09-01 | 2022-01-18 | 北京数美时代科技有限公司 | 基于n-gram模型的错误拦截词筛选方法及*** |
| CN114898733A (zh) * | 2022-05-06 | 2022-08-12 | 深圳妙月科技有限公司 | Ai语音数据的分析处理方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045778A (zh) * | 2015-06-24 | 2015-11-11 | 江苏科技大学 | 一种汉语同音词错误自动校对方法 |
| CN107977356A (zh) * | 2017-11-21 | 2018-05-01 | 新疆科大讯飞信息科技有限责任公司 | 识别文本纠错方法及装置 |
| WO2018120889A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技（深圳）有限公司 | 输入语句的纠错方法、装置、电子设备及介质 |
| CN108595431A (zh) * | 2018-04-28 | 2018-09-28 | 海信集团有限公司 | 语音交互文本纠错方法、装置、终端及存储介质 |
| CN110600002A (zh) * | 2019-09-18 | 2019-12-20 | 北京声智科技有限公司 | 语音合成方法、装置及电子设备 |
-
2020
- 2020-02-21 CN CN202010106336.1A patent/CN111312209A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045778A (zh) * | 2015-06-24 | 2015-11-11 | 江苏科技大学 | 一种汉语同音词错误自动校对方法 |
| WO2018120889A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技（深圳）有限公司 | 输入语句的纠错方法、装置、电子设备及介质 |
| CN107977356A (zh) * | 2017-11-21 | 2018-05-01 | 新疆科大讯飞信息科技有限责任公司 | 识别文本纠错方法及装置 |
| CN108595431A (zh) * | 2018-04-28 | 2018-09-28 | 海信集团有限公司 | 语音交互文本纠错方法、装置、终端及存储介质 |
| CN110600002A (zh) * | 2019-09-18 | 2019-12-20 | 北京声智科技有限公司 | 语音合成方法、装置及电子设备 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763921A (zh) * | 2020-07-24 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用于纠正文本的方法和装置 |
| CN111935541A (zh) * | 2020-08-12 | 2020-11-13 | 北京字节跳动网络技术有限公司 | 视频修正方法、装置、可读介质及电子设备 |
| CN111935541B (zh) * | 2020-08-12 | 2021-10-01 | 北京字节跳动网络技术有限公司 | 视频修正方法、装置、可读介质及电子设备 |
| CN112738555A (zh) * | 2020-12-22 | 2021-04-30 | 上海哔哩哔哩科技有限公司 | 视频处理方法及装置 |
| CN112738555B (zh) * | 2020-12-22 | 2024-03-29 | 上海幻电信息科技有限公司 | 视频处理方法及装置 |
| CN113012705B (zh) * | 2021-02-24 | 2022-12-09 | 海信视像科技股份有限公司 | 一种语音文本的纠错方法及装置 |
| CN113012705A (zh) * | 2021-02-24 | 2021-06-22 | 海信视像科技股份有限公司 | 一种语音文本的纠错方法及装置 |
| CN112966689A (zh) * | 2021-02-25 | 2021-06-15 | 维沃移动通信有限公司 | 文本识别方法、装置、电子设备和可读存储介质 |
| CN112908293B (zh) * | 2021-03-11 | 2022-08-02 | 浙江工业大学 | 一种基于语义注意力机制的多音字发音纠错方法及装置 |
| CN112908293A (zh) * | 2021-03-11 | 2021-06-04 | 浙江工业大学 | 一种基于语义注意力机制的多音字发音纠错方法及装置 |
| CN113948065B (zh) * | 2021-09-01 | 2022-07-08 | 北京数美时代科技有限公司 | 基于n-gram模型的错误拦截词筛选方法及*** |
| CN113948065A (zh) * | 2021-09-01 | 2022-01-18 | 北京数美时代科技有限公司 | 基于n-gram模型的错误拦截词筛选方法及*** |
| CN114898733A (zh) * | 2022-05-06 | 2022-08-12 | 深圳妙月科技有限公司 | Ai语音数据的分析处理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111312209A (zh) | 文本到语音的转换处理方法、装置及电子设备 | |
| CN112115706B (zh) | 文本处理方法、装置、电子设备及介质 | |
| US9311913B2 (en) | Accuracy of text-to-speech synthesis | |
| CN106297800B (zh) | 一种自适应的语音识别的方法和设备 | |
| CN1667700B (zh) | 把字的语音或声学描述、发音添加到语音识别词典的方法 | |
| CN106570180B (zh) | 基于人工智能的语音搜索方法及装置 | |
| CN111681642B (zh) | 语音识别评估方法、装置、存储介质及设备 | |
| CN111402861B (zh) | 一种语音识别方法、装置、设备及存储介质 | |
| CN110600002B (zh) | 语音合成方法、装置及电子设备 | |
| CN111563390B (zh) | 文本生成方法、装置和电子设备 | |
| CN111339758B (zh) | 基于深度学习模型的文本纠错方法及*** | |
| CN111489735B (zh) | 语音识别模型训练方法及装置 | |
| CN111369980B (zh) | 语音检测方法、装置、电子设备及存储介质 | |
| CN112259083B (zh) | 音频处理方法及装置 | |
| CN112216284B (zh) | 训练数据更新方法及***、语音识别方法及***、设备 | |
| CN111325031B (zh) | 简历解析方法及装置 | |
| CN111326144A (zh) | 语音数据处理方法、装置、介质和计算设备 | |
| Coats | The corpus of british isles spoken english (CoBISE): A new resource of contemporary British and Irish speech | |
| CN112509581B (zh) | 语音识别后文本的纠错方法、装置、可读介质和电子设备 | |
| CN114625860A (zh) | 一种合同条款的识别方法、装置、设备及介质 | |
| CN111128181B (zh) | 背诵题评测方法、装置以及设备 | |
| CN108766059B (zh) | 一种云服务英语教学设备及教学方法 | |
| CN111475708A (zh) | 一种跟读内容的推送方法、介质、装置和计算设备 | |
| CN112530405B (zh) | 一种端到端语音合成纠错方法、***及装置 | |
| Carson-Berndsen | Multilingual time maps: portable phonotactic models for speech technology |
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 |