CN111506767A - 一种歌曲填词的处理方法及装置、电子设备和存储介质 - Google Patents

一种歌曲填词的处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111506767A
CN111506767A CN202010143514.8A CN202010143514A CN111506767A CN 111506767 A CN111506767 A CN 111506767A CN 202010143514 A CN202010143514 A CN 202010143514A CN 111506767 A CN111506767 A CN 111506767A
Authority
CN
China
Prior art keywords
lyric
lyrics
original
target
song
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
Application number
CN202010143514.8A
Other languages
English (en)
Inventor
胡昌然
吴健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Smart Sound Technology Co ltd
Original Assignee
Beijing Smart Sound Technology Co ltd
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 Beijing Smart Sound Technology Co ltd filed Critical Beijing Smart Sound Technology Co ltd
Priority to CN202010143514.8A priority Critical patent/CN111506767A/zh
Publication of CN111506767A publication Critical patent/CN111506767A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/685—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using automatically derived transcript of audio data, e.g. lyrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/0008—Associated control or indicating means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Acoustics & Sound (AREA)
  • Machine Translation (AREA)

Abstract

本公开涉及一种歌曲填词的处理方法及装置、电子设备和存储介质，其中，该方法包括：响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。采用本公开，采用根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词后，根据所述乐曲及目标歌词得到目标歌曲，相比较人工填写，是更为高效及更为智能的填词处理方式。

Description

一种歌曲填词的处理方法及装置、电子设备和存储介质
技术领域
本公开涉及基于深度学习的数据自动化处理领域，尤其涉及一种歌曲填词的处理方法及装置、电子设备和存储介质。
背景技术
在数据处理的一个应用场景中，对于歌曲填词而言，可以对已有的、或给定的歌曲，在保留其乐曲部分不变的情况下，对歌词进行重新填写，使之成为可以按照原始乐曲的旋律所生成的新的歌曲。
目前的歌曲填词更依赖于用户的人工填写，而随着人工智能、机器学习、深度学习等技术的发展，相比较人工填写，采用更为高效及更为智能的填词处理方式是未来的发展趋势。然而，相关技术中对此未存在有效的解决方案。
发明内容
有鉴于此，本公开提出了一种歌曲填词处理的技术方案。
根据本公开的一方面，提供了一种歌曲填词的处理方法，所述方法包括：
响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；
根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；
根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。
可能的实现方式中，所述改编操作期望目标，与所述目标歌词相匹配，所述根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词，包括：
从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性；
根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词。
可能的实现方式中，所述从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性，包括：
检测所述原始歌词中不同句歌词之间是否存在重复关系，根据得到的检测结果提取出所述原始歌词的歌词结构；
统计所述原始歌词中每句歌词的字数，根据得到的统计结果提取出所述原始歌词的歌词字数；
根据所述原始歌词中每句歌词最后一个字的拼音信息，提取出所述原始歌词的歌词韵脚。
可能的实现方式中，所述根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词，包括：
根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词；
将所述每句歌词进行组合处理，得到所述目标歌词。
可能的实现方式中，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词之前，所述方法还包括：
对于所述原始歌词的歌词结构为第一关系类型的情况，根据预设条件采用不同的神经网络；
所述预设条件包括：是否使用所述原始歌词的上一句歌词作为当前神经网络的输入，以生成下一句歌词。
可能的实现方式中，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词，包括：
将所述原始歌词中第i句歌词的歌词字数、及所述第i句歌词中最后一个字的歌词韵脚输入第一神经网络；
通过所述第一神经网络输出用于得到所述目标歌词的第i句；其中，所述i＝1；
所述第一神经网络由第一编码器和第一解码器构成。
可能的实现方式中，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词，包括：
将所述原始歌词中第i句歌词的歌词字数、所述第i句歌词中最后一个字的歌词韵脚、及所述目标歌词中第i-1句歌词输入第二神经网络；其中，所述目标歌词中第i-1句歌词由所述原始歌词中第i-1句歌词所对应生成；
通过所述第二神经网络输出用于得到所述目标歌词的第i句；其中，所述i>1；
所述第二神经网络由第二编码器和第二解码器构成。
根据本公开的一方面，提供了一种歌曲填词的处理装置，所述装置包括：
响应单元，用于响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；
歌词处理单元，用于根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；
歌曲处理单元，用于根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。
可能的实现方式中，歌词处理单元，用于所述改编操作期望目标，与所述目标歌词相匹配，从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性；
根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词。
可能的实现方式中，所述歌词处理单元，用于：
检测所述原始歌词中不同句歌词之间是否存在重复关系，根据得到的检测结果提取出所述原始歌词的歌词结构；
统计所述原始歌词中每句歌词的字数，根据得到的统计结果提取出所述原始歌词的歌词字数；
根据所述原始歌词中每句歌词最后一个字的拼音信息，提取出所述原始歌词的歌词韵脚。
可能的实现方式中，所述歌词处理单元，用于：
根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词；
将所述每句歌词进行组合处理，得到所述目标歌词。
可能的实现方式中，所述装置还包括神经网络选择单元，用于：
对于所述原始歌词的歌词结构为第一关系类型的情况，根据预设条件采用不同的神经网络；
所述预设条件包括：是否使用所述原始歌词的上一句歌词作为当前神经网络的输入，以生成下一句歌词。
可能的实现方式中，所述歌词处理单元，用于：
将所述原始歌词中第i句歌词的歌词字数、及所述第i句歌词中最后一个字的歌词韵脚输入第一神经网络；
通过所述第一神经网络输出用于得到所述目标歌词的第i句；其中，所述i＝1；
所述第一神经网络由第一编码器和第一解码器构成。
可能的实现方式中，所述歌词处理单元，还用于：
将所述原始歌词中第i句歌词的歌词字数、所述第i句歌词中最后一个字的歌词韵脚、及所述目标歌词中第i-1句歌词输入第二神经网络；其中，所述目标歌词中第i-1句歌词由所述原始歌词中第i-1句歌词所对应生成；
通过所述第二神经网络输出用于得到所述目标歌词的第i句；其中，所述i>1；
所述第二神经网络由第二编码器和第二解码器构成。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述任一项所述的方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述任一项所述的方法。
在本公开中，通过响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。采用本公开，采用根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词后，根据所述乐曲及目标歌词得到目标歌曲，相比较人工填写，是更为高效及更为智能的填词处理方式。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的Seq2Seq神经网络模型的结构示意图。
图2示出根据本公开实施例的歌曲填词的处理方法的流程图。
图3示出根据本公开实施例的歌曲填词的处理流程示意图。
图4示出根据本公开实施例的神经网络的结构示意图。
图5示出根据本公开实施例中基于神经网络生成歌词的示意图。
图6示出根据本公开实施例的歌曲填词的处理装置的框图。
图7示出根据本公开实施例的电子设备的框图。
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
歌曲填词指的是对于已有的或给定的歌曲，在保留其乐曲部分不变的情况下，对歌词进行重新填写，使之成为可以按照原始旋律演唱的音乐作品。歌曲的填词创作是较为广泛的一种歌词创作方式，有很多经典的华语流行歌曲就是翻唱作品，比如刘若英的《后来》翻唱了日本乐队Kiroro的《未来》，李克勤的《红日》翻唱自大事MAN乐队的《最重要的事》等。相比于单纯的创作歌词，歌曲改编有更多的约束，虽然可以脱离原词的内容而选用新的主题，但是为了保持原曲的歌唱性，填词前后的作品往往具有相似的字数和韵脚。
自然语言生成在经历了基于规则的生成，基于规划的生成后，随着近年来大数据的兴起和神经网络算法的发展，基于神经网络的生成方法逐渐成为了主流。图1示出根据本公开实施例的Seq2Seq神经网络模型的结构示意图，如图1所示，本公开中可以使用诸如序列到序列(Seq2Seq)的神经网络，Seq2Seq是反馈神经网络(RNN)的一种，RNN是用先前的状态预测后来的状态，并能够记忆先前的状态的一种神经网络。Seq2Seq指神经网络端到端的输入和输出都是“变长序列”的情况，Seq2Seq可以基于编码器结合解码器来实现的，编码器和解码器都可以采用RNN来实现。其中，可以用输入序列A作为信息来生成输出序列B，A与B为不相同的变长序列。
Seq2Seq神经网络可以用于机器翻译、语音识别、机器人问答***、自动文摘等任务。本公开中，可以根据已有的或给定的歌曲中的原始歌词及目标歌词训练得到Seq2Seq神经网络。之后，应用训练后得到的该Seq2Seq神经网络的过程中，根据该Seq2Seq神经网络并结合该原始歌词，可以自动得到目标歌词，对已有的或给定的歌曲，保留其乐曲部分不变的情况下，采用该目标歌词对歌曲的歌词进行重新改编，从而，以这种区别于人工填写的自动化的填词处理方式，得到按照原始乐曲的旋律所生成的新的歌曲，且具有与已有的或给定的歌曲相似的歌词结构、歌词字数及歌词韵脚等歌词属性。
本公开的神经网络包括但不限于：Seq2Seq神经网络，包含编码器结合解码器的神经网络都在本公开的保护范围之内。
图2示出根据本公开实施例的歌曲填词的处理方法的流程图，该方法应用于歌曲填词的处理装置，例如，该处理装置部署于终端设备或服务器或其它处理设备执行的情况下，可以执行歌词填词等自动化的数据处理。其中，终端设备可以为用户设备(UE，UserEquipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal DigitalAssistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该流程包括：
步骤S101、响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词。
步骤S102、根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词。
步骤S103、根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。
采用本公开，采用根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词后，根据所述乐曲及目标歌词得到目标歌曲，也就是说，基于任意一首已有的或给定的歌曲中的原始歌词，可以全自动的对该原始歌词进行改编，从而生成一首内容与该原始歌词不一样，但歌词结构、歌词字数和歌词韵脚与该原始歌词一致的新的歌词，该基于神经网络的全自动化歌词改编处理，相比较人工填写，是更为高效及更为智能的填词处理方式。
一示例中，响应于歌曲改编操作，可以通过与已建立的歌曲数据库中的歌名匹配，从而得到需要执行所述歌曲填词处理的歌曲。获取该歌曲的原始歌词，从原始歌词中提取生成目标歌词所需的歌词结构、歌词字数、歌词韵脚等歌词属性。筛选出需要生成目标歌词的改编操作期望目标，以便根据对应目标歌词的所述改编操作期望目标来训练得到神经网络，从而，根据该根据原始歌词及该训练得到的神经网络，来逐句进行该目标歌词的生成，并根据所提取原始歌词的歌词结构、歌词字数、歌词韵脚等歌词属性，组合每句生成的歌词以最终得到该目标歌词。
可能的实现方式中，所述改编操作期望目标，与所述目标歌词相匹配，所述根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词，可以包括：从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性，其中，所述相似的歌词属性包括歌词结构、歌词字数及歌词韵脚中至少一种。根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词。
可能的实现方式中，可以针对上述歌词结构、上述歌词字数及上述歌词韵脚进行提取，就提取过程而言，可以包括：检测所述原始歌词中不同句歌词之间是否存在重复关系，根据得到的检测结果提取出所述原始歌词的歌词结构；统计所述原始歌词中每句歌词的字数，根据得到的统计结果提取出所述原始歌词的歌词字数；根据所述原始歌词中每句歌词最后一个字的拼音信息，提取出所述原始歌词的歌词韵脚，如最后一个字的歌词韵脚。
可能的实现方式中，将上述所提取的歌词结构、歌词字数及歌词韵脚与所生成的每句歌词相结合，可以得到最终的目标歌词。即：根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词，包括：根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词；将所述每句歌词进行组合处理，得到所述目标歌词。
可能的实现方式中，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词之前，所述方法还包括：对于所述原始歌词的歌词结构为第一关系类型(如原创类型)的情况，根据预设条件采用不同的神经网络。所述预设条件包括：是否使用所述原始歌词的上一句歌词作为当前神经网络的输入，以生成下一句歌词。
一示例中，本公开至少包括两个神经网络，其中，第一神经网络，可以是第一Seq2Seq神经网络，可以通过该第一Seq2Seq神经网络生成所述目标歌词中的第一句歌词；第二神经网络，可以是第二Seq2Seq神经网络，可以通过该第二Seq2Seq神经网络生成所述目标歌词中的非第一句的其余歌词。
以所述第一神经网络为第一Seq2Seq神经网络为例，根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词，可以包括：将所述原始歌词中第i句歌词的歌词字数、及所述第i句歌词中最后一个字的歌词韵脚输入第一Seq2Seq神经网络，通过所述第一Seq2Seq神经网络输出用于得到所述目标歌词的第i句；其中，所述i＝1，从而通过该第一Seq2Seq神经网络可以生成所述目标歌词中的第一句歌词。所述第一Seq2Seq神经网络可以由第一编码器和第一解码器构成。
以所述第二神经网络为第二Seq2Seq神经网络为例，根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词，可以包括：将所述原始歌词中第i句歌词的歌词字数、所述第i句歌词中最后一个字的歌词韵脚、及所述目标歌词中第i-1句歌词输入第二Seq2Seq神经网络；其中，所述目标歌词中第i-1句歌词由所述原始歌词中第i-1句歌词所对应生成；通过所述第二Seq2Seq神经网络输出用于得到所述目标歌词的第i句；其中，所述i>1，从而通过该第二Seq2Seq神经网络可以生成所述目标歌词中的非第一句的其余歌词。所述第二神经网络由第二编码器和第二解码器构成。
应用示例：
图3示出根据本公开实施例的歌曲填词的处理流程示意图，如图3所示，主要包括：1)用户输入歌曲名，根据歌曲名获取歌曲的原始歌词，也可以通过歌手名来获取歌曲的原始歌词，也可以通过歌曲名和歌手名来获取歌曲的原始歌词，具体可以通过与已建立的歌曲数据库的歌曲名和/或歌手名相匹配，以得到需要填词处理的歌曲对应的原始歌词；2)通过结构提取、字数提取及韵脚提取操作，从原始歌词中提取出用于生成目标歌词所需的歌词结构、歌词字数及歌词韵脚等歌词属性；3)筛选出生成目标歌词所需的内容，根据原始歌词，逐句生成目标歌词中的每句歌词，并根据所提取的原始歌词的歌词结构及生成的每句歌词，组合得到该目标歌词。需要指出的是，本公开包括但不限于图3所示的应用示例，还可以不需要逐句生成歌词，直接根据原始歌词的歌词、原始歌词的歌词结构、歌词字数提取及歌词韵脚等歌词属性，通过之前训练得到的神经网络，直接输出得到该目标歌词。
对本应用示例中可能实现方式的各个具体处理步骤描述如下：
一、获取歌曲的原始歌词。
首先构建一个歌曲数据库。该数据库中包含了支持歌词改写的歌曲的原始歌词、歌曲名和歌手。该歌曲数据库可以被用于根据歌曲名和/或歌手名来获取该原始歌词。比如，如果用户仅输入了歌曲名，未输入歌手名，则可以从歌曲数据库中符合歌曲名的歌曲中随机挑选一首，并返回该首歌曲的原始歌词。又如，如果用户输入的歌曲名及歌手都在歌曲数据库中无法找到，则返回“该首歌曲未找到”，提醒用户重新输入歌曲名和/或歌手名。
二、通过结构提取、字数提取及韵脚提取操作，从原始歌词中提取上述歌词属性。
提取的上述歌词属性可以包括：歌词的结构、每句歌词的字数、每句歌词最后一个字的韵脚。
1)歌词结构，指原始歌词中不同句之间的重复关系。从原始歌词的第二句歌词开始，分别检查第i句歌词和第1句到第i-1句中的某一句歌词j是否完全一样，如果是，则标记歌词i是歌词j的重复类型；否则，标记歌词i为原创类型。通过这样的检测方式，可以得到每句歌词是第一次出现的第一关系类型(如原创类型)还是之前某一句歌词的重复类型的检测结果，从而，可以根据得到的该检测结果提取出原始歌词的歌词结构。
2)歌词字数，指原始歌词中每句歌词的字数。每句歌词的字数可以直接通过统计方式得到，即：通过统计原始歌词中每句歌词的字数，根据得到的统计结果提取出原始歌词的歌词字数。
3)歌词韵脚，指原始歌词中每句歌词的最后一个字的歌词韵脚。为了获取每句歌词最后一个字的韵脚，首先提取每句歌词最后一个字的拼音信息，然后取出拼音中的韵母作为韵脚信息，即：根据原始歌词中每句歌词最后一个字的拼音信息，提取出原始歌词的歌词韵脚，如最后一个字的歌词韵脚。以一句歌词为“从前从前”为例，最后一个字歌词韵脚为前(IAN)，而另一句歌词“有个人爱你很久很久”，最后一个字歌词韵脚为久(IU)，以此类推，不做赘述。
三、根据上述原始歌词，逐句生成目标歌词中的每句歌词，并最终组合得到该目标歌词。
根据上述第二步中获取到的歌词结构，可以获知原始歌词中每一句是原创或者是重复类型。那么，对于标记为原创类型的原始歌词中的每一句歌词，可以使用Seq2Seq神经网络，并利用它的歌词字数ci、最后一个字的歌词韵脚pi、改写的上一句歌词gi-1作为约束条件来生成改写后得到目标歌词中的一句歌词gi。计算公式如公式(1)所示：
Figure BDA0002399910780000121
这里的S1(ci,pi)、S2(ci,pi,gi-1)分别表示两个Seq2Seq神经网络，这两个Seq2Seq神经网络可以分别称之为第一Seq2Seq神经网络及第二Seq2Seq神经网络，二者的区别在于是否使用上一句歌词作为输入，以生成下一句歌词。原始歌词中每句话的字数信息和韵脚信息均可以通过独热编码向量来表示，其中，所示独热编码可以理解为：将一组字符串或者数字转换为一组向量来表示，而且这组向量中只能有一个向量值为1。
图4示出根据本公开实施例的神经网络的结构示意图，如图4所示，Seq2Seq神经网络作为基于编码器-解码器的神经网络模型，可以采用一个RNN对输入的序列“我爱你<EOS>”进行编码，其中，<EOS>指结束符，将这些输入的信息集成到一个定长的向量；之后，让另一个RNN网络作为解码器，对该定长的向量进行解码，最后得到完整的输出序列“l loveyou<EOS>”。
对该Seq2Seq神经网络进行训练的过程中，所针对的训练任务可以抽象为给定序列x＝(x1,x2,x3,xn1)并将其作为训练样本，希望得到相对应的输出序列y＝(y1,y2,y3,yn2)，可称为歌词的改编操作期望目标，根据输入该Seq2Seq神经网络的训练样本、以及该期望目标来计算概率分布P(y1,y2,…,yn2|x1,x2,…,xn1)，以根据该概率分布得到损失函数，根据损失函数的反向传播来训练该Seq2Seq神经网络，直至网络收敛，结束对该Seq2Seq神经网络的训练，后续直接采用该训练得到的Seq2Seq神经网络来响应上述歌词的改编操作，以最终生成目标歌词即可。
图5示出根据本公开实施例中基于神经网络生成歌词的示意图，如图5所示，采用该训练得到的Seq2Seq神经网络来响应上述歌词的改编操作，可以根据原始歌词中的任一句歌词“九重天”，如该句歌词字数是3，歌词韵脚是IAN，基于该Seq2Seq神经网络，可以得到生成目标歌词中的一句歌词“看不见”等等，图5仅为示例，本公开并不限于该示例的描述。
在生成目标歌词的过程中，可以采用两个Seq2Seq神经网络，其中，第一Seq2Seq神经网络S1(ci,pi)，可以简称为模型S1，它仅被用于生成第一句歌词，将第一句的歌词字数c1和歌词韵脚p1拼接作为输入序列X＝(c1,p1)。对于第二Seq2Seq神经网络S2(ci,pi,gi-1)，简称为模型S2，使用上一句生成的歌词作为输入，将这一句的歌词字数ci、歌词韵脚pi和上一句歌词gi-1拼接作为输入的序列X＝(ci,pi,gi-1)。模型S2中的编码器RNN迭代式的将序列输入本模型后，根据如下公式(2)计算每个位置的隐层状态hi，且公式(2)中hi-1表示相对于当前位置隐层状态hi的上一隐藏状态，i为大于1的整数：
hi＝Encoder(xi,hi-1) (2)
对输入的序列X中的每个元素xi通过上述公式(2)的运算，可以得到最后位置的状态hn1，并将其作为解码器的输入。根据如下公式(3)-公式(4)，解码器将hn1作为初始状态，并开始解码待生成的目标歌词，公式(3)-公式(4)中，x1,x2,…,xn1表示输入的序列；yi表示希望得到当前步相对应的字；yi-1表示希望得到上一步相对应的字；h表示解码器的状态，其中，
Figure BDA0002399910780000131
表示解码第一个字时的状态，
Figure BDA0002399910780000132
表示迭代过程中解码器的状态，对于解码器而言，解码器处理了第i个输入后的状态，然后这个状态会和第i+1个字符一起输入解码器以用于下个字的解码；通过计算概率分布P(yi|x1,x2,…,xn1,y<i)来得到最终的输出序列，即由多个字构成的一句歌词：
Figure BDA0002399910780000133
Figure BDA0002399910780000134
通过上述公式(3)-公式(4)，在解码器处理过程中的每一步，解码器可以根据上一步的隐藏状态以及上一步输出的字来计算当前步生成的字的概率，并从计算得到上述概率分布中采样得到当前步的字。这样，迭代式的得到多个字后，采用多个字可以生成目标歌词中的一句歌词。
在对模型S1、模型S2进行训练时，根据如下公式(5)进行模型的优化，其准则为最大化生成的歌词的似然，由上述概率分布P(yi|x1,x2,…,xn1,y<i)得到损失函数L，argmax指最大化似然的运算符：
L＝argmax P(yi|x1,x2,…,xn1,y<i) (5)
对于标记为重复的第i句歌词，它是第j句歌词的重复。根据如下公式(6)直接将改写好的目标歌词gj复制作为新的歌词gi，：
gi＝gj。 (6)
将所有的歌词组合起来，即为改写好的目标歌词，且该目标歌词与原始歌词有着同样的结构、字数和韵脚。采用本应用示例，可以训练得到神经网络后，根据一首歌的原始歌词及训练得到的该神经网络，生成一首歌词结构、歌词字数和歌词韵脚与原始歌词一致的新的歌词。其中，对于该神经网络的训练，可以从原始歌词中提取原始歌词的歌词结构、歌词字数和歌词韵脚等歌词属性，对诸如Seq2Seq神经网络进行训练，从而，可以基于该神经网络生成满足给定约束条件(如该目标歌词与原始歌词有着同样的歌词结构、歌词字数和歌词韵脚等)限制的目标歌词。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了歌曲填词的处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种歌曲填词的处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图6示出根据本公开实施例的歌曲填词的处理装置的框图，如图6所示，该处理装置，包括：响应单元51，用于响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；歌词处理单元52，用于根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；歌曲处理单元53，用于根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。
可能的实现方式中，歌词处理单元，用于所述改编操作期望目标，与所述目标歌词相匹配，从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性；根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词。
可能的实现方式中，所述歌词处理单元，用于：检测所述原始歌词中不同句歌词之间是否存在重复关系，根据得到的检测结果提取出所述原始歌词的歌词结构；统计所述原始歌词中每句歌词的字数，根据得到的统计结果提取出所述原始歌词的歌词字数；根据所述原始歌词中每句歌词最后一个字的拼音信息，提取出所述原始歌词的歌词韵脚。
可能的实现方式中，所述歌词处理单元，用于：根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词；将所述每句歌词进行组合处理，得到所述目标歌词。
可能的实现方式中，所述装置还包括神经网络选择单元，用于：对于所述原始歌词的歌词结构为第一关系类型的情况，根据预设条件采用不同的神经网络；所述预设条件包括：是否使用所述原始歌词的上一句歌词作为当前神经网络的输入，以生成下一句歌词。
可能的实现方式中，所述歌词处理单元，用于：将所述原始歌词中第i句歌词的歌词字数、及所述第i句歌词中最后一个字的歌词韵脚输入第一神经网络；通过所述第一神经网络输出用于得到所述目标歌词的第i句；其中，所述i＝1；所述第一神经网络由第一编码器和第一解码器构成。
可能的实现方式中，所述歌词处理单元，还用于：将所述原始歌词中第i句歌词的歌词字数、所述第i句歌词中最后一个字的歌词韵脚、及所述目标歌词中第i-1句歌词输入第二神经网络；其中，所述目标歌词中第i-1句歌词由所述原始歌词中第i-1句歌词所对应生成；通过所述第二神经网络输出用于得到所述目标歌词的第i句；其中，所述i>1；所述第二神经网络由第二编码器和第二解码器构成。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的歌曲填词的处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的歌曲填词的处理方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图8，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作***，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器932，上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
在不违背逻辑的情况下，本申请不同实施例之间可以相互结合，不同实施例描述有所侧重，为侧重描述的部分可以参见其他实施例的记载。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种歌曲填词的处理方法，其特征在于，所述方法包括：
响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；
根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；
根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。
2.根据权利要求1所述的方法，其特征在于，所述改编操作期望目标，与所述目标歌词相匹配，所述根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词，包括：
从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性；
根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词。
3.根据权利要求2所述的方法，其特征在于，所述从所述原始歌词中，提取出用于得到所述目标歌词的所述相似的歌词属性，包括：
检测所述原始歌词中不同句歌词之间是否存在重复关系，根据得到的检测结果提取出所述原始歌词的歌词结构；
统计所述原始歌词中每句歌词的字数，根据得到的统计结果提取出所述原始歌词的歌词字数；
根据所述原始歌词中每句歌词最后一个字的拼音信息，提取出所述原始歌词的歌词韵脚。
4.根据权利要求2或3所述的方法，其特征在于，所述根据提取的所述相似的歌词属性及所述神经网络，得到所述目标歌词，包括：
根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词；
将所述每句歌词进行组合处理，得到所述目标歌词。
5.根据权利要求4所述的方法，其特征在于，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词之前，所述方法还包括：
对于所述原始歌词的歌词结构为第一关系类型的情况，根据预设条件采用不同的神经网络；
所述预设条件包括：是否使用所述原始歌词的上一句歌词作为当前神经网络的输入，以生成下一句歌词。
6.根据权利要求5所述的方法，其特征在于，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词，包括：
将所述原始歌词中第i句歌词的歌词字数、及所述第i句歌词中最后一个字的歌词韵脚输入第一神经网络；
通过所述第一神经网络输出用于得到所述目标歌词的第i句；其中，所述i＝1；
所述第一神经网络由第一编码器和第一解码器构成。
7.根据权利要求5所述的方法，其特征在于，所述根据所述原始歌词的歌词结构、所述原始歌词的歌词字数、所述原始歌词的歌词韵脚及所述神经网络生成每句歌词，包括：
将所述原始歌词中第i句歌词的歌词字数、所述第i句歌词中最后一个字的歌词韵脚、及所述目标歌词中第i-1句歌词输入第二神经网络；其中，所述目标歌词中第i-1句歌词由所述原始歌词中第i-1句歌词所对应生成；
通过所述第二神经网络输出用于得到所述目标歌词的第i句；其中，所述i>1；
所述第二神经网络由第二编码器和第二解码器构成。
8.一种歌曲填词的处理装置，其特征在于，所述装置包括：
响应单元，用于响应于歌曲改编操作，从待处理歌曲中分解出由旋律构成的乐曲及原始歌词；
歌词处理单元，用于根据所述原始歌词及由所述改编操作期望目标得到的神经网络，得到目标歌词；
歌曲处理单元，用于根据所述乐曲及目标歌词得到目标歌曲，所述目标歌曲与所述待处理歌曲具备包括歌词结构、歌词字数及歌词韵脚中至少一种相似的歌词属性。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202010143514.8A 2020-03-04 2020-03-04 一种歌曲填词的处理方法及装置、电子设备和存储介质 Pending CN111506767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010143514.8A CN111506767A (zh) 2020-03-04 2020-03-04 一种歌曲填词的处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010143514.8A CN111506767A (zh) 2020-03-04 2020-03-04 一种歌曲填词的处理方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111506767A true CN111506767A (zh) 2020-08-07

Family

ID=71875754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010143514.8A Pending CN111506767A (zh) 2020-03-04 2020-03-04 一种歌曲填词的处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111506767A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486643A (zh) * 2021-07-27 2021-10-08 咪咕音乐有限公司 歌词合成方法、终端设备及可读存储介质
WO2022042418A1 (zh) * 2020-08-27 2022-03-03 北京字节跳动网络技术有限公司 音乐合成方法、装置、设备和计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004077645A (ja) * 2002-08-13 2004-03-11 Sony Computer Entertainment Inc 歌詞生成装置および歌詞生成機能を実現させるためのプログラム
CN106528858A (zh) * 2016-11-29 2017-03-22 北京百度网讯科技有限公司 歌词生成方法及装置
CN109086408A (zh) * 2018-08-02 2018-12-25 腾讯科技（深圳）有限公司 文本生成方法、装置、电子设备及计算机可读介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004077645A (ja) * 2002-08-13 2004-03-11 Sony Computer Entertainment Inc 歌詞生成装置および歌詞生成機能を実現させるためのプログラム
CN106528858A (zh) * 2016-11-29 2017-03-22 北京百度网讯科技有限公司 歌词生成方法及装置
CN109086408A (zh) * 2018-08-02 2018-12-25 腾讯科技（深圳）有限公司 文本生成方法、装置、电子设备及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022042418A1 (zh) * 2020-08-27 2022-03-03 北京字节跳动网络技术有限公司 音乐合成方法、装置、设备和计算机可读介质
CN113486643A (zh) * 2021-07-27 2021-10-08 咪咕音乐有限公司 歌词合成方法、终端设备及可读存储介质

Similar Documents

Publication Publication Date Title
US10614803B2 (en) Wake-on-voice method, terminal and storage medium
CN109801644B (zh) 混合声音信号的分离方法、装置、电子设备和可读介质
CN110634483B (zh) 人机交互方法、装置、电子设备及存储介质
CN110781305B (zh) 基于分类模型的文本分类方法及装置，以及模型训练方法
CN109145213B (zh) 基于历史信息的查询推荐方法及装置
CN111368541B (zh) 命名实体识别方法及装置
CN109961791B (zh) 一种语音信息处理方法、装置及电子设备
CN112001364A (zh) 图像识别方法及装置、电子设备和存储介质
CN112037756A (zh) 语音处理方法、装置和介质
CN108650543A (zh) 视频的字幕编辑方法及装置
CN113673261A (zh) 数据生成方法、装置及可读存储介质
CN113177419B (zh) 文本改写方法、装置、存储介质及电子设备
CN112559673A (zh) 语言处理模型的训练方法及装置、电子设备及存储介质
CN110930977B (zh) 一种数据处理方法、装置和电子设备
CN112002313B (zh) 交互方法及装置、音箱、电子设备和存储介质
CN111506767A (zh) 一种歌曲填词的处理方法及装置、电子设备和存储介质
CN112988956B (zh) 自动生成对话的方法及装置、信息推荐效果检测方法及装置
CN112035651A (zh) 语句补全方法、装置及计算机可读存储介质
CN113923517B (zh) 一种背景音乐生成方法、装置及电子设备
CN112130839A (zh) 一种构建数据库、语音编程的方法及相关装置
CN110120211B (zh) 基于旋律结构的旋律生成方法及装置
CN114501059A (zh) 视频配乐处理方法、装置、电子设备及可读存储介质
CN110019928B (zh) 视频标题的优化方法及装置
CN113919372A (zh) 机器翻译质量评估方法、装置及存储介质
CN110309270B (zh) 聊天机器人的唱歌答复技术

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