CN113160793A - 基于低资源语言的语音合成方法、装置、设备及存储介质 - Google Patents
基于低资源语言的语音合成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113160793A CN113160793A CN202110441988.5A CN202110441988A CN113160793A CN 113160793 A CN113160793 A CN 113160793A CN 202110441988 A CN202110441988 A CN 202110441988A CN 113160793 A CN113160793 A CN 113160793A
- Authority
- CN
- China
- Prior art keywords
- low
- resource language
- language
- text
- resource
- 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
- 238000001308 synthesis method Methods 0.000 title claims abstract description 25
- 238000013519 translation Methods 0.000 claims abstract description 114
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 106
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000009977 dual effect Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 14
- 238000012805 post-processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 241001672694 Citrus reticulata Species 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于低资源语言的语音合成方法，包括：确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；将低资源语言文本转换为低资源语言音素文本；利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成高资源语言音素文本；利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。此外，本发明还涉及区块链技术，所述低资源语言文本可存储于区块链的节点。本发明还提出一种基于低资源语言的语音合成装置、电子设备以及计算机可读存储介质。本发明可以提供一种提高语音合成效果、针对低资源语言的语音合成方法。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于低资源语言的语音合成方法、装置、电子设备及计算机可读存储介质。
背景技术
语音合成(text-to-speech，TTS)在近年来得到了飞速的发展，受到了学术界与工业界的广泛关注。各行各业对于语音合成的需求越来越高，如客服行业可以使用语音合成完成自助语音服务。
全球内有6000多种语言，传统的语音合成方法覆盖的语言只有几十种，背后的原因离不开数据集开发的难度，开发一种新的语言数据集通常需要聘请专业的配音演员为该语言定制大量高质量语音数据，之后利用这些高质量语音数据作为训练数据集去训练模型，但是对于很多低资源语言，如方言等小众语言，通常没有国际音标甚至也没有该语言的音标，此时，聘请语言学专家定制分析该语言的发音情况与音素音调等技术数据的过程需要消耗大量的资金与时间，因此，导致训练数据集很少。而直接使用传统的语音合成模型对低资源语言进行语音合成的效果较差，当前并没有专门针对低资源语言的语音合成方法。
发明内容
本发明提供一种基于低资源语言的语音合成方法、装置及计算机可读存储介质，其主要目的在于提供一种提高语音合成效果、针对低资源语言的语音合成方法。
为实现上述目的，本发明提供的一种基于低资源语言的语音合成方法，包括：
确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；
将所述低资源语言文本转换为低资源语言音素文本；
利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本；
利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
可选地，所述将所述低资源语言文本转换为低资源语言音素文本，包括：
确定所述低资源语言文本中每个文字对应的低资源语言发音；
将所述低资源语言发音拆分成低资源语言音素，得到低资源语言音素文本。
可选地，所述利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本之前，所述方法还包括：
收集音频文件，利用预先训练好的语音识别模型将所述音频文件转换成低资源语言音素，得到音素文本集；
基于对偶学习，利用所述音素文本集和预先购建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型。
可选地，所述基于对偶学习，利用所述音素文本集和预先购建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型，包括：
使用所述音素文本集训练所述翻译模型，得到所述翻译模型输出的高资源音素文本集和对应的似然概率Pf；
使用所述高资源音素文本集训练所述反向翻译模型，得到所述反向翻译模型输出的低资源音素文本集和对应的似然概率Pb；
调整训练过的所述翻译模型以及所述反向翻译模型的参数，并重复执行上述对所述翻译模型和和所述反向翻译模型训练的步骤，直到所述似然概率Pf及所述似然概率Pb满足预设的停止条件，得到训练完成的翻译模型。
可选地，所述利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本，包括：
利用所述翻译模型的编码器对所述低资源语言音素文本进行特征提取，得到编码向量；
利用所述翻译模型的解码器对所述编码向量进行解码，得到高资源语言音素文本。
可选地，所述利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音，包括：
通过所述语音合成模型的编码器提取所述高资源语言音素文本的序列表示，得到特征序列向量；
通过所述语音合成模型的解码器对所述特征序列向量进行解码和波形合成，得到初始声学特征；
通过所述语音合成模型的后处理网络对所初始述声学特征进行校正，得到标准声学特征；
利用预设的声码器对所述标准声学特征进行反解码，得到语言语音。
可选地，在利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音之前，所述方法还包括：
采集多个高资源语言音素文本，得到训练数据集；
通过预购建的语音合成模型对所述训练数据集进行语音合成，得到训练结果；
利用预设的损失函数计算所述训练结果的损失值；
根据所述损失值对所述语音合成模型进行反向传播调参，并返回通过语音合成模型对所述训练数据集进行语音合成步骤，直到所述损失值不再下降，得到训练完成的语音合成模型。
为了解决上述问题，本发明还提供一种基于低资源语言的语音合成装置，所述装置包括：
文本获取模块，用于确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；
音素获取模块，用于将所述低资源语言文本转换为低资源语言音素文本；
音素映射模块，用于利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本；
语音合成模块，用于利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于低资源语言的语音合成方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于低资源语言的语音合成方法。
本发明实施例通过将低资源语言音素文本转换成高资源语言音素文本，使得对于低资源语言的数据集的要求大大减低，可以利用高资源语言对应的语音合成模型来实现对于低资源语言对应的语音合成；同时利用对偶学习对翻译模型进行训练，可以补足目前只有针对国际音标的音素映射的缺陷，缩短翻译模型训练时间，提高翻译模型的稳定性与准确度。因此本发明提出的基于低资源语言的语音合成方法、装置、电子设备及计算机可读存储介质，可以提供一种提高语音合成效果、针对低资源语言的语音合成方法。
附图说明
图1为本发明一实施例提供的基于低资源语言的语音合成方法的流程示意图；
图2为本发明一实施例提供的基于低资源语言的语音合成装置的功能模块图；
图3为本发明一实施例提供的实现所述基于低资源语言的语音合成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于低资源语言的语音合成方法。所述基于低资源语言的语音合成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于低资源语言的语音合成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于低资源语言的语音合成方法的流程示意图。在本实施例中，所述基于低资源语言的语音合成方法包括：
S1、确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本。
本发明实施例中所述低资源语言文本是由低资源语言组成的文本，所述低资源语言是语言数据集较少的语言，包括方言和小语种语言，如上海话。
所述高资源语言是与所述低资源语言相对的语言，所述高资源语言的音素与低资源语言的音素之间具有较高的相似度，如普通话和上海话。
详细地，所述确定低资源语言和高资源语言是根据实际业务场景需要选择对应的语言语种作为低资源语言，再根据与所述低资源语言的相似度，在多种具有大量数据资源的语言中选择一种作为高资源语言。
进一步地，本发明实施例中所述低资源语言文本可以从预设的数据库中获取。为进一步强调所述低资源语言文本的私密性和安全性，所述低资源语言文本还可以从一区块链的节点中获取。
S2、将所述低资源语言文本转换为低资源语言音素文本。
音素(phone)，是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素。例如，“普通话”的汉语语音由三个音节组成，可以拆分成“p,u,t,o,ng,h,u,a”八个音素。计算机可以通过音素文本合成语音。
详细地，所述将所述低资源语言文本转换为低资源语言音素文本，包括：
确定所述低资源语言文本中每个文字对应的低资源语言发音；
将所述低资源语言发音拆分成低资源语言音素，得到低资源语言音素文本。
S3、利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本。
本发明实施例中所述翻译模型以低资源语言的音素文本为输入，输出为高资源语言的音素文本，所述高资源语言的音素文本效果类似用普通话的发音去读上海话。
可选地，在利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本之前，还包括：
收集音频文件，利用预先训练好的语音识别模型将所述音频文件转换成低资源语言音素，得到音素文本集；
基于对偶学习，利用所述音素文本集和预先构建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型。
其中，所述音频文件是低资源语言的音频；所述语音识别模型由CNN构成，以CTC作为损失函数，所述语音识别模型能够准确的将音频文件转换成低资源语言的音素文本；所述反向翻译模型是与所述翻译模型对应的翻译模型，以高资源语言的音素文本为输入，输出为对应的低资源语言的音素文本。
进一步地，所述利用预先训练好的语音识别模型将所述音频文件转换成低资源语言音素，得到音素文本集，包括：
利用所述语音识别模型的编码层将所述音频文件进行编码和特征提取，得到语音特征；
利用所述语音识别模型的解码层对所述语音特征进行解码匹配，得到语言文本集；
利用所述语音识别模型的后处理网络对所述语言文本集进行音素转化，得到音素文本集。
进一步地，所述基于对偶学习，利用所述音素文本集和预先构建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型，包括：
使用所述音素文本集训练所述翻译模型，得到所述翻译模型输出的高资源音素文本集和对应的似然概率Pf；
使用所述高资源音素文本集训练所述反向翻译模型，得到所述反向翻译模型输出的低资源音素文本集和对应的似然概率Pb；
调整训练过的所述翻译模型以及所述反向翻译模型的参数，并重复执行上述对所述翻译模型和和所述反向翻译模型训练的步骤，直到所述似然概率Pf及所述似然概率Pb满足预设的停止条件，得到训练完成的翻译模型。
其中，所述停止条件是所述前向翻译模型输出的似然概率Pf与所述后向翻译模型输出的似然概率Pb相等。其中，所述似然概率是根据模型中激活函数得到的概率值中最大的一个概率值。
实际上可能会出现特殊的低资源语言音素与高资源语言音素不匹配的情况，比如由于上海话的单元音化，根据不同人的口音，有十到十二种不同的主元音(元音核)的音位，而传统拉丁字母中的元音只有a、e、i、o、u，不能够完全对应，因此有部分单元音必须用其他方式表示。而本发明实施例基于对偶学习对翻译模型进行训练，所述对偶学习是指从任何一个单语数据的句子开始，我们首先将其翻译为另一种语言，然后再将其翻译回原始语言。如，一个语言A的句子，将句子通过翻译模型X翻译成语言B的句子，然后发送给翻译模型Y，之后翻译模型Y再将接收到的语言B的句子翻译成语言A的句子送到翻译模型X再翻译成语言B的句子，通过多轮迭代，提高翻译质量。
详细地，所述利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本，包括：
利用所述翻译模型的编码器对所述低资源语言音素文本进行特征提取，得到编码向量；
利用所述翻译模型的解码器对所述编码向量进行解码，得到高资源语言音素文本。
S4、利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
本发明实施例中所述语音合成模型是一种集成的端到端生成TTS模型，该模型将字符序列作为输入并输出相应的频谱，即声学特征，所述语音合成模型包括编码器、基于注意力机制的解码器和后处理网络。
可选地，在利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到低资源语言语音之前，还包括：
采集多个高资源语言音素文本，得到训练数据集；
通过预构建的语音合成模型对所述训练数据集进行语音合成，得到训练结果；
利用预设的损失函数计算所述训练结果的损失值；
根据所述损失值对所述语音合成模型进行反向传播调参，并返回通过语音合成模型对所述训练数据集进行语音合成步骤，直到所述损失值不再下降，得到训练完成的语音合成模型。
详细地，所述利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到低资源语言语音，包括：
通过所述语音合成模型的编码器提取所述高资源语言音素文本的序列表示，得到特征序列向量；
通过所述语音合成模型的解码器对所述特征序列向量进行解码和波形合成，得到初始声学特征；
通过所述语音合成模型的后处理网络对所初始述声学特征进行校正，得到标准声学特征；
利用预设的声码器对所述标准声学特征进行反解码，得到语言语音。
本发明实施例可以将低资源语言的文本转化为对应的音频文件，如：有一段上海话文本，然后将所述上海话文本转化成上海话音素信息，然后将所述上海话音素信息通过翻译模型翻译成拼音信息，然后根据得到的拼音信息通过语音合成模型转化为音频文件。
本发明实施例通过将低资源语言音素文本转换成高资源语言音素文本，使得对于低资源语言的数据集的要求大大减低，可以利用高资源语言对应的语音合成模型来实现对于低资源语言对应的语音合成；同时利用对偶学习对翻译模型进行训练，可以补足目前只有针对国际音标的音素映射的缺陷，缩短翻译模型训练时间，提高翻译模型的稳定性与准确度。因此本发明提出的基于低资源语言的语音合成方法、装置、电子设备及计算机可读存储介质，可以提供一种提高语音合成效果、针对低资源语言的语音合成方法。
如图2所示，是本发明一实施例提供的基于低资源语言的语音合成装置的功能模块图。
本发明所述基于低资源语言的语音合成装置100可以安装于电子设备中。根据实现的功能，所述基于低资源语言的语音合成装置100可以包括文本获取模块101、音素获取模块102、音素映射模块103和语音合成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述文本获取模块101，用于确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本。
本发明实施例中所述低资源语言文本是由低资源语言组成的文本，所述低资源语言是语言数据集较少的语言，包括方言和小语种语言，如上海话。
所述高资源语言是与所述低资源语言相对的语言，所述高资源语言的音素与低资源语言的音素之间具有较高的相似度，如普通话和上海话。
详细地，所述确定低资源语言和高资源语言是根据实际业务场景需要选择对应的语言语种作为低资源语言，再根据与所述低资源语言的相似度，在多种具有大量数据资源的语言中选择一种作为高资源语言。
进一步地，本发明实施例中所述低资源语言文本可以从预设的数据库中获取。为进一步强调所述低资源语言文本的私密性和安全性，所述低资源语言文本还可以从一区块链的节点中获取。
所述音素获取模块102，用于将所述低资源语言文本转换为低资源语言音素文本。
音素(phone)，是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素。例如，“普通话”的汉语语音由三个音节组成，可以拆分成“p,u,t,o,ng,h,u,a”八个音素。计算机可以通过音素文本合成语音。
详细地，所述音素获取模块102具体用于：
确定所述低资源语言文本中每个文字对应的低资源语言发音；
将所述低资源语言发音拆分成低资源语言音素，得到低资源语言音素文本。
所述音素映射模块103，用于利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本。
本发明实施例中所述翻译模型以低资源语言的音素文本为输入，输出为高资源语言的音素文本，所述高资源语言的音素文本效果类似用普通话的发音去读上海话。
可选地，在利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本之前，还包括：
收集音频文件，利用预先训练好的语音识别模型将所述音频文件转换成低资源语言音素，得到音素文本集；
基于对偶学习，利用所述音素文本集和预先构建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型。
其中，所述音频文件是低资源语言的音频；所述语音识别模型由CNN构成，以CTC作为损失函数，所述语音识别模型能够准确的将音频文件转换成低资源语言的音素文本；所述反向翻译模型是与所述翻译模型对应的翻译模型，以高资源语言的音素文本为输入，输出为对应的低资源语言的音素文本。
进一步地，所述利用预先训练好的语音识别模型将所述音频文件转换成低资源语言音素，得到音素文本集，包括：
利用所述语音识别模型的编码层将所述音频文件进行编码和特征提取，得到语音特征；
利用所述语音识别模型的解码层对所述语音特征进行解码匹配，得到语言文本集；
利用所述语音识别模型的后处理网络对所述语言文本集进行音素转化，得到音素文本集。
进一步地，所述基于对偶学习，利用所述音素文本集和预先构建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型，包括：
使用所述音素文本集训练所述翻译模型，得到所述翻译模型输出的高资源音素文本集和对应的似然概率Pf；
使用所述高资源音素文本集训练所述反向翻译模型，得到所述反向翻译模型输出的低资源音素文本集和对应的似然概率Pb；
调整训练过的所述翻译模型以及所述反向翻译模型的参数，并重复执行上述对所述翻译模型和和所述反向翻译模型训练的步骤，直到所述似然概率Pf及所述似然概率Pb满足预设的停止条件，得到训练完成的翻译模型。
其中，所述停止条件是所述前向翻译模型输出的似然概率Pf与所述后向翻译模型输出的似然概率Pb相等。其中，所述似然概率是根据模型中激活函数得到的概率值中最大的一个概率值。
实际上可能会出现特殊的低资源语言音素与高资源语言音素不匹配的情况，比如由于上海话的单元音化，根据不同人的口音，有十到十二种不同的主元音(元音核)的音位，而传统拉丁字母中的元音只有a、e、i、o、u，不能够完全对应，因此有部分单元音必须用其他方式表示。而本发明实施例基于对偶学习对翻译模型进行训练，所述对偶学习是指从任何一个单语数据的句子开始，我们首先将其翻译为另一种语言，然后再将其翻译回原始语言。如，一个语言A的句子，将句子通过翻译模型X翻译成语言B的句子，然后发送给翻译模型Y，之后翻译模型Y再将接收到的语言B的句子翻译成语言A的句子送到翻译模型X再翻译成语言B的句子，通过多轮迭代，提高翻译质量。
详细地，所述音素映射模块103具体用于：
利用所述翻译模型的编码器对所述低资源语言音素文本进行特征提取，得到编码向量；
利用所述翻译模型的解码器对所述编码向量进行解码，得到高资源语言音素文本。
所述语音合成模块104，用于利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
本发明实施例中所述语音合成模型是一种集成的端到端生成TTS模型，该模型将字符序列作为输入并输出相应的频谱，即声学特征，所述语音合成模型包括编码器、基于注意力机制的解码器和后处理网络。
可选地，在利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到低资源语言语音之前，还包括：
采集多个高资源语言音素文本，得到训练数据集；
通过预构建的语音合成模型对所述训练数据集进行语音合成，得到训练结果；
利用预设的损失函数计算所述训练结果的损失值；
根据所述损失值对所述语音合成模型进行反向传播调参，并返回通过语音合成模型对所述训练数据集进行语音合成步骤，直到所述损失值不再下降，得到训练完成的语音合成模型。
详细地，所述语音合成模块104具体用于：
通过所述语音合成模型的编码器提取所述高资源语言音素文本的序列表示，得到特征序列向量；
通过所述语音合成模型的解码器对所述特征序列向量进行解码和波形合成，得到初始声学特征；
通过所述语音合成模型的后处理网络对所初始述声学特征进行校正，得到标准声学特征；
利用预设的声码器对所述标准声学特征进行反解码，得到语言语音。
本发明实施例可以将低资源语言的文本转化为对应的音频文件，如：有一段上海话文本，然后将所述上海话文本转化成上海话音素信息，然后将所述上海话音素信息通过翻译模型翻译成拼音信息，然后根据得到的拼音信息通过语音合成模型转化为音频文件。
如图3所示，是本发明一实施例提供的实现基于低资源语言的语音合成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于低资源语言的语音合成程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于低资源语言的语音合成程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于低资源语言的语音合成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于低资源语言的语音合成程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；
将所述低资源语言文本转换为低资源语言音素文本；
利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本；
利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；
将所述低资源语言文本转换为低资源语言音素文本；
利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本；
利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于低资源语言的语音合成方法，其特征在于，所述方法包括：
确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；
将所述低资源语言文本转换为低资源语言音素文本；利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本；
利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
2.如权利要求1所述的基于低资源语言的语音合成方法，其特征在于，所述将所述低资源语言文本转换为低资源语言音素文本，包括：
确定所述低资源语言文本中每个文字对应的低资源语言发音；
将所述低资源语言发音拆分成低资源语言音素，得到低资源语言音素文本。
3.如权利要求1所述的基于低资源语言的语音合成方法，其特征在于，所述利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本之前，所述方法还包括：
收集音频文件，利用预先训练好的语音识别模型将所述音频文件转换成低资源语言音素，得到音素文本集；
基于对偶学习，利用所述音素文本集和预先购建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型。
4.如权利要求3所述的基于低资源语言的语音合成方法，其特征在于，所述基于对偶学习，利用所述音素文本集和预先购建的反向翻译模型对翻译模型进行训练，得到训练完成的翻译模型，包括：
使用所述音素文本集训练所述翻译模型，得到所述翻译模型输出的高资源音素文本集和对应的似然概率Pf；
使用所述高资源音素文本集训练所述反向翻译模型，得到所述反向翻译模型输出的低资源音素文本集和对应的似然概率Pb；
调整训练过的所述翻译模型以及所述反向翻译模型的参数，并重复执行上述对所述翻译模型和和所述反向翻译模型训练的步骤，直到所述似然概率Pf及所述似然概率Pb满足预设的停止条件，得到训练完成的翻译模型。
5.如权利要求1所述的基于低资源语言的语音合成方法，其特征在于，所述利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本，包括：
利用所述翻译模型的编码器对所述低资源语言音素文本进行特征提取，得到编码向量；
利用所述翻译模型的解码器对所述编码向量进行解码，得到高资源语言音素文本。
6.如权利要求1至5中任意一项所述的基于低资源语言的语音合成方法，其特征在于，所述利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音，包括：
通过所述语音合成模型的编码器提取所述高资源语言音素文本的序列表示，得到特征序列向量；
通过所述语音合成模型的解码器对所述特征序列向量进行解码和波形合成，得到初始声学特征；
通过所述语音合成模型的后处理网络对所初始述声学特征进行校正，得到标准声学特征；
利用预设的声码器对所述标准声学特征进行反解码，得到语言语音。
7.如权利要求6所述的基于低资源语言的语音合成方法，其特征在于，在利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音之前，所述方法还包括：
采集多个高资源语言音素文本，得到训练数据集；
通过预购建的语音合成模型对所述训练数据集进行语音合成，得到训练结果；
利用预设的损失函数计算所述训练结果的损失值；
根据所述损失值对所述语音合成模型进行反向传播调参，并返回通过语音合成模型对所述训练数据集进行语音合成步骤，直到所述损失值不再下降，得到训练完成的语音合成模型。
8.一种基于低资源语言的语音合成装置，其特征在于，所述装置包括：
文本获取模块，用于确定低资源语言和高资源语言，并获取所述低资源语言对应的文本，得到低资源语言文本；
音素获取模块，用于将所述低资源语言文本转换为低资源语言音素文本；
音素映射模块，用于利用基于对偶学习训练后的翻译模型将所述低资源语言音素文本翻译成所述高资源语言对应的音素，得到高资源语言音素文本；
语音合成模块，用于利用预先训练完成的语音合成模型对所述高资源语言音素文本进行语音合成，得到语言语音。
9.一种电子设备，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如权利要求1至7中任意一项所述的基于低资源语言的语音合成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于低资源语言的语音合成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441988.5A CN113160793A (zh) | 2021-04-23 | 2021-04-23 | 基于低资源语言的语音合成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441988.5A CN113160793A (zh) | 2021-04-23 | 2021-04-23 | 基于低资源语言的语音合成方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113160793A true CN113160793A (zh) | 2021-07-23 |
Family
ID=76869827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110441988.5A Pending CN113160793A (zh) | 2021-04-23 | 2021-04-23 | 基于低资源语言的语音合成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160793A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673261A (zh) * | 2021-09-07 | 2021-11-19 | 北京小米移动软件有限公司 | 数据生成方法、装置及可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108133705A (zh) * | 2017-12-21 | 2018-06-08 | 儒安科技有限公司 | 基于对偶学习的语音识别与语音合成模型训练方法 |
| CN108447486A (zh) * | 2018-02-28 | 2018-08-24 | 科大讯飞股份有限公司 | 一种语音翻译方法及装置 |
| US20180307679A1 (en) * | 2017-04-23 | 2018-10-25 | Voicebox Technologies Corporation | Multi-lingual semantic parser based on transferred learning |
| CN108766414A (zh) * | 2018-06-29 | 2018-11-06 | 北京百度网讯科技有限公司 | 用于语音翻译的方法、装置、设备和计算机可读存储介质 |
| CN109887484A (zh) * | 2019-02-22 | 2019-06-14 | 平安科技（深圳）有限公司 | 一种基于对偶学习的语音识别与语音合成方法及装置 |
| CN110765784A (zh) * | 2019-09-12 | 2020-02-07 | 内蒙古工业大学 | 一种基于对偶学习的蒙汉机器翻译方法 |
| CN111144140A (zh) * | 2019-12-23 | 2020-05-12 | 语联网（武汉）信息技术有限公司 | 基于零次学习的中泰双语语料生成方法及装置 |
| CN111178097A (zh) * | 2019-12-24 | 2020-05-19 | 语联网（武汉）信息技术有限公司 | 基于多级翻译模型生成中泰双语语料的方法及装置 |
| CN111369974A (zh) * | 2020-03-11 | 2020-07-03 | 北京声智科技有限公司 | 一种方言发音标注方法、语言识别方法及相关装置 |
| CN112131368A (zh) * | 2020-09-27 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 对话生成方法、装置、电子设备及存储介质 |
-
2021
- 2021-04-23 CN CN202110441988.5A patent/CN113160793A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180307679A1 (en) * | 2017-04-23 | 2018-10-25 | Voicebox Technologies Corporation | Multi-lingual semantic parser based on transferred learning |
| CN108133705A (zh) * | 2017-12-21 | 2018-06-08 | 儒安科技有限公司 | 基于对偶学习的语音识别与语音合成模型训练方法 |
| CN108447486A (zh) * | 2018-02-28 | 2018-08-24 | 科大讯飞股份有限公司 | 一种语音翻译方法及装置 |
| CN108766414A (zh) * | 2018-06-29 | 2018-11-06 | 北京百度网讯科技有限公司 | 用于语音翻译的方法、装置、设备和计算机可读存储介质 |
| CN109887484A (zh) * | 2019-02-22 | 2019-06-14 | 平安科技（深圳）有限公司 | 一种基于对偶学习的语音识别与语音合成方法及装置 |
| CN110765784A (zh) * | 2019-09-12 | 2020-02-07 | 内蒙古工业大学 | 一种基于对偶学习的蒙汉机器翻译方法 |
| CN111144140A (zh) * | 2019-12-23 | 2020-05-12 | 语联网（武汉）信息技术有限公司 | 基于零次学习的中泰双语语料生成方法及装置 |
| CN111178097A (zh) * | 2019-12-24 | 2020-05-19 | 语联网（武汉）信息技术有限公司 | 基于多级翻译模型生成中泰双语语料的方法及装置 |
| CN111369974A (zh) * | 2020-03-11 | 2020-07-03 | 北京声智科技有限公司 | 一种方言发音标注方法、语言识别方法及相关装置 |
| CN112131368A (zh) * | 2020-09-27 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 对话生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 苏依拉等: ""基于对偶学习的西里古尔蒙古语-汉语机器翻译研究"", 《计算机应用与软件》, vol. 37, no. 1, 12 January 2020 (2020-01-12), pages 172 - 178 * |
| 苏依拉等: ""基于对偶学习的西里古尔蒙古语-汉语机器翻译研究"", 《计算机应用与软件》, vol. 37, no. 1, pages 172 - 178 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673261A (zh) * | 2021-09-07 | 2021-11-19 | 北京小米移动软件有限公司 | 数据生成方法、装置及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220235B (zh) | 基于人工智能的语音识别纠错方法、装置及存储介质 | |
| CN109271631B (zh) | 分词方法、装置、设备及存储介质 | |
| WO2020186778A1 (zh) | 错词纠正方法、装置、计算机装置及存储介质 | |
| JP2022531414A (ja) | 数字列のエンドツーエンド自動音声認識 | |
| US11488577B2 (en) | Training method and apparatus for a speech synthesis model, and storage medium | |
| CN110288972B (zh) | 语音合成模型训练方法、语音合成方法及装置 | |
| WO2021127817A1 (zh) | 一种多语言文本合成语音方法、装置、设备及存储介质 | |
| CN112397047A (zh) | 语音合成方法、装置、电子设备及可读存储介质 | |
| WO2022227190A1 (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN113096242A (zh) | 虚拟主播生成方法、装置、电子设备及存储介质 | |
| CN112466273A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN111241853B (zh) | 一种会话翻译方法、装置、存储介质及终端设备 | |
| CN112820269A (zh) | 文本转语音方法、装置、电子设备及存储介质 | |
| WO2022121158A1 (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN112463942A (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
| CN115002491A (zh) | 基于智能机器的网络直播方法、装置、设备及存储介质 | |
| CN113918031A (zh) | 使用子字符信息进行中文标点恢复的***和方法 | |
| CN112951233A (zh) | 语音问答方法、装置、电子设备及可读存储介质 | |
| CN113205814A (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
| CN112489634A (zh) | 语言的声学模型训练方法、装置、电子设备及计算机介质 | |
| CN113434642B (zh) | 文本摘要生成方法、装置及电子设备 | |
| CN113870835A (zh) | 基于人工智能的语音合成方法、装置、设备及存储介质 | |
| CN115101042A (zh) | 一种文本处理方法、装置及设备 | |
| CN113450758B (zh) | 语音合成方法、装置、设备及介质 | |
| CN114155832A (zh) | 基于深度学习的语音识别方法、装置、设备及介质 |
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 |