CN113689867B - 一种语音转换模型的训练方法、装置、电子设备及介质 - Google Patents
一种语音转换模型的训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113689867B CN113689867B CN202110950483.1A CN202110950483A CN113689867B CN 113689867 B CN113689867 B CN 113689867B CN 202110950483 A CN202110950483 A CN 202110950483A CN 113689867 B CN113689867 B CN 113689867B
- Authority
- CN
- China
- Prior art keywords
- voice
- model
- training
- conversion model
- acoustic features
- 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.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 162
- 238000012549 training Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims description 39
- 230000000873 masking effect Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
- G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrically Operated Instructional Devices (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开提供了一种语音转换模型的训练方法、装置、电子设备及介质,涉及人工智能技术领域,尤其涉及语音和深度学习技术。具体实现方案为:将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征;将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征;基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。本申请实施例可以将隐特征作为语音转换模型的输入预测目标声学特征,使模型学习更充分,应用场景广泛。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及语音和深度学习技术,尤其是一种语音转换模型的训练方法、装置、电子设备及介质。
背景技术
语音转换在市场上变得越来越受关注,语音转换的目的是将源说话人的语音转为目标说话人的音色,并保持语音的表达内容不变。按照模型所需的语料,语音转换可分为平行语料语音转换和非平行语料语音转换;其中,平行语料语音转换,在录制所需的语料时,需要源说话人和目标说话人录制相同文本的音频。非平行语料语音转换,需要录制目标说话人的若干语音,训练时不需要源说话人的语音,通常的方法有基于音素概率图的方法和自重构的方法。
基于音素概率图的方法,首先将目标说话人的音频通过语音识别模型提取一种表达说话内容的ppg特征,然后通过模型建模ppg特征和音频mel特征的联系。在测试时,源说话人通过语音识别模型提取ppg特征,输入训练好的转换模型,即可得到转换后的特征。基于自重构的方法,总体思路是在训练时通过编码器将特征中的内容信息和音色信息进行解耦,再通过解码器还原信息,进行自重构训练。
人的发音是由许多语音帧组成的,因为人的发音有内在的连续性,相邻的语音帧之间应该彼此存在关联性。由于现有的ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,这就造成了其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限。
发明内容
本公开提供了一种语音转换模型的训练方法方法、装置、电子设备以及介质。
第一方面,本申请提供了一种语音转换模型的训练方法,所述方法包括:
将语音的原始的声学特征输入至预训练模型,得到所述预训练模型输出的隐特征;
将所述隐特征输入至语音转换模型,得到所述语音转换模型输出的预测的声学特征;
基于所述原始的声学特征和所述预测的声学特征对待训练的语音转换模型进行训练。
第二方面,本申请提供了一种语音转换模型的训练装置,所述装置包括:预训练模块、语音转换模块和训练模块;其中,
所述预训练模块,用于将语音的原始的声学特征输入至预训练模型,得到所述预训练模型输出的隐特征;
所述语音转换模块,用于将所述隐特征输入至语音转换模型,得到所述语音转换模型输出的预测的声学特征;
所述训练模块,用于基于所述原始的声学特征和所述预测的声学特征对待训练的语音转换模型进行训练。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
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本申请任意实施例所述的语音转换模型的训练方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的语音转换模型的训练方法。
第五方面,提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的语音转换模型的训练方法。
根据本申请的技术解决了现有技术中由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限的技术问题,本申请提供的技术方案,可以用声学特征训练预训练自监督模型,再提取其中帧级别的隐特征作为新的声学特征,这样的隐特征中包含了声学特征的互相关联的信息,将隐特征作为转换模型的输入预测目标声学特征,使模型学习更充分,应用场景广泛。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本申请实施例提供的语音转换模型的训练方法的第一流程示意图;
图2是本申请实施例提供的语音转换模型的训练方法的第二流程示意图;
图3是本申请实施例提供的语音转换模型的训练***的结构示意图;
图4是本申请实施例提供的语音转换模型的训练方法的第三流程示意图;
图5是本申请实施例提供的语音转换模型的预测***的结构示意图;
图6是本申请实施例提供的语音转换模型的训练装置的结构示意图;
图7是用来实现本申请实施例的语音转换模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的语音转换模型的训练方法的第一流程示意图,该方法可以由语音转换模型的训练装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,语音转换模型的训练方法可以包括以下步骤:
S101、将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征。
在本步骤中,电子设备可以将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征。具体地,当待训练的语音转换模型不满足预先设置的收敛条件时,电子设备可以将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征。进一步地,电子设备可以将原始的声学特征输入至神经网络模型,得到神经网络模型输出的特征序列;将神经网络模型输出的特征序列作为预训练模型输出的隐特征。进一步地,电子设备可以先将原始的声学特征划分为N个声学特征单元;其中,N为大于1的自然数;然后将N个声学特征单元中的一个或者多个声学特征进行掩蔽,得到掩蔽后的声学特征单元;再将掩蔽后的声学特征单元输入至神经网络模型,得到神经网络模型输出的特征序列。
S102、将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征。
在本步骤中,电子设备可以将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征。具体地,电子设备可以将隐特征输入至任何一个具有语音转换功能的模型中。例如,该语音转换模型可以包括:内容编码器、音色编码器和解码器。
S103、基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。
在本步骤中,电子设备可以基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。接着,电子设备可以重新选取一个语音对待训练的语音转换模型进行训练,直到待训练的语音转换模型满足预先设置的收敛条件。这里重新选择的语音可以是与上一个语音相邻的语音,也可以是与上一个语音不相邻的语音,在此不进行限定。进一步地,电子设备可以基于原始的声学特征和预测的声学特征计算待训练的语音转换模型针对语音的损失值;然后根据待训练的语音转换模型针对语音的损失值对待训练的语音转换模型中的模型参数进行调整。
本申请实施例提出的语音转换模型的训练方法,先将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征;然后将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征;再基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。也就是说,本申请在对语音转换模型进行训练时,通过预训练模型在原始的声学特征中提取出相互关联的信息。而在现有的语音转换模型的训练方法中,由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限。因为本申请采用了通过预训练模型提取关联信息的技术手段,克服了现有技术中由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限的技术问题,本申请提供的技术方案,可以用声学特征训练预训练自监督模型,再提取其中帧级别的隐特征作为新的声学特征,这样的隐特征中包含了声学特征的互相关联的信息,将隐特征作为语音转换模型的输入预测目标声学特征,使模型学习更充分,应用场景广泛;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本申请实施例提供的语音转换模型的训练方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,语音转换模型的训练方法可以包括以下步骤:
S201、将原始的声学特征输入至神经网络模型,得到神经网络模型输出的特征序列;将神经网络模型输出的特征序列作为预训练模型输出的隐特征。
在本步骤中,电子设备可以将原始的声学特征输入至神经网络模型,得到神经网络模型输出的特征序列;将神经网络模型输出的特征序列作为预训练模型输出的隐特征。具体地,电子设备可以先将原始的声学特征划分为N个声学特征单元;其中,N为大于1的自然数;然后将N个声学特征单元中的一个或者多个声学特征进行掩蔽,得到掩蔽后的声学特征单元;再将掩蔽后的声学特征单元输入至神经网络模型,得到神经网络模型输出的特征序列。例如,原始的声学特征可以被划分为:A、B、C、D、E、F、G、H、I、J、K这11个声学特征单元;然后将C、F、G、I四个声学特征单元进行掩蔽,得到掩蔽后的声学特征单元;再将掩蔽后的声学特征单元输入至神经网络模型,得到神经网络模型输出的特征序列,该特征序列可以包括A、B、C、D、E、F、G、H、I、J、K这11个声学特征单元。
S202、将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征。
在本步骤中,电子设备可以将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征。具体地,电子设备可以将原始的声学特征输入至神经网络模型,得到神经网络模型输出的特征序列;将神经网络模型输出的特征序列作为预训练模型输出的隐特征。
S203、基于原始的声学特征和预测的声学特征计算待训练的语音转换模型针对语音的损失值。
在本步骤中,电子设备可以基于原始的声学特征和预测的声学特征计算待训练的语音转换模型针对语音的损失值。具体地,电子设备可以将原始的声学特征和预测的声学特征输入至预先构建的损失函数中,通过该损失函数得到待训练的语音转换模型针对语音的损失值。
S204、根据待训练的语音转换模型针对语音的损失值对待训练的语音转换模型中的模型参数进行调整。
在本步骤中,电子设备可以根据待训练的语音转换模型针对语音的损失值对待训练的语音转换模型中的模型参数进行调整。具体地,待训练的语音转换***可以是一个神经网络,该神经网络可以包括:卷积层、池化层、全连接层,电子设备可以根据待训练的语音转换模型针对语音的损失值对上述各层中的模型参数进行调整。
图3是本申请实施例提供的语音转换模型的训练***的结构示意图。如图3所示,语音转换模型的训练***可以包括:预训练模型和语音转换模型;先将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征;然后将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征;再基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。
本申请实施例提出的语音转换模型的训练方法,先将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征;然后将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征;再基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。也就是说,本申请在对语音转换模型进行训练时,通过预训练模型在原始的声学特征中提取出相互关联的信息。而在现有的语音转换模型的训练方法中,由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限。因为本申请采用了通过预训练模型提取关联信息的技术手段,克服了现有技术中由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限的技术问题,本申请提供的技术方案,可以用声学特征训练预训练自监督模型,再提取其中帧级别的隐特征作为新的声学特征,这样的隐特征中包含了声学特征的互相关联的信息,将隐特征作为语音转换模型的输入预测目标声学特征,使模型学习更充分,应用场景广泛;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图4是本申请实施例提供的语音转换模型的训练方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图4所示,语音转换模型的训练方法可以包括以下步骤:
S401、将原始的声学特征输入至神经网络模型,得到神经网络模型输出的特征序列;将神经网络模型输出的特征序列作为预训练模型输出的隐特征。
S402、将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征。
S403、基于原始的声学特征和预测的声学特征计算待训练的语音转换模型针对语音的损失值。
S404、根据待训练的语音转换模型针对语音的损失值对待训练的语音转换模型中的模型参数进行调整。
S405、将第一用户针对第一语音的原始的声学特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,通过语音转换模型得到由第一语音和第二语音转换后的目标语音;其中,目标语音包括第一语音的内容信息和第二语音的音色信息。
在本步骤中,电子设备可以将第一用户针对第一语音的原始的声学特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,通过语音转换模型得到由第一语音和第二语音转换后的目标语音;其中,目标语音包括第一语音的内容信息和第二语音的音色信息。具体地,电子设备可以先将第一用户针对第一语音的原始的声学特征输入至训练好的预训练模型,得到预训练模型输出的隐特征;然后将预训练模型输出的隐特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,得到语音转换模型输出的预测的声学特征;再将语音转换模型输出的预测的声学特征输入至声码器,得到声码器输出的目标语音。
图5是本申请实施例提供的语音转换模型的预测***的结构示意图。如图5所示,语音转换模型的预测***可以包括:预训练模模型、语音转换模型和声码器;先将第一用户(A用户)针对第一语音的原始的声学特征(A用户的声学特征)输入至训练好的预训练模型,得到预训练模型输出的隐特征;再将预训练模型输出的隐特征和第二用户(B用户)针对第二语音的原始的声学特征(B用户的声学特征)分别输入至训练好的语音转换模型,得到语音转换模型输出的预测的声学特征;再将语音转换模型输出的预测的声学特征输入至声码器,得到声码器输出的目标语音。
本申请实施例提出的语音转换模型的训练方法,先将语音的原始的声学特征输入至预训练模型,得到预训练模型输出的隐特征;然后将隐特征输入至语音转换模型,得到语音转换模型输出的预测的声学特征;再基于原始的声学特征和预测的声学特征对待训练的语音转换模型进行训练。也就是说,本申请在对语音转换模型进行训练时,通过预训练模型在原始的声学特征中提取出相互关联的信息。而在现有的语音转换模型的训练方法中,由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限。因为本申请采用了通过预训练模型提取关联信息的技术手段,克服了现有技术中由于ppg特征或者模型输入的mel特征帧与帧之间是相互独立的,从而造成其中的信息相互独立,神经网络模型难以从中学习到帧与帧之间的互相关联性,使模型的学习能力受限的技术问题,本申请提供的技术方案,可以用声学特征训练预训练自监督模型,再提取其中帧级别的隐特征作为新的声学特征,这样的隐特征中包含了声学特征的互相关联的信息,将隐特征作为语音转换模型的输入预测目标声学特征,使模型学习更充分,应用场景广泛;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图6是本申请实施例提供的语音转换模型的训练装置的结构示意图。如图6所示,所述装置600包括:预训练模块601、语音转换模块602和训练模块603;其中,
所述预训练模块601,用于将语音的原始的声学特征输入至预训练模型,得到所述预训练模型输出的隐特征;
所述语音转换模块602,用于将所述隐特征输入至语音转换模型,得到所述语音转换模型输出的预测的声学特征;
所述训练模块603,用于基于所述原始的声学特征和所述预测的声学特征对待训练的语音转换模型进行训练。
进一步的,所述预训练模块601,具体用于将所述原始的声学特征输入至神经网络模型,得到所述神经网络模型输出的特征序列;将所述神经网络模型输出的特征序列作为所述预训练模型输出的隐特征。
进一步的,所述预训练模块601,具体用于将所述原始的声学特征划分为N个声学特征单元;其中,N为大于1的自然数;将所述N个声学特征单元中的一个或者多个声学特征进行掩蔽,得到掩蔽后的声学特征单元;将所述掩蔽后的声学特征单元输入至所述神经网络模型,得到所述神经网络模型输出的特征序列。
进一步的,所述训练模块603,具体用于基于所述原始的声学特征和所述预测的声学特征计算所述待训练的语音转换模型针对所述语音的损失值;根据所述待训练的语音转换模型针对所述语音的损失值对所述待训练的语音转换模型中的模型参数进行调整。
进一步的,所述装置还包括:预测模块604(图中未示出),用于将第一用户针对第一语音的原始的声学特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,通过所述语音转换模型得到由所述第一语音和所述第二语音转换后的目标语音;其中,所述目标语音包括所述第一语音的内容信息和所述第二语音的音色信息。
进一步的,所述预测模块604,具体用于将所述第一用户针对所述第一语音的原始的声学特征输入至训练好的预训练模型,得到所述预训练模型输出的隐特征;将所述预训练模型输出的隐特征和所述第二用户针对所述第二语音的原始的声学特征分别输入至训练好的语音转换模型,得到所述语音转换模型输出的预测的声学特征;将所述语音转换模型输出的预测的声学特征输入至声码器,得到所述声码器输出的所述目标语音。
上述语音转换模型的训练装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的语音转换模型的训练方法。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例五
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如语音转换模型的训练方法。例如,在一些实施例中,语音转换模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的语音转换模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语音转换模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种语音转换模型的训练方法,所述方法包括:
将原始的声学特征划分为N个声学特征单元;其中,N为大于1的自然数;将所述N个声学特征单元中的一个或者多个声学特征进行掩蔽,得到掩蔽后的声学特征单元;将所述掩蔽后的声学特征单元输入至神经网络模型,得到所述神经网络模型输出的特征序列;将所述神经网络模型输出的特征序列作为预训练模型输出的隐特征;
将所述隐特征输入至语音转换模型,得到所述语音转换模型输出的预测的声学特征;
基于所述原始的声学特征和所述预测的声学特征对待训练的语音转换模型进行训练。
2.根据权利要求1所述的方法,其中,所述基于所述原始的声学特征和所述预测的声学特征对待训练的语音转换模型进行训练,包括:
基于所述原始的声学特征和所述预测的声学特征计算所述待训练的语音转换模型针对所述语音的损失值;
根据所述待训练的语音转换模型针对所述语音的损失值对所述待训练的语音转换模型中的模型参数进行调整。
3.根据权利要求1所述的方法,所述方法还包括:
将第一用户针对第一语音的原始的声学特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,通过所述语音转换模型得到由所述第一语音和所述第二语音转换后的目标语音;其中,所述目标语音包括所述第一语音的内容信息和所述第二语音的音色信息。
4.根据权利要求3所述的方法,其中,所述将第一用户针对第一语音的原始的声学特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,通过所述语音转换模型得到由所述第一语音和所述第二语音转换后的目标语音,包括:
将所述第一用户针对所述第一语音的原始的声学特征输入至训练好的预训练模型,得到所述预训练模型输出的隐特征;
将所述预训练模型输出的隐特征和所述第二用户针对所述第二语音的原始的声学特征分别输入至训练好的语音转换模型,得到所述语音转换模型输出的预测的声学特征;
将所述语音转换模型输出的预测的声学特征输入至声码器,得到所述声码器输出的所述目标语音。
5.一种语音转换模型的训练装置,所述装置包括:预训练模块、语音转换模块和训练模块;其中,
所述预训练模块,用于将原始的声学特征划分为N个声学特征单元;其中,N为大于1的自然数;将所述N个声学特征单元中的一个或者多个声学特征进行掩蔽,得到掩蔽后的声学特征单元;将所述掩蔽后的声学特征单元输入至神经网络模型,得到所述神经网络模型输出的特征序列;将所述神经网络模型输出的特征序列作为预训练模型输出的隐特征;
所述语音转换模块,用于将所述隐特征输入至语音转换模型,得到所述语音转换模型输出的预测的声学特征;
所述训练模块,用于基于所述原始的声学特征和所述预测的声学特征对待训练的语音转换模型进行训练。
6.根据权利要求5所述的装置,所述训练模块,具体用于基于所述原始的声学特征和所述预测的声学特征计算所述待训练的语音转换模型针对所述语音的损失值;根据所述待训练的语音转换模型针对所述语音的损失值对所述待训练的语音转换模型中的模型参数进行调整。
7.根据权利要求5所述的装置,所述装置还包括:预测模块,用于将第一用户针对第一语音的原始的声学特征和第二用户针对第二语音的原始的声学特征分别输入至训练好的语音转换模型,通过所述语音转换模型得到由所述第一语音和所述第二语音转换后的目标语音;其中,所述目标语音包括所述第一语音的内容信息和所述第二语音的音色信息。
8.根据权利要求7所述的装置,所述预测模块,具体用于将所述第一用户针对所述第一语音的原始的声学特征输入至训练好的预训练模型,得到所述预训练模型输出的隐特征;将所述预训练模型输出的隐特征和所述第二用户针对所述第二语音的原始的声学特征分别输入至训练好的语音转换模型,得到所述语音转换模型输出的预测的声学特征;将所述语音转换模型输出的预测的声学特征输入至声码器,得到所述声码器输出的所述目标语音。
9. 一种电子设备,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权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950483.1A CN113689867B (zh) | 2021-08-18 | 2021-08-18 | 一种语音转换模型的训练方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950483.1A CN113689867B (zh) | 2021-08-18 | 2021-08-18 | 一种语音转换模型的训练方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689867A CN113689867A (zh) | 2021-11-23 |
CN113689867B true CN113689867B (zh) | 2022-06-28 |
Family
ID=78580481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950483.1A Active CN113689867B (zh) | 2021-08-18 | 2021-08-18 | 一种语音转换模型的训练方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689867B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8224648B2 (en) * | 2007-12-28 | 2012-07-17 | Nokia Corporation | Hybrid approach in voice conversion |
CN107680582B (zh) * | 2017-07-28 | 2021-03-26 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
US10672388B2 (en) * | 2017-12-15 | 2020-06-02 | Mitsubishi Electric Research Laboratories, Inc. | Method and apparatus for open-vocabulary end-to-end speech recognition |
JP6876641B2 (ja) * | 2018-02-20 | 2021-05-26 | 日本電信電話株式会社 | 音声変換学習装置、音声変換装置、方法、及びプログラム |
CN110930978A (zh) * | 2019-11-08 | 2020-03-27 | 北京搜狗科技发展有限公司 | 一种语种识别方法、装置和用于语种识别的装置 |
WO2021127985A1 (zh) * | 2019-12-24 | 2021-07-01 | 深圳市优必选科技股份有限公司 | 语音转换方法、***、装置及存储介质 |
CN112185342A (zh) * | 2020-09-29 | 2021-01-05 | 标贝(北京)科技有限公司 | 语音转换与模型训练方法、装置和***及存储介质 |
CN112634920B (zh) * | 2020-12-18 | 2024-01-02 | 平安科技(深圳)有限公司 | 基于域分离的语音转换模型的训练方法及装置 |
-
2021
- 2021-08-18 CN CN202110950483.1A patent/CN113689867B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113689867A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
CN113239705B (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
CN114416934B (zh) | 多模态的对话生成模型的训练方法、装置及电子设备 | |
CN112259089B (zh) | 语音识别方法及装置 | |
CN113674732B (zh) | 语音置信度检测方法、装置、电子设备和存储介质 | |
CN114360557B (zh) | 语音音色转换方法、模型训练方法、装置、设备和介质 | |
US20220238098A1 (en) | Voice recognition method and device | |
CN112861548A (zh) | 自然语言生成及模型的训练方法、装置、设备和存储介质 | |
CN113689868B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN113850386A (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
CN114495977B (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
CN114023342B (zh) | 一种语音转换方法、装置、存储介质及电子设备 | |
CN113793599B (zh) | 语音识别模型的训练方法和语音识别方法及装置 | |
CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
US20230410794A1 (en) | Audio recognition method, method of training audio recognition model, and electronic device | |
CN113689866B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN112634880A (zh) | 话者识别的方法、装置、设备、存储介质以及程序产品 | |
CN116502649A (zh) | 文本生成模型的训练方法、装置、电子设备及存储介质 | |
CN114399998B (zh) | 语音处理方法、装置、设备、存储介质及程序产品 | |
CN113689867B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
CN114550692A (zh) | 文本处理及其模型的训练方法、装置、设备和存储介质 | |
CN114783409A (zh) | 语音合成模型的训练方法、语音合成方法及装置 | |
CN114783428A (zh) | 语音翻译、模型训练方法、装置、设备及存储介质 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |