CN114495977B - 语音翻译和模型训练方法、装置、电子设备以及存储介质 - Google Patents
语音翻译和模型训练方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114495977B CN114495977B CN202210110163.XA CN202210110163A CN114495977B CN 114495977 B CN114495977 B CN 114495977B CN 202210110163 A CN202210110163 A CN 202210110163A CN 114495977 B CN114495977 B CN 114495977B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- sequence data
- feature vector
- source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 127
- 238000013519 translation Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 246
- 238000001228 spectrum Methods 0.000 claims abstract description 231
- 238000012545 processing Methods 0.000 claims abstract description 99
- 108091026890 Coding region Proteins 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 230000008447 perception Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 238000005070 sampling Methods 0.000 description 7
- 238000009432 framing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000003993 interaction 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
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000007499 fusion processing 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
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation 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
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- 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
- G10L19/02—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 spectral analysis, e.g. transform vocoders or subband vocoders
-
- 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
- G10L19/16—Vocoder architecture
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种语音翻译方法、模型训练方法、装置、电子设备以及存储介质,涉及人工智能技术领域,尤其涉及语音翻译、语音合成和深度学习技术领域。具体实现方案为:确定与源语言语音数据对应的源频谱序列数据,其中,源频谱序列数据包括至少一个源频谱数据;对源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,其中,第一位置编码序列数据包括与至少一个源频谱序列数据对应的位置编码;对目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,其中,第二位置编码序列数据包括与目标特征向量序列对应的位置编码;对目标频谱序列数据进行处理,得到与源语言语音数据对应的目标语言语音数据。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及语言翻译、语音合成和深度学习技术。具体地,涉及一种语音翻译方法、模型训练方法、装置、电子设备以及存储介质。
背景技术
随着人工智能技术的发展,人工智能技术在各个领域得到了广泛的应用。例如,在人工智能技术领域的语音技术领域,语音翻译得到了广泛的应用。
语音翻译是指将源语言语音数据翻译为目标语言语音数据。源语言语音数据和目标语言语音数据的语种不同。
发明内容
本公开提供了一种语音翻译方法、模型训练方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种语音翻译方法,包括:确定与源语言语音数据对应的源频谱序列数据,其中,上述源频谱序列数据包括至少一个源频谱数据;对上述源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,其中,上述第一位置编码序列数据包括与上述至少一个源频谱数据对应的位置编码;对上述目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,其中,所述第二位置编码序列数据包括与所述目标特征向量序列对应的位置编码;以及,对上述目标频谱序列数据进行处理,得到与上述源语言语音数据对应的目标语言语音数据。
根据本公开的另一方面,提供了一种模型训练方法,包括:分别确定与源样本语言语音数据对应的源样本频谱序列数据和与目标样本语言语音数据对应的真实频谱序列数据,其中,上述源样本频谱序列数据包括至少一个源样本频谱数据,上述目标样本语言语音数据是对上述源样本语言语音数据进行翻译得到的;对上述源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列,其中,所述第一样本位置编码序列数据包括与上述至少一个源样本频谱数据对应的样本位置编码;对上述样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据,其中,所述第二样本位置编码序列数据包括与所述样本特征向量序列对应的样本位置编码;以及,利用上述真实频谱序列数据和上述预测频谱序列数据训练预定模型,得到语音翻译模型。
根据本公开的另一方面,提供了一种语音翻译装置,包括:第一确定模块,用于确定与源语言语音数据对应的源频谱序列数据,其中,上述源频谱序列数据包括至少一个源频谱数据;第一获得模块,用于对上述源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,其中,上述第一位置编码序列数据包括与上述至少一个源频谱数据对应的位置编码;第二获得模块,用于对上述目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,其中,上述第二位置编码序列数据包括与上述目标特征向量序列对应的位置编码;以及,第三获得模块,用于对上述目标频谱序列数据进行处理,得到与上述源语言语音数据对应的目标语言语音数据。
根据本公开的另一方面,提供了一种模型训练装置,包括:第二确定模块,用于分别确定与源样本语言语音数据对应的源样本频谱序列数据和与目标样本语言语音数据对应的真实频谱序列数据,其中,上述源样本频谱序列数据包括至少一个源样本频谱数据,上述目标样本语言语音数据是对上述源样本语言语音数据进行翻译得到的;第四获得模块,用于对上述源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列,其中,上述第一样本位置编码序列数据包括与上述至少一个源样本频谱数据对应的样本位置编码;第五获得模块,用于对上述样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据,其中,上述第二样本位置编码序列数据包括与上述样本特征向量序列对应的样本位置编码;以及,第六获得模块,用于利用上述真实频谱序列数据和上述预测频谱序列数据训练预定模型,得到语音翻译模型。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行本公开所述的方法。
根据本公开的另一方面,提供了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,上述计算机指令用于使上述计算机执行本公开所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现本公开所述的方法。
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示意性示出了根据本公开实施例的可以应用语音翻译方法、训练方法及装置的示例性***架构;
图2示意性示出了根据本公开实施例的语音翻译方法的流程图;
图3A示意性示出了根据本公开实施例的语音翻译过程的示例示意图;
图3B示意性示出了根据本公开实施例的语音翻译过程中的数据的示例示意图;
图4示意性示出了根据本公开实施例的模型训练方法的流程图;
图5示意性示出了根据本公开实施例的训练过程的示例示意图;
图6示意性示出了根据本公开实施例的语音翻译装置的框图;
图7示意性示出了根据本公开实施例的模型训练装置的框图;以及
图8示意性示出了根据本公开实施例的适于实现语音翻译方法和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。
可以利用如下方式实现语音翻译。首先,利用语音识别模型将源语言语音数据转换为源语言文本数据。然后,利用文本翻译模型将源语言文本数据翻译为目标语言文本数据。最后,利用语言合成模型将目标语言文本数据转换为目标语言语音数据。
上述方式需要源语言和目标语言都有各自的文字,并且需要源语言具有对应的语音识别模型,以及目标语言具有对应的语音合成模型。然而,存在较多的语言并没有与其对应的文字,即存在较多不具有文字的语言,因此,也难以具有对应的语音识别模型和语音合成模型。针对不具有文字的语言,上述方式将难以适用。此外,上述方式涉及语音识别模型、文本翻译模型和语音合成模型,最终得到的结果将会受到上述模型产生的误差的影响,降低了语音翻译质量。
为此,本公开实施例提出了一种语音翻译方案。对源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,直接对目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,再对目标频谱序列数据进行处理,得到目标语言语音数据,上述过程不需要经过语音识别、文本翻译和语音合成,因此,降低了数据处理量和误差,提高了语音翻译质量。此外,无需经过文本翻译,因此,能够适用于针对不具有文字的语言的语音翻译。
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。
图1示意性示出了根据本公开实施例的可以应用语音翻译方法、训练方法及装置的示例性***架构。
需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。例如,在另一实施例中,可以应用语音翻译方法、训练方法及装置的示例性***架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的语音翻译方法、训练方法及装置。
如图1所示,根据该实施例的***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的各种类型的服务器。例如,服务器105可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(Virtual Private Server,VPS)中,存在的管理难度大,业务扩展性弱的缺陷。服务器105也可以为分布式***的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的语音翻译方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的语音翻译装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的语音翻译方法一般也可以由服务器105执行。相应地,本公开实施例所提供的语音翻译装置一般可以设置于服务器105中。本公开实施例所提供的语音翻译方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的语音翻译装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
本公开实施例所提供的模型训练方法一般可以由服务器105执行。相应地,本公开实施例所提供的模型训练装置一般可以设置于服务器105中。本公开实施例所提供的模型训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的模型训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
本公开实施例所提供的模型训练方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的模型训练装置也可以设置于终端设备101、102、或103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的语音翻译方法的流程图。
如图2所示,该方法200包括操作S210~S240。
在操作S210,确定与源语言语音数据对应的源频谱序列数据。源频谱序列数据包括至少一个源频谱数据。
在操作S220,对源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列。第一位置编码序列数据包括与至少一个源频谱数据对应的位置编码。
在操作S230,对目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据。第二位置编码序列数据包括与目标特征向量对应的位置编码。
在操作S240,对目标频谱序列数据进行处理,得到与源语言语音数据对应的目标语言语音数据。
根据本公开的实施例,源语言可以指待翻译语言。目标语言可以指期望翻译的语言。源语言和目标语言的语种不同。语种可以包括具有文字的语种或不具有文字的语种。具有文字的语种可以指语种具有相应的文字。不具有文字的语种可以指语种不具有相应的文字。源语言语音数据可以指需要进行语音翻译的语音数据。目标语言语音数据可以指目标语言的语音数据。源语言语音数据可以包括至少一个对象。对象可以包括字或词。
根据本公开的实施例,源频谱序列数据可以是对源语言语音数据进行声学特征提取得到的。源语言语音数据可以指预定时间段的语音数据。源频谱序列数据可以包括与至少一个对象对应的源频谱数据。例如,源频谱序列数据可以包括与至少一个对象各自对应的源频谱数据。备选地,源频谱序列数据可以包括与至少一个对象中的部分对象各自对应的源频谱数据。第一位置编码序列数据可以包括与至少一个源频谱数据对应的位置编码。例如,第一位置编码序列数据可以包括与至少一个源频谱数据各自对应的位置编码。备选地,第一位置编码序列数据可以包括与至少一个源频谱数据中的部分源频谱数据各自对应的位置编码。第一位置编码可以表征对象(即源频谱数据)在源语言语音数据中的绝置位置。
根据本公开的实施例,目标特征向量序列可以包括至少一个目标特征向量。第二位置编码序列数据可以包括与目标特征向量序列对应的位置编码。例如,第二位置编码序列数据可以包括与至少一个目标特征向量各自对应的位置编码。备选地,第二位置编码序列数据可以包括与至少一个目标特征向量中的部分目标特征向量各自对应的位置编码。目标频谱序列数据可以是对目标语言语音数据进行声学特征提取得到的。
根据本公开的实施例,可以获取源语言语音数据,对源语言语音数据进行预处理,得到与源语言语音数据对应的源频谱序列数据。预处理可以包括以下至少一项:分帧处理、加窗处理和声学特征提取。声学特征可以包括以下至少一项:Fbank(即FilterBank,滤波器组)、梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)、音色向量、过零率、子带能量、子带能量熵、频谱中心、频谱延展度、谱熵、频谱通量、频谱滚降和音色偏差。例如,源频谱数据可以包括源线性谱序列数据或源梅尔谱序列数据。
根据本公开的实施例,可以利用位置编码方法对源频谱序列数据包括的至少一个源频谱数据的位置进行编码,得到与至少一个源频谱数据对应的位置编码。根据与至少一个源频谱数据对应的位置编码,得到第一位置编码序列数据。例如,可以利用位置编码方法对源频谱序列数据包括的至少一个源频谱数据各自对应的位置进行编码,得到与至少一个源频谱数据各自对应的位置编码。备选地,可以利用位置编码方法对源频谱序列数据包括的至少一个源频谱数据中的部分源频谱数据各自对应的位置进行编码,得到与至少一个源频谱数据中的部分源频谱数据各自对应的位置编码。位置编码方法可以包括正余弦位置编码方法或学习位置向量方法。
根据本公开的实施例,在获得源频谱序列数据和第一位置编码序列数据之后,可以对源频谱序列数据和第一位置编码序列数据进行融合处理,得到融合结果,再对融合结果进行特征提取,得到目标特征向量序列。
根据本公开的实施例,在获得目标特征向量序列之后,可以利用位置编码方法对目标特征向量序列包括的至少一个目标特征向量的位置进行编码,得到与至少一个目标特征向量对应的位置编码。根据与至少一个目标特征向量对应的位置编码,得到第二位置编码序列数据。
根据本公开的实施例,可以对目标特征向量序列和第二位置编码序列进行解码,得到目标频谱序列数据。再对目标频谱序列数据进行处理,得到目标语言语音数据。
根据本公开的实施例,对源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,直接对目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,再对目标频谱序列数据进行处理,得到目标语言语音数据,上述过程不需要经过语音识别、文本翻译和语音合成,因此,降低了数据处理量和误差,提高了语音翻译质量。此外,无需经过文本翻译,因此,能够适用于针对不具有文字的语言的语音翻译。
根据本公开的实施例,操作S210可以包括如下操作。
对源语言语音数据进行预处理,得到与源语言语音数据对应的源线性谱序列数据。对源线性谱序列数据进行处理,得到与源语言语音数据对应的源梅尔谱序列数据。将源梅尔谱序列数据确定为源频谱序列数据。
根据本公开的实施例,可以对源语言数据预处理进行分帧处理和加窗处理,得到源语言语音矩阵数据。源语言语音矩阵数据可以包括至少一帧源语言语音子数据。相邻两帧源语言语音子数据之间可以有相同的部分。在获得源语言语音矩阵数据之后,可以对源语言语音矩阵数据进行短时傅里叶变换,得到频域的源语言语音矩阵数据,即,源线性谱序列数据。可以利用梅尔滤波器处理源线性谱序列数据,得到源梅尔谱序列数据。
根据本公开的实施例,梅尔谱序列数据能够反映语音特征,并且得到的梅尔频率符合人耳听觉特性。基于梅尔谱序列数据中的各个频率峰值,能够较为清晰的显示出语音频率的共峰值和音素之间的界限,因此,将源梅尔谱序列数据作为源频谱序列数据参与语音翻译,有助于明确源语言语音数据中不同对象之间的界限关系,进而能够降低分词识别时间,提高语音翻译速度。
根据本公开的实施例,操作S220可以包括如下操作。
根据源频谱序列数据和第一位置编码序列数据,得到中间编码序列数据。对中间编码序列数据进行特征提取,得到目标特征向量序列。
根据本公开的实施例,源频谱序列数据和位置编码序列数据的维度数目可以相同。可以将源频谱序列数据和位置编码序列数据进行相加处理,得到中间编码序列数据。
根据本公开的实施例,对中间编码序列数据进行特征提取,得到目标特征向量序列,可以包括如下操作。
基于第一注意力策略,对中间编码序列数据进行处理,得到第一中间特征向量序列。基于第一多层感知策略,对第一中间特征向量序列进行处理,得到目标特征向量序列。
根据本公开的实施例,注意力策略可以用于实现以高权重去聚焦重要信息,低权重去忽略非重要信息,并能通过共享重要信息与其他信息进行信息交换,从而实现重要信息的传递。可以根据第一注意力策略确定第一注意力层。可以根据第一多层感知策略确定第一前馈神经网络层。
根据本公开的实施例,目标特征向量序列是利用语音翻译模型包括的编码器处理源频谱序列数据和第一位置编码序列数据得到的。
根据本公开的实施例,语音翻译模型可以包括编码器。可以利用编码器处理源频谱序列数据和第一位置编码序列数据,得到目标特征向量序列。例如,根据源频谱序列数据和第一位置编码序列数据,得到中间编码序列数据。利用编码器处理中间编码序列数据,得到目标特征向量序列。
根据本公开的实施例,编码器可以包括级联的N个编码单元。编码单元可以包括第一注意力层和第一前馈神经网络层。N是大于或等于1的整数。
根据本公开的实施例,利用编码器处理中间编码序列数据,得到目标特征向量序列,可以包括如下操作。
在i=1的情况下,利用第1层级的第一注意力层处理中间特征向量数据,得到第1层级的第一中间特征向量序列。利用第1层级的第一前馈神经网络层处理第一中间特征向量序列,得到第1层级的第五中间特征向量序列。
在1<i≤N的情况下,利用第i层级的第一注意力层处理第(i-1)层级的第五中间特征向量序列,得到第i层级的第六中间特征向量序列。利用第i层级的第一前馈神经网络层处理第i层级的第六中间特征向量序列,得到第i层级的第五中间特征向量序列。根据第N层级的第五中间特征向量序列,得到目标特征向量序列。
根据本公开的实施例,N的数值可以根据实际业务需求进行配置,在此不作限定。例如,N=6。
根据本公开的实施例,根据第N层级的第五中间特征向量序列,得到目标特征向量序列,可以包括:可以将第N层级的第五中间特征向量序列确定为目标特征向量序列。
根据本公开的实施例,操作S230可以包括如下操作。
根据目标特征向量序列和第二位置编码序列数据,得到第二中间特征向量序列。对第二中间特征向量序列进行处理,得到目标频谱序列数据。
根据本公开的实施例,可以将目标特征向量序列和第二位置编码序列数据进行相加处理,得到第二中间特征向量序列。可以再对第二中间特征向量序列进行解码,得到目标频谱序列数据。
根据本公开的实施例,对第二中间特征向量序列进行处理,得到目标频谱序列数据,可以包括如下操作。
基于第二注意力策略,对第二中间特征向量序列进行处理,得到第三中间特征向量序列。基于第二多层感知策略,对第三中间特征向量序列进行处理,得到第四中间特征向量序列。对第四中间特征向量序列进行处理,得到目标频谱序列数据。
根据本公开的实施例,可以根据第二注意力策略确定第二注意力层。利用第二注意力层处理第二中间特征向量序列,得到第三中间特征向量序列。根据第二多层感知策略确定第二前馈神经网络层。利用第二前馈神经网络层处理第三中间特征向量序列,得到第四中间特征向量序列。
根据本公开的实施例,目标频谱序列数据是利用语音翻译模型包括的解码器处理目标特征向量序列和第二位置编码序列数据得到的。
根据本公开的实施例,语音翻译模型可以包括解码器。可以利用解码器处理根据目标特征向量序列和第二位置编码序列得到的第二中间特征向量序列,得到目标频谱序列数据。
根据本公开的实施例,解码器可以包括N个解码单元。解码单元可以包括第二注意力层和第二前馈神经网络层。
根据本公开的实施例,利用解码器处理第二中间特征向量序列,得到目标频谱序列数据,可以包括如下操作。
在i=N的情况下,利用第N层级的第二注意力层处理第二中间特征向量序列,得到第N层级的第三中间特征向量序列。利用第N层级的第二前馈网络层处理第N层级的第三中间特征向量序列,得到第N层级的第四中间特征向量序列。
在1≤i<N的情况下,利用第i层级的第二注意力层处理第(i+1)层级的第四中间特征向量序列,得到第i层级的第三中间特征向量序列。利用第i层级的第二前馈神经网络层处理第i层级的第三中间特征向量序列,得到第i层级的第四中间特征向量序列。对第1层级的第四中间特征向量序列进行处理,得到目标频谱序列数据。
根据本公开的实施例,操作S240可以包括如下操作。
利用声码器处理目标频谱序列数据,得到与源语言语音数据对应的目标语言语音数据。
根据本公开的实施例,声码器可以是一种语音分析合成***。可以利用声码器对目标频谱序列数据进行重建,得到与源语言语音数据对应的目标语言语音数据。例如,可以在将目标频谱序列合成目标语言语音数据的过程中,先利用线性预测对声道的响应进行建模,即,将目标频谱序列数据基于线性预测进行重建,将重建后的目标频谱序列数据进行语音合成,得到目标语言语音数据。
根据本公开的实施例,如果目标频谱序列数据是目标线性谱序列数据,则可以将目标线谱序列数据转换为目标梅尔谱序列数据,利用声码器处理目标梅尔谱序列数据,得到与源语言语音数据对应的目标语言语音数据。
下面参考图3A和图3B,结合具体实施例对根据本公开实施例所述的语音翻译方法做进一步说明。
图3A示意性示出了根据本公开实施例的语音翻译过程的示例示意图。
如图3A所示,在300A中,语音翻译模型304包括编码器3040和解码器3041。
对源语言语音数据301进行预处理,得到与源语言语音数据301对应的源线性谱序列数据。对源线性谱序列数据进行处理,得到与源语言语音数据301对应的源梅尔谱序列数据。将源梅尔谱序列数据确定为源频谱序列数据302。
确定与源频谱序列数据302包括的至少一个源频谱数据对应的位置编码,得到第一位置编码序列数据303。根据源频谱序列数据302和第一位置编码序列数据303,得到中间编码序列数据。
利用编码器3040处理中间编码序列数据,得到目标特征向量序列305。
确定与目标特征向量序列305包括的至少一个目标特征向量对应的位置编码,得到第二位置编码序列数据306。
根据目标特征向量序列305和第二位置编码序列数据306,得到第二中间特征向量序列。利用解码器3041处理第二中间特征向量序列,得到目标频谱序列数据307。
利用声合器308处理目标频谱序列数据307,得到与源语言语音数据301对应的目标语言语音数据309。
图3B示意性示出了根据本公开实施例的语音翻译过程中的数据的示例示意图。
如图3B所示,300B中的301即是图3A中的源语言语音数据301。302即是图3A中的源频谱序列数据302。307即是图3A中的目标频谱序列数据307。309即是图3A中的目标语言语音数据309。
图4示意性示出了根据本公开实施例的模型训练方法的流程图。
如图4所示,该方法400包括操作S410~S440。
在操作S410,分别确定与源样本语言语音数据对应的源样本频谱序列数据和与目标样本语言语音数据对应的真实频谱序列数据。源样本频谱序列数据包括至少一个源样本频谱数据,目标样本语言语音数据是对源样本语言语音数据进行翻译得到的。
在操作S420,对源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列。第一样本位置编码序列数据包括与至少一个源样本频谱数据对应的样本位置编码
在操作S430,对样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据。第二样本位置编码序列数据包括与样本特征向量序列对应的样本位置编码。
在操作S440,利用真实频谱序列数据和预测频谱序列数据训练预定模型,得到语音翻译模型。
根据本公开的实施例,源样本频谱序列数据可以包括与至少一个样本对象对应的源样本频谱数据。例如,源样本频谱序列数据可以包括与至少一个样本对象各自对应的源样本频谱数据。备选地,源样本频谱序列数据可以包括与至少一个样本对象中的部分样本对象各自对应的源样本频谱数据。第一样本位置编码序列数据可以包括与至少一个源样本频谱数据对应的样本位置编码。例如,第一样本位置编码序列数据可以包括与至少一个源样本频谱数据各自对应的样本位置编码。备选地,第一样本位置编码序列数据可以包括与至少一个源样本频谱数据中的部分源样本频谱数据各自对应的样本位置编码。第一样本位置编码可以表征对象(即源样本频谱数据)在源样本语言语音数据中的绝置位置。
根据本公开的实施例,样本特征向量序列可以包括至少一个样本特征向量。第二样本位置编码序列数据可以包括与至少一个样本特征向量对应的样本位置编码。例如,第二样本位置编码序列数据可以包括与至少一个样本特征向量各自对应的样本位置编码。备选地,第二样本位置编码序列数据可以包括与至少一个样本特征向量中的部分样本特征向量各自对应的样本位置编码。
根据本公开的实施例,可以对源样本语言语音数据进行预处理,得到源样本频谱序列数据。可以对目标样本语言语音数据进行预处理,得到真实频谱序列数据。预处理可以包括以下至少一项:分帧处理、加窗处理和声学特征提取。例如,可以对源样本语言语音数据进行分帧处理和加窗处理,得到源样本语言语音矩阵数据。对源样本语言语音矩阵数据进行短时傅里叶变换,得到频域的源样本语言语音矩阵数据,即,源样本线性谱序列数据。可以利用梅尔滤波器处理源样本线性谱序列数据,得到源样本梅尔谱序列数据。将源样本梅尔谱序列数据确定为源样本频谱序列数据。可以对目标样本语言语音数据进行分帧处理和加窗处理,得到目标样本语言语音矩阵数据。对目标样本语言语音矩阵数据进行傅里叶变换,得到频域的目标样本语言语音矩阵数据,即,目标样本线性谱序列数据。可以利用梅尔滤波器处理目标样本线性谱序列数据,得到真实梅尔谱序列数据。将真实梅尔谱序列数据确定为真实频谱序列数据。
根据本公开的实施例,预定模型可以包括编码器和解码器。预定模型可以包括Transformer模型。
根据本公开的实施例,对源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列,可以包括:根据源样本频谱序列数据和第一样本位置编码序列数据,得到中间样本编码序列数据。对中间样本编码序列数据进行特征提取,得到样本特征向量序列。
根据本公开的实施例,对样本特征向量序列和第二样本位置编码序列进行处理,得到预测频谱序列数据,可以包括:根据样本特征向量序列和第二样本位置编码序列,得到第三中间样本特征向量序列。对第三中间样本特征向量序列进行处理,得到预测频谱序列数据。
根据本公开的实施例,在获得预测频谱序列数据之后,可以利用预测频谱序列数据和真实频谱序列数据对预定模型进行训练,得到训练完成的模型,将训练完成的预定模型确定为语音翻译模型。
根据本公开的实施例,预定模型可以包括编码器。
根据本公开的实施例,操作S420可以包括如下操作。
根据源样本频谱序列数据和第一样本位置编码序列数据,得到中间样本编码序列数据。利用编码器处理中间样本编码序列数据,得到样本特征向量序列。
根据本公开的实施例,编码器可以包括实现第一注意力策略和第一多层感知策略的模型结构。
根据本公开的实施例,编码器可以包括级联的N个编码单元。编码单元包括第一注意力层和第一前馈神经网络层。N是大于或等于1的整数。
根据本公开的实施例,利用编码器处理中间样本向量序列,得到样本特征向量序列,可以包括如下操作。
在i=1的情况下,利用第1层级的第一注意力层处理中间样本编码序列数据,得到第1层级的第二中间样本特征向量序列。
利用第1层级的第一前馈神经网络层处理第1层级的第二中间样本特征向量序列,得到第1层级的第一中间样本特征向量序列。
在1<i≤N的情况下,利用第i层级的第一注意力层处理第(i-1)层级的第一中间样本特征向量序列,得到第i层级的第二中间样本特征向量序列。
利用第i层级的第一前馈神经网络层处理第i层级的第二中间样本特征向量序列,得到第i层级的第一中间样本特征向量序列。根据第N层级的第一中间样本特征向量序列,得到样本特征向量序列。
根据本公开的实施例,预定模型还可以包括解码器。
根据本公开的实施例,操作S430可以包括如下操作。
根据样本特征向量序列和第二样本位置编码序列数据,得到第三中间样本特征向量序列。利用解码器处理第三中间样本特征向量序列,得到预测频谱序列数据。
根据本公开的实施例,解码器可以包括实现第二注意力策略和第二多层感知策略的模型结构。
根据本公开的实施例,解码器可以包括N个解码单元。解码单元可以包括第二注意力层和第二前馈神经网络层。
根据本公开的实施例,利用解码器处理第三中间样本特征向量序列,得到预测频谱序列数据,可以包括如下操作。
在1≤i<N的情况下,利用第i层级的第二注意力层处理第(i+1)层级的第四中间样本特征向量序列,得到第i层级的第五中间样本特征向量序列。利用第i层级的第二前馈神经网络层处理第i层级的第五中间样本特征向量序列,得到第i层级的第四中间样本特征向量序列。对第1层级的第四中间样本特征向量序列进行处理,得到预测频谱序列数据。
根据本公开的实施例,在i=N的情况下,利用第N层级的第二注意力层处理第三中间样本特征向量序列,得到第N层级的第五中间样本特征向量序列。利用第N层级的第二前馈网络层处理第N层级的第五中间样本特征向量序列,得到第N层级的第四中间样本特征向量序列。
根据本公开的实施例,操作S440可以包括如下操作。
基于损失函数,利用真实频谱序列数据和预测频谱序列数据,得到输出值。根据输出值调整预定模型的模型参数,直至满足预定条件。将在满足预定条件的情况下得到的模型确定为语音翻译模型。
根据本公开的实施例,损失函数可以包括均方差损失函数、平均成对平方误差损失函数或交叉熵损失函数。预定条件可以包括输出值收敛和训练轮次达到最大训练轮次中的至少一项。
根据本公开的实施例,可以将真实频谱序列数据和预测频谱序列数据输入损失函数,得到输出值。可以根据输出值调整预定模型的模型参数,直至满足预定条件。例如,可以根据反向传播算法或随机梯度下降算法,调整预定模型的模型参数,直至满足预定条件。
根据本公开的实施例,上述训练方法还可以包括如下操作。
在确定第一时间段与第二时间段不一致的情况下,确定目标时间段。目标时间段是第一时间段和第二时间段中数值小的时间段,第一时间段表征初始源样本语言语音数据的时间段,第二时间段表征初始目标样本语言语音数据的时间段。确定样本语言语音数据中的非人声语音数据。样本语言语音数据是与目标时间段对应的语音数据。利用非人声语音数据处理样本语言语音数据,得到处理后的样本语言语音数据。根据处理后的样本语言语音数据和与非目标时间段对应的样本语言语音数据,得到源样本语言语音数据和目标样本语言语音数据。非目标时间段是第一时间段和第二时间段中数值大的时间段。
根据本公开的实施例,可以确定初始源样本语言数据的时长,得到第一时间段。确定初始目标样本语言数据的时长,得到第二时间段。可以比较第一时间段和第二时间段。如果确定第一时间段和第二时间段不一致,则可以将第一时间段和第二时间段中数值小的时间段确定为目标时间段。可以将与目标时间段对应的语音数据确定为样本语言语音数据。
根据本公开的实施例,在确定样本语言语音数据之后,可以确定样本语言语音数据中的非人声语音数据。例如,可以利用语音活动检测工具从样本语言语音数据中确定非人声语音数据。可以利用非人声语音数据处理样本语言语音数据,得到处理后的样本语言语音数据。例如,可以随机提取非人声语音数据中的第一非人声语音片段数据和第二非人声语音片段数据。将第一非人声语音片段数据添加至样本语言语音数据的开始部分,将第二非人声语音片段数据添加至样本语言语音数据的结束部分,得到处理后的样本语言语音数据。第一非人声语音片段数据的时长和第二非人声语音片段数据的时长可以相同或不同。
根据本公开的实施例,在获得处理后的样本语言语音数据之后,如果确定样本语言语音数据是初始源样本语言语音数据,则可以说明与非目标时间段对应的样本语言语音数据是初始目标样本语言语音数据。由此,可以将处理后的样本语言语音数据确定为源样本语言语音数据。将初始目标样本语言语音数据确定为目标样本语言语音数据。
根据本公开的实施例,如果样本语言语音数据是初始目标样本语言语音数据,则可以说明与非目标时间段对应的样本语言语音数据是初始源样本语言语音数据。由此,可以将处理后的样本语言语音数据确定为目标样本语言语音数据。将初始源样本语言语音数据确定为源样本语言语音数据。
根据本公开的实施例,利用非人声语音数据处理样本语言语音数据的方式,使得源样本语言语音数据和目标样本语言语音数据的时长相同。
根据本公开的实施例,源样本语言语音数据的采样频率与目标样本语言语音数据的采样频率相同。
根据本公开的实施例,源样本语言语音数据的采样频率与目标样本语言语音数据的采样频率可以相同。上述两者的采样频率可以与声码器合成语音数据的采样频率相同。
根据本公开的实施例,源样本语言语音数据与目标样本语言语音数据的采样频率相同可以使得对源样本语言语音数据进行处理得到的源样本频谱序列数据与对目标样本语言语音数据进行处理得到的目标样本频谱序列数据的时域频率变化规律相同,进而使得预测频谱序列数据与真实频谱序列数据的时域变化规律相同,从而有助于提高模型的训练速度。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他语音翻译方法和训练方法,只要能够提高语音翻译质量即可。
下面参考图5,结合具体实施例对根据本公开实施例所述的模型训练方法做进一步说明。
图5示意性示出了根据本公开实施例的训练过程的示例示意图。
如图5所示,在500中,预定模型506包括编码器5060和解码器5061。
对源样本语言语音数据501进行预处理,得到与源样本语言语音数据501对应的源样本线性谱序列数据。对源样本线性谱序列数据进行处理,得到与源样本语言语音数据501对应的源样本梅尔谱序列数据。将源样本梅尔谱序列数据确定为源样本频谱序列数据502。
对目标样本语言语音数据503进行预处理,得到与目标样本语言语音数据503对应的目标样本线性谱序列数据。对目标样本线性谱序列数据进行处理,得到与目标样本语言语音数据503对应的目标样本梅尔谱序列数据。将目标样本梅尔谱序列数据确定为真实频谱序列数据504。
确定与源样本频谱序列数据502包括的至少一个源样本频谱数据对应的样本位置编码,得到第一样本位置编码序列数据505。根据源样本频谱序列数据502和第一样本位置编码序列数据505,得到中间样本编码序列数据。
利用编码器5060处理中间样本编码序列数据,得到样本特征向量序列507。
确定与样本特征向量序列507包括的至少一个样本特征向量对应的样本位置编码,得到第二样本位置编码序列数据508。
根据样本特征向量序列507和第二样本位置编码序列数据508,得到第三中间样本特征向量序列。利用解码器5061处理第三中间样本特征向量序列,得到预测频谱序列数据509。
将预测频谱序列数据509和真实频谱序列数据504输入损失函数510,得到输出值511。根据输出值511调整预定模型506的模型参数,直至满足预定条件。将在满足预定条件的情况下得到的模型506确定为语音翻译模型。语音翻译模型可以是图3A中的语音翻译模型304。
图6示意性示出了根据本公开实施例的语音翻译装置的框图。
如图6所示,语音翻译装置600可以包括第一确定模块610、第一获得模块620、第二获得模块630和第三获得模块640。
第一确定模块610,用于确定与源语言语音数据对应的源频谱序列数据,其中,源频谱序列数据包括至少一个源频谱数据。
第一获得模块620,用于对源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列。第一位置编码序列数据包括与至少一个源频谱数据对应的位置编码。
第二获得模块630,用于对目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据。第二位置编码序列数据包括与目标特征向量序列对应的位置编码。
第三获得模块640,用于对目标频谱序列数据进行处理,得到与源语言语音数据对应的目标语言语音数据。
根据本公开的实施例,第一获得模块620可以包括第一获得子模块和第二获得子模块。
第一获得子模块,用于根据源频谱序列数据和第一位置编码序列数据,得到中间编码序列数据。
第二获得子模块,用于对中间编码序列数据进行特征提取,得到目标特征向量序列。
根据本公开的实施例,第二获得子模块可以包括第一获得单元和第二获得单元。
第一获得单元,用于基于第一注意力策略,对中间编码序列数据进行处理,得到第一中间特征向量序列。
第二获得单元,用于基于第一多层感知策略,对第一中间特征向量序列进行处理,得到目标特征向量序列。
根据本公开的实施例,第二获得模块630可以包括第三获得子模块和第四获得子模块。
第三获得子模块,用于根据目标特征向量序列和第二位置编码序列数据,得到第二中间特征向量序列。
第四获得子模块,用于对第二中间特征向量序列进行处理,得到目标频谱序列数据。
根据本公开的实施例,第四获得子模块可以包括第三获得单元、第四获得单元和第五获得单元。
第三获得单元,用于基于第二注意力策略,对第二中间特征向量序列进行处理,得到第三中间特征向量序列。
第四获得单元,用于基于第二多层感知策略,对第三中间特征向量序列进行处理,得到第四中间特征向量序列。
第五获得单元,用于对第四中间特征向量序列进行处理,得到目标频谱序列数据。
根据本公开的实施例,第三获得模块640可以包括第五获得子模块。
第五获得子模块,用于利用声码器处理目标频谱序列数据,得到与源语言语音数据对应的目标语言语音数据。
根据本公开的实施例,第一确定模块610可以包括第六获得子模块、第七获得子模块和第一确定子模块。
第六获得子模块,用于对源语言语音数据进行预处理,得到与源语言语音数据对应的源线性谱序列数据。
第七获得子模块,用于对源线性谱序列数据进行处理,得到与源语言语音数据对应的源梅尔谱序列数据。
第一确定子模块,用于将源梅尔谱序列数据确定为源频谱序列数据。
根据本公开的实施例,目标特征向量序列是利用语音翻译模型包括的编码器处理源频谱序列数据和第一位置编码序列数据得到的。
根据本公开的实施例,目标频谱序列数据是利用语音翻译模型包括的解码器处理目标特征向量序列和第二位置编码序列数据得到的。
图7示意性示出了根据本公开实施例的模型训练装置的框图。
如图7所示,模型训练装置700可以包括第二确定模块710、第四获得模块720、第五获得模块730和第六获得模块740。
第三确定模块710,用于分别确定与源样本语言语音数据对应的源样本频谱序列数据和与目标样本语言语音数据对应的真实频谱序列数据。源样本频谱序列数据包括至少一个源样本频谱数据,目标样本语言语音数据是对源样本语言语音数据进行翻译得到的。
第四获得模块720,用于对源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列。第一样本位置编码序列数据包括与至少一个源样本频谱数据对应的样本位置编码。
第五获得模块730,用于对样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据。第二样本位置编码序列数据包括与样本特征向量序列对应的位置编码。
第六获得模块740,用于利用真实频谱序列数据和预测频谱序列数据训练预定模型,得到语音翻译模型。
根据本公开的实施例,预定模型包括编码器。
根据本公开的实施例,第四获得模块720可以包括第八获得子模块和第九获得子模块。
第八获得子模块,用于根据源样本频谱序列数据和第一样本位置编码序列数据,得到中间样本编码序列数据。
第九获得子模块,用于利用编码器处理中间样本编码序列数据,得到样本特征向量序列。
根据本公开的实施例,编码器包括级联的N个编码单元,编码单元包括第一注意力层和第一前馈神经网络层,N是大于或等于1的整数。
根据本公开的实施例,第九获得子模块可以包括第六获得单元、第七获得单元和第八获得单元。
第六获得单元,用于在1<i≤N的情况下,利用第i层级的第一注意力层处理第(i-1)层级的第一中间样本特征向量序列,得到第i层级的第二中间样本特征向量序列。
第七获得单元,用于利用第i层级的第一前馈神经网络层处理第i层级的第二中间样本特征向量序列,得到第i层级的第一中间样本特征向量序列。
第八获得单元,用于根据第N层级的第一中间样本特征向量序列,得到样本特征向量序列。
根据本公开的实施例,预定模型还包括解码器。
根据本公开的实施例,第五获得模块730可以包括第十获得子模块和第十一获得子模块。
第十获得子模块,用于根据样本特征向量序列和第二样本位置编码序列数据,得到第三中间样本特征向量序列。
第十一获得子模块,用于利用解码器处理第三中间样本特征向量序列,得到预测频谱序列数据。
根据本公开的实施例,解码器包括N个解码单元,解码单元包括第二注意力层和第二前馈神经网络层。
根据本公开的实施例,第十一获得子模块可以包括第九获得单元、第十获得单元和第十一获得单元。
第九获得单元,用于在1≤i<N的情况下,利用第i层级的第二注意力层处理第(i+1)层级的第四中间样本特征向量序列,得到第i层级的第五中间样本特征向量序列。
第十获得单元,用于利用第i层级的第二前馈神经网络层处理第i层级的第五中间样本特征向量序列,得到第i层级的第四中间样本特征向量序列。
第十一获得单元,用于对第1层级的第四中间样本特征向量序列进行处理,得到预测频谱序列数据。
根据本公开的实施例,第六获得模块740可以包括第十二获得模子模块、调整子模块和第二确定子模块。
第十二获得子模块,用于基于损失函数,利用真实频谱序列数据和预测频谱序列数据,得到输出值。
调整子模块,用于根据输出值调整预定模型的模型参数,直至满足预定条件。
第二确定子模块,用于将在满足预定条件的情况下得到的模型确定为语音翻译模型。
根据本公开的实施例,上述训练装置700还可以包括第三确定模块、第四确定模块、第七获得模块和第八获得模块
第三确定模块,用于在确定第一时间段与第二时间段不一致的情况下,确定目标时间段。目标时间段是第一时间段和第二时间段中数值小的时间段,第一时间段表征初始源样本语言语音数据的时间段,第二时间段表征初始目标样本语言语音数据的时间段。
第四确定模块,用于确定样本语言语音数据中的非人声语音数据,其中,样本语言语音数据是与目标时间段对应的语音数据。
第七获得模块,用于利用非人声语音数据处理样本语言语音数据,得到处理后的样本语言语音数据。
第八获得模块,用于根据处理后的样本语言语音数据和与非目标时间段对应的样本语言语音数据,得到源样本语言语音数据和目标样本语言语音数据。非目标时间段是第一时间段和第二时间段中数值大的时间段。
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。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图8示意性示出了根据本公开实施例的适于实现语音翻译方法和训练方法的电子设备的框图。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8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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801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801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801执行上文所描述的各个方法和处理,例如语音翻译方法和模型训练方法。例如,在一些实施例中,语音翻译方法和模型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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的语音翻译方法和模型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801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翻译方法和模型训练方法。
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)、复杂可编程逻辑设备(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,也可以是分布式***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 (19)
1.一种语音翻译方法,包括:
确定与源语言语音数据对应的源频谱序列数据,其中,所述源频谱序列数据包括至少一个源频谱数据;
对所述源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,其中,所述第一位置编码序列数据包括与所述至少一个源频谱序列数据对应的位置编码;
对所述目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,其中,所述第二位置编码序列数据包括与所述目标特征向量序列对应的位置编码;以及
对所述目标频谱序列数据进行处理,得到与所述源语言语音数据对应的目标语言语音数据;
其中,所述第一位置编码序列数据是根据与所述至少一个源频谱数据对应的位置编码得到的,与所述至少一个源频谱数据对应的位置编码是利用位置编码方法对所述至少一个源频谱数据的位置进行编码得到的;所述第二位置编码序列数据是根据与所述目标特征向量序列包括的至少一个目标特征向量的位置编码得到的,与所述至少一个目标特征向量对应的位置编码是利用所述位置编码方法对所述至少一个目标特征向量的位置进行编码得到的;所述位置编码方法包括学习位置向量方法。
2.根据权利要求1所述的方法,其中,所述对所述源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,包括:
根据所述源频谱序列数据和所述第一位置编码序列数据,得到中间编码序列数据;以及
对所述中间编码序列数据进行特征提取,得到所述目标特征向量序列。
3.根据权利要求2所述的方法,其中,所述对所述中间编码序列数据进行特征提取,得到所述目标特征向量序列,包括:
基于第一注意力策略,对所述中间编码序列数据进行处理,得到第一中间特征向量序列;以及
基于第一多层感知策略,对所述第一中间特征向量序列进行处理,得到所述目标特征向量序列。
4.根据权利要求1~3中任一项所述的方法,其中,所述对所述目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,包括:
根据所述目标特征向量序列和所述第二位置编码序列数据,得到第二中间特征向量序列;以及
对所述第二中间特征向量序列进行处理,得到所述目标频谱序列数据。
5.根据权利要求4所述的方法,其中,所述对所述第二中间特征向量序列进行处理,得到所述目标频谱序列数据,包括:
基于第二注意力策略,对所述第二中间特征向量序列进行处理,得到第三中间特征向量序列;
基于第二多层感知策略,对所述第三中间特征向量序列进行处理,得到第四中间特征向量序列;以及
对所述第四中间特征向量序列进行处理,得到所述目标频谱序列数据。
6.根据权利要求1~3中任一项所述的方法,其中,所述对所述目标频谱序列数据进行处理,得到与所述源语言语音数据对应的目标语言语音数据,包括:
利用声码器处理所述目标频谱序列数据,得到与所述源语言语音数据对应的目标语言语音数据。
7.根据权利要求1~3中任一项所述的方法,其中,所述确定与源语言语音数据对应的源频谱序列数据,包括:
对所述源语言语音数据进行预处理,得到与所述源语言语音数据对应的源线性谱序列数据;
对所述源线性谱序列数据进行处理,得到与所述源语言语音数据对应的源梅尔谱序列数据;以及
将所述源梅尔谱序列数据确定为所述源频谱序列数据。
8.根据权利要求1所述的方法,其中,所述目标特征向量序列是利用语音翻译模型包括的编码器处理所述源频谱序列数据和所述第一位置编码序列数据得到的;
其中,所述目标频谱序列数据是利用所述语音翻译模型包括的解码器处理所述目标特征向量序列和所述第二位置编码序列数据得到的。
9.一种模型训练方法,包括:
分别确定与源样本语言语音数据对应的源样本频谱序列数据和与目标样本语言语音数据对应的真实频谱序列数据,其中,所述源样本频谱序列数据包括至少一个源样本频谱数据,所述目标样本语言语音数据是对所述源样本语言语音数据进行翻译得到的;
对所述源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列,其中,所述第一样本位置编码序列数据包括与所述至少一个源样本频谱数据对应的样本位置编码;
对所述样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据,其中,所述第二样本位置编码序列数据包括与所述样本特征向量序列对应的位置编码;以及
利用所述真实频谱序列数据和所述预测频谱序列数据训练预定模型,得到语音翻译模型;
其中,所述第一位置编码序列数据是根据与所述至少一个源频谱数据对应的位置编码得到的,与所述至少一个源频谱数据对应的位置编码是利用位置编码方法对所述至少一个源频谱数据的位置进行编码得到的;所述第二位置编码序列数据是根据与所述目标特征向量序列包括的至少一个目标特征向量的位置编码得到的,与所述至少一个目标特征向量对应的位置编码是利用所述位置编码方法对所述至少一个目标特征向量的位置进行编码得到的;所述位置编码方法包括学习位置向量方法。
10.根据权利要求9所述的方法,其中,所述预定模型包括编码器;
其中,所述对所述源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列,包括:
根据所述源样本频谱序列数据和所述第一样本位置编码序列数据,得到中间样本编码序列数据;以及
利用所述编码器处理所述中间样本编码序列数据,得到所述样本特征向量序列。
11.根据权利要求10所述的方法,其中,所述编码器包括级联的N个编码单元,所述编码单元包括第一注意力层和第一前馈神经网络层,N是大于1的整数;
其中,所述利用所述编码器处理所述中间样本编码序列数据,得到所述样本特征向量序列,包括:
在i=1的情况下,利用第1层级的第一注意力层处理中间样本编码序列数据,得到第1层级的第二中间样本特征向量序列;以及
利用第1层级的第一前馈神经网络层处理所述第1层级的第二中间样本特征向量序列,得到第1层级的第一中间样本特征向量序列;
在1<i≤N的情况下,利用第i层级的第一注意力层处理第(i-1)层级的第一中间样本特征向量序列,得到第i层级的第二中间样本特征向量序列;
利用第i层级的第一前馈神经网络层处理所述第i层级的第二中间样本特征向量序列,得到第i层级的第一中间样本特征向量序列;以及
根据第N层级的第一中间样本特征向量序列,得到所述样本特征向量序列。
12.根据权利要求10或11所述的方法,其中,所述预定模型还包括解码器;
其中,所述对所述样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据,包括:
根据所述样本特征向量序列和所述第二样本位置编码序列数据,得到第三中间样本特征向量序列;以及
利用所述解码器处理所述第三中间样本特征向量序列,得到所述预测频谱序列数据。
13.根据权利要求12所述的方法,其中,所述解码器包括N个解码单元,所述解码单元包括第二注意力层和第二前馈神经网络层;
其中,所述利用所述解码器处理所述第三中间样本特征向量序列,得到所述预测频谱序列数据,包括:
在1≤i<N的情况下,利用第i层级的第二注意力层处理第(i+1)层级的第四中间样本特征向量序列,得到第i层级的第五中间样本特征向量序列;
利用第i层级的第二前馈神经网络层处理所述第i层级的第五中间样本特征向量序列,得到第i层级的第四中间样本特征向量序列;以及
对第1层级的第四中间样本特征向量序列进行处理,得到所述预测频谱序列数据。
14.根据权利要求10或11所述的方法,其中,所述利用所述真实频谱序列数据和所述预测频谱序列数据训练预定模型,得到语音翻译模型,包括:
基于损失函数,利用所述真实频谱序列数据和所述预测频谱序列数据,得到输出值;
根据所述输出值调整所述预定模型的模型参数,直至满足预定条件;以及
将在满足所述预定条件的情况下得到的模型确定为所述语音翻译模型。
15.根据权利要求10或11所述的方法,还包括:
在确定第一时间段与第二时间段不一致的情况下,确定目标时间段,其中,所述目标时间段是所述第一时间段和所述第二时间段中数值小的时间段,第一时间段表征初始源样本语言语音数据的时间段,第二时间段表征初始目标样本语言语音数据的时间段;
确定样本语言语音数据中的非人声语音数据,其中,所述样本语言语音数据是与目标时间段对应的语音数据;
利用所述非人声语音数据处理所述样本语言语音数据,得到处理后的样本语言语音数据;以及
根据所述处理后的样本语言语音数据和与非目标时间段对应的样本语言语音数据,得到所述源样本语言语音数据和所述目标样本语言语音数据,其中,所述非目标时间段是所述第一时间段和所述第二时间段中数值大的时间段。
16.一种语音翻译装置,包括:
第一确定模块,用于确定与源语言语音数据对应的源频谱序列数据,其中,所述源频谱序列数据包括至少一个源频谱数据;
第一获得模块,用于对所述源频谱序列数据和第一位置编码序列数据进行特征提取,得到目标特征向量序列,其中,所述第一位置编码序列数据包括与所述至少一个源频谱序列数据对应的位置编码;
第二获得模块,用于对所述目标特征向量序列和第二位置编码序列数据进行处理,得到目标频谱序列数据,其中,所述第二位置编码序列数据包括与所述目标特征向量序列对应的位置编码;以及
第三获得模块,用于对所述目标频谱序列数据进行处理,得到与所述源语言语音数据对应的目标语言语音数据;
其中,所述第一位置编码序列数据是根据与所述至少一个源频谱数据对应的位置编码得到的,与所述至少一个源频谱数据对应的位置编码是利用位置编码方法对所述至少一个源频谱数据的位置进行编码得到的;所述第二位置编码序列数据是根据与所述目标特征向量序列包括的至少一个目标特征向量的位置编码得到的,与所述至少一个目标特征向量对应的位置编码是利用所述位置编码方法对所述至少一个目标特征向量的位置进行编码得到的;所述位置编码方法包括学习位置向量方法。
17.一种模型训练装置,包括:
第二确定模块,用于分别确定与源样本语言语音数据对应的源样本频谱序列数据和与目标样本语言语音数据对应的真实频谱序列数据,其中,所述源样本频谱序列数据包括至少一个源样本频谱数据,所述目标样本语言语音数据是对所述源样本语言语音数据进行翻译得到的;
第四获得模块,用于对所述源样本频谱序列数据和第一样本位置编码序列数据进行特征提取,得到样本特征向量序列,其中,所述第一样本位置编码序列数据包括与所述至少一个源样本频谱数据对应的样本位置编码;
第五获得模块,用于对所述样本特征向量序列和第二样本位置编码序列数据进行处理,得到预测频谱序列数据,其中,所述第二样本位置编码序列数据包括与所述样本特征向量序列对应的样本位置编码;以及
第六获得模块,用于利用所述真实频谱序列数据和所述预测频谱序列数据训练预定模型,得到语音翻译模型;
其中,所述第一位置编码序列数据是根据与所述至少一个源频谱数据对应的位置编码得到的,与所述至少一个源频谱数据对应的位置编码是利用位置编码方法对所述至少一个源频谱数据的位置进行编码得到的;所述第二位置编码序列数据是根据与所述目标特征向量序列包括的至少一个目标特征向量的位置编码得到的,与所述至少一个目标特征向量对应的位置编码是利用所述位置编码方法对所述至少一个目标特征向量的位置进行编码得到的;所述位置编码方法包括学习位置向量方法。
18.一种电子设备,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1~8中任一项或权利要求9~15中任一项所述的方法。
19.一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1~8中任一项或权利要求9~15中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110163.XA CN114495977B (zh) | 2022-01-28 | 2022-01-28 | 语音翻译和模型训练方法、装置、电子设备以及存储介质 |
PCT/CN2022/113695 WO2023142454A1 (zh) | 2022-01-28 | 2022-08-19 | 语音翻译和模型训练方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110163.XA CN114495977B (zh) | 2022-01-28 | 2022-01-28 | 语音翻译和模型训练方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495977A CN114495977A (zh) | 2022-05-13 |
CN114495977B true CN114495977B (zh) | 2024-01-30 |
Family
ID=81479198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110163.XA Active CN114495977B (zh) | 2022-01-28 | 2022-01-28 | 语音翻译和模型训练方法、装置、电子设备以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114495977B (zh) |
WO (1) | WO2023142454A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495977B (zh) * | 2022-01-28 | 2024-01-30 | 北京百度网讯科技有限公司 | 语音翻译和模型训练方法、装置、电子设备以及存储介质 |
CN116524955A (zh) * | 2023-07-05 | 2023-08-01 | 上海蜜度信息技术有限公司 | 语音翻译和模型训练方法、***和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000045374A1 (en) * | 1999-01-29 | 2000-08-03 | Sony Electronics, Inc. | A method and portable apparatus for performing spoken language translation |
CN101727904A (zh) * | 2008-10-31 | 2010-06-09 | 国际商业机器公司 | 语音翻译方法和装置 |
GB201804073D0 (en) * | 2018-03-14 | 2018-04-25 | Papercup Tech Limited | A speech processing system and a method of processing a speech signal |
CN108682436A (zh) * | 2018-05-11 | 2018-10-19 | 北京海天瑞声科技股份有限公司 | 语音对齐方法及装置 |
WO2019060160A1 (en) * | 2017-09-25 | 2019-03-28 | Google Llc | VOICE TRANSLATION DEVICE AND METHOD THEREOF |
CN111222347A (zh) * | 2020-04-15 | 2020-06-02 | 北京金山数字娱乐科技有限公司 | 语句翻译模型的训练方法及装置、语句翻译方法及装置 |
CN111783477A (zh) * | 2020-05-13 | 2020-10-16 | 厦门快商通科技股份有限公司 | 一种语音翻译方法及*** |
CN112204653A (zh) * | 2019-03-29 | 2021-01-08 | 谷歌有限责任公司 | 通过机器学习的直接的语音到语音翻译 |
CN113971218A (zh) * | 2021-09-09 | 2022-01-25 | 北京小米移动软件有限公司 | 位置编码方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766414B (zh) * | 2018-06-29 | 2021-01-15 | 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 |
CN110503945B (zh) * | 2019-09-06 | 2022-07-08 | 北京金山数字娱乐科技有限公司 | 一种语音处理模型的训练方法及装置 |
CN111368559A (zh) * | 2020-02-28 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 语音翻译方法、装置、电子设备及存储介质 |
CN113505610B (zh) * | 2021-07-09 | 2022-05-06 | 中国人民解放军战略支援部队信息工程大学 | 基于模型增强的语音翻译模型训练方法、***及语音翻译方法和设备 |
US11361780B2 (en) * | 2021-12-24 | 2022-06-14 | Sandeep Dhawan | Real-time speech-to-speech generation (RSSG) apparatus, method and a system therefore |
CN114495977B (zh) * | 2022-01-28 | 2024-01-30 | 北京百度网讯科技有限公司 | 语音翻译和模型训练方法、装置、电子设备以及存储介质 |
-
2022
- 2022-01-28 CN CN202210110163.XA patent/CN114495977B/zh active Active
- 2022-08-19 WO PCT/CN2022/113695 patent/WO2023142454A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000045374A1 (en) * | 1999-01-29 | 2000-08-03 | Sony Electronics, Inc. | A method and portable apparatus for performing spoken language translation |
CN101727904A (zh) * | 2008-10-31 | 2010-06-09 | 国际商业机器公司 | 语音翻译方法和装置 |
WO2019060160A1 (en) * | 2017-09-25 | 2019-03-28 | Google Llc | VOICE TRANSLATION DEVICE AND METHOD THEREOF |
GB201804073D0 (en) * | 2018-03-14 | 2018-04-25 | Papercup Tech Limited | A speech processing system and a method of processing a speech signal |
CN108682436A (zh) * | 2018-05-11 | 2018-10-19 | 北京海天瑞声科技股份有限公司 | 语音对齐方法及装置 |
CN112204653A (zh) * | 2019-03-29 | 2021-01-08 | 谷歌有限责任公司 | 通过机器学习的直接的语音到语音翻译 |
CN111222347A (zh) * | 2020-04-15 | 2020-06-02 | 北京金山数字娱乐科技有限公司 | 语句翻译模型的训练方法及装置、语句翻译方法及装置 |
CN111783477A (zh) * | 2020-05-13 | 2020-10-16 | 厦门快商通科技股份有限公司 | 一种语音翻译方法及*** |
CN113971218A (zh) * | 2021-09-09 | 2022-01-25 | 北京小米移动软件有限公司 | 位置编码方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
Direct speech-to-speech translation with a sequence-to-sequence model;Ye Jia 等;arXiv:1904.06037v2 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023142454A1 (zh) | 2023-08-03 |
CN114495977A (zh) | 2022-05-13 |
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 | |
TWI610295B (zh) | 解壓縮及壓縮用於語音辨識之轉換器資料的電腦實施方法及電腦實施之語音辨識系統 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
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 | |
CN114360557B (zh) | 语音音色转换方法、模型训练方法、装置、设备和介质 | |
CN114895817B (zh) | 交互信息处理方法、网络模型的训练方法及装置 | |
CN109697978B (zh) | 用于生成模型的方法和装置 | |
CN114141228B (zh) | 语音合成模型的训练方法、语音合成方法和装置 | |
CN114242113B (zh) | 语音检测方法、训练方法、装置和电子设备 | |
KR20220116395A (ko) | 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체 | |
CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
CN112634880A (zh) | 话者识别的方法、装置、设备、存储介质以及程序产品 | |
CN114898734B (zh) | 基于语音合成模型的预训练方法、装置和电子设备 | |
CN113963358B (zh) | 文本识别模型训练方法、文本识别方法、装置及电子设备 | |
CN113689866B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN114898742A (zh) | 流式语音识别模型的训练方法、装置、设备和存储介质 | |
CN114783428A (zh) | 语音翻译、模型训练方法、装置、设备及存储介质 | |
CN113889089A (zh) | 语音识别模型的获取方法、装置、电子设备以及存储介质 | |
CN114187892A (zh) | 一种风格迁移合成方法、装置及电子设备 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN113793598B (zh) | 语音处理模型的训练方法和数据增强方法、装置及设备 | |
CN114360559B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
CN113838450B (zh) | 音频合成及相应的模型训练方法、装置、设备及存储介质 | |
CN113689867B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |