[发明专利]一种确定歌词显示数据的方法和装置

权利要求书

1.一种确定歌词显示数据的方法，其特征在于，所述方法包括：

提取目标音频数据中的人声音频数据，提取所述人声音频数据的音频特征；

获取所述目标音频数据的歌词文本数据，确定所述歌词文本数据对应的发音文本数据；

将所述音频特征和所述发音文本数据，输入预先训练的发音时间信息识别模型，得到所述发音文本数据中每个发音文本单元在所述人声音频数据中对应的时间信息；

基于所述发音文本数据中每个发音文本单元在所述人声音频数据中对应的时间信息，确定所述歌词文本数据中每个歌词文本单元在所述人声音频数据中对应的时间信息，得到所述目标音频数据的歌词显示数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本人声音频数据，提取所述样本人声音频数据的样本音频特征；

获取所述样本人声音频数据对应的样本歌词文本数据，确定所述样本歌词文本数据对应的样本发音文本数据；

获取所述样本发音文本数据中每个发音文本单元在所述样本人声音频数据中对应的时间信息；

将所述样本音频特征和所述样本发音文本数据，作为样本输入数据，所述样本发音文本数据中每个发音文本单元在所述样本人声音频数据中对应的时间信息，作为样本输出数据，组成训练样本，对初始发音时间信息识别模型进行训练，得到所述发音时间信息识别模型。

3.根据权利要求2所述的方法，其特征在于，所述获取样本人声音频数据，包括：

获取歌曲音频数据中单句歌词对应的人声音频数据，作为样本人声音频数据。

4.根据权利要求2所述的方法，其特征在于，所述获取样本人声音频数据，包括：

获取初始人声音频数据，将所述初始人声音频数据转换为预设采样率的人声音频数据，作为样本人声音频数据。

5.根据权利要求4所述的方法，其特征在于，所述提取目标音频数据中的人声音频数据，包括：

将所述目标音频数据转换为预设采样率的音频数据，提取所述预设采样率的音频数据中的人声音频数据。

6.根据权利要求1所述的方法，其特征在于，所述歌词文本单元为字，所述发音文本单元为字对应的拼音；或者，

所述歌词文本单元为单词，所述发音文本单元为单词对应的音标。

7.一种确定歌词显示数据的装置，其特征在于，所述装置包括：

提取模块，用于提取目标音频数据中的人声音频数据，提取所述人声音频数据的音频特征；

获取模块，用于获取所述目标音频数据的歌词文本数据，确定所述歌词文本数据对应的发音文本数据；

识别模块，用于将所述音频特征和所述发音文本数据，输入预先训练的发音时间信息识别模型，得到所述发音文本数据中每个发音文本单元在所述人声音频数据中对应的时间信息；

确定模块，用于基于所述发音文本数据中每个发音文本单元在所述人声音频数据中对应的时间信息，确定所述歌词文本数据中每个歌词文本单元在所述人声音频数据中对应的时间信息，得到所述目标音频数据的歌词显示数据。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括训练模块，用于：

获取样本人声音频数据，提取所述样本人声音频数据的样本音频特征；

获取所述样本人声音频数据对应的样本歌词文本数据，确定所述样本歌词文本数据对应的样本发音文本数据；

获取所述样本发音文本数据中每个发音文本单元在所述样本人声音频数据中对应的时间信息；

将所述样本音频特征和所述样本发音文本数据，作为样本输入数据，所述样本发音文本数据中每个发音文本单元在所述样本人声音频数据中对应的时间信息，作为样本输出数据，组成训练样本，对初始发音时间信息识别模型进行训练，得到所述发音时间信息识别模型。

9.根据权利要求8所述的装置，其特征在于，所述训练模块，用于：

获取歌曲音频数据中单句歌词对应的人声音频数据，作为样本人声音频数据。