[发明专利]语音转换方法、装置、设备及可读存储介质

说明书

本申请公开了一种语音转换方法、装置、设备及可读存储介质，涉及音频处理领域。该方法包括：获取源语音，源语音为以第一人声发出的语音；提取源语音的音素后验概率；通过编码器对音素后验概率进行编码处理，得到编码层特征；通过解码器对编码层特征进行解码处理，得到频谱特征，编码器和解码器是通过第二人声的样本语音训练得到的；将频谱特征进行语音合成处理，得到第二人声的目标语音。通过编码器和解码器对PPGs进行处理，得到频谱特征后，通过频谱特征对目标语音进行合成，由编码器和解码器两层结构对PPGs进行处理，提高了对第二人声的语音情感以及语音韵律的把控，提高了目标语音与第二人声实际发出的声音之间的相似度。

技术领域

本申请实施例涉及音频处理领域，特别涉及一种语音转换方法、装置、设备及可读存储介质。

背景技术

语音转换技术是一种保持语义内容不变的情况下，将源语音转换为目标语音的技术，其中，源语音为第一人声发出的语音，目标语音为第二人声发出的语音，也即将第一人声发出的源语音通过语音转换技术，转换为语义相同的第二人声发出的目标语音。

相关技术中，语音转换技术的实现中，首先通过自动语音识别(Automatic SpeechRecognition，ASR)系统提取第二人声的音素后验概率(Phonetic Posterior Grams，PPGs)，并根据第二人声的PPGs训练得到双向长短时记忆模型(Bidirectional LongShort-Term Memory，BLSTM)，该BLSTM用于输出生成第二人声的语音分量。在转换过程中，通过上述ASR系统提取源语音对应的第一人声的PPGs，并将第一人声的PPGs输入上述BLSTM，输出得到用于生成目标语音的语音分量，将语音分量输入解码器得到与源语音对应语义相同的目标语音。

然而，通过上述方式进行语音转换时，通过BLSTM对第二人声的语音分量进行生成无法对第二人声的语音情感以及语音韵律进行把控，导致转换得到的目标语音与第二人声实际发出的语音相似度较低的问题。

发明内容

本申请实施例提供了一种语音转换方法、装置、设备及可读存储介质，可以解决通过BLSTM对第二人声的语音分量进行生成无法对第二人声的语音情感以及语音韵律进行把控，导致转换得到的目标语音与第二人声实际发出的语音相似度较低的问题。所述技术方案如下：

一方面，提供了一种语音转换方法，所述方法包括：

获取源语音，所述源语音为以第一人声发出且待转换为第二人声的语音；

提取所述源语音的音素后验概率，所述音素后验概率用于表示所述源语音的文本特征；

通过编码器对所述音素后验概率进行编码处理，得到编码层特征；

通过解码器对所述编码层特征进行解码处理，得到所述编码层特征对应的频谱特征，所述编码器和所述解码器是通过所述第二人声的样本语音进行训练后得到的；

将所述频谱特征通过声码器进行语音合成处理，得到与所述源语音对应的所述第二人声的目标语音。

另一方面，提供了一种语音转换装置，所述装置包括：

获取模块，用于获取源语音，所述源语音为以第一人声发出且待转换为第二人声的语音；

提取模块，用于提取所述源语音的音素后验概率，所述音素后验概率用于表示所述源语音的文本特征；

编码模块，用于通过编码器对所述音素后验概率进行编码处理，得到编码层特征；

解码模块，用于通过解码器对所述编码层特征进行解码处理，得到所述编码层特征对应的频谱特征，所述编码器和所述解码器是通过所述第二人声的样本语音进行训练后得到的；

合成模块，用于将所述频谱特征通过声码器进行语音合成处理，得到所述第二人声的目标语音。