[发明专利]端到端语音转换

权利要求书

1.一种计算机实现的方法，其特征在于，所述方法包括：

计算设备接收用户说出的一个或多个第一术语的第一话语的第一音频数据；

所述计算设备提供所述第一音频数据作为对模型的输入，所述模型被配置为接收以第一声音说出的一个或多个第一给定术语的第一给定话语的第一给定音频数据，并输出以合成声音说出的所述一个或多个第一给定术语的第二给定话语的第二给定音频数据，而不对所述第一给定音频数据执行语音识别；

响应于提供所述第一音频数据作为对所述模型的输入，所述计算设备接收以所述合成声音说出的所述一个或多个第一术语的第二话语的第二音频数据；并且

所述计算设备提供以所述合成声音说出的所述一个或多个第一术语的所述第二话语的所述第二音频数据，作为输出。

2.根据权利要求1所述的方法，其特征在于，所述方法包括：

所述计算设备接收数据，所述数据指示被配置为与给定人类进行对话的机器人未被配置为对从所述人类接收到的第三话语生成响应；以及

基于接收指示所述机器人未被配置为对从所述人类接收到的所述第三话语生成所述响应的所述数据，所述计算设备将对从所述人类接收到的所述第三话语的响应的请求发送至人类操作员，

其中，接收所述用户说出的所述一个或多个第一术语的所述第一话语的所述第一音频数据包括，接收所述人类操作员响应于所述第三话语说出的所述一个或多个第一术语的所述第一话语的所述第一音频数据。

3.根据权利要求1或2所述的方法，其特征在于，接收所述用户说出的所述一个或多个第一术语的所述第一话语的所述第一音频数据包括，接收所述用户在接听电话时说出的所述一个或多个第一术语的所述第一话语的所述第一音频数据。

4.根据前述权利要求中任一项所述的方法，其特征在于，所述方法包括：

接收话语集合的音频数据；

获得在所述话语集合中的每个话语的转录；

将所述每个话语的转录作为输入提供给文本到语音模型；

对每个话语的每个转录，接收合成声音中的额外话语集合的音频数据；并且

使用所述话语集合的所述音频数据和合成声音中的所述额外话语集合的所述音频数据来训练所述模型。

5.根据前述权利要求中任一项所述的方法，其特征在于，所述方法包括：

所述计算设备接收额外用户说出的一个或多个第三术语的第三话语的第三音频数据；

所述计算设备提供所述第三音频数据作为对所述模型的输入；

响应于提供所述第三音频数据作为对所述模型的输入，所述计算设备接收以所述合成声音说出的一个或多个第三术语的第四话语的第四音频数据；并且

所述计算设备提供以所述合成声音说出的所述一个或多个第三术语的所述第四话语的所述第四音频数据，作为输出。

6.根据前述权利要求中任一项所述的方法，其特征在于，所述方法包括：

所述计算设备绕过获取所述第一话语的转录。

7.根据前述权利要求中任一项所述的方法，其特征在于，所述模型被配置为调整所述一个或多个第一给定术语中的每一个给定术语之间的时间段。

8.根据前述权利要求中任一项所述的方法，其特征在于，所述模型被配置为调整所述一个或多个第一给定术语中的每一个给定术语之间的说话时间。

9.一种系统，其特征在于，包括：

一个或多个计算机，以及

一个或多个存储可操作的指令的存储设备，当由所述一个或多个计算机执行时，所述指令使所述一个或多个计算机执行根据权利要求1至8中任一项所述的操作。

10.一种非暂时性计算机可读介质，其特征在于，所述介质存储软件，所述软件包含一个或多个计算机可执行的指令，在执行所述指令时，所述指令会使所述一个或多个计算机执行根据权利要求1至8中任一项所述的操作。