[发明专利]一种音频数据处理方法、装置、设备及可读存储介质

权利要求书

1.一种音频数据处理方法，其特征在于，包括：

获取目标文本数据，将所述目标文本数据对应的文本序列输入音频合成模型，通过所述音频合成模型输出所述目标文本数据对应的人声合成音频；所述音频合成模型是通过划分结果对样本音频合成模型进行调整所得到的；所述划分结果是指通过所述样本音频合成模型对标签数据分布进行划分所得到的结果；所述标签数据分布为第一质量评估标签与第二质量评估标签的数据分布，所述第一质量评估标签为样本文本数据对应的朗读音频正样本的音频质量评估值，所述第二质量评估标签为所述样本文本数据对应的朗读音频负样本的音频质量评估值；

获取所述人声合成音频的音频质量评估值，将所述人声合成音频的音频质量评估值作为所述目标文本数据的质量评估标准值；所述质量评估标准值用于确定针对所述目标文本数据的待评测朗读音频的质量评测结果。

2.根据权利要求1所述的方法，其特征在于，所述获取所述人声合成音频的音频质量评估值，包括：

获取发声字典；所述发声字典包括文本单词与音素序列之间的音素映射关系；

通过所述发声字典中所述文本单词与音素序列之间的音素映射关系，确定所述目标文本数据对应的目标音素序列；

根据所述目标音素序列，确定所述人声合成音频的音频质量评估值。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标音素序列，确定所述人声合成音频的音频质量评估值，包括：

通过音频评估模型，获取所述目标音素序列中每个音素对应的音素状态有向序列；

获取所述人声合成音频对应的音频特征，将所述音频特征输入所述音频评估模型；所述音频特征中包括至少两个音频帧的音频帧特征；

在所述音频评估模型中，根据所述音素状态有向序列确定每个所述音频帧特征分别对应的音素状态转移序列；

将每个所述音频帧特征分别对应的音素状态转移序列进行顺序组合，得到所述人声合成音频对应的音素状态转移序列；

通过所述音频评估模型输出所述人声合成音频对应的音素状态转移序列的序列评估值，将所述序列评估值作为所述人声合成音频的音频质量评估值。

4.根据权利要求3所述的方法，其特征在于，所述至少两个音频帧的音频帧特征包括音频帧特征S_i以及音频帧特征S_j；

所述通过所述音频评估模型输出所述人声合成音频对应的音素状态转移序列的序列评估值，包括：

获取所述音频帧特征S_i对应的音素状态转移序列的质量评估值，以及所述音频帧特征S_j对应的音素状态转移序列的质量评估值；

将所述音频帧特征S_i对应的音素状态转移序列的质量评估值，与所述音频帧特征S_j对应的音素状态转移序列的质量评估值进行相加，得到质量评估运算值；

获取所述音频帧特征S_i与所述音频帧特征S_j对应的特征数量；

根据所述质量评估运算值以及所述特征数量，确定所述人声合成音频对应的音素状态转移序列的序列评估值。

5.根据权利要求1所述的方法，其特征在在于，所述方法还包括：

获取至少两个样本文本数据，将所述至少两个样本文本数据输入样本音频合成模型，通过所述样本音频合成模型输出所述至少两个样本文本数据分别对应的样本人声合成音频；

获取所述至少两个样本文本数据分别对应的朗读音频正样本以及朗读音频负样本，获取所述朗读音频正样本对应的音频质量评估值，将所述朗读音频正样本对应的音频质量评估值作为第一质量评估标签；

获取所述朗读音频负样本对应的音频质量评估值，将所述朗读音频负样本对应的音频质量评估值作为第二质量评估标签；

获取所述样本人声合成音频的样本音频质量评估值，根据所述样本音频质量评估值对所述第一质量评估标签与第二质量评估标签的数据分布进行划分，根据划分结果对所述样本音频合成模型进行调整，得到所述音频合成模型。