[发明专利]多语言语音模型生成方法、装置、计算机设备及存储介质

权利要求书

1.一种多语言语音模型生成方法，其特征在于，所述方法包括：

获取预先采集的第一语音数据集，该语音数据集包括均为同一主体提供的基于第一语言的第一语音信息以及基于第二语言的第二语音信息；

根据预设数据增强脚本对所述第二语音信息进行数据增强，以得到若干增强语音样本；

将所述增强语音样本随机插入第一语音信息中，以得到目标语音信息；

利用目标语音信息训练一神经网络，以得到一中间模型；

获取预设的第二语音数据集中的基于第一语言的第三语音信息，获取所述第三语音信息中的音色以对所述中间模型进行训练，并得到一用于合成多语言语音信息的目标模型。

2.如权利要求1所述的方法，其特征在于，所述第二语音信息包括若干条第二语音数据，所述根据预设数据增强脚本对所述第二语音信息进行数据增强，以得到若干增强语音样本，包括：

运行预设数据增强脚本以从第二语音信息中随机抽取多组第二语音数据；其中，每组中的第二语音数据的数量至少为两个；

将所抽取的每组第二语音数据进行拼接以得到多个相应的增强语音样本。

3.如权利要求2所述的方法，其特征在于，所述将所抽取的每组第二语音数据进行拼接以得到多个相应的增强语音样本，包括：

将所抽取的每组第二语音数据进行拼接，以得到多个中间词组；

将所得到的中间词组进行组合，以得到多个中间语句；

将所得到的中间语句进行拼接，并在拼接位置插入预设静音标志，以得到增强语音样本，其中，不同的预设静音标志关联有不同的静音时间段。

4.如权利要求3所述的方法，其特征在于，所述预设静音标志为标点符号，所述标点符号包括逗号、顿号、句号、问号以及感叹号中的一种或多种。

5.如权利要求4所述的方法，其特征在于，若所述标点符号包括逗号和句号，所述逗号关联的静音时间段为200～300毫秒，所述句号关联的静音时间段为400～500毫秒，所述将所得到的中间语句进行拼接，并在拼接位置插入预设静音标志，以得到增强语音样本，包括：

将所得到的中间语句进行拼接以得到一拼接语句；

判断所述拼接语句的字符数是否超过第一预设值；

若所述拼接语句的字符数超过第一预设值，在拼接位置插入句号，以得到增强语音样本。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

若所述拼接语句的字符数没有超过第一预设值，在拼接位置插入逗号，以得到增强语音样本。

7.如权利要求1所述的方法，其特征在于，所述将所述增强语音样本随机插入第一语音信息中，以得到目标语音信息，包括：

获取所述增强语音样本；

将所获取的增强语音样本随机插入不同的第一语音信息中，以得到多个不同的目标语音信息。

8.一种多语言语音模型生成装置，其特征在于，所述装置包括：

数据获取单元，用于获取预先采集的第一语音数据集，该语音数据集包括均为同一主体提供的基于第一语言的第一语音信息以及基于第二语言的第二语音信息；

数据增强单元，用于根据预设数据增强脚本对所述第二语音信息进行数据增强，以得到若干增强语音样本；

语音处理单元，用于将所述增强语音样本随机插入第一语音信息中，以得到目标语音信息；

第一训练单元，用于利用目标语音信息训练一神经网络，以得到一中间模型；

第二训练单元，用于调用预设的第二语音数据集中的基于第一语言的第三语音信息，以获取所述第三语音信息中的音色对所述中间模型进行训练，并得到一用于合成多语言语音信息的目标模型。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-7中任一项所述的方法。