[发明专利]一种变声方法、装置及电子设备

说明书

本发明公开了一种变声方法，在将源说话人的语音转换为目标说话人的目标语音以指定方言进行输出的过程中，将源说话人的原语音数据输入到语音识别模型中进行特征提取，将提取的原始音频识别特征，以及目标语音和指定方言输入到目标变声模型中，输出携带有指定方言的目标说话人的声学特征，再将其进行输出；此时，由于目标变声模型是自适应语音识别模型对至少一个训练说话人提取的自适应音频识别特征，以及至少一个训练说话人的声音特征进行模型训练得到的，如此，在将原始音频识别特征，以及目标语音和指定方言输入到目标变声模型中进行预测时，能够使得目标变声模型能够实现任意说话人的普通话音频到指定音色和带有指定方言口音的音频的转换。

技术领域

本发明涉及语音技术领域，特别涉及一种变声方法、装置及电子设备。

背景技术

随着语音识别技术的飞速发展，使得语音识别应用越广泛，例如语音翻译和变声等，在使用变声技术时，通常需要使用源说话人和目标说话人的平行语料，再平行语料对齐后再进行训练得到变声模型，以通过训练得到变声模型完成变声。

现有技术中，基于识别的变声技术模型需要采集大量的平行语料，再进行训练后得到变声模型，变声模型能够实现源说话人到目标说话人的音色转换，但针对目标说话人带有口音的情况下，无法实现源说话人到目标说话人的音色转换的同时，也让其音频带上目标说话人的方言口音。从而亟需一种实现源说话人到目标说话人的音色和特定方言口音结合后进行输出的方法。

发明内容

本发明实施例提供一种变声方法、装置及电子设备，能够实现任意源说话人的音频转换到目标说话人的音色和带有特定方言口音结合的音频，提高了变声的效果。

本发明实施例第一方面提供一种变声方法，所述方法包括：

获取源说话人的原语音数据；

通过语音识别模型提取所述原语音数据的原始音频识别特征；

将所述原始音频识别特征、所述目标语音和所述指定方言输入到目标变声模型中，输出携带有所述指定方言的所述目标说话人的声学特征，其中，所述目标变声模型是自适应语音识别模型对至少一个训练说话人提取的自适应音频识别特征，以及所述至少一个训练说话人的声音特征进行模型训练得到的，所述自适应语音识别模型是根据所述至少一个训练说话人对所述语音识别模型进行自适应训练得到的。

可选的，所述自适应语音识别模型的训练步骤包括：

获取所述至少一个训练说话人的语音数据，其中，所述至少一个训练说话人包括所述目标说话人；

针对所述至少一个训练说话人中的每个训练说话人，将训练说话人的语音数据输入到所述语音识别模型中进行特征提取，提取到训练说话人的音频识别特征，以及训练说话人的声学特征；利用训练说话人的音频识别特征和声学特征对所述语音识别模型进行自适应训练，得到训练说话人对应的自适应语音识别模型。

可选的，所述目标变声模型的训练步骤，包括：

针对所述至少一个训练说话人中的每个训练说话人，将训练说话人的语音数据输入到训练说话人对应的自适应语音识别模型中进行特征提取，提取到训练说话人的自适应音频识别特征，以及训练说话人的声学特征；

根据每个训练说话人的自适应音频识别特征和声学特征进行模型训练，得到所述目标变声模型。

可选的，所述根据每个训练说话人的自适应音频识别特征和声学特征进行模型训练，得到所述目标变声模型，包括：

针对每个训练说话人，将训练说话人的自适应音频识别特征作为模型的输入数据，将训练说话人的声学特征作为模型的输出数据进行模型训练，得到已训练的变声模型，并将所述已训练的变声模型作为所述目标变声模型。