[发明专利]一种语音转换的方法、装置及电子设备

说明书

本发明提供了一种语音转换的方法、装置及电子设备，其中，该方法包括：确定语音识别模型、目标用户的变声模型、声码器模型；基于语音识别模型提取源音频数据的特征向量，源音频数据的特征向量不存在声调标注；将源音频数据的特征向量转换为目标用户的声学特征；将目标用户的声学特征转换为目标用户的音频信号。通过本发明实施例提供的语音转换的方法、装置及电子设备，基于未标注声调的音频数据训练语音识别模型，使得语音识别模型所提取出的源音频数据的特征向量不存在声调信息，从而可以弱化训练阶段与转换阶段之间的声调差异，能够将源音频数据转换为与目标用户更接近的声学特征，从而提高了转换后的音频与所需音频之间的相似度。

技术领域

本发明涉及语音处理技术领域，具体而言，涉及一种语音转换的方法、装置、电子设备及计算机可读存储介质。

背景技术

变声技术指的是把某人的原始声音转换为其他人的特定声音，其保留原始语音信号的语义内容，但能够改变说话人的声音特性，使某人的声音听起来像另外一个人的声音。变声技术可以是男声、女声之间的转换，不同年龄层次之间的转换等，也可以将说话人A的声音转换为说话人B的声音。

传统变声技术需要对平行语料实现对齐，然后再进行音色转换。这种处理方式需要收集内容相同的音频语料，用对齐后的频谱特征训练转换模型；该方式得到的变声效果不佳，且无法满足一些有实时性需求的应用场景。

此外，部分方案建立语音识别的隐层特征与语音合成特征之间的变声模型，但该方案中采用的隐层特征中包含源说话人的部分信息，导致转换后的声音仍然保留了源说话人的特性，转换后的声音与目标声音相似度降低。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种语音转换的方法、装置、电子设备及计算机可读存储介质。

第一方面，本发明实施例提供了一种语音转换的方法，包括：

确定语音识别模型，确定目标用户的变声模型，并确定声码器模型；所述语音识别模型是基于文本标注不存在声调标注的音频数据训练得到的，所述变声模型是基于所述语音识别模型所提取出的音频数据的特征向量训练得到的；

获取源用户的源音频数据，基于所述语音识别模型提取所述源音频数据的特征向量，所述源音频数据的特征向量不存在声调标注；

基于所述变声模型将所述源音频数据的特征向量转换为所述目标用户的声学特征；

将所述目标用户的声学特征输入至所述声码器模型，将所述目标用户的声学特征转换为所述目标用户的音频信号。

第二方面，本发明实施例还提供了一种语音转换的装置，包括：

确定模块，用于确定语音识别模型，确定目标用户的变声模型，并确定声码器模型；所述语音识别模型是基于文本标注不存在声调标注的音频数据训练得到的，所述变声模型是基于所述语音识别模型所提取出的音频数据的特征向量训练得到的；

特征提取模块，用于获取源用户的源音频数据，基于所述语音识别模型提取所述源音频数据的特征向量，所述源音频数据的特征向量不存在声调标注；

转换模块，用于基于所述变声模型将所述源音频数据的特征向量转换为所述目标用户的声学特征；

声码器模块，用于将所述目标用户的声学特征输入至所述声码器模型，将所述目标用户的声学特征转换为所述目标用户的音频信号。

第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的语音转换的方法中的步骤。