[發明專利]語音處理方法、介質、裝置和計算設備

有效

• 申請號: 201810098244.6
• 申請日: 2018-01-31
• 公開（公告）號: CN108364655B
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 沙泓州;臧陽光;林月冠;王波;宋婷;張錦鋒
• 申請（專利權）人: 網易樂得科技有限公司
• 主分類號: G10L17/02
• 分類號: G10L17/02;G10L15/08;G10L15/26;G10L13/08
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 闞梓瑄;王衛忠

本發明的實施方式提供了一種語音處理方法、介質、裝置和計算設備。該語音處理方法包括：獲取指定人員的第一錄音文件；從所述第一錄音文件中提取所述指定人員的聲紋特征；根據所述聲紋特征，從第二錄音文件中查找與所述聲紋特征相匹配的錄音數據；對所述錄音數據進行轉換處理，得到語音與文本的對應關系；基于所述語音與文本的對應關系，進行語音合成。本發明實施例的技術方案可以在得到較為全面的語料數據的基礎上，提高語料數據的獲取效率，同時增強獲取語料數據的可擴展性。

技術領域

本發明的實施方式涉及通信及計算機技術領域，更具體地，本發明的實施方式涉及語音處理方法、介質、裝置和計算設備。

背景技術

本部分旨在為權利要求書中陳述的本發明的實施方式提供背景或上下文。此處的描述不因為包括在本部分中就承認是現有技術。

在智能客服場景中，通常需要使用語音合成技術來將預先準備的文字內容轉換成語音，以便提供良好的服務體驗。

相關技術中提出的語音合成技術需要先錄制客服至少20小時的語料，然后基于錄制的語料建立聲學特征模型，進而進行語音合成。

發明內容

但是，由于需要人工錄制客服較長時間的語料，因此不僅費時而且效率很低；同時，建立的聲學特征模型受到錄制時長的限制，并且如果語音合成時需要使用的字和詞沒有出現在事先錄制的語料中，則為了對相應的音素進行更新，需要人工重新錄制，可擴展性較差。

為此，非常需要一種改進的語音處理方案，以在得到較為全面的語料數據的基礎上，提高語料數據的獲取效率，同時增強獲取語料數據的可擴展性。

在本上下文中，本發明的實施方式期望提供一種語音處理方法、介質、裝置和計算設備。

在本發明實施方式的第一方面中，提供了一種語音處理方法，包括：獲取指定人員的第一錄音文件；從所述第一錄音文件中提取所述指定人員的聲紋特征；根據所述聲紋特征，從第二錄音文件中查找與所述聲紋特征相匹配的錄音數據；對所述錄音數據進行轉換處理，得到語音與文本的對應關系；基于所述語音與文本的對應關系，進行語音合成。

在本發明的一些實施方式中，基于前述方案，對所述錄音數據進行轉換處理，得到語音與文本的對應關系，包括：確定所述錄音數據中各段錄音對應的至少一個候選詞組，以及所述至少一個候選詞組的選擇概率；根據所述至少一個候選詞組的選擇概率，確定所述各段錄音對應的文本，以得到語音與文本的對應關系。

在本發明的一些實施方式中，基于前述方案，確定所述錄音數據中各段錄音對應的至少一個候選詞組，以及所述至少一個候選詞組的選擇概率，包括：將所述各段錄音轉換為音素；根據所述各段錄音轉換得到的音素，確定所述錄音數據中各段錄音對應的至少一個候選詞組，以及所述至少一個候選詞組的選擇概率。

在本發明的一些實施方式中，基于前述方案，將所述各段錄音轉換為音素，包括：構建語音與音素的轉換模型；基于所述語音與音素的轉換模型將所述各段錄音轉換為音素。

在本發明的一些實施方式中，基于前述方案，根據所述各段錄音轉換得到的音素，確定所述錄音數據中各段錄音對應的至少一個候選詞組，以及所述至少一個候選詞組的選擇概率，包括：構建音素與詞組的轉換模型；根據所述音素與詞組的轉換模型及所述各段錄音轉換得到的音素，確定所述各段錄音對應的至少一個候選詞組，以及所述至少一個候選詞組的選擇概率。

在本發明的一些實施方式中，基于前述方案，根據所述至少一個候選詞組的選擇概率，確定所述各段錄音對應的文本，包括：計算所述各段錄音對應的至少一個候選詞組中選擇概率最大的兩個候選詞組的選擇概率之差；若任一段錄音對應的所述兩個候選詞組的選擇概率之差大于或等于預定值，則將所述兩個候選詞組中選擇概率最大的候選詞組作為所述任一段錄音對應的文本。