[發明專利]一種基于TTS的音頻拼接優化的方法及其裝置

有效

• 申請號: 202010188222.6
• 申請日: 2020-03-17
• 公開（公告）號: CN111460094B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 李旭濱;詹學君
• 申請（專利權）人: 云知聲智能科技股份有限公司;廈門云知芯智能科技有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/338;G06F16/35;G10L13/04;G10L21/0208
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 陳國軍

1.一種基于TTS的音頻拼接優化的方法，其特征在于，包括：

構建基于知性會話的知識庫；

接收到用戶問題錄音后，確定所述用戶問題錄音的用戶參數，并根據所述用戶問題錄音在所述知識庫中確定解答錄音；

將所述解答錄音進行分段，并將分段后的解答錄音和用戶參數以TTS合成技術合成拼接錄音；

獲取用戶的真人錄音并生成測試集，通過所述測試集對所述拼接錄音進行訓練，得到訓練結果，根據所述訓練結果對所述拼接錄音進行動態優化；

其中，所述方法還包括：

預設多組基準頻域參數和與所述基準頻域參數對應濾波參數；

獲取所述拼接錄音的頻域參數；

根據所述拼接錄音的頻域參數與所述基準頻域參數，確定所述拼接錄音的濾波參數；

根據所述拼接錄音的濾波參數配置濾波器，實現主動降噪；

其中，所述獲取所述拼接錄音的頻域參數，包括如下步驟：

對所述拼接語進行分幀，得到分幀公式：

其中，所述表示第i幀語音的第x個采樣點的幀值；所述N表示相鄰幀之間的距離；

根據對所述拼接語音的分幀，計算每一幀的頻域參數；

其中，所述表示第i幀語音的的頻域參數，所述每幀語音的起始坐標，所述每幀語音的結尾坐標；為每幀語音的權重；所述n表權重個數；所述D表示所述起始坐標和結尾坐標的距離；

通過所述分幀公式和所述頻域參數獲取總的頻域參數；

其中，所述U表示總頻域參數。

2.根據權利要求1所述的一種基于TTS的音頻拼接優化的方法，其特征在于，所述構建基于知性會話的知識庫，包括：

獲取智能外呼場景中基于知性會話的知識圖譜；

根據所述知識圖譜，確定所述知識圖譜中的問題集和答案集，并確定所述問題集中每一個問題的問題參數和答案集中每一個答案的答案參數；

根據所述答案集將答案與所述問題集中的問題對應，其中，所述答案集中的每一答案對應有所述問題集中的多個問題；

將所述答案集中每一個答案和答案參數與所述每一個答案對應的問題和問題參數分別合成，得到多個數據單元；

將所有的所述數據單元進行整理，構成知識庫。

3.根據權利要求1所述的一種基于TTS的音頻拼接優化的方法，其特征在于，所述接收到用戶問題錄音后，確定所述用戶問題錄音的用戶參數，并根據所述用戶問題錄音在所述知識庫中確定解答錄音，包括：

根據所述用戶問題錄音，通過標點過濾和無關詞過濾，確定所述用戶的問題錄音的關鍵字、問題類型和用戶參數；

根據所述問題類型，在所述知識庫中得到相同類型的問題的問題集；

根據所述關鍵字確定所述用戶問題錄音的用戶問題參數；

將所述用戶問題參數與所述問題集中每一個的問題的問題參數相匹配，并獲取匹配結果；

根據所述匹配結果，在所述問題集中確定同答案問題；

根據所述同答案問題在所述知識庫中獲取解答錄音。

4.根據權利要求1所述的一種基于TTS的音頻拼接優化的方法，其特征在于，所述將所述解答錄音進行分段，并將分段后的解答錄音和用戶參數以TTS合成技術合成拼接錄音，包括：

將所述用戶問題錄音分段，確定所述用戶問題錄音中的問題參數；

根據所述用戶問題錄音的用戶參數，確定所述用戶參數在所述用戶問題錄音的用戶參數音頻段；

根據所述解答錄音，獲取所述解答錄音的錄音文本；

將所述錄音文本劃分為動態填充部分和固定部分；

通過所述動態填充部分，在所述解答錄音中標記所述動態填充部分的動態音頻段；

根據標記的所述動態音頻段將所述解答錄音按順序分段；

在分段后，將標記的動態音頻段與所述用戶參數音頻段進行替換，獲取替換后的解答錄音；

將所述替換后的解答錄音，通過TTS合成技術合成拼接錄音。