[發明專利]聲學模型訓練集的優化生成方法、系統、存儲介質及其計算機設備

在審

• 申請號: 202010617793.7
• 申請日: 2020-06-30
• 公開（公告）號: CN113948059A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 杜國威
• 申請（專利權）人: 北京安云世紀科技有限公司
• 主分類號: G10L13/033
• 分類號: G10L13/033;G10L13/027;G10L13/08;G10L15/26;G10L15/18;G10L25/27;G10L25/48
• 代理公司: 北京律誠同業知識產權代理有限公司 11006
• 代理人: 王玉雙;鄭偉幫

本發明適用于語音合成技術領域，提供了一種聲學模型訓練集的優化生成方法，包括步驟：采集語音輸入信號并轉化成文本數據；分析所述文本數據所對應的領域和意圖信息，并根據所述領域和所述意圖信息以生成對應的反饋信息；分析所述意圖信息對應的音頻特征，并根據所述音頻特征以生成所述反饋信息對應的反饋音頻；根據所述反饋音頻以優化生成聲學模型的訓練集。還提供了一種聲學模型訓練集的優化生成系統、用于存儲執行所述方法的計算機程序的存儲介質以及實現所述方法的計算機設備。借此，本發明通過優化生成的訓練集能夠使得語音合成播報的聲音更容易烘托或者緩和氣氛，可避免僵硬的播報方式。

技術領域

本發明涉及語音合成技術領域，尤其涉及一種聲學模型訓練集的優化生成方法、系統、存儲介質及其計算機設備。

背景技術

隨著語音技術的發展，人們對TTS(Text To Speech，從文本到語音)合成的聲音的要求也逐漸提高；對身邊的人，有時需要在某個時刻有一個特別溫柔的聲音；例如，輔導小孩寫作業與智能終端設備如音箱的互動可能是較為嚴肅的，這時候人機互動涉及到的意圖可能有“查詢題目”，晚上睡覺前為了哄孩子睡覺，可能會播放兒歌，這個時候說話的聲音也會比較溫柔。所以總的而言，面對不同的場景，具體到同領域的不同意圖，客戶都存在著音色、音調的區別。

如何讓TTS播報的聲音更容易讓家庭身邊的人“陶醉”、烘托或者緩和氣氛，畢竟大家都喜歡聽播放兒歌時的音色，而不是查詢題目的音色；是現存需要解決的一大難題。而現有的大多數語音技術方案商都未能提供相應的解決方案。

綜上可知，現有的方法在實際使用上，存在著較多的問題，所以有必要加以改進。

發明內容

針對上述的缺陷，本發明的目的在于提供一種聲學模型訓練集的優化生成方法，系統、存儲介質及其計算機設備，通過優化生成的訓練集能夠使得語音合成播報的聲音更容易烘托或者緩和氣氛，可避免僵硬的播報方式。

為了實現上述目的，本發明提供一種聲學模型訓練集的優化生成方法，包括有：

采集轉化步驟，采集語音輸入信號并轉化成文本數據；

第一分析步驟，分析所述文本數據所對應的領域和意圖信息，并根據所述領域和所述意圖信息以生成對應的反饋信息；

第二分析步驟，分析所述意圖信息對應的音頻特征，并根據所述音頻特征以生成所述反饋信息對應的反饋音頻；

優化生成步驟，根據所述反饋音頻以優化生成聲學模型的訓練集。

所述優化生成步驟進一步包括：

分析所述反饋音頻的特征向量，并將所述特征向量對應的參數作為所述聲學模型的所述訓練集。

可選的，所述優化生成步驟包括：

特征向量步驟，分析至少兩個所述意圖信息對應的所述反饋音頻的所述特征向量；

差值比對步驟，比對所述至少兩個所述意圖信息對應的所述特征向量之間的差值；

優化項選取步驟，根據所述差值與預置的錄入規則以選取對應的所述意圖信息的所述反饋音頻，并將選取的所述反饋音頻設為用于優化生成所述訓練集的優化項。

可選的，所述優化生成步驟包括：

判斷所述意圖信息是否為預置信息，若是則將所述意圖信息對應的所述反饋音頻設為用于優化生成所述訓練集的優化項。

還提供了一種聲學模型訓練集的優化生成系統，包括有：

采集轉化單元，用于采集語音輸入信號并轉化成文本數據；

第一分析單元，用于分析所述文本數據所對應的領域和意圖信息，并根據所述領域和所述意圖信息以生成對應的反饋信息；