[發(fā)明專利]用于生成音頻的方法、裝置、設備和介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011272828.4
• 申請日: 2020-11-13
• 公開（公告）號: CN112382273A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設計）人: 湯本來;史璇
• 申請（專利權）人: 北京有竹居網(wǎng)絡技術有限公司
• 主分類號: G10L13/033
• 分類號: G10L13/033;G10L13/04;G10L19/00;G10L25/03;G10L25/27
• 代理公司: 北京海智友知識產(chǎn)權代理事務所(普通合伙) 11455
• 代理人: 吳京順

1.一種用于生成音頻的方法，包括：

獲取源說話人的聲學特征信息和目標年齡段標簽信息；

基于所述源說話人的聲學特征信息和目標年齡段標簽信息，生成目標語音音頻，其中，所述目標年齡段標簽信息用于指示目標語音音頻所屬的年齡段信息。

2.根據(jù)權利要求1所述的方法，其中，所述基于所述源說話人的聲學特征信息和目標年齡段標簽信息，生成目標語音音頻，包括：

將所述源說話人的聲學特征信息輸入預訓練的生成對抗網(wǎng)絡中生成網(wǎng)絡中的編碼器，得到編碼后的聲學特征信息；

將編碼后的聲學特征信息和目標年齡段標簽信息輸入預訓練的生成對抗網(wǎng)絡中生成網(wǎng)絡中的解碼器，得到目標聲學特征信息；

將所述目標聲學特征信息輸入聲碼器，得到目標語音音頻。

3.根據(jù)權利要求2所述的方法，其中，所述編碼器和所述解碼器通過以下方式訓練得到：

獲取不同用戶提供的聲學特征信息樣本；

將聲學特征信息樣本輸入待訓練的編碼器，得到編碼后的聲學特征信息樣本；

將所述編碼后的聲學特征信息樣本輸入解碼器，得到預測的聲學特征信息；

基于所述預測的聲學特征信息、與輸入的聲學特征信息樣本相對應的具有期望的年齡段標簽信息的聲學特征信息和生成對抗網(wǎng)絡中的判別網(wǎng)絡，對生成網(wǎng)絡的編碼器和解碼器進行訓練，得到訓練完成的編碼器和解碼器。

4.根據(jù)權利要求3所述的方法，其中，所述基于所述預測的聲學特征信息、與輸入的聲學特征信息樣本相對應的具有期望的年齡段標簽信息的聲學特征信息和生成對抗網(wǎng)絡中的判別網(wǎng)絡，對生成網(wǎng)絡的編碼器和解碼器進行訓練，得到訓練完成的編碼器和解碼器，包括：

將預測的聲學特征信息輸入年齡段信息分類器，得到分類后的聲學特征信息；

將分類后的聲學特征信息和與輸入的聲學特征信息樣本相對應的具有期望的年齡段標簽信息的聲學特征信息輸入判別網(wǎng)絡以對生成網(wǎng)絡的編碼器和解碼器進行訓練，得到訓練完成的編碼器和解碼器。

5.根據(jù)權利要求1所述的方法，其中，所述基于所述源說話人的聲學特征信息和目標年齡段標簽信息，生成目標語音音頻，包括：

基于所述源說話人的聲學特征信息、源說話人的年齡段標簽信息和目標年齡段標簽信息，生成目標語音音頻，其中，所述源說話人的年齡段標簽信息用于指示源說話人的聲學特征信息所屬的年齡段信息。

6.根據(jù)權利要求3所述的方法，其中，所述不同用戶的性別與源說話人的性別相同。

7.根據(jù)權利要求1-6任一所述的方法，其中，所述聲學特征信息為梅爾頻譜信息。

8.一種用于生成音頻的裝置，包括：

獲取單元，被配置成獲取源說話人的聲學特征信息和目標年齡段標簽信息；

生成單元，被配置成基于所述源說話人的聲學特征信息和目標年齡段標簽信息，生成目標語音音頻，其中，所述目標年齡段標簽信息用于指示目標語音音頻所屬的年齡段信息。

9.一種電子設備，包括：

一個或多個處理器；

存儲裝置，其上存儲有一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)如權利要求1-7中任一所述的方法。

10.一種計算機可讀介質(zhì)，其上存儲有計算機程序，其中，所述程序被處理器執(zhí)行時實現(xiàn)如權利要求1-7中任一所述的方法。