[發(fā)明專利]基于喚醒語音模型的喚醒語音合成方法及應(yīng)用喚醒方法

在審

• 申請?zhí)枺?/td>: 202110190523.7
• 申請日: 2021-02-18
• 公開（公告）號: CN113012681A
• 公開（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 彭金華;李牧之;陳潮濤;姜迪
• 申請（專利權(quán)）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G10L13/047
• 分類號: G10L13/047;G10L13/04;G10L13/08
• 代理公司: 北京派特恩知識產(chǎn)權(quán)代理有限公司 11270
• 代理人: 劉暉銘;張穎玲

1.一種基于喚醒語音模型的喚醒語音合成方法，其特征在于，所述喚醒語音模型包括聲紋提取層、音素轉(zhuǎn)換層及預(yù)測層，所述方法包括：

通過所述聲紋提取層，對不同用戶的語音進(jìn)行聲紋特征提取，得到相應(yīng)的用戶聲紋；

通過所述音素轉(zhuǎn)換層，對喚醒文本進(jìn)行音素轉(zhuǎn)換，得到相應(yīng)的喚醒音素序列；

基于所述用戶聲紋和所述喚醒音素序列，通過所述預(yù)測層，進(jìn)行語音參數(shù)預(yù)測，得到相應(yīng)的預(yù)測語音參數(shù)；

基于所述預(yù)測語音參數(shù)進(jìn)行語音合成，得到相應(yīng)的喚醒語音；

其中，所述喚醒語音，用于在與待匹配語音匹配成功時(shí)，喚醒目標(biāo)程序。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述預(yù)測語音參數(shù)進(jìn)行語音合成，得到相應(yīng)的喚醒語音，包括：

基于所述預(yù)測語音參數(shù)進(jìn)行頻譜轉(zhuǎn)換，得到相應(yīng)的語音頻譜；

基于所述語音頻譜進(jìn)行語音編碼，得到相應(yīng)的喚醒語音。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取與所述喚醒文本不匹配的負(fù)例音素序列；

基于所述負(fù)例音素序列，進(jìn)行語音合成得到所述喚醒文本對應(yīng)的負(fù)例語音；

響應(yīng)于針對待匹配語音的語音匹配請求，將所述待匹配語音分別與所述喚醒語音、所述負(fù)例語音進(jìn)行匹配，得到匹配結(jié)果；

發(fā)送所述匹配結(jié)果，以在所述匹配結(jié)果表征所述待匹配語音與所述負(fù)例語音匹配成功時(shí)，不對目標(biāo)程序進(jìn)行喚醒。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過所述音素轉(zhuǎn)換層，對喚醒文本進(jìn)行音素轉(zhuǎn)換，得到相應(yīng)的喚醒音素序列，包括：

獲取重讀參數(shù)及停頓參數(shù)中的至少之一作為讀音參數(shù)；

基于所述讀音參數(shù)，通過所述音素轉(zhuǎn)換層，對喚醒文本進(jìn)行音素轉(zhuǎn)換，得到相應(yīng)的喚醒音素序列。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取語速參數(shù)、音高參數(shù)及音量參數(shù)中的至少之一作為語音泛化參數(shù)；

基于所述語音泛化參數(shù)，對所述喚醒語音進(jìn)行語音泛化處理，得到泛化后的喚醒語音。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

接收針對待匹配語音的語音匹配請求；

響應(yīng)于所述語音匹配請求，對所述待匹配語音的波形特征與所述喚醒語音的波形特征進(jìn)行比對，以確定所述待匹配語音與所述喚醒語音的相似度；

發(fā)送確定的所述相似度，以在所述相似度達(dá)到相似度閾值時(shí)，喚醒目標(biāo)程序。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取攜帶第一分類標(biāo)簽的喚醒語音、以及攜帶第二分類標(biāo)簽的負(fù)例語音；

其中，所述第一分類標(biāo)簽指示所述喚醒語音與所述喚醒文本相匹配，所述第二分類標(biāo)簽指示所述負(fù)例語音與所述喚醒文本不匹配；

基于攜帶第一分類標(biāo)簽的喚醒語音及攜帶第二分類標(biāo)簽的負(fù)例語音，構(gòu)建訓(xùn)練樣本集合，并基于所述訓(xùn)練樣本集合訓(xùn)練語音分類模型；

其中，所述語音分類模型，用于對輸入的待匹配語音進(jìn)行分類，輸出與喚醒文本是否匹配的分類結(jié)果。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述喚醒語音模型還包括語音合成層，所述基于所述預(yù)測語音參數(shù)進(jìn)行語音合成，得到相應(yīng)的喚醒語音，包括：

基于所述預(yù)測語音參數(shù)，通過所述語音合成層，進(jìn)行語音合成，得到相應(yīng)的喚醒語音。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過所述聲紋提取層，對用戶語音進(jìn)行聲紋特征提取之前，所述方法還包括：

通過所述聲紋提取層，對樣本語音進(jìn)行聲紋特征提取，得到相應(yīng)的樣本聲紋；其中，所述樣本語音攜帶語音參數(shù)標(biāo)簽；

通過所述音素轉(zhuǎn)換層，對所述樣本語音對應(yīng)的樣本文本進(jìn)行音素轉(zhuǎn)換，得到相應(yīng)的樣本音素序列；

基于所述樣本聲紋和所述樣本音素序列，通過所述預(yù)測層，進(jìn)行語音參數(shù)預(yù)測，得到相應(yīng)的預(yù)測語音參數(shù)；

基于所述預(yù)測語音參數(shù)與所述語音參數(shù)標(biāo)簽之間的差異，更新所述喚醒語音模型的模型參數(shù)。