[發明專利]用于語音合成語料庫的建立方法、裝置、設備和介質

在審

• 申請號: 202110616148.8
• 申請日: 2021-06-02
• 公開（公告）號: CN113362800A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 石強;孫見青;梁家恩
• 申請（專利權）人: 深圳云知聲信息技術有限公司
• 主分類號: G10L13/02
• 分類號: G10L13/02;G10L13/04;G10L15/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種用于語音合成語料庫的建立方法、裝置、設備和介質，該方法包括：獲取第一文本以及第一文本對應的語音數據；切分語音數據得到分割語料；所述分割語料得到第二文本；對比第二文本和第一文本，篩選得到篩選文本；根據篩選文本確定篩選音頻；提取篩選音頻的基頻值；計算基頻值的均值和方差；聚類均值和方差得到聚類結果；根據聚類結果將篩選文本及其對應的語音數據分成k個語料庫。本申請實施例中采取先切分后識別的方式，可以提高文本識別準確率，并且將獲取得到的第一文本作為參考去除識別錯誤的情況；由于基頻與語音風格和音色具有強相關性，使用句子級的基頻均值方差進行分類，有效的保證類內語音風格與音色的一致性。

技術領域

本發明涉及語料庫技術領域，具體涉及一種用于語音合成語料庫的建立方法、裝置、設備和介質。

背景技術

目前，語料庫錄制存在成本高、制作周期長、難度大等問題。但直接使用網絡爬取的語音數據，其中含有大量質量并不能滿足合成模型訓練的數據質量要求的數據。當前常見的自動化構建音庫的方法，對爬取語音進行語音識別獲得識別文本，根據識別文本將語音切分成符合長度要求的短句，最后將切割后的音頻和對應文本作為語庫中的語料。

一個合格的用于語音合成模型訓練的語料庫，通常需要滿足如下要求：1、語音和文本需要有高度的字音一致性；2、同一發音人所有語音在音色、風格、音質等語音學指標上要保持一致；3、每條語音的長度要保持在一定的字數區間，不可過長或者過短。而上述方法由于識別模型存在誤差，所以要求1中內容不能得到有效保證。同時無法通過方法對語音的語言學穩定性進行評估，導致要求2中的內容不能得到滿足。

發明內容

本發明提供一種用于語音合成語料庫的建立方法、裝置、設備和介質，能夠解決語音文本字音一致性差、音色、風格、音質上的一致性較差的技術問題。

本發明解決上述技術問題的技術方案如下：

第一方面，本發明實施例提供了一種用于語音合成語料庫的建立方法，包括：獲取第一文本以及第一文本對應的語音數據；切分所述語音數據得到分割語料；識別所述分割語料得到第二文本；對比第二文本和第一文本，篩選得到篩選文本；根據篩選文本確定篩選音頻；提取篩選音頻的基頻值；計算句子級基頻值的均值和方差；聚類均值和方差得到聚類結果；根據聚類結果將所述篩選文本及其對應的語音數據分成k個語料庫。

在一些實施例中，上述方法中切分所述語音數據得到分割語料，包括：

通過語音活動檢測算法切分所述語音數據得到分割語料。

在一些實施例中，上述方法中對比第二文本和第一文本，篩選得到篩選文本，包括：

根據對比的字數和準確率進行篩選。

在一些實施例中，上述方法還包括：

將k個語料庫使用不同的style-id進行區分。

在一些實施例中，上述方法中識別分割語料得到第二文本，包括：采用自動識別語音技術識別分割語料得到第二文本。

第二方面，本發明實施例還提供了一種用于語音合成語料庫的建立裝置，包括：獲取模塊：用于獲取第一文本以及第一文本對應的語音數據；切分模塊：用于切分語音數據得到分割語料；識別模塊：用于識別分割語料得到第二文本；對比模塊：用于對比第二文本和所述第一文本，篩選得到篩選文本；確定模塊：根據篩選文本確定篩選音頻；提取模塊：用于提取篩選音頻的基頻值；計算模塊：用于計算句子級基頻值的均值和方差；聚類模塊：用于聚類均值和方差得到聚類結果；分類模塊：根據聚類結果將篩選文本及其對應的語音數據分類得到k個語料庫。

在一些實施例中，上述裝置中切分模塊切分語音數據得到分割語料，包括：

通過語音活動檢測算法切分所述語音數據得到分割語料。

在一些實施例中，上述對比模塊還用于：