[發明專利]通過使用能量分值來訓練語音合成神經網絡在審
| 申請號： | 202110631060.3 | 申請日： | 2021-06-07 |
| 公開（公告）號： | CN113313183A | 公開（公告）日： | 2021-08-27 |
| 發明（設計）人： | 蒂姆·薩利曼斯;阿列克謝·阿萊克謝耶維奇·格里岑科 | 申請（專利權）人： | 谷歌有限責任公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 中原信達知識產權代理有限責任公司 11219 | 代理人： | 周亞榮;鄧聰惠 |
| 地址： | 美國加利*** | 國省代碼： | 暫無信息 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 通過 使用 能量 分值 訓練 語音 合成 神經網絡 | ||
1.一種用于訓練神經網絡的方法，所述神經網絡具有多個參數并且被配置為通過使用條件文本輸入來生成用于定義音頻示例的音頻輸出，
其中，所述神經網絡被配置為接收包括條件文本輸入和噪聲輸入的生成性網絡輸入，并且處理所述生成性網絡輸入以生成音頻輸出，所述音頻輸出包括在多個輸出時間步的每一個處的相應音頻樣本，以及
其中，所述訓練包括：
獲得訓練示例，所述訓練示例包括訓練條件文本輸入和相應的真值(ground-truth)音頻輸出；
通過對多個噪聲輸入中的每一個噪聲輸入，根據所述多個參數的當前值使用所述神經網絡處理包括所述訓練條件文本輸入和所述噪聲輸入的訓練生成性輸入以生成相應的預測音頻輸出，來生成用于所述訓練示例的多個預測音頻輸出；
確定用于表征在所述真值音頻輸出和所述多個預測音頻輸出之間的距離的估計能量分值，包括：
對于所述多個預測音頻輸出中的第一預測音頻輸出，根據距離度量來計算在所述第一預測音頻輸出與所述真值音頻輸出之間的距離；和
對于所述第一預測音頻輸出以及所述多個預測音頻輸出中的第二預測音頻輸出，根據所述距離度量，來計算在所述第一預測音頻輸出和所述第二預測音頻輸出之間的距離；以及
根據所述估計能量分值，確定對所述多個參數的當前值的更新。
2.如權利要求1所述的方法，其中，所述估計能量分值等于：
2d(xi,yi)-d(yi,y′i)，
其中，d是所述距離度量，xi是所述真值音頻輸出，yi是所述第一預測音頻輸出，以及yi'是所述第二預測音頻輸出。
3.如權利要求2所述的方法，其中，根據所述估計能量分值確定對所述多個參數的當前值的更新包括：根據用于表征跨多個訓練示例的組合能量分值的損失函數來確定所述更新，其中，所述損失函數為：
其中，M是訓練示例的數量。
4.如權利要求1所述的方法，其中，所述距離度量是負定的。
5.如權利要求1所述的方法，其中，計算在第一音頻輸出和第二音頻輸出之間的距離包括：
根據頻譜圖距離度量，計算在對應于所述第一音頻輸出的頻譜圖和對應于所述第二音頻輸出的頻譜圖之間的距離。
6.如權利要求5所述的方法，其中，所述頻譜圖距離度量是一個或多個距離函數的線性組合，所述一個或多個距離函數中的每一個的形式是或其中，xi是所述第一音頻輸出，xj是所述第二音頻輸出，以及s(x)是x的頻譜圖。
7.如權利要求6所述的方法，其中，α∈(0,2]以及β∈(0,α]。
8.如權利要求7所述的方法，其中，所述頻譜圖距離度量為：
其中，k是頻譜圖的特定窗口長度，K是頻譜圖的窗口長度的集合，t是頻譜圖的時間點，是在時間點t處具有窗口長度k的音頻輸出x的頻譜圖的值，以及αk是學習到的或預定的權重值。
9.如權利要求7所述的方法，其中，所述頻譜圖距離度量為：
其中，k是頻譜圖的特定窗口長度，K是頻譜圖的窗口長度的集合，t是頻譜圖的時間點，是在時間點t處具有窗口長度k的音頻輸出x的頻譜圖的值，以及αk是學習到的或預定的權重值。
10.如權利要求8所述的方法，其中，K是幾何間隔的窗口長度序列。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于谷歌有限責任公司，未經谷歌有限責任公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110631060.3/1.html，轉載請聲明來源鉆瓜專利網。
