[發明專利]一種應用于TTS的語音轉換方法、裝置、設備及介質

在審

• 申請號: 202210797918.8
• 申請日: 2022-07-08
• 公開（公告）號: CN114882891A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 嵇望;曹禹;黃河
• 申請（專利權）人: 杭州遠傳新業科技股份有限公司
• 主分類號: G10L17/22
• 分類號: G10L17/22;G10L17/04;G10L25/18;G10L25/24;H04M3/51
• 代理公司: 杭州創智卓英知識產權代理事務所(普通合伙) 33324
• 代理人: 劉宏全

本發明公開一種應用于TTS的語音轉換方法、裝置、設備及介質，涉及人工智能技術領域，用于解決相關技術中機器人與人工交替發聲，使得切換前后聲音差別大的問題。該方法包括：獲取實時語音，將實時語音的說話人記為第一說話人；查詢TTS采用的說話人，記為第二說話人，并獲取頻譜轉換模型；提取實時語音的頻譜參數和基頻參數；將實時語音的頻譜參數輸入頻譜轉換模型，得到第二頻譜參數；將實時語音的基頻參數轉換為與第二說話人對應的基頻參數，記為第二基頻參數；合成第二頻譜參數和第二基頻參數以得到待播語音，待播語音配合在TTS播放。本發明在機器人與人工切換過程中，使得切換前后的聲音差別小，提高客戶體驗。

技術領域

本發明涉及人工智能技術領域，尤其是涉及一種應用于TTS的語音轉換方法、裝置、設備及介質。

背景技術

TTS（Text To Speech）是人機對話的一部分，其基于內置芯片的支持，通過神經網絡的設計，可以把文字智能地轉化為自然語音流，以實現“機器說話”，且在其特有智能語音控制器作用下，文本輸出的語音音律流暢，使得聽者在聽取信息時感覺自然，毫無機器語音輸出的冷漠與生澀感。

在相關技術中，TTS被廣泛用于智能客服，以為客戶答疑解惑。但是，在人機交流的過程中，依然存在無法明確用戶需求、交流困難等問題，此時便需要切換至人工，但由于機器人與人工交替發聲，兩者聲音差別較大，會給客戶造成糟糕的體驗。

目前針對相關技術中機器人與人工交替發聲，使得切換前后聲音差別大的問題，尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種應用于TTS的語音轉換方法、裝置、電子裝置設備及介質，可以使得切換前后的聲音差別小，從而提高客戶體驗。

第一方面，本申請實施例提供了一種應用于TTS的語音轉換方法，所述方法包括：

獲取實時語音，將所述實時語音的說話人記為第一說話人；

查詢所述TTS采用的說話人，記為第二說話人，并獲取與所述第一說話人、所述第二說話人相關聯的頻譜轉換模型；

提取所述實時語音的頻譜參數和基頻參數；

將所述實時語音的頻譜參數輸入所述頻譜轉換模型，得到與所述第二說話人對應的頻譜參數，記為第二頻譜參數；

將所述實時語音的基頻參數轉換為與所述第二說話人對應的基頻參數，記為第二基頻參數；

合成所述第二頻譜參數和所述第二基頻參數以得到待播語音，所述待播語音配合在所述TTS播放。

在其中一些實施例中，所述頻譜參數包括：端點檢測信息、基音周期估計信息、梅爾頻率倒譜信息。

在其中一些實施例中，在所述獲取實時語音之前，所述方法還包括：

自源語音庫獲取源語音，所述源語音庫與所述第一說話人對應；

自目標語音庫獲取目標語音，所述目標語音與所述第二說話人對應，且所述源語音與所述目標語音對應同一文本；

分別提取所述源語音和所述目標語音的頻譜參數，對應記為源頻譜參數和目標頻譜參數；

采用動態時間規整算法將所述源頻譜參數對齊于所述目標頻譜參數；

根據對齊后的源頻譜參數和目標頻譜參數訓練所述頻譜轉換模型，以得到所述源頻譜參數與所述目標頻譜參數之間的轉換關系。

在其中一些實施例中，所述方法還包括：

將所述實時語音轉換為文本，記為待定文本；

將所述待定文本轉換為與所述第二說話人對應的語音，記為待定語音；

提取所述待定語音的頻譜參數；

判斷所述待定語音的頻譜參數與所述實時語音的頻譜參數之間的相似度是否符合要求，若否，則將所述實時語音配合放入所述源語音庫內，將所述待定語音放入所述目標語音庫內，并重新訓練所述頻譜轉換模型。