[发明专利]语音处理方法、介质、装置和计算设备

说明书

本发明的实施方式提供了一种语音处理方法、介质、装置和计算设备。该语音处理方法包括：获取指定人员的第一录音文件；从所述第一录音文件中提取所述指定人员的声纹特征；根据所述声纹特征，从第二录音文件中查找与所述声纹特征相匹配的录音数据；对所述录音数据进行转换处理，得到语音与文本的对应关系；基于所述语音与文本的对应关系，进行语音合成。本发明实施例的技术方案可以在得到较为全面的语料数据的基础上，提高语料数据的获取效率，同时增强获取语料数据的可扩展性。

技术领域

本发明的实施方式涉及通信及计算机技术领域，更具体地，本发明的实施方式涉及语音处理方法、介质、装置和计算设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

在智能客服场景中，通常需要使用语音合成技术来将预先准备的文字内容转换成语音，以便提供良好的服务体验。

相关技术中提出的语音合成技术需要先录制客服至少20小时的语料，然后基于录制的语料建立声学特征模型，进而进行语音合成。

发明内容

但是，由于需要人工录制客服较长时间的语料，因此不仅费时而且效率很低；同时，建立的声学特征模型受到录制时长的限制，并且如果语音合成时需要使用的字和词没有出现在事先录制的语料中，则为了对相应的音素进行更新，需要人工重新录制，可扩展性较差。

为此，非常需要一种改进的语音处理方案，以在得到较为全面的语料数据的基础上，提高语料数据的获取效率，同时增强获取语料数据的可扩展性。

在本上下文中，本发明的实施方式期望提供一种语音处理方法、介质、装置和计算设备。

在本发明实施方式的第一方面中，提供了一种语音处理方法，包括：获取指定人员的第一录音文件；从所述第一录音文件中提取所述指定人员的声纹特征；根据所述声纹特征，从第二录音文件中查找与所述声纹特征相匹配的录音数据；对所述录音数据进行转换处理，得到语音与文本的对应关系；基于所述语音与文本的对应关系，进行语音合成。

在本发明的一些实施方式中，基于前述方案，对所述录音数据进行转换处理，得到语音与文本的对应关系，包括：确定所述录音数据中各段录音对应的至少一个候选词组，以及所述至少一个候选词组的选择概率；根据所述至少一个候选词组的选择概率，确定所述各段录音对应的文本，以得到语音与文本的对应关系。

在本发明的一些实施方式中，基于前述方案，确定所述录音数据中各段录音对应的至少一个候选词组，以及所述至少一个候选词组的选择概率，包括：将所述各段录音转换为音素；根据所述各段录音转换得到的音素，确定所述录音数据中各段录音对应的至少一个候选词组，以及所述至少一个候选词组的选择概率。

在本发明的一些实施方式中，基于前述方案，将所述各段录音转换为音素，包括：构建语音与音素的转换模型；基于所述语音与音素的转换模型将所述各段录音转换为音素。

在本发明的一些实施方式中，基于前述方案，根据所述各段录音转换得到的音素，确定所述录音数据中各段录音对应的至少一个候选词组，以及所述至少一个候选词组的选择概率，包括：构建音素与词组的转换模型；根据所述音素与词组的转换模型及所述各段录音转换得到的音素，确定所述各段录音对应的至少一个候选词组，以及所述至少一个候选词组的选择概率。

在本发明的一些实施方式中，基于前述方案，根据所述至少一个候选词组的选择概率，确定所述各段录音对应的文本，包括：计算所述各段录音对应的至少一个候选词组中选择概率最大的两个候选词组的选择概率之差；若任一段录音对应的所述两个候选词组的选择概率之差大于或等于预定值，则将所述两个候选词组中选择概率最大的候选词组作为所述任一段录音对应的文本。