[发明专利]用于生成模型的方法和装置

说明书

本申请实施例公开了用于生成模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。该实施方式丰富了模型的训练方式，有助于提高语音端点识别的准确度。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成模型的方法和装置。

背景技术

盲源分离(BlindSourceSeparation，BSS)，又称为盲信号分离，是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。盲源分离和盲辨识是盲信号处理的两大类型。

现有技术中，通常是提取每一帧的声学特征，利用神经网络来解决盲源分离问题。盲源分离可以将目标说话人的语音从一段多说话人同时说话的音频中提取出来；还可以将语音从背景噪声中分离出来。此外，用于解决盲源分离的技术方案可以广泛应用于智能音箱、智能电视、智能冰箱等人机会话场景中。

发明内容

本申请实施例提出了用于生成模型的方法和装置，以及用于提取音频的方法和装置，用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成模型的方法，该方法包括：获取训练样本集合，其中，训练样本包括音频的音频特征、音频的掩蔽阈值和音频指示的音节的类别，掩蔽阈值用于从音频中提取待提取音频；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型。

在一些实施例中，音频的掩蔽阈值是通过如下步骤确定的：针对音频包括的至少一个子音频中的子音频，基于该子音频包括的待提取音频的功率和该子音频的功率，确定该子音频对应的掩蔽阈值；将所确定的掩蔽阈值的集合，确定为音频的掩蔽阈值。

在一些实施例中，音频与音节一一对应；以及音频指示的音节是通过如下步骤确定的：确定音频对应的至少一个音素；将音频对应的至少一个音素中相邻的声母音素和韵母音素进行组合，得到音频指示的音节。

在一些实施例中，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为输入，将与输入的音频特征对应的掩蔽阈值作为第一期望输出，将与输入的音频特征对应的类别作为第二期望输出，训练得到音频提取模型，包括：获取预先确定的初始音频提取模型的模型结构信息和模型参数集合，其中，模型结构信息用于指示初始音频提取模型的模型结构，初始音频提取模型包括第一模型和第二模型，第一模型和第二模型包括共用的模型结构和模型参数，第一模型和第二模型具有相同的输入；利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，其中，第一模型的期望输出为第一期望输出，第二模型的期望输出为第二期望输出。

在一些实施例中，利用机器学习算法，将训练样本集合中的训练样本包括的音频特征作为第一模型和第二模型的相同的输入，将与输入的音频特征对应的掩蔽阈值和类别分别作为第一模型和第二模型的期望输出，训练得到音频提取模型，包括：从训练样本集合中选取训练样本，以及执行如下训练步骤：将选取的训练样本包括的音频特征输入至初始音频提取模型，得到实际输出，其中，实际输出是第二模型的输出，实际输出表征音频指示的音节的类别；基于实际输出，确定初始音频提取模型是否满足预先确定的结束条件；响应于确定满足结束条件，将满足结束条件的初始音频提取模型，确定为训练得到的音频提取模型。