[发明专利]语音数据生成方法、装置、电子设备及存储介质

说明书

本公开是关于一种语音数据生成方法、装置、电子设备及存储介质，属于互联网技术领域。方法包括：获取声学特征向量，声学特征向量包括待生成语音数据的音色特征，基于特征处理模型，获取声学特征向量对应的线性预测残差的分布特征，根据与声学特征向量的维数匹配的采样数量，对分布特征进行采样，得到线性预测残差，基于声学特征向量和线性预测残差，生成具有音色特征的语音数据。特征处理模型根据具有不同音色的多个样本对象发出的样本语音数据训练得到，能够适用于多种音色，因此基于该特征处理模型，可以生成具有任一种音色的语音数据，生成的语音数据的音色具有多样性，提高了适用性。

技术领域

本公开涉及计算机技术领域，尤其涉及一种语音数据生成方法、装置、电子设备及存储介质。

背景技术

语音合成技术是利用声学、语言学、数字信号处理、计算机科学等生成语音数据的技术，目前已应用到越来越多的电子设备中。随着用户对语音数据的质量要求越来越高，如何基于语音合成技术生成高质量的语音数据成为亟待解决的问题。

相关技术中，根据一个样本对象发出的多条样本语音数据，训练语音数据生成模型，后续即可基于该语音数据生成模型生成语音数据。但是，由于该多条样本语音数据中仅包含该样本对象的音色，因此训练出的语音数据生成模型仅能够生成具有该音色的语音数据，而无法生成具有其他音色的语音数据，因此，上述方法生成的语音数据的音色单一，适用性差。

发明内容

本公开提供了一种语音数据生成方法、装置、电子设备及存储介质，能够克服相关技术中存在的生成的语音数据的音色单一以及适用性差的问题。

根据本公开实施例的第一方面，提供一种语音数据生成方法，所述方法包括：

获取声学特征向量，所述声学特征向量包括待生成语音数据的音色特征；

基于特征处理模型，获取所述声学特征向量对应的线性预测残差的分布特征，所述特征处理模型根据具有不同音色的多个样本对象发出的样本语音数据训练得到；

根据与所述声学特征向量的维数匹配的采样数量，对所述分布特征进行采样，得到线性预测残差；

基于所述声学特征向量和所述线性预测残差，生成具有所述音色特征的语音数据。

在一种可能实现方式中，所述获取声学特征向量，包括：

获取待生成语音数据的文本数据；

获取所述文本数据对应的文本特征向量；

基于与目标音色对应的特征转换模型，获取所述文本特征向量对应的声学特征向量，所述声学特征向量包括所述目标音色的音色特征。

在另一种可能实现方式中，所述基于所述声学特征向量和所述线性预测残差，生成具有所述音色特征的语音数据，包括：

将所述声学特征向量和所述线性预测残差进行叠加，得到所述语音数据。

在另一种可能实现方式中，所述基于特征处理模型，获取所述声学特征向量对应的线性预测残差的分布特征之前，所述方法还包括：

获取多条样本语音数据的样本声学特征向量和样本线性预测残差，所述多条样本语音数据由具有不同音色的多个样本对象发出；

对于每条样本语音数据，基于所述特征处理模型，获取所述样本声学特征向量对应的目标线性预测残差的分布特征；

根据与所述样本声学特征向量的维数匹配的采样数量，对所述分布特征进行采样，得到目标线性预测残差；

根据所述目标线性预测残差与所述样本线性预测残差之间的差异，训练特征处理模型。