[发明专利]语音处理方法、装置、系统、设备及存储介质

权利要求书

1.一种语音处理方法，其特征在于，所述方法包括：

响应于获取到输入语音数据，向服务器发送携带所述输入语音数据的回复请求；

接收所述服务器返回的处理结果数据，所述处理结果数据由所述服务器根据终端与所述服务器之间的网络质量参数对应的目标处理进度，对所述输入语音数据进行处理后得到，所述目标处理进度用于指示所述服务器对所述输入语音数据的处理进度；

根据所述网络质量参数对应的所述目标处理进度，对所述处理结果数据继续进行处理，得到所述输入语音数据对应的回复语音数据；

其中，所述根据所述网络质量参数对应的所述目标处理进度，对所述处理结果数据继续进行处理，得到所述输入语音数据对应的回复语音数据，包括：根据所述网络质量参数对应的所述目标处理进度，调用语音转换模型对所述处理结果数据继续进行处理，得到所述回复语音数据；

其中，所述根据所述网络质量参数对应的所述目标处理进度，调用语音转换模型对所述处理结果数据继续进行处理，得到所述回复语音数据，包括：确定所述目标处理进度对应的开始子模型，所述开始子模型为开始对所述处理结果数据进行处理的子模型；从所述语音转换模型中的所述开始子模型开始，对所述处理结果数据进行处理，直至得到所述语音转换模型输出的所述回复语音数据。

2.根据权利要求1所述的方法，其特征在于，所述处理结果数据包括所述输入语音数据的回复文本数据，所述根据所述网络质量参数对应的所述目标处理进度，调用语音转换模型对所述处理结果数据继续进行处理，得到所述回复语音数据，包括：

调用所述语音转换模型中的音素转换子模型，对所述回复文本数据进行转换，得到所述回复文本数据对应的音素序列；

调用所述语音转换模型中的时长预测子模型，根据所述音素序列进行预测，得到所述音素序列中的每个音素的发音时长；

调用所述语音转换模型中的特征提取子模型，根据所述音素序列中的每个音素和所述每个音素的发音时长进行特征转换，得到回复声学特征；

调用所述语音转换模型中的语音转换子模型，根据所述回复声学特征进行语音转换，得到所述回复语音数据。

3.根据权利要求1所述的方法，其特征在于，所述处理结果数据包括所述输入语音数据的回复声学特征，所述根据所述网络质量参数对应的所述目标处理进度，调用语音转换模型对所述处理结果数据继续进行处理，得到所述回复语音数据，包括：

调用所述语音转换模型中的语音转换子模型，根据所述回复声学特征进行语音转换，得到所述回复语音数据。

4.根据权利要求1所述的方法，其特征在于，所述处理结果数据包括所述输入语音数据的回复文本数据，所述根据所述网络质量参数对应的所述目标处理进度，对所述处理结果数据继续进行处理，得到所述输入语音数据对应的回复语音数据，包括：

若所述回复文本数据的转换频率属于第一频率范围，则根据所述网络质量参数对应的所述目标处理进度，对所述回复文本数据继续进行处理，得到所述回复语音数据；

其中，转换频率表示将文本数据转换成对应的语音数据的频率，所述第一频率范围为多个参考频率范围中频率最小的。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述回复文本数据的转换频率属于第二频率范围，则从已存储的文本数据与声学特征的对应关系中，查询所述回复文本数据对应的回复声学特征；

根据所述回复声学特征进行语音转换，得到所述回复语音数据；

其中，所述第二频率范围中的频率大于所述第一频率范围中的频率。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述回复文本数据的转换频率属于第三频率范围，则从已存储的文本数据与语音数据的对应关系中，查询所述回复文本数据对应的所述回复语音数据；

其中，所述第三频率范围为所述多个参考频率范围中频率最大的。