[发明专利]一种实时变声的方法、装置及电子设备

说明书

本发明公开了一种实时变声的方法，获取源说话人的原语音数据；通过语音识别模型提取原始音频识别特征；将所述原始音频识别特征输入到目标变声模型中，输出所述目标说话人的声学特征；将所述目标说话人的声学特征以所述目标语音进行输出。上述技术方案中，由于语音识别模型的参数量小于第一设定参数量，且目标变声模型的参数量小于第二设定参数量，使得语音识别模型和目标变声模型均为小模型，且采用了流式调度特征提取，如此，能够极大的缩减计算量，从而能够实现低响应延迟的实时变声的效果。

技术领域

本发明涉及语音技术领域，特别涉及一种实时变声的方法、装置及电子设备。

背景技术

随着语音识别技术的飞速发展，使得语音识别应用越广泛，例如实时语音翻译和变声等，在使用变声技术时，通常需要使用源说话人和目标说话人的平行语料，再平行语料对齐后再进行训练得到变声模型，以通过训练得到变声模型完成变声。

现有技术中，基于识别的变声技术模型需要采集大量的平行语料，再进行训练后得到变声模型，导致变声模型通常为大规模模型，难以做到在内存和计算资源极低的硬件上进行实时变声。

发明内容

本发明实施例提供一种实时变声的方法、装置及电子设备，能够在内存和计算资源极低的硬件上进行实时变声。

本发明实施例第一方面提供一种实时变声的方法，所述方法包括：

获取源说话人的原语音数据；

通过语音识别模型提取所述原语音数据的原始音频识别特征，其中，所述语音识别模型的参数量小于第一设定参数量；

将所述原始音频识别特征输入到目标变声模型中，输出所述目标说话人的声学特征，其中，所述目标变声模型的参数量小于第二设定参数量；

将所述目标说话人的声学特征以所述目标语音进行输出。

可选的，所述目标变声模型的训练步骤，包括：

获取训练样本集，所述训练样本集包括至少一个说话人的语音数据；

针对所述训练样本集中的每个训练样本，将训练样本的语音数据输入到所述语音识别模型中进行特征提取，提取到训练样本的音频识别特征，以及提取训练样本的声学特征；

根据每个训练样本的音频识别特征和声学特征进行模型训练，得到所述目标变声模型。

可选的，所述根据每个训练样本的音频识别特征和声学特征进行模型训练，得到所述目标变声模型，包括：

针对每个训练样本，将训练样本的音频识别特征作为模型的输入数据，将训练样本的声学特征作为模型的输出数据进行模型训练，得到已训练的变声模型，并将所述已训练的变声模型作为所述目标变声模型。

可选的，在得到已训练的变声模型之后，所述方法还包括：

获取所述目标说话人的语音数据；

将所述目标说话人的语音数据输入到所述语音识别模型中进行特征提取，提取到所述目标说话人的音频识别特征，以及所述目标说话人的声学特征；

利用所述目标说话人的音频识别特征和声学特征对所述已训练的变声模型进行自适应训练，得到自适应变声模型，并将所述自适应变声模型作为所述目标变声模型。

可选的，所述将所述目标说话人的声学特征以所述目标语音进行输出，包括：

将所述目标说话人的声学特征输入到声码器中以所述目标语音进行输出。

本发明实施例第二方面还提供一种实时变声的装置，包括：

语音数据采集单元，用于获取源说话人的原语音数据；