[发明专利]语音处理和训练方法以及电子设备

说明书

本申请实施例提供了一种语音处理和训练方法以及电子设备。该语音处理方法包括：获取单播有声读物的单播音频数据，单播音频数据包括N条源音频数据；接着，从M组参考音色特征信息中，确定与N条源音频数据匹配的N组目标音色特征信息，M组参考音色特征信息中任意两组之间的音色区分度大于区分度阈值；然后，获取N组源音频数据对应的N组表现力特征信息，随后，基于N组目标音色特征信息和N组表现力特征信息，对N条源音频数据分别进行音色转换，生成多播音频数据。这样，能够在保证表现力的前提下转换源音频数据的音色，实现将单播有声读物转换为多播有声读物，提高读物中角色的音色区分度，进而提高情景演绎表现度，便于用户理解情节。

技术领域

本申请实施例涉及数据处理领域，尤其涉及一种语音处理和训练方法以及电子设备。

背景技术

目前，有声读物主流内容都是小说，如言情小说、悬疑小说、科幻小说、武侠小说等。由于小说内容存在多角色，因此在录制有声读物时，通常由单人通过伪音进行多角色演绎，来实现小说中多角色语音的录制。

然而，单人能够伪装的声音是有限的，当小说中的角色过多时，即使单人声优通过伪音进行多角色演绎，也无法演绎出所有角色的音色，使得各角色的音色区分度低，从而造成情景演绎表现度上的缺失，不利于用户理解情节。

发明内容

为了解决上述技术问题，本申请提供一种语音处理和训练方法以及电子设备。在该语音处理方法中，能够在保证单播有声读物的表现力的前提下，将单播音频数据转换为多播音频数据，实现将单播有声读物转换为多播有声读物。

第一方面，本申请实施例提供一种语音处理方法，包括：获取单播有声读物的单播音频数据，单播音频数据包括N条源音频数据；随后，从M组参考音色特征信息中，确定与N条源音频数据匹配的N组目标音色特征信息，M组参考音色特征信息对应M种音色，M组参考音色特征信息中任意两组的音色区分度大于区分度阈值；以及获取N组源音频数据对应的N组表现力特征信息；接着，基于N组目标音色特征信息和N组表现力特征信息，对N条源音频数据分别进行音色转换，以生成多播音频数据。这样，能够在保证单播有声读物表现力的前提下，转换各条源音频数据的音色，实现将单播有声读物转换为多播有声读物，提高读物中角色的音色区分度，从而提高有声读物的情景演绎表现度，便于用户理解情节。此外，

一方面，在用户针对单播有声读物执行有声阅读操作后，本申请能够自动匹配各源音频数据的音色，无需用户手动为各源音频数据选取匹配的音色，能够提高单播音频数据转换为多播音频数据的效率，简化用户操作，提高用户体验。

另一方面，在有声读物制作者制作多播有声读物过程中，本申请仅需单人声优通过伪音进行多角色演绎录制单播有声读物，再将单播有声读物转换为多播有声读物，来实现多播有声读物的制作，而无需采用多人声优按照角色分配录制来实现多播有声读物的制作，能够降低多播有声读物的制作时长和制作成本，提高多播有声读物的制作效率。

再一方面，在本申请中，对于已录制的单播有声读物，有声读物制作者可以直接将单播有声读物转换为多播有声读物，无需对已制作的单播有声读物进行重新制作，效率高、成本低。

示例性的，N为正整数，M为正整数。

示例性的，音色特征信息可以用于表征与音色相关的信息，可以包括但不限于：性格特征、性别特征、年龄特征和音区(如高音区、中音区和低音区)特征等，可以采用向量或序列表示，本申请对此不作限制。

根据第一方面，从M组参考音色特征信息中，确定与N条源音频数据匹配的N组目标音色特征信息，包括：对单播音频数据进行音频语句划分，以得到N条源音频数据，N条源音频数据与音频语句一一对应；获取N条源音频数据对应的N组源音色特征信息；基于N组源音色特征信息从M组参考音色特征信息中，确定N组目标音色特征信息。