[发明专利]语音处理系统和处理语音信号的方法

权利要求书

1.一种用于生成翻译语音的语音处理系统，所述系统包括：

用于接收包括第二语言的第一语音信号的输入；

用于输出包括第一语言的第二语音信号的输出；以及

处理器，被配置成：

从所述第一语音信号的分段生成第一文本信号，所述第一文本信号包括所述第二语言；

从所述第一文本信号生成第二文本信号，所述第二文本信号包括所述第一语言；

从所述第一语音信号的分段中提取多个第一特征矢量，其中，所述第一特征矢量包括关于与所述第一语音信号的分段相对应的音频数据的信息；

使用第一训练算法将所述第一特征矢量中的一个或多个作为输入来生成说话者矢量，其中，所述说话者矢量表示与说话者相对应的一组特征；

使用第二训练算法将与所述第二文本信号有关的信息作为输入并使用所述说话者矢量来生成第二语音信号分段，所述第二语音信号分段包括所述第一语言。

2.根据权利要求1所述的语音处理系统，其中，所述音频数据包括频谱数据，其中，从所述第一语音信号的分段中提取的所述第一特征矢量对应于所述第一语音信号的分段的帧。

3.根据权利要求2所述的语音处理系统，其中，所述第一特征矢量还包括以下项中的一个或多个：与所述第一语音信号的帧的基频有关的信息、与所述第一语音信号的帧的非周期性有关的信息、以及与所述帧是浊音还是清音有关的信息。

4.根据前述权利要求中任一项所述的语音处理系统，其中，所述第一训练算法包括训练神经网络。

5.根据前述权利要求中任一项所述的语音处理系统，其中，生成所述第二语音信号分段包括：

将所述第二文本信号转换为语音单位的序列；

将语音单位转换为代表矢量，与所述第二文本信号有关的信息包括所述代表矢量；

使用所述第二训练算法来生成多个第二特征矢量，所述第二特征矢量包括与音频数据有关的信息；

从所述生成的第二特征矢量来生成所述第二语音信号分段。

6.根据权利要求5所述的语音处理系统，其中，所述第二训练算法包括神经网络，其中，以当前时间步长生成第二特征矢量包括：

生成所述代表矢量的加权组合；

生成表示所述加权组合的矢量；

将针对所述当前时间步长和一个或多个先前时间步长生成的矢量的序列与所述说话者矢量进行组合，以生成组合矢量；以及

将所述组合矢量输入到所述神经网络中，所述神经网络针对所述当前时间步长输出所述第二特征矢量。

7.根据权利要求5或6所述的语音处理系统，其中，所述代表矢量在被输入到所述第二训练算法之前分别与所述说话者矢量进行组合。

8.根据权利要求5至7中任一项所述的语音处理系统，其中，从所述生成的第二特征矢量生成所述第二语音信号分段包括使用第三训练算法。

9.根据前述权利要求中任一项所述的语音处理系统，其中，使用所述第二训练算法生成所述第二语音信号分段还包括使用语言矢量。

10.根据权利要求9所述的语音处理系统，其中，将所述语言矢量和所述说话者矢量进行组合。

11.根据前述权利要求中任一项所述的语音处理系统，其中，所述第一训练算法输出表示针对所述说话者矢量中的一个或多个特征的概率分布的一个或多个参数，并且其中，使用所述概率分布来生成所述说话者矢量。

12.根据权利要求11所述的语音处理系统，其中，所述参数包括平均值和标准偏差，并且其中，所述概率分布是高斯分布，其中，所述第一训练算法输出与所述说话者矢量中的特征相对应的平均值和标准偏差值，并且其中，然后使用由所述平均值和所述标准差值定义的所述高斯分布来生成所述说话者矢量中的特征的值。