[发明专利]模型训练方法、模仿音检测方法、装置、设备及存储介质

权利要求书

1.一种模仿音检测模型训练方法，其特征在于，包括：

对样本语音的各个语音帧分别进行特征提取，得到所述样本语音的初始特征序列；

对所述初始特征序列中的部分初始特征进行修改，得到修改后的特征序列；

利用所述修改后的特征序列，确定所述样本语音的各个语音帧的模仿音检测结果；

以所述样本语音的各个语音帧的模仿音检测结果趋近于所述样本语音的标签为目标，对所述模仿音检测模型的参数进行更新；所述标签表征所述样本语音中的各个语音帧是否为模仿音。

2.根据权利要求1所述的方法，其特征在于，所述对样本语音的各个语音帧分别进行特征提取，得到所述样本语音的初始特征序列，包括：

获取样本语音的各个语音帧的声学特征；

对各个语音帧的声学特征分别进行编码，得到各个语音帧的初始编码特征，作为所述样本语音的初始特征序列。

3.根据权利要求2所述的方法，其特征在于，所述对所述初始特征序列中的部分初始特征进行修改，包括：

将所述样本语音的预置比例的语音帧的初始编码特征作为所述部分初始特征进行修改。

4.根据权利要求3所述的方法，其特征在于，所述将所述样本语音的预置比例的语音帧的初始编码特征作为所述部分初始特征进行修改，包括：

对所述预置比例的语音帧的初始编码特征在时域的预置位置进行修改和/或在频域的预置位置进行修改。

5.根据权利要求3所述的方法，其特征在于，所述利用所述修改后的特征序列，确定所述样本语音的各个语音帧的模仿音检测结果，包括：

对所述修后的特征序列中的每一个特征分别进行编码，得到各个语音帧的目标编码特征，作为所述样本语音的目标特征序列；

利用所述目标特征序列，确定所述样本语音的各个语音帧的模仿音检测结果。

6.根据权利要求2所述的方法，其特征在于，所述对所述样本语音的各个语音帧的声学特征分别进行编码，得到各个语音帧的初始编码特征，包括：

对于每一个语音帧，获取该语音帧的声学特征的隐层特征，作为该语音帧的初始编码特征；或者，

对于每一个语音帧，获取该语音帧的声学特征的隐层特征；对该语音帧的声学特征进行二阶差分，得到该语音帧的第一动态特征；对该语音帧的隐层特征进行二阶差分，得到该语音帧的第二动态特征；将该语音帧的隐层特征、所述第一动态特征和所述第二动态特征融合，得到该语音帧的初始编码特征。

7.根据权利要求2所述的方法，其特征在于，所述对各个语音帧的声学特征分别进行编码，得到各个语音帧的初始编码特征，包括：

对于每一语音帧，通过所述模仿音检测模型的第一编码模块获取该语音帧的声学特征的初始编码特征；

所述第一编码模块是基于预先训练好的语音分类模型中的第二编码模块获得的；所述语音分类模型是以由样本模仿音和样本自然人语音构成的样本语音对及其对应的标签对为训练数据训练好的；所述标签对用于标识所述样本语音对中的模仿音和自然人语音。

8.根据权利要求7所述的方法，其特征在于，所述对所述模仿音检测模型的参数进行更新包括对所述第一编码模块的参数的更新；或者，所述对所述模仿音检测模型的参数进行更新不包括对所述第一编码模块的参数的更新。

9.根据权利要求7所述的方法，其特征在于，所述语音分类模型通过如下方式训练得到：

通过所述第二编码模块对样本语音对中的样本模仿音的各个模仿语音帧的声学特征和样本自然人语音的各个自然人语音帧的声学特征分别进行编码，得到各个模仿语音帧的编码特征和各个自然人语音帧的编码特征；

通过所述语音分类模型的特征处理模块将各个模仿语音帧的编码特征和各个自然人语音帧的编码特征融合，得到所述样本语音对的融合特征；利用所述融合特征，确定所述样本语音对中各语音的语音分类结果；

以所述样本语音对中各语音的语音分类结果趋近于所述样本语音对对应的标签对为目标，对所述第二编码模块和所述特征处理模块的参数进行更新。