[发明专利]样本生成方法及装置

说明书

本说明书提供样本生成方法及装置，其中所述样本生成方法包括：获取多个文本音频对，其中每个文本音频对中包含文本片段和音频片段；计算所述多个文本音频对中每个文本音频对的音频片段的音频特征，并根据所述音频特征在所述多个文本音频对中筛选出目标文本音频对和所述目标文本音频对对应的拼接文本音频对；将所述目标文本音频对和所述拼接文本音频对拼接为待检测文本音频对，并对所述待检测文本音频对进行检测；在所述待检测文本音频对满足预设检测条件的情况下，将所述待检测文本音频对写入训练数据库。

技术领域

本说明书涉及数据处理技术领域，特别涉及样本生成方法及装置。

背景技术

随着互联网技术的发展，语音合成被越来越多的场景所应用；语音合成（TextToSpeech，TTS）又称为文语转换技术，是一种通过软、硬件结合的方式将文本转换为自然语音的技术，该技术可以通过波形拼接、基于参数的合成或使用神经网络的端到端合成方法实现；其中波形拼接方法需要较长时间的训练数据才能够完成语音合成；而基于参数的合成方法虽然可以完成语音合成，但是所参考的因素较少，导致最终的合成结果并不理想；现有技术中应用较为广泛的即为基于神经网络的端到端合成方法，该方法所需要的数据量小，无需人工调整大量参数即可实现语音合成；虽然端到端的语音合成方法在数据量的需求上要小于其他方法，但是结合基于神经网络的端到端合成方法的特性，对语音数据的质量要求要远高于其他方法，前期准备语音数据的成本将大大的增加，并且准备好的语音数据还可能存在不完善的问题，严重影响基于神经网络的端到端合成方法的实现，因此亟需一种有效的方案以解决上述问题。

发明内容

有鉴于此，本说明书实施例提供了一种样本生成方法。本说明书同时涉及一种样本生成装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。

根据本说明书实施例的第一方面，提供了一种样本生成方法，包括：

获取多个文本音频对，其中每个文本音频对中包含文本片段和音频片段；

计算所述多个文本音频对中每个文本音频对的音频片段的音频特征，并根据所述音频特征在所述多个文本音频对中筛选出目标文本音频对和所述目标文本音频对对应的拼接文本音频对；

将所述目标文本音频对和所述拼接文本音频对拼接为待检测文本音频对，并对所述待检测文本音频对进行检测；

在所述待检测文本音频对满足预设检测条件的情况下，将所述待检测文本音频对写入训练数据库。

可选地，所述获取多个文本音频对，包括：

获取目标文本以及所述目标文本对应的音频；

对所述音频进行预处理获得目标音频，并将所述目标文本转换为音素序列；

将所述音素序列与所述目标音频进行对齐处理，并根据对齐处理结果生成所述多个文本音频对。

可选地，所述根据对齐处理结果生成所述多个文本音频对，包括：

根据对齐处理结果得到音素音频文件，并确定所述音素音频文件的切分位置；

按照所述切分位置对所述音素音频文件进行切分，获得多个音素音频对，其中每个音素音频对中包含音素片段和音频片段；

基于所述目标文本确定所述多个音素音频对中的每个音素音频对的音素片段对应的文本片段；

根据每个音素音频对中音素片段对应的文本片段，以及每个音素音频对中的音频片段生成所述多个文本音频对。

可选地，所述计算所述多个文本音频对中每个文本音频对的音频片段的音频特征，包括：

提取所述多个文本音频对中每个文本音频对的音频片段，并对每个文本音频对的音频片段进行分帧处理，获得每个文本音频对的音频帧集合；