[发明专利]一种音频处理的方法、装置、可读存储介质和电子设备

权利要求书

1.一种音频处理的方法，其特征在于，该方法包括：

获取第一音频；

确定所述第一音频的第一情感类别；

响应于所述第一情感类别与所述第一音频对应的第二情感类别不同，根据所述第二情感类别修改所述第一音频的音调，生成第二音频。

2.如权利要求1所述的方法，其特征在于，所述第一音频对应的第二情感类别根据情感预测模型预先确定的。

3.如权利要求1所述的方法，其特征在于，所述第一音频对应的第二情感类别为预先设置的。

4.如权利要求1所述的方法，其特征在于，所述根据情感预测模型预先确定的所述第一音频对应的第二情感类别，具体包括：

将所述第一音频的起始时刻之前设定时长的历史音频输入到自动语音识别模型，输出所述历史音频对应的文本信息，其中，所述历史音频用于预测所述第一音频的第二情感类别；

将所述文本信息输入到语义分析模型，输出所述文本信息对应候选情感类别；

将所述候选情感类别与所述历史音频之前N段音频对应的历史情感类别输入到情感预测模型，输出所述第一音频对应的第二情感类别，其中，N为大于或等于1的正整数。

5.如权利要求1所述的方法，其特征在于，所述情感类别包括愉快、悲伤、平淡、厌烦、惊讶以及生气中的至少一项。

6.如权利要求1所述的方法，其特征在于，所述确定所述第一音频的第一情感类别，具体包括：

根据高斯混合模型GMM或者深度神经网络模型，确定所述第一音频的第一情感类别。

7.如权利要求1所述的方法，其特征在于，所述根据所述第二情感类别修改所述第一音频的音调，生成第二音频，具体包括：

通过预先训练的情感转换模型，将所述第一音频的音调从所述第一情感类别修改为所述第二情感类别，生成第二音频，其中，所述情感转换模型为高斯混合模型GMM或者深度神经网络模型，所述第二音频的音调为第二情感类别。

8.如权利要求7所述的方法，其特征在于，所述通过预先训练的情感转换模型，将所述第一音频的音调从所述第一情感类别修改为所述第二情感类别，生成第二音频，具体包括：

确定所述第一音频的至少一个第一情感特征；

根据所述预先训练的情感转换模型将所述至少一个第一情感特征转换为至少一个第二情感特征；

将所述至少一个第二情感特征按照设定方法进行合成，生成第二音频。

9.如权利要求8所述的方法，其特征在于，所述设定方法为波形拼接、以及使用长短期记忆网络LSTM、循环神经网络RNN、Wavenet、或者Fastpitch进行参数合成。

10.如权利要求8所述的方法，其特征在于，所述第一情感特征和所述第二情感特征为矩阵参数。

11.如权利要求8所述的方法，其特征在于，所述情感转换模型的训练过程包括：

获取历史源音频以及历史目标音频，其中，历史源音频的音调与所述历史目标音频的音调的情感类别不同；

根据所述历史源音频确定至少一个第一历史情感特征，以及根据所述历史目标音频确定至少一个第二历史情感特征；

根据所述第一历史情感特征与所述第二历史情感特征训练所述情感转换模型。

12.如权利要求4所述的方法，其特征在于，所述自动语音识别模型包括神经网络模型或者端到端模型。

13.如权利要求4所述的方法，其特征在于，所述语义分析模型包括XGBoost模型、聚类模型或者端到端模型。

14.如权利要求4所述的方法，其特征在于，所述情感预测模型为隐马尔可夫HMM模型。