[发明专利]一种模型训练和语音交互的方法及装置

权利要求书

1.一种模型训练的方法，其特征在于，包括：

获取语音数据；

根据所述语音数据，确定所述语音数据对应的待补偿语音信息，所述待补偿语音信息用于表征所述语音数据中包含的各语音单元对应的原始语音特征；

确定所述语音数据对应的发音习惯特征，并根据所述发音习惯特征，对所述待补偿语音信息进行补偿，得到补偿后语音信息；

将所述补偿后语音信息输入到待训练的语音合成模型，得到语音合成结果；

以最小化所述语音合成结果与所述语音数据之间的偏差为优化目标，对所述语音合成模型进行训练。

2.如权利要求1所述的方法，其特征在于，根据所述语音数据，确定所述语音数据对应的待补偿语音信息，具体包括：

对所述语音数据进行切分，得到各子句，其中，每个子句中包含有至少一个语音单元；

针对每个子句，确定该子句对应的待补偿语音信息；

根据每个子句对应的待补偿语音信息，确定所述语音数据对应的待补偿语音信息。

3.如权利要求1所述的方法，其特征在于，根据所述语音数据，确定所述语音数据对应的待补偿语音信息，具体包括：

确定所述语音数据中的至少一个音源，并根据所述语音数据，确定所述至少一个音源中每个音源对应的音频数据；

根据所述至少一个音源中每个音源对应的音频数据，从所述至少一个音源中选取出目标音源；

根据所述目标音源对应的音频数据，确定所述语音数据对应的待补偿语音信息。

4.如权利要求3所述的方法，其特征在于，根据所述至少一个音源中每个音源对应的音频数据，从所述至少一个音源中选取出目标音源，具体包括：

根据所述至少一个音源中每个音源对应的音频数据，确定所述至少一个音源对应的整体声纹特征，以及确定所述至少一个音源中包含的每个音源对应的音源声纹特征；

根据所述整体声纹特征以及所述至少一个音源中包含的每个音源对应的音源声纹特征，从所述至少一个音源中选取出目标音源。

5.如权利要求1所述的方法，其特征在于，根据所述语音数据，确定所述语音数据对应的待补偿语音信息，具体包括：

从所述语音数据中，筛选出语音质量符合预设条件的语音数据，作为目标语音数据；

根据所述目标语音数据，确定所述语音数据对应的待补偿语音信息。

6.如权利要求5所述的方法，其特征在于，从所述语音数据中，筛选出语音质量符合预设条件的语音数据，作为目标语音数据，具体包括：

从所述语音数据中，筛选出信噪比不低于设定信噪比的语音数据，作为目标语音数据；或

从所述语音数据中，筛选出声音幅度位于设定幅度范围内的语音数据，作为目标语音数据；或

从所述语音数据中，筛选出基频位于设定基频范围内的语音数据，作为目标语音数据；或

从所述语音数据中，筛选出语音时长不低于设定时长的语音数据，作为目标语音数据；或

从所述语音数据中，筛选出语速位于设定语速范围内的语音数据，作为目标语音数据。

7.如权利要求1所述的方法，其特征在于，所述语音单元包括：音素；所述待补偿语音信息包括音素信息以及原始停顿信息中的至少一种，所述原始停顿信息用于表征所述语音数据中出现语音停顿的原始位置；所述发音习惯特征包括：停顿特征、拖音特征以及吞音特征中的至少一种。

8.如权利要求7所述的方法，其特征在于，确定所述语音数据对应的发音习惯特征，具体包括：

针对所述语音数据中包含的每个音素，若该音素对应的时长超过第一设定时长，确定该音素对应的发音习惯特征为拖音特征，若该音素对应的时长小于第二设定时长，确定该音素对应的发音习惯特征为吞音特征，所述第二设定时长比所述第一设定时长短。