[发明专利]一种语音数据获取方法、装置、电子设备和存储介质

说明书

本发明公开了一种语音数据获取方法、装置、电子设备和存储介质，方法包括：获取多个说话人的录音数据；将所述多个说话人的录音数据作为训练数据，训练获得每个说话人对应的声音克隆合成模型；获取语音任务所需语音数据的文本信息；利用所述每个说话人的声音克隆合成模型生成所述文本信息对应的语音数据；保存生成的全部语音数据，作为所述语音任务所需的语音数据。本发明提升了语音数据获取效率、减少了传统数据获取方法带来的高昂成本。

技术领域

本发明涉及语音智能处理技术领域，特别涉及一种语音数据获取方法、装置、电子设备和存储介质。

背景技术

语音识别、情绪识别、关键词检索等语音任务(特别是语音识别类任务)往往依赖于海量的标注语音数据。一般而言，这些标注数据的获取大体可分为三个步骤：1)音频录制、2)质检、3)数据处理。除了数据处理的自动化程度较高、成本可控以外，音频录制和质检均严重依赖人力，存在成本高、周期长的问题，且很难做到自动化，这意味着每一次有了新的语音数据需求的时候都需要重复这个周期。因此，传统的语音标注数据获取方法的流程效率很低。

发明内容

鉴于现有技术中的上述缺陷或不足，本发明提供了一种语音数据获取方法、装置、电子设备和存储介质，与传统语音标注数据获取方法相比，此方法可以通过少量说话人录音标注数据生成对应该说话人的声音克隆模型，并结合文本信息，合成文本信息对应的音频，从而实现后续语音任务中的语音数据的获取。本发明提升了语音数据获取效率、减少了传统数据获取方法带来的高昂成本。

本发明的一个方面，提供了一种语音数据获取方法，包括：

获取多个说话人的录音数据；

将所述多个说话人的录音数据作为训练数据，训练获得每个说话人对应的声音克隆合成模型；

获取语音任务所需语音数据的文本信息；

利用所述每个说话人的声音克隆合成模型生成所述文本信息对应的语音数据；

保存生成的全部语音数据，作为所述语音任务所需的语音数据。

进一步的，所述录音数据包括说话人的语音和文本信息。

进一步的，将所述多个说话人的录音数据作为训练数据，训练获得每个说话人对应的声音克隆合成模型的步骤包括：

提取所述说话人的语音中的梅尔频谱特征，并将所述文本信息转换为音素序列，将获得的梅尔频谱特征和音素序列作为待训练的声音克隆合成模型的输入，以学习获得每个说话人对应的声音克隆合成模型。

本发明的第二方面，提供了一种语音数据获取装置，包括：

第一模块，被配置为获取多个说话人的录音数据；

第二模块，被配置为将所述多个说话人的录音数据作为训练数据，训练获得每个说话人对应的声音克隆合成模型；

第三模块，被配置为获取语音任务所需语音数据的文本信息；

第四模块，被配置为利用所述每个说话人的声音克隆合成模型生成所述文本信息对应的语音数据；

第五模块，被配置为保存生成的全部语音数据，作为所述语音任务所需的语音数据。

进一步的，所述录音数据包括说话人的语音和文本信息。

进一步的，所述第二模块被进一步配置为提取所述说话人的语音中的梅尔频谱特征，并将所述文本信息转换为音素序列，将获得的梅尔频谱特征和音素序列作为待训练的声音克隆合成模型的输入，以学习获得每个说话人对应的声音克隆合成模型。

本发明的第三方面，提供了一种电子设备，所述电子设备包括：

一个或多个处理器；