[发明专利]声音合成训练数据的采集方法、装置、服务器及存储介质

说明书

本发明公开了一种声音合成训练数据的采集方法、装置、服务器和存储介质，其方法对终端所采集并传送来的被采集人所录制的实际录音音频使用ASR进行识别，根据目标录音文体判断识别出的实际录音文本是否符合质量要求，并对实际录音文本符合质量要求的实际录音音频进行处理，从而生成用于声音模型的训练的声音合成训练数据，因此，采集人可在无压力的环境以自己最好的状态进行音频采集，得到高质量的音频，并进一步对构成声音合成训练数据的实际录音文本和实际录音音频进行质量判断，以提高采集数据的质量，减少人工校验，从而提高声音合成训练数据的采集效率和训练出来的模型质量。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种声音合成训练数据的采集方法、装置、服务器及存储介质。

背景技术

随着视听内容消费的指数级增长，越来越多的人会使用自己的声音或者使用声音合成技术合成出来的音频在自己的视频进行讲解。其中，使用本人的声音进行合成时，需要采集本人的声音并进行训练。一般需要在录音室进行录音，再对采集到的声音进行校对剪辑。如果剪辑后的音频时长不足，则需要再到录音室进行录音，反复的录音会使数据被采集者疲惫而导致收集到的声音不自然。不同的数据被采集者，在陌生的环境中进行录制会有压力，从而无法采集到自然的说话音频。

录制音频花费的时长越长，对数据被采集者和录音师都是有压力的，而且采集到的音频时长越长则需要花费更长的时间进行音频的剪辑与文本校对。在录制过程中也会出现因为口误录制的部分，因为不同人的发音各有特色，通过人工对音频内容进行校对时，有一些文本的发音不能按字典正确读音进行发音或者会变调，文本校对者需要花时间进行思考到底如何修正文本对应的拼音。长时间伴随着多条检验标准对音频进行剪辑并校对，会导致人的听觉疲惫，集中力下降，剪辑出来的音频质量下降，最终导致工作效率降低。

故而，有必要对现有技术进行改进，让数据被采集人能在无压力的环境以自己最好的状态进行音频采集，得到高质量的音频，使得声音合成的效果更加流畅自然。

发明内容

本申请提供一种声音合成训练数据的采集方法、装置、服务器及存储介质，有助于提高声音合成训练数据的采集效率和质量。

第一方面，本申请提供一种声音合成训练数据的采集方法，其包括有：

获取终端所采集的根据目标录音文本所录制的实际录音音频，并使用ASR对实际录音音频进行识别，获得实际录音文本及文本对应在音频中的起始时间；

根据目标录音文本判断实际录音文本是否符合质量要求，以符合质量要求的实际录音文本作为声音合成训练数据；

对实际录音文本符合质量要求的实际录音音频进行处理，其中，对具有单一起始时间的实际录音音频进行降噪处理，而对具有多个起始时间的实际录音音频根据起始时间进行分拆而成多个子音频，对每一子音频进行降噪处理并合并降噪处理后的子音频，以经处理后的实际录音音频作为声音合成训练数据。

第二方面，本申请提供一种声音合成训练数据的采集装置，其包括有：

实际录音音频识别模块，用于获取终端所采集的根据目标录音文本所录制的实际录音音频，并使用ASR对实际录音音频进行识别，获得实际录音文本及文本对应在音频中的起始时间；

实际录音文本判断模块，用于根据目标录音文本判断实际录音文本是否符合质量要求；

实际录音音频处理模块，用于对实际录音文本符合质量要求的实际录音音频进行处理，其中，对具有单一起始时间的实际录音音频进行降噪处理，而对具有多个起始时间的实际录音音频根据起始时间进行分拆而成多个子音频，对每一子音频进行降噪处理并合并降噪处理后的子音频，以经处理后的实际录音音频作为声音合成训练数据。

第三方面，本申请提供一种服务器，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的声音合成训练数据的采集方法。