面向机器人的声音转换方法、装置、电子设备及存储介质与流程

本发明涉及声音转换，尤其涉及一种面向机器人的声音转换方法、装置、电子设备及存储介质。

背景技术：

1、现有机器人一般将语音合成模块生成的声音直接通过喇叭播放。这类声音的音调、音量和语速变化通常较为固定，缺少真人说话时自然出现的重音、轻音、停顿、呼吸声、语气变化和音节之间的平滑过渡，因此容易给人机械、生硬和缺乏亲和力的感觉。

2、现有技术中，往往仅通过整体调节音调、改变播放速率，或者简单调整音色的方式，完成对待播放音频的转换。但是，由于现有技术仅是对待播放语音进行整体性粗略调整，导致转换得到的音频，容易出现声音失真、语气不自然及音节衔接突兀的问题。其次，由于现有技术忽略了音频播放设备差异性对音频播放听感的关键影响，导致不同音频播放设备输出的音频往往听感一致性较差。

技术实现思路

1、本发明提供了一种面向机器人的声音转换方法、装置、电子设备及存储介质，解决了现有技术仅是对待播放语音进行整体性粗略调整，且忽略了音频播放设备差异性影响，导致转换得到的音频容易失真、语气不自然、音节衔接突兀，且听感一致性较差的问题，可以有效抑制音频失真，提升语音语气自然度，平滑音节间的衔接过渡，使机器人输出的语音更贴近真人发声，同时提高机器人输出语音的听感一致性。

2、第一方面，本发明实施例提供了一种面向机器人的声音转换方法，包括：获取与目标机器人对应的待播放音频，以及与待播放音频对应的播放文本；并在待播放音频中，确定与播放文本中各音节分别对应的音频帧集合；根据与各音节分别对应的音频帧集合，确定与各音节分别对应的语音标注属性和原始声音参数；在预设人声模板库中选定目标人声模板；并根据目标人声模板，以及与各音节分别对应的语音标注属性，对与各音节分别对应的原始声音参数进行转换，得到与各音节分别对应的目标声音参数；基于与各音节分别对应的目标声音参数，将待播放音频转换为待处理仿人音频；并基于待处理仿人音频，以及目标机器人上音频播放设备的设备补偿参数，生成与目标机器人对应的目标仿人音频。

3、第二方面，本发明实施例还提供了一种面向机器人的声音转换装置，包括：音频帧确定模块，用于获取与目标机器人对应的待播放音频，以及与待播放音频对应的播放文本；并在待播放音频中，确定与播放文本中各音节分别对应的音频帧集合；原始参数确定模块，用于根据与各音节分别对应的音频帧集合，确定与各音节分别对应的语音标注属性和原始声音参数；参数转换模块，用于在预设人声模板库中选定目标人声模板；并根据目标人声模板，以及与各音节分别对应的语音标注属性，对与各音节分别对应的原始声音参数进行转换，得到与各音节分别对应的目标声音参数；仿人音频生成模块，用于基于与各音节分别对应的目标声音参数，将待播放音频转换为待处理仿人音频；并基于待处理仿人音频，以及目标机器人上音频播放设备的设备补偿参数，生成与目标机器人对应的目标仿人音频。

4、第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例提供的面向机器人的声音转换方法。

5、第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的面向机器人的声音转换方法。

6、本发明的技术方案，通过获取与目标机器人对应的待播放音频，以及与待播放音频对应的播放文本，并在待播放音频中，确定与播放文本中各音节分别对应的音频帧集合；根据与各音节分别对应的音频帧集合，确定与各音节分别对应的语音标注属性和原始声音参数；在预设人声模板库中选定目标人声模板，并根据目标人声模板，以及与各音节分别对应的语音标注属性，对与各音节分别对应的原始声音参数进行转换，得到与各音节分别对应的目标声音参数；基于与各音节分别对应的目标声音参数，将待播放音频转换为待处理仿人音频，并基于待处理仿人音频，以及目标机器人上音频播放设备的设备补偿参数，生成与目标机器人对应的目标仿人音频的技术手段，解决了现有技术仅是对待播放语音进行整体性粗略调整，且忽略了音频播放设备差异性影响，导致转换得到的音频容易失真、语气不自然、音节衔接突兀，且听感一致性较差的问题，可以有效抑制音频失真，提升语音语气自然度，平滑音节间的衔接过渡，使机器人输出的语音更贴近真人发声，同时提高机器人输出语音的听感一致性。

7、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

1.一种面向机器人的声音转换方法，其特征在于，所述面向机器人的声音转换方法包括：

2.根据权利要求1所述的面向机器人的声音转换方法，其特征在于，在所述待播放音频中，确定与所述播放文本中各音节分别对应的音频帧集合，包括：

3.根据权利要求1所述的面向机器人的声音转换方法，其特征在于，所述语音标注属性包括发声状态、发音方式、音量等级、句中位置、语句类型和呼吸事件标记；

4.根据权利要求1所述的面向机器人的声音转换方法，其特征在于，根据与各所述音节分别对应的音频帧集合，确定与各所述音节分别对应的语音标注属性和原始声音参数，包括：

5.根据权利要求4所述的面向机器人的声音转换方法，其特征在于，基于与各所述音节分别对应的语音声学特征，以及各所述音节在所述播放文本中所属的句子，确定与各所述音节分别对应的语音标注属性，包括：

6.根据权利要求3所述的面向机器人的声音转换方法，其特征在于，根据所述目标人声模板，以及与各所述音节分别对应的语音标注属性，对与各所述音节分别对应的原始声音参数进行转换，得到与各所述音节分别对应的目标声音参数，包括：

7.根据权利要求1所述的面向机器人的声音转换方法，其特征在于，在基于所述待处理仿人音频，以及所述目标机器人上音频播放设备的设备补偿参数，生成与所述目标机器人对应的目标仿人音频之前，还包括：

8.一种面向机器人的声音转换装置，其特征在于，所述面向机器人的声音转换装置包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的面向机器人的声音转换方法。