语音生成方法、装置、电子设备以及存储介质与流程

1.本公开涉及计算机技术领域，特别涉及深度学习、语音技术等人工智能技术领域，尤其涉及语音生成方法、装置、电子设备以及存储介质。


背景技术：

2.随着人工智能与媒体行业、客服行业的深度融合，越来越多的虚拟数字人出现在媒体、客服岗位中。目前的虚拟数字人是通过语音驱动的，即通过语音驱动虚拟数字人进行唇部、面部表情变化和各种肢体动作。
3.但相关技术中，通常是直接通过发音人的原始语音去驱动虚拟数字人，比如在客服场景中，直接通过真人客服的语音驱动虚拟数字人，由于虚拟数字人的语音音色和真人客服的语音的音色相同，从而可能出现虚拟数字人的形象和语音不一致的情况。


技术实现要素：

4.本公开提供了一种语音生成方法、装置、电子设备以及存储介质。
5.根据本公开的一方面，提供了一种语音生成方法，包括：获取原发音人的语音信息；对所述语音信息进行文本特征提取，以得到所述语音信息对应的文本特征；将所述文本特征转换为目标发音人对应的声学特征；根据所述声学特征，生成目标语音信号。
6.根据本公开的另一方面，提供了一种语音生成装置，包括：第一获取模块，用于获取原发音人的语音信息；提取模块，用于对所述语音信息进行文本特征提取，以得到所述语音信息对应的文本特征；转换模块，用于将所述文本特征转换为目标发音人对应的声学特征；生成模块，用于根据所述声学特征，生成目标语音信号。
7.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的语音生成方法。
8.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的语音生成方法。
9.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据如上所述的语音生成方法。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是根据本公开第一实施例的语音生成方法的流程示意图；
13.图2是根据本公开第二实施例的语音生成方法的流程示意图；
14.图3是根据本公开第二实施例的语音生成方法的另一流程示意图；
15.图4是根据本公开第三实施例的语音生成方法的流程示意图；
16.图5是根据本公开第四实施例的语音生成装置的结构示意图；
17.图6是根据本公开第五实施例的语音生成装置的结构示意图；
18.图7是用来实现本公开实施例的语音生成方法的电子设备的框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
21.可以理解的是，相关技术中，通常是直接通过发音人的原始语音去驱动虚拟数字人，比如在客服场景中，直接通过真人客服的语音驱动虚拟数字人，由于虚拟数字人的语音音色和真人客服的语音的音色相同，从而可能出现虚拟数字人的形象和语音不一致的情况。比如，假设虚拟数字人为女性的形象，在通过男性的发音人的语音驱动虚拟数字人时，虚拟数字人的语音则为男性的声音，这与虚拟数字人的形象不一致。
22.本公开针对上述问题，提出一种语音生成方法，该语音生成方法，在获取原发音人的语音信息后，对语音信息进行文本特征提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对应的声学特征，进而根据声学特征，生成目标语音信号，由此，实现了将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
23.下面参考附图描述本公开实施例的语音生成方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。
24.首先结合图1，对本公开提供的语音生成方法进行详细描述。
25.图1是根据本公开第一实施例的语音生成方法的流程示意图。其中，需要说明的是，本公开实施例提供的语音生成方法，执行主体为语音生成装置。该语音生成装置可以为电子设备，也可以被配置在电子设备中，以实现将原发音人的语音信息转换为与目标发音人的音色一致的目标语音信号。本公开实施例以语音生成装置被配置在电子设备中为例进行说明。
26.其中，电子设备，可以是任意能够进行数据处理的静止或者移动计算设备，例如笔记本电脑、智能手机、可穿戴设备等移动计算设备，或者台式计算机等静止的计算设备，或者服务器，或者其它类型的计算设备等，本公开对此不作限制。
27.如图1所示，语音生成方法，可以包括以下步骤：
28.步骤101，获取原发音人的语音信息。
29.其中，原发音人，可以为任意发音人。
30.需要说明的是，本公开实施例中的语音生成装置可以通过各种公开、合法合规的
方式获取原发音人的语音信息，例如语音生成装置可以在经过原发音人授权后，在原发音人讲话时实时采集原发音人的语音信息，或者也可以在经过原发音人授权后从其它装置获取原发音人的录音信息，或者也可以通过其它合法合规的方式获取原发音人的语音信息，本公开对此不作限制。
31.以客服场景中通过真人客服的语音驱动虚拟数字人为例，真人客服即为原发音人，在经过真人客服授权后，语音生成装置可以在真人客服讲话时，实时采集真人客服的语音，从而可以获取到原发音人的语音信息。
32.步骤102，对语音信息进行文本特征提取，以得到语音信息对应的文本特征。
33.其中，文本特征，为语音信息中与文本相关的特征，文本特征能够表征语音信息的语音文本内容。
34.在示例性实施例中，文本特征，可以为后验概率图特征(phonetic posteriorgrams,ppg)，其中，后验概率图特征的物理含义为每个声学片段所属的语言学单元的概率分布，或者，文本特征也可以为因素序列等其它特征，本公开对此不作限制。
35.在示例性实施例中，可以预先训练得到特征提取模型，其中，特征提取模型的输入为待提取文本特征的语音信息，输出为输入的语音信息中的文本特征，从而通过将原发音人的语音信息输入经过训练的特征提取模型，可以得到语音信息对应的文本特征。其中，特征提取模型，可以为任意类型的能够提取文本特征的模型，比如神经网络模型，本公开对此不作限制。
36.步骤103，将文本特征转换为目标发音人对应的声学特征。
37.在示例性实施例中，可以预先训练特征转换模型，从而利用特征转换模型，将文本特征转换为目标发音人对应的声学特征。
38.其中，声学特征，为表征语音声学特性的物理量。目标发音人对应的声学特征，为原发音人的语音信息对应于目标发音人时的声学特征，表征原发音人的语音信息对应于目标发音人时的语音声学特性。
39.在示例性实施例中，声学特征，可以为梅尔(mel)刻度的频谱包络特征，或者，也可以为基频特征等其它特征，本公开对此不作限制。
40.目标发音人，为预先设定的特定发音人。比如，可以为对应的语音与虚拟数字人的形象一致的发音人。
41.举例来说，以客服场景中通过真人客服的语音驱动虚拟数字人为例，假设虚拟数字人的形象与发音人a的语音一致，在通过真人客服b(即原发音人)的语音驱动虚拟数字人时，需要将真人客服b的语音信息转换为对应音色与发音人a的音色一致的语音信号，此时发音人a即为目标发音人。本公开实施例中，可以将原发音人b的语音信息中提取出的文本特征，转换为目标发音人a对应的声学特征，其中，声学特征表征原发音人b的语音信息对应于目标发音人a时的语音声学特性。
42.需要说明的是，本公开实施例中的虚拟数字人的形象，并不是针对某一特定用户的形象，并不能反映出某一特定用户的个人信息。
43.步骤104，根据声学特征，生成目标语音信号。
44.在示例性实施例中，得到目标发音人对应的声学特征后，即可根据声学特征，生成目标语音信号，其中，目标语音信号对应的音色与目标发音人一致，从而实现将原发音人的
语音信息转换为对应音色与目标发音人一致的目标语音信号。
45.可以理解的是，本公开实施例中生成的目标语音信号，可以用于驱动虚拟数字人，由于可以设置目标发音人为其语音与虚拟数字人形象一致的发音人，并将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而无论原发音人为哪个发音人，均可以采用本公开实施例提供的语音生成方法，将原发音人的语音信息转换为对应音色与虚拟数字人形象一致的目标语音信号，进而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
46.举例来说，以客服场景中通过真人客服的语音驱动虚拟数字人为例，假设虚拟数字人的形象与发音人a的语音一致，设置发音人a为目标发音人，由于通过本公开实施例提供的语音生成方法，可以实现将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，则无论原发音人为发音人b还是c或其它任意发音人，均可以得到与发音人a的音色一致的目标语音信号，进而在通过目标语音信号驱动虚拟数字人时，可以保证虚拟数字人的语音与形象一致。
47.需要说明的是，本公开实施例提供的语音生成方法，由于是直接将从原发音人的语音信息中提取的文本特征转换为目标发音人对应的声学特征，进而根据声学特征生成目标语音信号，目标语音信号中保留了原发音人的情感、语气等特征，从而通过本公开实施例生成的目标语音信号驱动虚拟数字人时，能够使虚拟数字人的语音富含原发音人的情感、语气等真人特征，从而给用户带来有温度的互动体验，提升虚拟数字人的趣味性和新鲜感。
48.本公开实施例提供的语音生成方法，在获取原发音人的语音信息后，对语音信息进行文本特征提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对应的声学特征，进而根据声学特征，生成目标语音信号，由此，实现了将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
49.通过上述分析可知，本公开实施例中，可以利用经过训练的特征转换模型，将文本特征转换为目标发音人对应的声学特征，下面结合图2，对本公开提供的语音生成方法中，将文本特征转换为目标发音人对应的声学特征的过程进一步说明。
50.图2是根据本公开第二实施例的语音生成方法的流程示意图。如图2所示，语音生成方法，可以包括以下步骤：
51.步骤201，获取原发音人的语音信息。
52.其中，步骤201的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。
53.步骤202，对语音信息进行语音识别。
54.步骤203，获取对语音信息进行语音识别的过程中的中间结果。
55.步骤204，将中间结果作为文本特征。
56.可以理解的是，通常对语音信息进行语音识别的过程中，会提取到语音信息中的文本特征，进而通过对作为中间结果的文本特征进行进一步处理，来实现对语音信息的语音识别。
57.那么，在本公开实施例中，可以采用相关技术中的语音识别方法，比如直接利用语音技术领域中的语音识别模型，对语音信息进行语音识别，并获取对语音信息进行语音识
别的过程中的中间结果，并将中间结果作为文本特征，以实现获取语音信息中的文本特征。
58.由于可以直接采用相关技术中的语音识别方法对语音信息进行语音识别，并将语音信息的语音识别过程中的中间结果作为语音信息对应的文本特征，无需再训练特征提取模型来提取文本特征，从而降低了获取语音信息对应的文本特征的成本。
59.步骤205，将文本特征和目标发音人的标签输入经过训练的特征转换模型，以得到目标发音人对应的声学特征。
60.其中，目标发音人对应的声学特征，为原发音人的语音信息对应于目标发音人时的声学特征。
61.目标发音人的标签，用于唯一标识目标发音人，其可以根据需要设置。
62.在示例性实施例中，可以预先训练得到特征转换模型，特征转换模型的输入为某发音人的标签和从某语音信息中提取出的文本特征，输出为该语音信息对应于该发音人时的声学特征，从而在获取到原发音人的语音信息对应的文本特征以及目标发音人的标签后，可以将文本特征和目标发音人的标签输入经过训练的特征转换模型，以得到原发音人的语音信息对应于目标发音人时的声学特征。
63.参考图3，在获取原发音人的语音信息301后，可以对语音信息进行文本特征提取，得到语音信息301对应的文本特征302，再根据文本特征302和目标发音人的标签，通过特征转换的方式，得到目标发音人对应的声学特征303。
64.通过将文本特征和目标发音人的标签输入经过训练的特征转换模型，以得到目标发音人对应的声学特征，实现了准确获取原发音人的语音信息对应于目标发音人时的声学特征。
65.相应的，在步骤205之前，还可以通过以下方式，训练得到特征转换模型：
66.获取训练数据，其中，训练数据中包括多个样本发音人的标签，以及从各样本发音人对应的样本语音信息中提取出的样本文本特征，训练数据采用样本语音信息的样本声学特征进行标注；
67.获取初始特征转换模型；
68.将样本发音人的标签以及样本发音人对应的样本语音信息中提取出的样本文本特征，输入初始特征转换模型，以得到样本发音人对应的样本语音信息的预测声学特征；
69.根据样本发音人对应的样本语音信息的预测声学特征与样本语音信息的样本声学特征之间的差异，对初始特征转换模型的模型参数进行调整，以得到经过训练的特征转换模型。
70.其中，采用样本语音信息的样本声学特征对训练数据进行标注时，样本语音信息的样本声学特征，为该样本语音信息对应于样本发音人时的样本声学特征，其中，样本发音人为该样本语音信息对应的样本发音人。
71.比如，对于样本发音人a，训练数据中可以包括样本发音人a的标签，以及从样本发音人a对应的样本语音信息b中提取出的样本文本特征，且该样本发音人a的标签以及从样本发音人a对应的样本语音信息b中提取出的样本文本特征，以样本语音信息b对应于发音人a时的样本声学特征进行标注。
72.其中，初始特征转换模型，可以为任意类型的能实现文本特征到声学特征的转换的模型，比如深度神经网络模型，本公开对初始特征转换模型的结构和类型不作限制。
73.需要说明的是，本公开实施例中，各样本发音人对应的样本语音信息，可以是语音生成装置通过各种公开的、合法合规的方式获取的，比如可以是语音生成装置从公开数据集处获取的，或者是在经过了样本发音人的授权后从样本发音人处获取的。
74.在示例性实施例中，对初始特征转换模型进行训练时，例如可以通过深度学习的方式进行训练，相比于其它机器学习方法，深度学习在大数据集上的表现更好。
75.通过深度学习的方式训练初始特征转换模型时，可以先将训练数据中的一个或多个样本发音人的标签以及该样本发音人对应的样本语音信息中提取出的样本文本特征作为输入，输入初始特征转换模型，获取该样本发音人对应的样本语音信息的预测声学特征，并结合该样本发音人的样本语音信息的样本声学特征，得到样本发音人对应的样本语音信息的预测声学特征与样本发音人对应的样本语音信息的样本声学特征之间的差异，以根据差异对初始特征转换模型的模型参数进行调整，得到调整后的特征转换模型。再将训练数据中的另一个或多个样本发音人的标签以及该样本发音人对应的样本语音信息中提取出的样本文本特征作为输入，输入调整后的特征转换模型，获取该样本发音人对应的样本语音信息的预测声学特征，并结合该样本发音人的样本语音信息的样本声学特征，得到样本发音人对应的样本语音信息的预测声学特征与样本发音人对应的样本语音信息的样本声学特征之间的差异，以根据差异对调整后的特征转换模型的模型参数进行调整，得到进一步调整后的特征转换模型。由此，通过不断地调整初始特征转换模型的模型参数对初始特征转换模型进行迭代训练，直至特征转换模型输出的预测声学特征的准确率满足预先设定的阈值，训练结束，得到经过训练的特征转换模型。
76.进一步的，得到训练好的特征转换模型后，即可利用经过训练的特征转换模型，将原发音人的语音信息中提取出的文本特征转换为目标发音人对应的声学特征。
77.需要说明的是，为了使得特征转换模型能够学习到目标发音人的标签以及文本特征与声学特征之间的关联关系，进而对于任意发音人的语音信息，均能采用特征转换模型，将语音信息对应的文本特征转换为目标发音人对应的声学特征，在对特征转换模型进行训练时，训练数据中需要包含目标发音人对应的标签、目标发音人对应的样本语音信息中提取出的样本文本特征，以及对目标发音人对应的标签和目标发音人对应的样本语音信息中提取出的样本文本特征进行标注的样本语音信息的样本声学特征。
78.即，目标发音人对应的标签可以为训练数据中任一样本发音人对应的标签。
79.值得注意的是，通过上述实施例可知，在利用训练数据训练生成特征转换模型的过程中，训练数据中的样本发音人标签、从样本发音人对应的样本语音信息中提取出的样本文本特征，以及样本语音信息的样本声学特征，对应同一样本发音人。在利用经过训练的特征转换模型进行文本特征到声学特征的转换时，目标发音人标签与目标发音人对应的声学特征，对应目标发音人，而文本特征对应任意发音人。
80.步骤206，将声学特征输入语音合成系统中的声码器模块。
81.步骤207，将声码器模块输出的至少一个频率的语音波形数据作为目标语音信号。
82.其中，语音合成系统可以为相关技术中用于进行语音合成的系统。
83.可以理解的是，语音合成系统中通常包含声码器模块，声码器模块的输入为语音信号的声学特征，例如mel刻度的频谱包络特征，输出为语音信号的至少一个频率的语音波形数据。在本公开实施例中，可以利用语音合成系统中的声码器模块，根据目标发音人对应
的声学特征，生成目标语音信号。
84.具体的，可以将目标发音人对应的声学特征，输入语音合成系统中的声码器模块，并将声码器模块输出的至少一个频率的语音波形数据作为目标语音信号。
85.通过根据目标发音人对应的声学特征，采用语音合成系统中的声码器模块，生成目标语音信号，降低了生成目标语音信号的成本。
86.参考图3，在生成目标发音人对应的声学特征303后，即可根据声学特征303生成目标语音信号304。
87.本公开实施例的语音生成方法，获取原发音人的语音信息后，对语音信息进行语音识别，获取对语音信息进行语音识别的过程中的中间结果，将中间结果作为文本特征，再将文本特征和目标发音人的标签输入经过训练的特征转换模型，以得到目标发音人对应的声学特征，进而将声学特征输入语音合成系统中的声码器模块，将声码器模块输出的至少一个频率的语音波形数据作为目标语音信号，实现了将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
88.通过上述分析可知，本公开实施例中生成的目标语音信号，可以用于驱动虚拟数字人，下面结合驱动虚拟数字人的场景，对本公开提供的语音生成方法进行进一步说明。
89.图4是根据本公开第三实施例的语音生成方法的流程示意图。如图4所示，语音生成方法，可以包括以下步骤：
90.步骤401，确定发音人从第一发音人切换至原发音人。
91.步骤402，将第一发音人确定为目标发音人。
92.需要说明的是，步骤402可以在步骤403之前执行，也可以在步骤403之后执行，本公开对步骤402的执行时机不作限制，只需在步骤405之前执行即可。
93.步骤403，获取原发音人的语音信息。
94.步骤404，对语音信息进行文本特征提取，以得到语音信息对应的文本特征。
95.步骤405，将文本特征转换为目标发音人对应的声学特征。
96.步骤406，根据声学特征，生成目标语音信号。
97.步骤407，利用目标语音信号，驱动虚拟数字人进行唇部的动作、面部表情的变化以及肢体的动作中的至少一个并发声。
98.可以理解的是，媒体、客服行业中的虚拟数字人在工作过程中需要语言自然流畅，能够对用户提出的问题进行灵活的应答，尽量做到语言表达上与真人客服如出一辙。在实际应用场景中，对于用户提出的简单问题，通常由人工智能客服进行解答，而对于用户提出的较难的问题，需要由真人客服来解答，这就会出现虚拟数字人需要在由人工智能客服的语音驱动与由真人客服的语音驱动之间进行切换的现象。而虚拟数字人在高质量形象表现的同时，需要支持在人工智能客服与真人客服接管之间无缝切换或真人客服轮班之前无缝衔接，使虚拟数字人的声音的音色在切换前后始终保持一致，给用户带来有温度的互动体验，提升虚拟数字人的趣味性和新鲜感，提升智能媒体、智能客服在年轻群体中的影响力。
99.以驱动虚拟数字人的语音对应的发音人从人工智能客服切换至真人客服为例，即第一发音人为人工智能客服，原发音人为真人客服时，本公开实施例中，可以将人工智能客服确定为目标发音人，从而在获取原发音人的语音信息后，可以对语音信息进行文本特征
提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对应的声学特征，根据声学特征，生成目标语音信号，以将真人客服的语音信息转换为与人工智能客服的音色一致的目标语音信号，进而在利用目标语音信号驱动虚拟数字人时，能够使虚拟数字人的声音的音色与人工智能客服的音色保持一致，从而实现虚拟数字人在由人工智能客服的语音驱动切换至由真人客服接管时，声音的音色始终保持一致。
100.在示例性实施例中，利用目标语音信号驱动虚拟数字人时，可以利用目标语音信号驱动虚拟数字人进行唇部的动作、面部表情的变化以及肢体的动作中的至少一个并发声，从而使虚拟数字人的唇部动作、面部表情以及肢体的动作与驱动虚拟数字人的语音一致。
101.其中，步骤403
‑
406的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。
102.本公开实施例的语音生成方法，确定发音人从第一发音人切换至原发音人后，可以将第一发音人确定为目标发音人，在获取原发音人的语音信息后，可以对语音信息进行文本特征提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对应的声学特征，根据声学特征，生成目标语音信号，进而利用目标语音信号，驱动虚拟数字人进行唇部的动作、面部表情的变化以及肢体的动作中的至少一个并发声。由此，实现了在驱动虚拟数字人的语音对应的发音人从第一发音人切换至原发音人时，将原发音人的语音信息转换为对应音色与第一发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，使虚拟数字人的声音的音色与由第一发音人的语音驱动时的声音的音色保持一致。
103.下面结合图5，对本公开提供的语音生成装置进行说明。
104.图5是根据本公开第四实施例的语音生成装置的结构示意图。
105.如图5所示，本公开提供的语音生成装置500，包括：第一获取模块501、提取模块502、转换模块503以及生成模块504。
106.其中，第一获取模块501，用于获取原发音人的语音信息；
107.提取模块502，用于对语音信息进行文本特征提取，以得到语音信息对应的文本特征；
108.转换模块503，用于将文本特征转换为目标发音人对应的声学特征；
109.生成模块504，用于根据声学特征，生成目标语音信号。
110.需要说明的是，本实施例提供的语音生成装置，可以执行前述实施例的语音生成方法。其中，语音生成装置可以为电子设备，也可以被配置在电子设备中，以实现将原发音人的语音信息转换为与目标发音人的音色一致的目标语音信号。
111.其中，电子设备，可以是任意能够进行数据处理的静止或者移动计算设备，例如笔记本电脑、智能手机、可穿戴设备等移动计算设备，或者台式计算机等静止的计算设备，或者服务器，或者其它类型的计算设备等，本公开对此不作限制。
112.需要说明的是，前述对于语音生成方法的实施例的说明，也适用于本公开提供的语音生成装置，此处不再赘述。
113.本公开实施例提供的语音生成装置，在获取原发音人的语音信息后，对语音信息进行文本特征提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对
应的声学特征，进而根据声学特征，生成目标语音信号，由此，实现了将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
114.下面结合图6，对本公开提供的语音生成装置进行说明。
115.图6是根据本公开第五实施例的语音生成装置的结构示意图。
116.如图6所示，语音生成装置600，具体可以包括：第一获取模块601、提取模块602、转换模块603以及生成模块604。其中，图6中第一获取模块601、提取模块602、转换模块603以及生成模块604与图5中第一获取模块501、提取模块502、转换模块503以及生成模块504具有相同功能和结构。
117.在示例性实施例中，转换模块603，包括：
118.转换单元，用于将文本特征和目标发音人的标签输入经过训练的特征转换模型，以得到目标发音人对应的声学特征。
119.在示例性实施例中，如图6所示，语音生成装置600，还包括：
120.第二获取模块605，用于获取训练数据，其中，训练数据中包括多个样本发音人的标签，以及从各样本发音人对应的样本语音信息中提取出的样本文本特征，训练数据采用样本语音信息的样本声学特征进行标注；
121.第三获取模块606，用于获取初始特征转换模型；
122.处理模块607，用于将样本发音人的标签以及样本发音人对应的样本语音信息中提取出的样本文本特征，输入初始特征转换模型，以得到样本发音人对应的样本语音信息的预测声学特征；
123.调整模块608，用于根据样本发音人对应的样本语音信息的预测声学特征与样本语音信息的样本声学特征之间的差异，对初始特征转换模型的模型参数进行调整，以得到经过训练的特征转换模型。
124.在示例性实施例中，转换模块603，包括：
125.转换单元，用于将文本特征和目标发音人的标签输入经过训练的特征转换模型，以得到目标发音人对应的声学特征。
126.在示例性实施例中，目标发音人对应的标签为训练数据中任一样本发音人对应的标签。
127.在示例性实施例中，提取模块602，包括：
128.识别单元，用于对语音信息进行语音识别；
129.获取单元，用于获取对语音信息进行语音识别的过程中的中间结果；
130.第一处理单元，用于将中间结果作为文本特征。
131.在示例性实施例中，生成模块604，包括：
132.第二处理单元，用于将声学特征输入语音合成系统中的声码器模块；
133.第三处理单元，用于将声码器模块输出的至少一个频率的语音波形数据作为目标语音信号。
134.在示例性实施例中，语音生成装置600，还包括：
135.第一确定模块609，用于确定发音人从第一发音人切换至原发音人；
136.第二确定模块610，用于将第一发音人确定为目标发音人。
137.在示例性实施例中，语音生成装置600，还包括：
138.驱动模块611，用于利用目标语音信号，驱动虚拟数字人进行唇部的动作、面部表情的变化以及肢体的动作中的至少一个并发声。
139.需要说明的是，前述对于语音生成方法的实施例的说明，也适用于本公开提供的语音生成装置，此处不再赘述。
140.本公开实施例提供的语音生成装置，在获取原发音人的语音信息后，对语音信息进行文本特征提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对应的声学特征，进而根据声学特征，生成目标语音信号，由此，实现了将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
141.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
142.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
143.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
144.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
145.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如语音生成方法。例如，在一些实施例中，语音生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的语音生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音生成方法。
146.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统
的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
147.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
148.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
149.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
150.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。
151.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
152.本公开涉及计算机技术领域，特别涉及深度学习、语音技术等人工智能技术领域。
153.需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
154.根据本公开实施例的技术方案，在获取原发音人的语音信息后，对语音信息进行文本特征提取，以得到语音信息对应的文本特征，再将文本特征转换为目标发音人对应的声学特征，进而根据声学特征，生成目标语音信号，由此，实现了将原发音人的语音信息转换为对应音色与目标发音人一致的目标语音信号，从而在利用目标语音信号驱动虚拟数字人时，能够避免虚拟数字人的形象和语音不一致的情况出现。
155.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
156.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。