本申请涉及人工智能技术领域，特别涉及一种语音识别的训练方法和装置。背景技术：目前，主流语音识别方案所采用的框架结构为：卷积神经网络(cnn)+双向长短期记忆网络(blstm)+

• 语音识别
• 机器学习
• 卷积
• 卷积神经网络
• 损失函数

查看详情

本公开涉及音频处理技术领域，尤其涉及一种音频处理网络的训练及立体声重构方法和装置。背景技术：立体声重构是指将给定单通道音频恢复成多通道的立体声音频，使音频具有立体感。传统的立体

• 音频处理器
• 游戏音频
• 音频应用
• 重构
• 损失函数

查看详情

本发明涉及语音转换技术领域，具体涉及一种基于说话人风格特征建模的多对多语音转换方法。背景技术：语音转换是语音信号处理领域的研究分支，是在语音分析、合成和说话人识别的研究基础上发

• 特征函数
• 频谱分析
• 网络模型
• 深度学习
• 损失函数

查看详情

本发明涉及语音识别技术领域，尤其涉及普通话和粤语混合语音识别模型训练方法及系统。背景技术：随着移动终端设备及语音识别技术的不断发展，出现了一些普通话和方言混合语音识别方案。如讯

• 数据建模
• 网络模型
• 损失函数
• 神经网络模型
• 语音识别

查看详情

本发明属于数据处理技术领域，特别涉及一种带有人声的音乐的风格迁移方法。背景技术：过去三年来，神经风格迁移已经持续成长为了一个蓬勃发展的研究领域。这一研究领域内越来越多的活动受到

• 卷积
• 频谱分析
• 矩阵变换
• 损失函数
• 音乐

查看详情

本发明涉及一种多对多说话人转换方法，特别是涉及一种基于densenetstargan的多对多说话人转换方法。背景技术：语音转换是语音信号处理领域的重要研究分支，是在语音分析、合

• 深度学习
• 语义分析
• 损失函数
• 卷积
• 分类器

查看详情

本发明涉及语音识别领域，尤其涉及一种普通话和四川话的混合语音识别模型的训练方法及系统。背景技术：语音识别通常采用深度学习框架算法，根据不同策略，达到同时支持多种语言的语音识别效

• 数据建模
• 文本分类
• 损失函数
• 神经网络模型
• 语音识别

查看详情

本发明涉及语音识别的技术领域，尤其是涉及一种语音识别模型的训练方法、语音识别方法及装置。背景技术：近年来，随着深度学习技术的发展，语音识别技术也经历了革命性的变化，从深度学习技

• 音频采样
• 损失函数
• 特征向量
• 自然语言处理
• 语音识别

查看详情

本发明涉及计算机技术领域，尤其涉及一种识别语音的方法和装置。背景技术：目前，采用现有的汉字识别方法对语音进行识别，只能识别出汉字识别结果，采用现有的拼音识别方法对语音进行识别，

• 频谱分析
• 损失函数

查看详情

本发明涉及语音检测技术，尤其是一种音频来源反取证方法。背景技术：现有的数字音频来源取证方法主要关注的是算法检测的准确性，往往忽略了该方法本身的安全性与鲁棒性，即方法的准确性是建

• 特征函数
• 分类数据
• 判别分析
• 损失函数
• 分类器

查看详情