语音增强方法、装置、存储介质及电子设备与流程

2021-01-28 15:01:55|

238|

起点商标网

本公开涉及语音合成技术，具体地，涉及一种语音增强方法、装置、存储介质和电子设备。

背景技术：

在禁止大声喧哗的场景下，用户正常语音对话通常会带来一些不方便，因此部分用户会选择采用耳语进行交互。而在该过程中获得的语音数据难以被机器准确识别。同时声带受损的用户发音和耳语音也比较接近，在交互过程中该发音数据的可懂度较低。

技术实现要素：

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音增强方法，所述方法包括：

获取待处理的耳语数据；

通过语音增强模型对所述耳语数据进行处理，以得到所述耳语数据对应的声学特征信息，其中，所述语音增强模型包括编码子模型和解码子模型，所述编码子模型用于对所述耳语进行编码，获得目标编码信息，所述解码子模型通过逐步单调注意力机制对所述目标编码信息进行解码，获得所述声学特征信息；

根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。

第二方面，本公开提供一种语音增强装置，所述装置包括：

第一获取模块，用于获取待处理的耳语数据；

处理模块，用于通过语音增强模型对所述耳语数据进行处理，以得到所述耳语数据对应的声学特征信息，其中，所述语音增强模型包括编码子模型和解码子模型，所述编码子模型用于对所述耳语进行编码，获得目标编码信息，所述解码子模型通过逐步单调注意力机制对所述目标编码信息进行解码，获得所述声学特征信息；

合成模块，用于根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。

第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第四方面，提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

在上述技术方案中，可以获取待处理的耳语数据，通过语音增强模型对所述耳语数据进行处理，以得到所述耳语数据对应的声学特征信息，并且，在语音增强模型的解码子模型中通过逐步单调注意力机制对耳语数据对应的目标编码信息进行解码，从而获得所述声学特征信息，并根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。由此，通过上述技术方案，可以对耳语数据进行增强，从而可以增加该耳语数据的可懂度，便于用户之间交互和机器识别。并且，可以有效避免解码子模型进行重复解码，降低数据处理量，提高语音增强方法的处理效率；同时可以保证解码获得的声学特征信息的准确性和有序性，保证真实语音的韵律特征，提高语音增强方法获得音频信息的准确性，提高该音频信息的可懂度，进一步提升用户使用体验。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开的一种实施方式提供的语音增强方法的流程图；

图2是根据本公开的另一种实施方式提供的语音增强方法的流程图；

图3是根据本公开的另一种实施方式提供的获取耳语数据对应的演讲者基频信息的实现方式的流程图；

图4是根据本公开的一种实施方式提供的语音增强装置的框图；

图5是用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1所示，为根据本公开的一种实施方式提供的语音增强方法的流程图，如图1所示，所述方法包括：

在步骤11中，获取待处理的耳语数据。其中，该耳语数据为用户发音过程中未涉及声带振动的语音数据。示例地，可以是用户轻声说话或者是声带受损的用户的语音数据。

在步骤12中，通过语音增强模型对耳语数据进行处理，以得到耳语数据对应的声学特征信息。其中，所述语音增强模型包括编码子模型和解码子模型，所述编码子模型用于对所述耳语进行编码，获得目标编码信息，所述解码子模型通过逐步单调注意力(stepwisemonotonicattention)机制对所述目标编码信息进行解码，获得所述声学特征信息。示例地，该声学特征信息为用于生成语音的特征信息，如mel谱，声谱等。

其中，该语音增强模型可以通过用户的耳语数据和正常语音数据进行训练获得。示例地，可以选择多个用户预先录制样本耳语数据和样本正常语音数据，并提取该样本正常语音数据中的声学特征信息，作为样本声学特征信息，并将该样本耳语数据和样本声学特征信息作为训练样本。示例地，可以将该样本耳语数据输入语音增强模型，通过编码子模型对该样本耳语数据进行编码，以获得该样本耳语数据的声学特征的向量表示，即样本耳语数据的目标编码信息。之后再由解码子模型基于该逐步单调注意力机制对该目标编码信息进行解码从而可以获得该样本耳语数据对应的声学特征信息。

其中，在用户发声获得耳语数据时，声带不振动或者声带呈现出不规律的随机性的振动，即在耳语数据中包含的声音特征比较少，且声音能量比较低，则在根据耳语数据对应的序列生成声学特征信息对应的序列时，该序列之间的对齐顺序准确度难以保证。

基于此，在该实施例中，解码子模型在对目标编码信息进行解码时，采用逐步单调注意力机制进行解码。在对耳语数据进行输入时，该耳语数据对应的输入序列是按照从左到右的顺序方式进行输入，则基于该逐步单调注意力机制进行解码时，在当前时间步的声学特征的输出已关注输入序列s时，该输入序列s之前出现的其他输入将不能被后续输出关注，即后续的输出中不会关注该输入序列s之前的输入，从而可以保证每一时间步之间的输出的顺序性。并且针对于声音能量较低的部分可以通过上述方式确定其对应的输出位置，从而可以避免解码子模型进行重复解码，降低数据处理量，同时可以保证解码获得的声学特征信息的准确性和有序性，保证真实语音的韵律特征。

在步骤13中，根据声学特征信息进行语音合成，以得到与耳语数据对应的音频信息。

示例地，可以将该声学特征信息输入声码器(vocoder)进行语音合成，从而获得该音频信息。其中，该声码器可以为神经网络声码器，例如可以通过录制样本音频，提取该样本音频的声学特征信息，以基于该提取出的声学特征信息和录制的样本音频进行神经网络声码器的训练。声码器可以为wavenet、griffin-lim、单层循环神经网络模型wavernn等，以获取更好的音质，达到与真人讲话接近的音质效果。

因此，在上述技术方案中，可以获取待处理的耳语数据，通过语音增强模型对所述耳语数据进行处理，以得到所述耳语数据对应的声学特征信息，并且，在语音增强模型的解码子模型中通过逐步单调注意力机制对耳语数据对应的目标编码信息进行解码，从而获得所述声学特征信息，并根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。由此，通过上述技术方案，可以对耳语数据进行增强，从而可以增加该耳语数据的可懂度，便于用户之间交互和机器识别。并且，可以有效避免解码子模型进行重复解码，降低数据处理量，提高语音增强方法的处理效率；同时可以保证解码获得的声学特征信息的准确性和有序性，保证真实语音的韵律特征，提高语音增强方法获得音频信息的准确性，提高该音频信息的可懂度，进一步提升用户使用体验。

可选地，在图2所示，在图1的基础上，所述方法还包括：

在步骤21中，获取耳语数据对应的演讲者基频信息。

其中，一般的声音都是由发音体发出的一系列频率、振幅各不相同的振动复合而成的。这些振动中有一个频率最低的振动，由它发出的音就是基音，即基频信息。演讲者基频信息即表征说出该耳语数据的演讲者对应的基频信息。

在步骤13中，根据声学特征信息进行语音合成，以得到与耳语数据对应的音频信息的示例性实现方式如下，如步骤131所示：

根据声学特征信息和演讲者基频信息进行语音合成，以得到与耳语数据对应的音频信息。

在用户发出正常语音数据时，声带呈现规律的周期性的振动，则该正常语音数据包括基频数据。而在用户发出耳语数据时，声带不振动或者振动不明显，呈现出不规律的随机性的振动，使得耳语数据中缺少声带振动信息，其可懂度与自然度较低。

在本公开实施例中，可以将该声学特征信息和演讲者基频信息进行融合，以获得目标声学特征信息，从而可以基于该目标声学特征信息和声码器进行语音合成，以得到音频信息。其中，可以将该声学特征信息和演讲者基频信息分别对应的特征序列进行拼接，示例地，可以通过concat函数实现拼接，以获得目标声学信息。

由此，通过上述方案，可以在进行耳语数据的语音增强时，通过增加演讲者基频信息的方式实现数据增强，从而可以在耳语数据中增加基频信息，实现耳语数据的增强，提高耳语数据的可懂性。并且，在对耳语数据进行增强时，确定出说出该耳语数据的演讲者的基频信息，从而可以保证该耳语数据与该演讲者基频信息的适应性，耳语数据和演讲者基频信息均为与同一用户对应的特征，进一步提高确定出的音频信息的准确性，可以便于其他用户对耳语数据对应的内容信息的理解，便于用户交互。

可选地，在一种可能的实施例中，在步骤21中，获取耳语数据对应的演讲者基频信息的示例如下，如图3所示，该步骤可以包括：

在步骤31中，通过演讲者识别模型对耳语数据进行处理，以获得说出耳语数据的演讲者的特征信息。

可选地，所述演讲者识别模型可以通过以下方式进行训练：

获取样本语音数据以及与所述样本语音数据对应的演讲者标识信息，其中该样本语音数据可以包括用户的正常语音数据和/或耳语数据，演讲者标识信息可以是演讲者的声音特征信息等可以用于唯一表征该演讲者的信息。

将所述样本语音数据作为模型输入、将所述演讲者标识信息作为模型的目标输出，对神经网络模型进行训练，以得到所述演讲者识别模型，其中，所述演讲者识别模型中最后一个特征层对应的特征信息作为所述样本语音数据的演讲者的特征信息。

其中，可以将样本语音数据作为模型输入，从而可以通过神经网络模型的特征层对该样本语音数据进行特征提取，以基于提取出的特征预测该样本语音数据对应的演讲者标识信息，则可以基于预测出的演讲者标识信息和该样本语音数据对应的演讲者标识信息进行损失计算，例如可以通过均方误差计算损失，从而对该神经网络模型的参数进行调整，从而完成神经网络模型的训练，获得该演讲者识别模型。其中，该演讲者识别模型的最后一个特征层对应的特征信息用于对演讲者进行识别，则可以将最后一个特征层对应的特征信息作为演讲者的特征信息。由此，可以将耳语数据输入该演讲者识别模型中，将该演讲者识别模型对该耳语数据进行特征提取后的最后一个特征层对应的特征信息确定该耳语数据对应的演讲者的特征信息。

由此，可以通过演讲者识别模型确定说出耳语数据的演讲者的特征信息，既可以快速确定出该耳语数据对应的用户，以便于后续针对该用户进行耳语数据增强，同时也可以直接确定该用户的特征信息，为后续确定该用户对应的基频信息提供数据支持。

在步骤32中，根据演讲者的特征信息，确定基频信息数据集中是否存在与演讲者对应的基频信息。

其中，在基频信息数据集中，演讲者基频信息与演讲者的特征信息可以关联存储，则在该实施例中，可以根据将步骤31中确定出的演讲者的特征信息与基频信息数据集中的特征信息进行匹配，若存在匹配的特征信息，则与将该匹配的特征信息关联的演讲者基频信息确定为与该耳语数据对应的演讲者基频信息。若不存在匹配的特征信息，则表示基频信息数据集中不存在与该耳语数据对应的演讲者基频信息。

则在步骤33中，若不存在与演讲者对应的基频信息，则输出提示信息，其中，所述提示信息用于提示用户录制音频。

在步骤34中，在接收到用户录制的音频数据的情况下，从音频数据中提取基频信息，并根据基频信息确定演讲者基频信息。

在基频信息数据集中不存在该演讲者的特征信息对应的基频信息时，可以直接提示该用户进行录制，从而可以直接提取演讲者的基频信息，以便基于该演讲者的基频信息对耳语数据进行语音增强。

通过上述技术方案，可以先确定基频信息数据集中与该耳语数据对应的用户的基频信息是否存在，以便可以直接利用基频信息数据集中的基频信息，既可以保证语音增强的准确性，又可以提高语音增强方法的效率。并且，可以通过提示用户录制音频的方式获得基频信息，进一步简化用户的操作，进一步提高语音增强方法的简便性，提升用户使用体验。

可选地，所述方法还可以包括：

将确定出的所述演讲者基频信息与所述演讲者的特征信息关联存储至所述基频信息数据集，由此可以在后续该演讲者对应的耳语数据进行增强时，可以直接从基频信息数据集中获得该演讲者对应的基频信息，无需用户重复录制音频，从而可以简化用户操作流程，同时可以便于快速获得该演讲者的基频信息，可以为后续对该演讲者的耳语数据进行增强提供准确的数据支持，提升语音增强的准确度。

可选地，在实际使用场景中，某些特殊的用户可能会由于其声带先天或后天受损，从而无法直接获得该用户的基频信息。针对此类场景，本公开还提供以下实施例。示例地，在步骤31中，获取耳语数据对应的演讲者基频信息的另一示例性实现方式如下，该步骤可以包括：

通过演讲者识别模型对所述耳语数据进行处理，以获得说出所述耳语数据的演讲者的特征信息。其中，确定演讲者的特征信息的具体实施方式已在上文进行详述，在此不再赘述。

根据所述演讲者的特征信息预测所述耳语数据对应的基频信息，并根据所述基频信息确定所述演讲者基频信息。

在该实施例中，针对声带受损的用户而言，可能无法获得真实的基频信息，则可以通过神经网络模型学习的方式训练一基频信息预测模型对此类用户的基频信息进行预测。示例地，可以预先录制用户的耳语数据和正常语音数据，并提取该正常语音数据中的基频信息作为样本基频信息，基于该用户的耳语数据和该用户对应的样本基频信息进行训练，获得基频信息预测模型。由此，可以在通过该基频信息预测模型基于耳语数据预测出对应的基频信息，以便于对该用户的耳语数据进行增强。

可选地，在另一实施例中，可以先根据耳语数据对应的演讲者的特征信息，确定基频信息数据集中是否存在与演讲者对应的基频信息；在确定不存在该基频信息时，可以输出提示消息让用户进行录制。若用户进行音频录制，则可以从该录制的音频中获得基频信息，若用户在预设时长内并未进行音频录制，则可以基于演讲者的特征信息预测耳语数据对应的基频信息。

由此，通过上述技术方案，可以根据演讲者的特征信息对其对应的基频信息进行预测，从而可以获得演讲者基频信息，既可以为后续语音增强过程提供准确的数据支持，又可以提高该语音增强方法的适用范围，贴合用户的使用需求。

可选地，在上文中从音频数据中提取出基频信息或者预测出耳语数据对应的基频信息后，根据所述基频信息确定所述演讲者基频信息的示例性实现方式如下，该步骤可以包括：

对所述基频信息进行离散化处理；

将获得的离散基频信息确定为所述演讲者基频信息。

示例地，可以根据实际使用场景需求将频率进行频段划分，例如，可以将80hz～550hz的区间里面分成多个频段，示例地可以划分成255个频段，如80hz～100hz为一频段，100h～120hz为一频段，200hz～230hz为一频段，0hz单独为一频段。其中，需要进行说明的是，每一频段对应的频率跨度可以相同，也可以不同，可以根据实际使用场景进行确定，本公开对此不进行限定。

由此可以基于该多个频段对基频信息进行离散化处理，从而可以有效避免用户录制的音频信息较短时提取出的基频信息中的误差，避免基频信息预测过程中的误差，保证确定出的演讲者基频信息的鲁棒性，也可以有效提高该语音增强方法的泛化性。

可选地，所述方法还包括：

获取说出所述耳语数据的演讲者所处的环境声音信息，可以通过单独的声音设备或者当前电子设备中的声音检测模块进行检测获取。

根据所述环境声音信息，确定所述音频信息对应的播放音量。

根据所述播放音量播放所述音频信息。

作为示例，可以提取环境声音信息中的人声信息，则可以根据确定出的环境声音信息中的每一人声信息确定该播放音量，例如可以选择人声信息中的最大音量作为该播放音量，或者将每一人声信息的音量的平均值作为播放音量。

作为另一示例，若该环境声音信息中未检测到人声信息，则可以确定该环境声音信息对应的环境音量，可以通过预先设置环境音量和播放音量的对应关系确定与当前环境音量对应的播放音量。

因此，通过上述技术方案，可以在对耳语数据进行语音增强获得音频信息后，对该音频信息进行播放。并且，在对该音频信息进行播放时，可以根据该用户所处的环境信息确定该音频信息的播放音量，从而既可以对耳语数据进行增强，以提高该耳语数据的可懂性，同时还可以保证该音频信息的播放与环境相适应，便于声带受损的用户与其他用户之间的交互，提升用户使用体验。

本公开还提供一种语音增强装置，如图4所示，所述装置10包括：

第一获取模块100，用于获取待处理的耳语数据；

处理模块200，用于通过语音增强模型对所述耳语数据进行处理，以得到所述耳语数据对应的声学特征信息，其中，所述语音增强模型包括编码子模型和解码子模型，所述编码子模型用于对所述耳语进行编码，获得目标编码信息，所述解码子模型通过逐步单调注意力机制对所述目标编码信息进行解码，获得所述声学特征信息；

合成模块300，用于根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。

可选地，所述装置还包括：

第二获取模块，用于获取所述耳语数据对应的演讲者基频信息；

所述合成模块包括：

第一合成子模块，用于根据所述声学特征信息和所述演讲者基频信息进行语音合成，以得到与所述耳语数据对应的音频信息。

可选地，所述第二获取模块包括：

第一处理子模块，用于通过演讲者识别模型对所述耳语数据进行处理，以获得说出所述耳语数据的演讲者的特征信息；

第一确定子模块，用于根据所述演讲者的特征信息，确定基频信息数据集中是否存在与所述演讲者对应的基频信息；

输出子模块，用于在不存在与所述演讲者对应的基频信息的情况下，输出提示信息，其中，所述提示信息用于提示用户录制音频；

提取子模块，用于在接收到用户录制的音频数据的情况下，从所述音频数据中提取基频信息，并根据所述基频信息确定所述演讲者基频信息。

可选地，所述装置还包括：

存储模块，用于将确定出的所述演讲者基频信息与所述演讲者的特征信息关联存储至所述基频信息数据集。

可选地，所述第二获取模块包括：

第二处理子模块，用于通过演讲者识别模型对所述耳语数据进行处理，以获得说出所述耳语数据的演讲者的特征信息；

第二确定子模块，用于根据所述演讲者的特征信息预测所述耳语数据对应的基频信息，并根据所述基频信息确定所述演讲者基频信息。

可选地，所述演讲者识别模型通过以下方式进行训练：

获取样本语音数据以及与所述样本语音数据对应的演讲者标识信息；

可选地，所述根据所述基频信息确定所述演讲者基频信息，包括：

对所述基频信息进行离散化处理；

将获得的离散基频信息确定为所述演讲者基频信息。

可选地，所述装置还包括：

第三获取模块，用于获取说出所述耳语数据的演讲者所处的环境声音信息；

确定模块，用于根据所述环境声音信息，确定所述音频信息对应的播放音量；

播放模块，用于根据所述播放音量播放所述音频信息。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待处理的耳语数据；通过语音增强模型对所述耳语数据进行处理，以得到所述耳语数据对应的声学特征信息，其中，所述语音增强模型包括编码子模型和解码子模型，所述编码子模型用于对所述耳语进行编码，获得目标编码信息，所述解码子模型通过逐步单调注意力机制对所述目标编码信息进行解码，获得所述声学特征信息；根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“用于获取待处理的耳语数据的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

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。

根据本公开的一个或多个实施例，示例1提供了一种语音增强方法，其中，所述方法包括：

获取待处理的耳语数据；

根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述方法还包括：

获取所述耳语数据对应的演讲者基频信息；

所述根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息，包括：

根据所述声学特征信息和所述演讲者基频信息进行语音合成，以得到与所述耳语数据对应的音频信息。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述获取所述耳语数据对应的演讲者基频信息，包括：

通过演讲者识别模型对所述耳语数据进行处理，以获得说出所述耳语数据的演讲者的特征信息；

根据所述演讲者的特征信息，确定基频信息数据集中是否存在与所述演讲者对应的基频信息；

若不存在与所述演讲者对应的基频信息，则输出提示信息，其中，所述提示信息用于提示用户录制音频；

在接收到用户录制的音频数据的情况下，从所述音频数据中提取基频信息，并根据所述基频信息确定所述演讲者基频信息。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，其中，所述方法还包括：

将确定出的所述演讲者基频信息与所述演讲者的特征信息关联存储至所述基频信息数据集。

根据本公开的一个或多个实施例，示例5提供了示例2的方法，其中，所述获取所述耳语数据对应的演讲者基频信息，包括：

通过演讲者识别模型对所述耳语数据进行处理，以获得说出所述耳语数据的演讲者的特征信息；

根据所述演讲者的特征信息预测所述耳语数据对应的基频信息，并根据所述基频信息确定所述演讲者基频信息。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，其中，所述演讲者识别模型通过以下方式进行训练：

获取样本语音数据以及与所述样本语音数据对应的演讲者标识信息；

根据本公开的一个或多个实施例，示例7提供了示例3-6中任一示例的方法，其中，所述根据所述基频信息确定所述演讲者基频信息，包括：

对所述基频信息进行离散化处理；

将获得的离散基频信息确定为所述演讲者基频信息。

根据本公开的一个或多个实施例，示例8提供了示例1的方法，其中，所述方法还包括：

获取说出所述耳语数据的演讲者所处的环境声音信息；

根据所述环境声音信息，确定所述音频信息对应的播放音量；

根据所述播放音量播放所述音频信息。

根据本公开的一个或多个实施例，示例9提供了一种语音增强装置，其中，所述装置包括：

第一获取模块，用于获取待处理的耳语数据；

合成模块，用于根据所述声学特征信息进行语音合成，以得到与所述耳语数据对应的音频信息。

根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一示例所述方法的步骤。

根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-8中任一示例所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。