【技术实现步骤摘要】
本专利技术涉及自然语言处理，尤其涉及一种音素对齐方法、系统、电子设备及存储介质。
技术介绍
1、音素对齐也被称为音素时长预测，旨在实现预测语音特征中音素对应的时长，其能够辅助声学模型在输出语音特征的同时输出语音特征对应的音素序号，以实断点续播，数字人对口型等功能。因此，如何精准、稳定地进行音素对齐是目前业界亟待研究的重要课题。
2、当前的音素对齐模型通常通过序列生成机制隐式地产生音素的持续时长，或者通过简单的卷积神经网络显式的预测音素对应的帧数，其难以精准捕捉音频与文本之间的音素对应关系，由此导致音素对齐的鲁棒性和泛化性差。
技术实现思路
1、本专利技术提供一种音素对齐方法、系统、电子设备及存储介质，用以解决现有技术中难以精准捕捉音频与文本之间的音素对应关系，导致音素对齐的鲁棒性和泛化性差的缺陷，实现提高音素对齐的鲁棒性和泛化性。
2、本专利技术提供一种音素对齐方法，包括：
3、将目标音频的初始音频特征和目标文本的初始音素特征输入至音素对齐模型中的特征提取模块，得到所述目标音频的目标音频特征和所述目标文本的目标音素特征；
4、将所述目标音频特征和所述目标音素特征输入至所述音素对齐模型中的注意力模块，得到音素对齐矩阵；
5、根据所述音素对齐矩阵，获取所述初始音频特征对应的音素序号标签预测值，并根据所述音素序号标签预测值，对所述目标音频和所述目标文本进行音素对齐处理；
6、其中，所述音素对齐模型是基于样本音频、样本
7、根据本专利技术提供的一种音素对齐方法，所述将目标音频的初始音频特征和目标文本的初始音素特征输入至音素对齐模型中的特征提取模块，得到所述目标音频的目标音频特征和所述目标文本的目标音素特征，包括：
8、将所述目标音频的初始音频特征输入至所述特征提取模块中的音频特征提取分支单元，得到所述目标音频特征；
9、将所述目标文本的初始音素特征输入至所述特征提取模块中的音素特征提取分支单元，得到所述目标音素特征。
10、根据本专利技术提供的一种音素对齐方法，所述将所述目标音频的初始音频特征输入至所述特征提取模块中的音频特征提取分支单元，得到所述目标音频特征，包括：
11、在所述目标音频对应的推理模式为流式推理模式的情况下，将所述目标音频的初始音频特征切分为多个初始子特征；
12、将各所述初始子特征输入至所述音频特征提取分支单元，得到各所述初始子特征对应的目标子特征；
13、根据多个所述目标子特征，确定所述目标音频特征；
14、所述根据所述音素对齐矩阵，获取所述初始音频特征对应的音素序号标签预测值，包括：
15、根据所述音素对齐矩阵中各所述初始子特征对应的子矩阵，获取各所述初始子特征对应的标签预测子值；
16、对所述目标音频的初始音频特征中所有初始子特征对应的标签预测子值进行组合，得到所述初始音频特征对应的音素序号标签预测值。
17、根据本专利技术提供的一种音素对齐方法，所述将所述目标文本的初始音素特征输入至所述特征提取模块中的音素特征提取分支单元，得到所述目标音素特征，包括：
18、将所述目标文本的初始音素特征输入至所述音素特征提取分支单元中的编码层，由所述编码层对所述初始音素特征进行上下文感知信息添加，得到音素编码特征；
19、将所述音素编码特征输入至所述音素特征提取分支单元中的线性层，由所述线性层对所述音素编码特征进行尺度变换，得到所述目标音素特征。
20、根据本专利技术提供的一种音素对齐方法，所述将所述目标音频特征和所述目标音素特征输入至所述音素对齐模型中的注意力模块，得到音素对齐矩阵，包括：
21、将所述目标音频特征作为查询参数，将所述目标音素特征作为键参数，输入至所述注意力模块，由所述注意力模块对所述目标音频特征和目标音素特征进行交叉注意力计算，得到所述音素对齐矩阵。
22、根据本专利技术提供的一种音素对齐方法，所述样本文本对应的音素序号标签标记值是基于如下步骤获取的：
23、获取所述样本文本对应的样本音素序列中各音素的持续时长和序号信息；
24、根据所述样本音频的初始音频特征对应的分辨率值，对所述样本音素序列中各音素的持续时长进行帧数转换，得到所述样本音素序列中各音素对应的持续帧数；
25、根据所述序号信息和所述持续帧数，对所述样本音素序列中的各音素进行标签标记，得到所述样本文本对应的音素序号标签标记值。
26、根据本专利技术提供的一种音素对齐方法，所述根据所述序号信息和所述持续帧数，对所述样本音素序列中的各音素进行标签标记，得到所述样本文本对应的音素序号标签标记值，包括：
27、根据所述持续帧数，确定所述样本音素序列中各音素对应的标记维度数；
28、根据所述序号信息，确定所述样本音素序列中的各音素对应的各标记维度的元素的取值；
29、根据所述取值，对所述样本音素序列中的各音素进行标签标记，得到所述样本文本对应的音素序号标签标记值。
30、本专利技术还提供一种音素对齐系统，包括：
31、第一特征提取单元，用于将目标音频的初始音频特征和目标文本的初始音素特征输入至音素对齐模型中的特征提取模块，得到所述目标音频的目标音频特征和所述目标文本的目标音素特征；
32、第二特征提取单元，用于将所述目标音频特征和所述目标音素特征输入至所述音素对齐模型中的注意力模块，得到音素对齐矩阵；
33、音素对齐单元，用于根据所述音素对齐矩阵，获取所述初始音频特征对应的音素序号标签预测值，并根据所述音素序号标签预测值，对所述目标音频和所述目标文本进行音素对齐处理；
34、其中，所述音素对齐模型是基于样本音频、样本文本，以及所述样本文本对应的音素序号标签标记值进行训练得到的。
35、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述音素对齐方法。
36、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述音素对齐方法。
37、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述音素对齐方法。
38、本专利技术提供的音素对齐方法、系统、电子设备及存储介质，通过将目标音频的初始音频特征和目标文本的初始音素特征输入至音素对齐模型中的特征提取模块，得到更加精确的目标音频特征和目标音素特征，随后将目标音频特征和目标音素特征输入至注意力模块，以生成音素对齐矩阵，并通过音素对齐矩阵，获取初始音频特征对应的音素序号标签预测值，由此通过将音素时长和位置预测转换为音素标签预测，降低模型的预测难度，增加本文档来自技高网...
【技术保护点】
1.一种音素对齐方法，其特征在于，包括：
2.根据权利要求1所述的音素对齐方法，其特征在于，所述将目标音频的初始音频特征和目标文本的初始音素特征输入至音素对齐模型中的特征提取模块，得到所述目标音频的目标音频特征和所述目标文本的目标音素特征，包括：
3.根据权利要求2所述的音素对齐方法，其特征在于，所述将所述目标音频的初始音频特征输入至所述特征提取模块中的音频特征提取分支单元，得到所述目标音频特征，包括：
4.根据权利要求2所述的音素对齐方法，其特征在于，所述将所述目标文本的初始音素特征输入至所述特征提取模块中的音素特征提取分支单元，得到所述目标音素特征，包括：
5.根据权利要求1-4任一项所述的音素对齐方法，其特征在于，所述将所述目标音频特征和所述目标音素特征输入至所述音素对齐模型中的注意力模块，得到音素对齐矩阵，包括：
6.根据权利要求1-4任一项所述的音素对齐方法，其特征在于，所述样本文本对应的音素序号标签标记值是基于如下步骤获取的：
7.根据权利要求6所述的音素对齐方法，其特征在于，所述根据所述序号信息
8.一种音素对齐系统，其特征在于，包括：
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述音素对齐方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述音素对齐方法。
...【技术特征摘要】
1.一种音素对齐方法，其特征在于，包括：
2.根据权利要求1所述的音素对齐方法，其特征在于，所述将目标音频的初始音频特征和目标文本的初始音素特征输入至音素对齐模型中的特征提取模块，得到所述目标音频的目标音频特征和所述目标文本的目标音素特征，包括：
3.根据权利要求2所述的音素对齐方法，其特征在于，所述将所述目标音频的初始音频特征输入至所述特征提取模块中的音频特征提取分支单元，得到所述目标音频特征，包括：
4.根据权利要求2所述的音素对齐方法，其特征在于，所述将所述目标文本的初始音素特征输入至所述特征提取模块中的音素特征提取分支单元，得到所述目标音素特征，包括：
5.根据权利要求1-4任一项所述的音素对齐方法，其特征在于，所述将所述目标音频特征和所述目标音素特征输入至所述音素对齐模型中的注意力...
【专利技术属性】
技术研发人员：刘凯洋，宋锐，胡亚军，方昕，高建清，刘聪，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。