语音转换方法和装置、电子设备及存储介质

技术领域

本申请涉及数字医疗技术领域，尤其涉及一种语音转换方法和装置、电子设备及存储介质。

背景技术

语音转换，是指将源说话对象的语音转换为目标说话对象的语音，而不改变源说话对象语音的语音内容。例如，在数字医疗场景中，当进行智能诊疗、远程会诊、线上问诊时，为了保护询问对象的隐私，可以对询问对象的语音进行语音转换操作，如将询问对象的语音转换为对象A的语音。相关技术中，源说话对象(即询问对象)语音包括语音内容特征和语音音色特征，而语音内容特征、语音音色特征之间存在关联，导致直接根据目标说话对象(即对象A)的说话特征进行语音转换时，容易出现转换语音准确率低的问题。因此，如何提高语音转换的准确性成了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种语音转换方法和装置、电子设备及存储介质，旨在提高语音转换的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种语音转换方法，所述方法包括：

获取样本语音数据和参考语音数据；

将所述样本语音数据和所述参考语音数据输入至预设的原始语音模型；其中，所述原始语音模型包括目标音色编码器、原始内容编码器和目标解码器；

通过所述目标音色编码器对所述参考语音数据进行音色编码处理，得到参考音色向量；

通过所述原始内容编码器对所述样本语音数据进行内容编码处理，得到样本内容向量；

通过所述目标解码器对所述参考音色向量和所述样本内容向量进行语音重构处理，得到样本重构语音数据；

通过所述原始内容编码器对所述样本重构语音数据进行内容编码处理，得到重构内容向量；

根据所述重构内容向量、所述样本内容向量对所述原始语音模型进行参数调整，得到目标语音模型；

通过所述目标语音模型、预设的目标转换对象数据对预先获取到的目标语音数据进行语音转换，得到转换语音数据。

在一些实施例，所述目标音色编码器包括卷积层、注意力层、全连接层和归一化层；

所述通过所述目标音色编码器对所述参考语音数据进行音色编码处理，得到参考音色向量，包括：

通过所述卷积层对所述参考语音数据进行特征提取，得到参考语音特征；

通过所述注意力层对所述参考语音特征进行注意力处理，得到注意力特征；

通过所述全连接层对所述注意力特征进行特征维度转换，得到转换音色特征；

通过所述归一化层对所述转换音色特征进行归一化处理，得到所述参考音色向量。

在一些实施例，所述注意力层包括注意力子层、池化子层；

所述通过所述注意力层对所述参考语音特征进行注意力处理，得到注意力特征，包括：

通过所述注意力子层对所述参考语音特征进行注意力处理，得到注意力权值；

通过所述池化子层对所述注意力权值、所述参考语音特征进行池化处理，得到语音平均特征和语音离散特征；

对所述语音平均特征和所述语音离散特征进行特征融合处理，得到所述注意力特征。

在一些实施例，所述根据所述重构内容向量、所述样本内容向量对所述原始语音模型进行参数调整，得到目标语音模型，包括：

根据所述重构内容向量、所述样本内容向量进行相似度计算，得到相似值；

根据所述相似值对所述原始内容编码器进行参数调整，得到目标内容编码器；

根据所述目标内容编码器、所述目标音色编码器和所述目标解码器得到所述目标语音模型。

在一些实施例，所述通过所述原始内容编码器对所述样本语音数据进行内容编码处理，得到样本内容向量，包括：

对所述样本语音数据进行语音扰动处理，得到扰动语音数据；

通过所述原始内容编码器对所述扰动语音数据进行内容编码处理，得到所述样本内容向量。

在一些实施例，所述通过所述目标语音模型、预设的目标转换对象数据对预先获取到的目标语音数据进行语音转换，得到转换语音数据，包括：

通过所述目标语音模型、预设的目标转换对象数据对所述目标语音数据进行语音重构处理，得到目标语音重构数据；

通过预设的声码器对所述目标语音重构数据进行音频转换处理，得到所述转换语音数据。

在一些实施例，在所述将所述样本语音数据和所述参考语音数据输入至预设的原始语音模型之前，所述方法还包括训练所述原始语音模型，具体包括：

获取训练语音数据；

将所述训练语音数据输入至预设的初始语音模型；其中，所述初始语音模型包括初始音色编码器、初始内容编码器、初始解码器；

通过所述初始音色编码器对所述训练语音数据进行音色编码处理，得到训练音色向量；

通过所述初始内容编码器对所述训练语音数据进行内容编码处理，得到训练内容向量；

通过所述初始解码器对所述训练音色向量和所述训练内容向量进行语音重构处理，得到训练重构语音数据；

根据所述训练重构语音数据、所述训练语音数据对所述初始语音模型进行参数调整，得到所述原始语音模型。

为实现上述目的，本申请实施例的第二方面提出了一种语音转换装置，所述装置包括：

数据获取模块，用于获取样本语音数据和参考语音数据；

数据输入模块，用于将所述样本语音数据和所述参考语音数据输入至预设的原始语音模型；其中，所述原始语音模型包括目标音色编码器、原始内容编码器和目标解码器；

音色编码模块，用于通过所述目标音色编码器对所述参考语音数据进行音色编码处理，得到参考音色向量；

第一内容编码模块，用于通过所述原始内容编码器对所述样本语音数据进行内容编码处理，得到样本内容向量；

语音重构模块，用于通过所述目标解码器对所述参考音色向量和所述样本内容向量进行语音重构处理，得到样本重构语音数据；

第二内容编码模块，用于通过所述原始内容编码器对所述样本重构语音数据进行内容编码处理，得到重构内容向量；

参数调整模块，用于根据所述重构内容向量、所述样本内容向量对所述原始语音模型进行参数调整，得到目标语音模型；

语音转换模块，用于通过所述目标语音模型、预设的目标转换对象数据对预先获取到的目标语音数据进行语音转换，得到转换语音数据。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

本申请提出的语音转换方法和装置、电子设备及存储介质,其通过原始内容编码器对获取到的样本语音数据进行内容编码处理，得到样本内容向量。通过目标音色编码器对获取到的参考语音数据进行音色编码处理，得到参考音色向量。而后，根据目标解码器对参考音色向量和样本内容向量进行语音重构处理，并通过原始内容编码器对语音重构处理得到的样本重构语音数据进行内容编码器处理，得到重构内容向量。由于样本重构语音数据是根据目标音色编码器的输出数据和原始内容编码器的输出数据得到的数据，因此在理想状态下，根据样本重构语音数据得到的重构内容向量应与原始内容编码器的输出数据语义相同。所以，通过重构内容向量和样本内容向量对原始语音模型进行参数调整时，能够不断减小原始语音模型对重构内容向量、样本内容向量等语音内容特征的提取误差，从而实现语音内容特征与语音音色特征之间的解耦，进而提高了语音转换的准确性。当将本申请应用于数字医疗中的智能诊疗、远程会诊、线上问诊等场景中时，能够提高对询问对象语音转换的准确性，在减少对询问对象询问内容影响的基础上，实现对询问对象的隐私保护。

附图说明

图1是本申请实施例提供的语音转换方法的流程图；

图2是图1中的步骤S102之前还包括步骤的流程图；

图3是原始语音模型参数调整步骤的示意图；

图4是图1中的步骤S103的流程图；

图5是图4中的步骤S402的流程图；

图6是图1中的步骤S106的流程图；

图7是图1中的步骤S107的流程图；

图8是图1中的步骤S108的流程图；

图9是本申请实施例提供的语音转换装置的结构示意图；

图10是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

预加重：是特征提取中预处理的一种方式。由于语音信号中高频信号的能量通常较低，且受到的抑制影响较大，因此需要增加高频部分的能量，即补偿语音信号高频部分的振幅，使得语音信号的能量分布更加均衡，从而防止傅里叶变换的数值计算不稳定。

分帧：是特征提取中预处理的一种方式。语音信号是一个非平稳信号，但考虑在发浊音时声带有规律地律动，即基音频率在短时间范围内是相对固定的，因此语音信号具有短时平稳特性。其中，认为10ms～30ms的语音信号是一个准稳态过程。短时分析主要采用分帧方式，但相邻两帧之间的基音可能发生变化，为保证声学特征参数的平滑性，一般采用重叠取帧的方式。具体地，将语音信号进行切割，且保证一定的重复率。分帧处理相当于对语音信号进行了加矩形窗的处理，因此分帧处理的主要参数包括帧长(即每帧的长度)和帧移(即矩形窗的移动距离)。

加窗：是特征提取中预处理的一种方式。考虑到语音信号的短时平稳性，对每帧信号进行加窗处理，常见的窗函数包括汉明窗、汉宁窗、布莱克曼窗等。具体地，将语音信号分帧后，将每一帧代入窗函数，窗外的值设定为0，以消除各个帧两端可能出现的信号不连续性。例如，对m帧信号均加入大小为n的汉明窗。通过对每一帧数据加入汉明窗，得到汉明窗矩阵C(m，n)。

傅里叶变换：指能将满足一定条件的某个函数表示成三角函数(正弦函数或余弦函数)或者它们的积分线性组合。在特征提取中，对每一帧都进行N＝4*n的快速傅里叶变换，得到一个大小为(m,4n)的矩阵。其中，傅里叶变换后的帧数仍为m帧。对每一帧的4n个数据点分布取模再取平方后除以4n，得到能量谱密度E(m，4n)，其大小为m*4n。而后，再对每一帧得到的能量进行相加，即得到一个m*1的矩阵，矩阵中的每一个元素即表示一帧能量的总和。

梅尔滤波器组：定义一个有M个滤波器的滤波组，其中，滤波器的个数与临界带的个数相近，M的取值通常为22～26。将语音信号的能量谱通过如上述方法构成的，且具有一组梅尔尺度的三角形滤波器组，以对语音信号进行特征提取。其中，三角形滤波器具有如下作用：第一，三角形滤波器具有低频密、高频疏的特点，因此可以模仿人耳对低频信号分辨率高的特性。第二，具有对频谱进行平滑化，并消除谐波的作用，从而能够突显原语音信号的共振峰。可以理解的是，频谱具有包络和精细结构，分别对应音色和音高。针对语音信号，音色是主要有用信息，通过三角形内积分可消除精细结构，以只保留音色信息。第三，傅里叶变换得到的序列较长，通过三角形滤波器把其变换为每个三角形下的能量，从而减少数据量。

语音转换，是指将源说话对象的语音转换为目标说话对象的语音，而不改变源说话对象语音的语音内容。例如，在数字医疗场景中，当进行智能诊疗、远程会诊、线上问诊时，为了保护询问对象的隐私，可以对询问对象的语音进行语音转换操作，如将询问对象的语音转换为对象A的语音。相关技术中，源说话对象(即询问对象)语音包括语音内容特征和语音音色特征，而语音内容特征、语音音色特征之间存在关联，导致直接根据目标说话对象(即对象A)的说话特征进行语音转换时，容易出现转换语音准确率低的问题。因此，如何提高语音转换的准确性成了亟待解决的技术问题。

基于此，本申请实施例提供了一种语音转换方法和装置、电子设备及存储介质，旨在提高语音转换的准确性。

本申请实施例提供的语音转换方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的语音转换方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的语音转换方法，涉及数字医疗技术领域。本申请实施例提供的语音转换方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现语音转换方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户语音数据、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

图1是本申请实施例提供的语音转换方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S108。

步骤S101、获取样本语音数据和参考语音数据；

步骤S102、将样本语音数据和参考语音数据输入至预设的原始语音模型；其中，原始语音模型包括目标音色编码器、原始内容编码器和目标解码器；

步骤S103、通过目标音色编码器对参考语音数据进行音色编码处理，得到参考音色向量；

步骤S104、通过原始内容编码器对样本语音数据进行内容编码处理，得到样本内容向量；

步骤S105、通过目标解码器对参考音色向量和样本内容向量进行语音重构处理，得到样本重构语音数据；

步骤S106、通过原始内容编码器对样本重构语音数据进行内容编码处理，得到重构内容向量；

步骤S107、根据重构内容向量、样本内容向量对原始语音模型进行参数调整，得到目标语音模型；

步骤S108、通过目标语音模型、预设的目标转换对象数据对预先获取到的目标语音数据进行语音转换，得到转换语音数据。

本申请实施例所示意的步骤S101至步骤S108，通过原始内容编码器对获取到的样本语音数据进行内容编码处理，得到样本内容向量。通过目标音色编码器对获取到的参考语音数据进行音色编码处理，得到参考音色向量。而后，根据目标解码器对参考音色向量和样本内容向量进行语音重构处理，并通过原始内容编码器对语音重构处理得到的样本重构语音数据进行内容编码器处理，得到重构内容向量。由于样本重构语音数据是根据目标音色编码器的输出数据和原始内容编码器的输出数据得到的数据，因此在理想状态下，根据样本重构语音数据得到的重构内容向量应与原始内容编码器的输出数据语义相同。所以，通过重构内容向量和样本内容向量对原始语音模型进行参数调整时，能够不断减小原始语音模型对重构内容向量、样本内容向量等语音内容特征的提取误差，从而实现语音内容特征与语音音色特征之间的解耦，进而提高了语音转换的准确性。当将本申请应用于数字医疗中的智能诊疗、远程会诊、线上问诊等场景中时，能够提高对询问对象语音转换的准确性，在减少对询问对象询问内容影响的基础上，实现对询问对象的隐私保护。

在一些实施例的步骤S101中，通过应用程序编码接口(Application ProgrammingInterface，API)等方式获取样本对象的样本语音数据，并获取参考对象的参考语音数据。其中，样本对象和参考对象是两个不同的对象，即样本语音数据的语音表征特征与参考语音数据的语音表征特征存在差别，语音表征特征包括音色特征、内容特征、韵律特征等。例如，以样本语音数据为例。当将本申请应用于终端时，终端可以安装有具有语音输入功能的应用，如即时通信应用、语音输入法应用、语音助手等。根据上述应用的API接口获取样本对象的样本语音数据。此外，还可以对通过大数据获取的视频数据、音频数据进行音频提取，以得到对应的样本语音数据。当将本申请应用于数字医疗场景时，样本语音数据可以是询问对象的语音数据，例如描述病症的语音数据。由此可知，本申请实施例对样本语音数据的获取方式不作具体限定。

参照图2，在一些实施例中，在步骤S102之前，本申请实施例提供的语音转换方法还包括训练原始语音模型，具体包括但不限于包括有步骤S201至步骤S206。

步骤S201、获取训练语音数据；

步骤S202、将训练语音数据输入至预设的初始语音模型；其中，初始语音模型包括初始音色编码器、初始内容编码器、初始解码器；

步骤S203、通过初始音色编码器对训练语音数据进行音色编码处理，得到训练音色向量；

步骤S204、通过初始内容编码器对训练语音数据进行内容编码处理，得到训练内容向量；

步骤S205、通过初始解码器对训练音色向量和训练内容向量进行语音重构处理，得到训练重构语音数据；

步骤S206、根据训练重构语音数据、训练语音数据对初始语音模型进行参数调整，得到原始语音模型。

在一些实施例的步骤S201中，通过相关API接口获取训练对象的训练语音数据。可以理解的是，训练语音数据的获取方式与样本语音数据的获取方式相同，即训练语音数据是训练对象的语音数据，例如描述病症的语音数据，此时训练对象即为询问对象。对此本申请实施例不再赘述。

在一些实施例的步骤S202中，预先设置基于编码器-解码器结构的初始语音模型，即该初始语音模型包括初始音色编码器、初始内容编码器和初始解码器。将训练语音数据作为初始语音模型的输入数据，以通过初始语音模型对训练语音数据进行语音表征特征提取。

在一些实施例的步骤S203中，将训练语音数据作为目标音色编码器的输入数据，以通过目标音色编码器对训练语音数据中的音色特征进行提取并编码，得到用于表征训练对象身份特征的训练音色向量。

在一些实施例的步骤S204中，将训练语音数据作为初始内容编码器的输入数据，以通过初始内容编码器对训练语音数据所要表达的内容信息特征进行提取并编码，得到训练内容向量。

在一些实施例的步骤S205中，将训练音色向量、训练内容向量作为初始解码器的输入数据，以通过初始解码器对训练音色向量、训练内容向量进行语音重构处理，得到训练重构语音数据。即训练重构语音数据是音色特征为训练音色向量、内容特征为训练内容向量的数据。

在一些实施例的步骤S206中，由于训练重构语音数据是以训练语音数据的语音表征特征重构得到的数据，因此在理想状态下，训练重构语音数据得到的训练重构语音数据应与训练语音数据相同。所以，可以根据预设的损失函数对训练重构语音数据和训练语音数据进行损失计算，以根据计算得到的损失值确定初始语音模型对语音表征特征提取的误差，从而训练得到语音表征特征提取能力更准确的原始语音模型。可以理解的是，根据实际需要，可以设置不同的参数调整比例，例如在本申请实施例中，主要对初始音色编码器和初始解码器进行调整。对此本申请实施例不作具体限定。

在一些实施例的步骤S102中，预先构建包括目标音色编码器、原始内容编码器和目标解码器的原始语音模型，并将样本语音数据和参考语音数据分别输入至原始语音模型，以通过该原始语音模型对样本语音数据进行语音表征特征提取，并对参考语音数据进行语音表征特征提取。可以理解的是，在原始语音模型中，目标音色编码器和目标解码器是经过预训练的模型，即目标音色编码器已具有一定准确度的音色编码能力，并且目标解码器已具有一定准确度的语音重构处理能力。

在一些实施例的步骤S103中，参照图3，将参考语音数据作为目标音色编码器的输入数据，以通过目标音色编码器对参考语音数据中的音色特征进行提取并编码，得到参考音色向量。例如，当期望将语音都转换为具有对象A音色的语音时，参考音色向量为对象A的音色向量。可以理解的是，音色特征是可以反应参考对象(即对象A)语音特性的特征，音色特征与参考对象的身份有关，即具有不同身份的参考对象和样本对象对应的语音数据具有不同的音色特征。可以理解的是，对象A可以是老人、小孩、动漫人物等，对此本申请实施例不作具体限定。

参照图4，在一些实施例中，目标音色编码器包括卷积层、注意力层、全连接层和归一化层。步骤S103包括但不限于包括有步骤S401至步骤S404。

步骤S401、通过卷积层对参考语音数据进行特征提取，得到参考语音特征；

步骤S402、通过注意力层对参考语音特征进行注意力处理，得到注意力特征；

步骤S403、通过全连接层对注意力特征进行特征维度转换，得到转换音色特征；

步骤S404、通过归一化层对转换音色特征进行归一化处理，得到参考音色向量。

在一些实施例中的步骤S401中，预先设置包括多个卷积核和偏移值的卷积层，其中，卷积核用于对输入至卷积层的参考语音数据进行局部特征提取。将提取到的局部特征与偏移值进行计算，得到参考语音特征。可以理解的是，为了减少输入至目标音色编码器中的数据量，还可以对参考语音数据进行降维处理。具体地，当参考语音数据为时域数据时，通过对参考语音数据进行预加重、分帧、加窗、傅里叶变换、梅尔滤波器组等处理，以得到参考语音数据的频域表示，即得到梅尔频谱。

在一些实施例的步骤S402中，将卷积层输出的参考语音特征作为注意力层的输入数据，以通过注意层对参考语音特征进行注意力处理。可以理解的是，在一段语音数据中，通常某些帧特征比其他帧特征更重要，即更能表示该段语音数据的语音特性。因此，通过注意力层对这些帧特征赋予不同的注意力权值，从而得到考虑了全局特征关联程度以及局部特征重要性的注意力特征。

参照图5，在一些实施例中，注意力层包括注意力子层和池化子层。步骤S402包括但不限于包括有步骤S501至步骤S503。

步骤S501、通过注意力子层对参考语音特征进行注意力处理，得到注意力权值；

步骤S502、通过池化子层对注意力权值、参考语音特征进行池化处理，得到语音平均特征和语音离散特征；

步骤S503、对语音平均特征和语音离散特征进行特征融合处理，得到注意力特征。

在一些实施例的步骤S501中，在一段语音数据中，通常某些帧特征比其他帧特征更重要，即更能表示该段语音数据的语音特性，因此通过注意力子层对参考语音特征所表示的每个帧特征赋予不同的注意力权值。

在一些实施例的步骤S502中，将注意力子层输出的注意力权值和参考语音特征作为池化子层的输入数据，以根据注意力权值对每个参考语音特征进行加权处理后，对参考语音特征进行平均值计算，从而确定所有参考语音特征的平均性特征，得到语音平均特征。并且，对参考语音特征进行标注差计算，从而确定所有参考语音特征的离散程度，得到语音离散特征。

在一些实施例的步骤S503中，将语音平均特征和语音离散特征进行融合处理，并将融合处理后得到的注意力特征作为全连接层的输入数据。

在一些实施例的步骤S403中，将注意力层输出的注意力特征作为全连接层的输入数据，以通过全连接层对多个注意力特征进行整合，并将整合后的特征转换为一维特征，得到转换音色特征。

在一些实施例的步骤S404中，将全连接层输出的转换音色特征作为归一化层的输入数据，以将转换音色特征映射至预设的区间中，得到参考音色向量，从而能够消除异常特征对目标音色编码器的影响，提高目标音色模型对参考语音数据音色特征的提取能力。

在一些实施例的步骤S104中，将样本语音数据作为原始内容编码器的输入数据，以通过原始内容编码器对样本语音数据所要表达的内容信息特征进行提取并编码，得到样本内容向量。如当样本语音数据所要表达的内容信息为“我今早起床感到头疼，四肢乏力”，则样本内容向量是对应于上述内容信息的特征向量。

参照图6，在一些实施例中，步骤S106包括但不限于包括有步骤S601至步骤S602。

步骤S601、对样本语音数据进行语音扰动处理，得到扰动语音数据；

步骤S602、通过原始内容编码器对扰动语音数据进行内容编码处理，得到样本内容向量。

在一些实施例的步骤S601中，为了提高原始内容编码器的能力，即使原始内容编码器从样本语音数据中提取得到准确的样本内容向量，对样本语音数据进行语音扰动处理，得到扰动语音数据。具体地，语音扰动处理操作是指用于更改样本语音数据中韵律特征的操作。其中，韵律特征包括音高特征、节奏特征等。

在一些实施例的步骤S602中，将扰动语音数据作为原始内容编码器的输入数据，以通过原始内容编码器对扰动语音数据中的内容特征进行提取，得到样本内容向量。在对原始语音模型的训练中，原始内容编码器不断更新从扰动语音数据中挖掘真实内容特征的能力，也即更新避免扰动特征干扰的能力，从而提高了原始内容编码器的提取内容特征的准确性。

在一些实施例的步骤S105中，参照图2，将参考音色向量和样本内容向量作为目标解码器的输入数据，以通过目标解码器对参考音色向量和样本内容向量进行语音重构处理，得到样本重构语音数据。

在一些实施例的步骤S106中，将样本重构语音数据作为原始内容编码器的输入数据，以通过原始内容编码器对样本重构语音数据所要表达的内容信息特征进行提取并编码，得到重构内容向量。

在一些实施例的步骤S107中，在理想状态下，目标解码器得到的样本重构语音数据应是与参考语音数据音色特征相同，并与样本语音数据内容信息特征的语音数据。即在理想状态下，当将样本重构语音数据输入至原始内容编码器时，原始内容编码器输出的重构内容向量应与样本内容向量语义相同。仍以上述实施例的举例为例，在理想状态下，样本重构语音的语音内容应仍为“我今早起床感到头疼，四肢乏力”，但样本重构语音的音色应为对象A的音色。因此，可以通过预设的损失函数对重构内容向量和样本内容向量进行损失计算，根据计算得到的损失值对原始语音模型进行参数调整，得到目标语音模型。

参照图7，在一些实施例中，步骤S107包括但不限于包括有步骤S701至步骤S703。

步骤S701、根据重构内容向量、样本内容向量进行相似度计算，得到相似值；

步骤S702、根据相似值对原始内容编码器进行参数调整，得到目标内容编码器；

步骤S703、根据目标内容编码器、目标音色编码器和目标解码器得到目标语音模型。

需要说明的是，由于是对重构内容向量和样本内容向量进行损失计算，并且，目标音色编码器和目标解码器是预训练好的模型。因此，在本申请实施例中，计算得到的损失值主要用于对原始内容编码器进行参数调整。

在一些实施例的步骤S701中，对重构内容向量和样本内容向量进行相似度计算，以确定重构内容向量和样本内容向量在向量空间中的距离，得到相似值。具体地，可以选择以下任一种方式进行相似度计算：欧氏距离、曼哈顿距离、海明距离、余弦相似度、切比雪夫距离等，对此本申请实施例不作具体限定。

在一些实施例的步骤S702中，根据计算得到的相似值和反向传播算法对原始内容编码器进行参数调整，使得预设的损失函数达到收敛，从而得到内容信息特征提取更准确的目标内容编码器。

在一些实施例的步骤S703中，根据参数调整后得到的目标内容编码器、目标音色编码器、目标解码器构建得到目标语音模型。

在一些实施例的步骤S108中，获取目标转换对象的目标语音数据，根据目标语音模型对目标语音数据进行特征提取，并将提取到的部分特征替换为目标转换对象数据。其中，目标转换对象数据为目标转换对象的说话特征数据，如包括音色特征数据等。因此，根据上述操作，可以将目标语音数据转换为具有目标转换对象说话特征数据的语音数据，即转换语音数据，从而实现语音转换。此外，可以根据API接口等方式获取目标转换对象的目标语音数据。例如，当将本申请应用于数字医疗场景时，可以通过智能诊疗API接口、远程会诊API接口、线上问诊API接口等获取目标语音数据。当将本申请应用于终端时，终端可以安装具有语音输入功能的应用，如即时通信应用、语音输入法应用、语音助手等。目标转换对象可以使用这些应用输入待转换的目标语音数据。需要说明的是，在实际应用中，当目标转换对象使用即时通信应用进行语音转换时，可以通过点击即时通信应用的语音转换界面，并通过在该界面设置的语音输入控件进行目标语音数据的输入。此时，即时通信应用通过调用语音采集装置，如开启麦克风等方式获取到目标语音数据。

可以理解的是，目标转换对象数据还可以为身份标识数据。预先设置有音色数据库，音色数据库中包括与身份标识数据存在映射关系的音色特征数据。当目标转换对象使用即时通信应用进行语音转换，或在数字医疗场景中预设的语音转换界面进行语音转换时，语音转换界面还可以设置有对应于不同身份标识数据的身份标识控件。通过获取目标转换对象触发身份标识控件生成的指令，以根据该指令从音色数据库中得到对应的音色特征数据，从而根据该音色特征数据实现对目标语音数据的语音转换。例如，设置有“女性声音”的控件、“男性声音”的控件、“小孩声音”的控件、“老人声音”的控件等。若目标转换对象为女性，获取得到目标转换对象触发“男性声音”控件的指令时，可以在不改变目标转换对象所描述的病症内容的基础上，将目标语音数据的音色由目标转换对象对应的女性音色转换为男性音色。由此可知，本申请实施例对目标转换对象数据的数据类型和获取方式不作具体限定。其中，转换得到的转换语音数据除了可以进行隐私保护意外，还可以用于辅助如汽车广播及公告、汽车导航、电子词典、消费电子、智能电话、智能扬声器的应用、语音助理、电子书朗读等中。

参照图8，在一些实施例中，步骤S108包括但不限于包括有步骤S801至步骤S802。

步骤S801、通过目标语音模型、预设的目标转换对象数据对目标语音数据进行语音重构处理，得到目标语音重构数据；

步骤S802、通过预设的声码器对目标语音重构数据进行音频转换处理，得到转换语音数据。

在一些实施例的步骤S801中，目标语音模型包括目标内容编码器、目标音色编码器和目标解码器，将目标语音数据作为目标内容编码器的输入数据，得到目标语音数据的语音内容特征。将目标转换对象数据和得到的语音内容特征作为目标解码器的输入数据，以通过目标解码器将目标转换对象数据和语音内容特征重构为新的语音数据，即目标语音重构数据。可以理解的是，目标转换对象数据的获取方式，以及目转换对象数据的数据类型可参照上述实施例的描述，对此本申请实施例不再赘述。

在一些实施例中的步骤S802，由于目标解码器输出的数据形式为梅尔频谱，因此还需将目标语音重构数据输入至预设的声码器，以输出与目标语音重构数据对应的音频数据，从而实现对目标语音数据的语音转换。

本申请实施例提供的语音转换方法，通过原始内容编码器对获取到的样本语音数据进行内容编码处理，得到样本内容向量。通过目标音色编码器对获取到的参考语音数据进行音色编码处理，得到参考音色向量。而后，根据目标解码器对参考音色向量和样本内容向量进行语音重构处理，并通过原始内容编码器对语音重构处理得到的样本重构语音数据进行内容编码器处理，得到重构内容向量。由于样本重构语音数据是根据目标音色编码器的输出数据和原始内容编码器的输出数据得到的数据，因此在理想状态下，根据样本重构语音数据得到的重构内容向量应与原始内容编码器的输出数据语义相同。所以，通过重构内容向量和样本内容向量对原始内容编码器进行参数调整时，能够不断减小原始内容编码器对重构内容向量、样本内容向量等语音内容特征的提取误差，从而实现语音内容特征与语音音色特征之间的解耦，进而根据目标内容编码器、目标音色编码器、目标解码器构建得到的目标语音模型进行语音转换时，能够提高语音转换的准确性。当将本申请应用于数字医疗中的智能诊疗、远程会诊、线上问诊等场景中时，能够提高对询问对象语音转换的准确性，在减少对询问对象询问内容影响的基础上，实现对询问对象的隐私保护。

请参阅图9，本申请实施例还提供一种语音转换装置，可以实现上述语音转换方法，该装置包括：

数据获取模块901，用于获取样本语音数据和参考语音数据；

数据输入模块902，用于将样本语音数据和参考语音数据输入至预设的原始语音模型；其中，原始语音模型包括目标音色编码器、原始内容编码器和目标解码器；

音色编码模块903，用于通过目标音色编码器对参考语音数据进行音色编码处理，得到参考音色向量；

第一内容编码模块904，用于通过原始内容编码器对样本语音数据进行内容编码处理，得到样本内容向量；

语音重构模块905，用于通过目标解码器对参考音色向量和样本内容向量进行语音重构处理，得到样本重构语音数据；

第二内容编码模块906，用于通过原始内容编码器对样本重构语音数据进行内容编码处理，得到重构内容向量；

参数调整模块907，用于根据重构内容向量、样本内容向量对原始语音模型进行参数调整，得到目标语音模型；

语音转换模块908，用于通过目标语音模型、预设的目标转换对象数据对预先获取到的目标语音数据进行语音转换，得到转换语音数据。

该语音转换装置的具体实施方式与上述语音转换方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述语音转换方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

参照图10，图10示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器1001，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器1002，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器1002可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本申请实施例的语音转换方法；

输入/输出接口1003，用于实现信息输入及输出；

通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线1005，在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息；

其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述语音转换方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。