基于改进型编码器的语音转换方法和装置、电子设备

技术领域

本申请涉及金融科技领域，尤其涉及一种基于改进型编码器的语音转换方法和装置、电子设备及存储介质。

背景技术

随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，例如在保险行业中，需要将保险机构与客户的交流内容或者客户提供的语音内容进行分析，以达到区分不同客户而进行分类管理的目的，这涉及到语音转化技术，语音转化技术是将源语音转换到目标语音而保持语音内容不变的一种技术。目前，主流的语音转化方法主要通过使用生成对抗网络(Generative Adversarial Nets，GAN)及其变体实现，例如，研究人员已经开发出了各种在非并行数据上的语音转换模型，包括CycleGAN-VC、StarGAN-VC和StarGANv2-VC等，在语音转换过程中，通常需要对输入语音进行解耦以提取相应的说话人内容向量和说话人风格向量，并基于相应的说话人向量进行后续的语音转换，但是这些语音转换模型所输出的风格向量相对较为单一，且该转换过程需要同时输入目标说话人的域信息，这极大地限制了语音转换模型的建模能力和应用场景，以保险业务为例，通过上述语音转换模型进行的语音转换是相对固定的，而不同的客户有着不同的保险类型，比如有的属于直接业务，有的属于再保险业务等，因此若说话人向量提取的稳定性不高，就无法进一步稳定获取到所需转换的目标语音。因此，如何提高语音转换过程的稳定性，成为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基于改进型编码器的语音转换方法和装置、电子设备及存储介质，旨在提高语音转换过程的稳定性。

为实现上述目的，本申请实施例的第一方面提出了一种基于改进型编码器的语音转换方法，所述方法包括：

获取待转换的目标说话人语料的目标梅尔频谱特征；

基于所述第一预设神经网络对所述目标梅尔频谱特征进行预处理，得到中间特征结果；

基于所述第二预设神经网络获取对应于所述中间特征结果的高斯分布均值和高斯分布方差；

根据所述高斯分布均值和所述高斯分布方差确定对应于所述目标说话人语料的特征分布空间；

在所述特征分布空间中进行随机采样，得到所述目标梅尔频谱特征对应的目标说话人嵌入向量；

将所述目标说话人嵌入向量输入到预训练的语音转换网络中，得到重构的转换梅尔频谱特征；

根据所述转换梅尔频谱特征生成目标转换语料。

在一些实施例，所述第一预设神经网络包括预设卷积层和降采样模块，所述降采样模块由一维卷积层和池化层连接而得到；所述基于所述第一预设神经网络对所述目标梅尔频谱特征进行预处理，得到中间特征结果，包括：

将所述目标梅尔频谱特征输入到所述第一预设神经网络；

基于所述预设卷积层将所述目标梅尔频谱特征的特征维数降低到第一预设值，得到中间梅尔频谱特征；

基于所述降采样模块将所述中间梅尔频谱特征的时域长度降低到第二预设值，得到中间特征结果。

在一些实施例，所述将所述目标梅尔频谱特征输入到所述第一预设神经网络之前，所述方法还包括：

将所述目标梅尔频谱特征的时域按照帧进行重新排序。

在一些实施例，所述方法还包括：

在所述特征分布空间中进行随机采样的过程中，对目标KL散度进行优化，其中，所述目标KL散度表征所述目标梅尔频谱特征对应的目标说话人嵌入向量与所述高斯分布之间的偏差值。

在一些实施例，所述第二预设神经网络包括第一全连接层和第二全连接层，所述基于所述第二预设神经网络获取对应于所述中间特征结果的高斯分布均值和高斯分布方差，包括：

将所述中间特征结果输入到所述第二预设神经网络；

基于所述第一全连接层预测得到对应于所述中间特征结果的高斯分布均值，以及基于所述第二全连接层预测得到对应于所述中间特征结果的高斯分布方差。

在一些实施例，所述在所述特征分布空间中进行随机采样，得到所述目标梅尔频谱特征对应的目标说话人嵌入向量，包括：

采用重参数化方式在所述特征分布空间中进行随机采样，得到所述目标梅尔频谱特征唯一对应的一个目标说话人嵌入向量。

在一些实施例，所述获取待转换的目标说话人语料的目标梅尔频谱特征，包括：

获取所述目标说话人语料的语音波形；

对所述目标说话人语料的语音波形进行傅里叶变换，得到目标频率；

基于预设转换函数将所述目标频率转换为所述目标说话人语料的目标梅尔频谱特征。

为实现上述目的，本申请实施例的第二方面提出了一种基于改进型编码器的语音转换装置，所述改进型编码器配置有第一预设神经网络和第二预设神经网络，所述装置包括：

频谱特征获取模块，用于获取待转换的目标说话人语料的目标梅尔频谱特征；

预处理模块，用于基于所述第一预设神经网络对所述目标梅尔频谱特征进行预处理，得到中间特征结果；

参数计算模块，用于基于所述第二预设神经网络获取对应于所述中间特征结果的高斯分布均值和高斯分布方差；

分布空间确定模块，用于根据所述高斯分布均值和所述高斯分布方差确定对应于所述目标说话人语料的特征分布空间；

采样模块，用于在所述特征分布空间中进行随机采样，得到所述目标梅尔频谱特征对应的目标说话人嵌入向量；

第一转换模块，用于将所述目标说话人嵌入向量输入到预训练的语音转换网络中，得到重构的转换梅尔频谱特征；

第二转换模块，用于根据所述转换梅尔频谱特征生成目标转换语料。

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，所述电子设备包括内存和处理器，所述内存存储有计算机程序，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。

本申请提出的基于改进型编码器的语音转换方法和装置、电子设备及存储介质,其通过将待转换的目标说话人语料的目标梅尔频谱特征输入到改进型编码器中，进而通过所配置的第一预设神经网络和第二预设神经网络确定对应于目标说话人语料的特征分布空间，从而能够在所确定的特征分布空间中进行随机采样而最终得到目标说话人嵌入向量，进而能够将目标说话人嵌入向量输入到预训练的语音转换网络中，得到稳定重构的转换梅尔频谱特征，并根据转换梅尔频谱特征稳定地生成目标转换语料，与相关技术相比，不需要显式地输入目标说话人特定的域信息，同时通过拟合特征分布空间进行采样能够使得输出的语音结果具有更高的适应性和多样性，有利于扩展语音转换模型的建模能力和应用场景，提高语音转换过程的稳定性，有利于稳定获取到所需转换的目标语音。

附图说明

图1是本申请一个实施例提供的基于改进型编码器的语音转换方法的流程图；

图2是图1中的步骤S101的流程图；

图3是图1中的步骤S102的流程图；

图4是图1中的步骤S103的流程图；

图5是图1中的步骤S105的流程图；

图6是图1中的步骤S102之前的流程图；

图7是本申请一个实施例提供的改进型编码器的结构示意图；

图8是本申请一个实施例提供的基于改进型编码器的语音转换装置的结构示意图；

图9是本申请一个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慧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。

语音转换：是语音信号处理领域的重要研究分支，是在语音合成和说话人识别的研究基础上发展与延伸的。语音转换的任务是改变源说话人的语音个性特征，使之具有目标说话人的个性特征，同时保留源说话人的语义信息不变。简而言之就是使源说话人的语音经过转换后，保留原语义的同时听起来像是目标说话人的语音。

目前，在保险行业中，保险业务按保险环节，划分为直接业务和再保险业务，直接业务是指保险人与被保险人直接签订契约的保险，而再保险是指一个保险公司承保直接业务后，与另一家或另几家保险公司签订契约，将超过自身能力的那部分风险转移出去的一种保险业务。此时，接受方作为保险人，而转嫁风险的一方作为被保险人，在具体场景下需要区分不同客户的保险类型，需要将保险机构与客户的交流内容或者客户提供的语音内容进行分析，以达到区分不同客户而进行分类管理的目的。早期的语音转换需要利用并行数据进行训练，这一方法的一个缺点就是对于数据对齐非常敏感，而进行时间对齐通常需要耗费大量的人力和时间，甚至在某些任务下非并行数据无法获得，这一限制使得研究者将更多的将兴趣转向其他方法，例如，通过使用GAN及其变体，研究人员已经开发出了各种在非并行数据上的语音转换方法，包括CycleGAN-VC、StarGAN-VC和StarGANv2-VC等。

但是，在这些方法中，通常需要对输入语音进行解耦以提取相应的说话人内容向量和说话人风格向量，其中，说话人风格向量的提取能力很大程度上决定了最终输出音频与目标说话人的风格相似度，在StarGANv2-VC模型中，仅仅使用了简单的风格编码器来提取风格，且该过程需要同时输入说话人域信息和目标梅尔频谱，这极大地限制了其建模能力和应用场景。

基于此，本申请实施例提供了一种基于改进型编码器的语音转换方法和装置、电子设备及存储介质，旨在提高语音转换过程的稳定性。

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，涉及金融科技领域。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，终端可以是智慧手机、平板计算机、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、可程序设计的消费电子设备、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，由通过通信网路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资料进行相关处理时，例如在本申请的具体实施方式中需要获取使用者的语料等，都会先获得使用者的许可或者同意，而且，对这些资料的收集、使用和处理等，都会遵守相关国家和地区的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使用者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基于改进型编码器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S107。

步骤S101，获取待转换的目标说话人语料的目标梅尔频谱特征；

步骤S102，基于第一预设神经网络对目标梅尔频谱特征进行预处理，得到中间特征结果；

步骤S103，基于第二预设神经网络获取对应于中间特征结果的高斯分布均值和高斯分布方差；

步骤S104，根据高斯分布均值和高斯分布方差确定对应于目标说话人语料的特征分布空间；

步骤S105，在特征分布空间中进行随机采样，得到目标梅尔频谱特征对应的目标说话人嵌入向量；

步骤S106，将目标说话人嵌入向量输入到预训练的语音转换网络中，得到重构的转换梅尔频谱特征；

步骤S107，根据转换梅尔频谱特征生成目标转换语料。

本申请实施例所示意的步骤S101至步骤S106，通过将待转换的目标说话人语料的目标梅尔频谱特征输入到改进型编码器中，进而通过所配置的第一预设神经网络和第二预设神经网络确定对应于目标说话人语料的特征分布空间，从而能够在所确定的特征分布空间中进行随机采样而最终得到目标说话人嵌入向量，进而能够将目标说话人嵌入向量输入到预训练的语音转换网络中，得到稳定重构的转换梅尔频谱特征，并根据转换梅尔频谱特征稳定地生成目标转换语料，与相关技术相比，不需要显式地输入目标说话人特定的域信息，同时通过拟合特征分布空间进行采样能够使得输出的语音结果具有更高的适应性和多样性，有利于扩展语音转换模型的建模能力和应用场景，提高语音转换过程的稳定性，有利于稳定获取到所需转换的目标语音。

例如，客户可以远程将自身的需求内容发送给保险业务机构，然后保险业务机构对该客户的语料进行上述的基于改进型编码器的语音转换方法的应用，最终能够将客户的语料生成目标转换语料，从而通过目标转换语料直接明确地确定客户所需求的保险业务类型。

在一些实施例中，改进型编码器可以看作为针对StarGANv2-VC对应的编码器进行改进的编码器，以解决StarGANv2-VC对应的编码器的相关问题，但需要说明的是，在不同的应用场景中，改进型编码器也可以具体应用于改进其他相关语音转换模型的编码器等，不限于此；为免冗余，以下各实施例主要以针对StarGANv2-VC对应的编码器进行改进而说明。

在一些实施例的步骤S106和步骤S107中，语音转换网络、语音转换网络的预训练方式以及生成目标转换语料的方式等可以根据具体场景进行选择设置，例如，可以但不限于采用普通转换神经网络、高斯混合语音转换模型等生成目标转换语料，也可以但不限于采用矢量量化法、说话人插值法、线性多变量回归法等进行转换梅尔频谱特征的重构提取，此处并未限定。

在一些实施例的步骤S101中，待转换的目标说话人语料的目标梅尔频谱特征可以为当前获取到的。也可以通过其他方式获取到，例如预先获取到、在固定时刻获取到等，不限于此。

请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S203：

步骤S201，获取目标说话人语料的语音波形；

步骤S202，对目标说话人语料的语音波形进行傅里叶变换，得到目标频率；

步骤S203，基于预设转换函数将目标频率转换为目标说话人语料的目标梅尔频谱特征。

本步骤中，通过获取目标说话人语料的语音波形，进而对该语音波形进行傅里叶变换，例如计算加窗的短时傅里叶变换，从而可以准确地计算得到目标说话人语料对应的目标频率，以便于通过预设转换函数将目标频率转换为目标说话人语料的目标梅尔频谱特征。

在一些实施例的步骤S203中，预设转换函数在不同应用场景中可以相应设置，此处不限定。

在一些实施例的步骤S102中，第一预设神经网络可以根据对目标梅尔频谱特征进行预处理的具体方式的不同而相应设置，此处不限定。

请参阅图3，在一些实施例中，当第一预设神经网络包括预设卷积层和降采样模块，降采样模块由一维卷积层和池化层连接而得到，步骤S102可以包括但不限于包括步骤S301至步骤S303：

步骤S301，将目标梅尔频谱特征输入到第一预设神经网络；

步骤S302，基于预设卷积层将目标梅尔频谱特征的特征维数降低到第一预设值，得到中间梅尔频谱特征；

步骤S303，基于降采样模块将中间梅尔频谱特征的时域长度降低到第二预设值，得到中间特征结果。

本步骤中，在将目标梅尔频谱特征输入到第一预设神经网络的情况下，基于预设卷积层实现对于目标梅尔频谱特征的特征降维，以使得目标梅尔频谱特征的特征维度降低到符合特征维度要求，并且基于降采样模块减少中间梅尔频谱特征的时域长度，以便于得到稳定可靠的中间特征结果。

在一些实施例的步骤S302和步骤S303中，预设卷积层可以但不限于为一层一维卷积，降采样模块所包括的池化层为最大池化层，也可以用于实现平均池化，此处不限定；第一预设值和第二预设值可以在不同应用场景中进行相应设置，不限于此。

在一些实施例的步骤S103中，第二预设神经网络还可以根据获取对应于中间特征结果的均值、方差的具体方式的不同而相应设置，例如若所确定的特征分布空间不为高斯分布空间，那么所获取的均值、方差可以为相应分布空间下的数值，此处不限定。

请参阅图4，在一些实施例中，当第二预设神经网络包括第一全连接层和第二全连接层，步骤S103可以包括但不限于包括步骤S401至步骤S402：

步骤S401，将中间特征结果输入到第二预设神经网络；

步骤S402，基于第一全连接层预测得到对应于中间特征结果的高斯分布均值，以及基于第二全连接层预测得到对应于中间特征结果的高斯分布方差。

本步骤中，通过第一全连接层和第二全连接层拟合目标说话人的分布空间，也就是说，在设定先验为高斯分布的情况下求解均值和方差来近似地隐空间建模，以便于在后续步骤中基于特征隐空间分布进行采样以准确可靠地获取目标说话人嵌入向量。

在一些实施例的步骤S402中，第一全连接层和第二全连接层可以在不同应用场景中进行相应设置，以实现分别的参数预测功能，对此不作具体区分。

在一些实施例的步骤S104中，根据高斯分布均值和高斯分布方差确定对应于目标说话人语料的特征分布空间的方式可以为多种，此处不限定。例如，可以根据预设空间拟合函数对高斯分布均值和高斯分布方差进行计算而得到目标说话人语料的特征分布空间等。

在一些实施例的步骤S105中，通过在预确定的特征分布空间中进行随机采样，以便于对目标说话人语料中的随机高斯噪声进行转换而得到最终输出的目标说话人嵌入向量。

请参阅图5，在一些实施例中，步骤S105可以包括但不限于包括步骤S501：

步骤S501，采用重参数化方式在特征分布空间中进行随机采样，得到目标梅尔频谱特征唯一对应的一个目标说话人嵌入向量。

本步骤中，考虑到随机采样可能对应得到多个目标说话人嵌入向量，为了避免采样过程的不可微，可以采用重参数化方式在特征分布空间中进行随机采样，从而得到目标梅尔频谱特征唯一对应的一个目标说话人嵌入向量，也就是说，可以得到一个准确性系数对应的目标说话人嵌入向量，有利于确保采样过程的稳定性，降低计算量和参数量，提高改进型编码器的提取性能和应用速度。

在一些实施例的步骤S501中，重参数化可以但不限于有并行合并、串行合并等方式，即合并模块为卷积，具体的合成方式可以根据具体应用场景进行设置。

在一些实施例中，本申请的基于改进型编码器的语音转换方法，还可以包括但不限于包括步骤S601：

步骤S601，在特征分布空间中进行随机采样的过程中，对目标KL散度进行优化，其中，目标KL散度表征目标梅尔频谱特征对应的目标说话人嵌入向量与高斯分布之间的偏差值。

本步骤中，通过引入目标KL散度，可以进一步提高编码器的建模能力和实现隐空间的随机采样，也就是说，由于目标KL散度表征目标梅尔频谱特征对应的目标说话人嵌入向量与标准分布之间的偏差值，因此通过优化目标KL散度就可以实现对于采样结果的优化，从而能够进一步提高改进型编码器的提取性能。

在一些实施例的步骤S601中，高斯分布的具体形式可以为多种，在不同情况下可以相应地选择高斯分布的应用方式，例如，当均值为零，方差取为单位方差，则其具体为标准分布的形式，此处并未限定。

在一些实施例的步骤S601中，为了从说话人空间进行随机采样，优化输出分布p(z|x)与零均值单位方差高斯分布之间的偏差，即在StarGANv2-VC中添加了一个额外的目标KL散度损失函数，定义如下：

其中，

从中可以看出，通过优化目标KL散度就可以最大化地优化输出结果。

请参阅图6，在一些实施例，步骤S102之前还包括但不限于包括步骤S701：

步骤S701，将目标梅尔频谱特征的时域按照帧进行重新排序。

在一些实施例的步骤S701中，通过将目标梅尔频谱特征的时域按照帧进行重新排序，也即在将目标梅尔频谱特征进行时域打乱之后，再输入到第一预设神经网络中，由于目标说话人嵌入向量和语音内容、语音的说话顺序等都不明显相关，因此输出的目标说话人嵌入向量对于目标梅尔频谱特征的时域打乱操作不敏感，即时域打乱前后输出的分布需要确保尽可能的相似，在这种情况下，也可以通过优化另一个目标KL散度来实现，以进一步提高改进型编码器的鲁棒性，具体地，这种情况下的目标KL散度可以但不限于为：

从中可以看出，通过优化该情况下的目标KL散度就可以最大化地解决可能出现的时域打乱影响。

为了更好地说明上述各实施例的工作原理及内容，以下给出一个具体示例进行说明。

示例一:

请参阅图7,示出了本申请实施例的一种改进型编码器的结构示意图，用于实现上述各实施例中的语音转换方法，具体地：

在改进型编码器中，不直接输出说话人嵌入向量，而是利用神经网络拟合说话人的分布空间，在假设先验为高斯分布的情况下求解均值和方差向量来近似隐空间建模，根据在特征隐空间分布中进行采样来获取特定说话人情况下的嵌入向量。

如图7所示，输入一个梅尔频谱特征，假设其维度为80xM，其中80代表梅尔频谱滤波器组数，M代表帧数，首先通过一层一维卷积将特征维数降低为32，然后通过N层降采样模块对上一步的输入进行降采样以减少时域长度，降采样模块可以由一维卷积接最大池化得到，其中一维卷积用于特征的提取降维，平均池化用于减少时域长度(即降采样)，再通过一层平均池化层把时间维度降为1，最后通过两个不同的全连接层(即全连接层一和全连接层二)预测高斯分布的均值μ和方差σ，同时为了避免采样过程的不可微，考虑多维高斯分布的情况，采用重参数技巧对随机高斯噪声ε进行转换得到最终的输出嵌入向量z。

其中，为了从说话人空间进行随机采样，优化输出分布p(z|x)与零均值单位方差高斯分布之间的偏差，即在StarGANv2-VC中添加了一个额外的目标KL散度损失函数，定义如下：

其中，

从中可以看出，通过优化目标KL散度就可以最大化地优化输出结果。

由于目标说话人嵌入向量和语音内容、语音的说话顺序等都不明显相关，因此输出的目标说话人嵌入向量对于目标梅尔频谱特征的时域打乱操作不敏感，即时域打乱前后输出的分布需要确保尽可能的相似，在这种情况下，也可以通过优化另一个目标KL散度来实现，以进一步提高改进型编码器的鲁棒性，具体地，这种情况下的目标KL散度可以但不限于为：

从中可以看出，通过优化该情况下的目标KL散度就可以最大化地解决可能出现的时域打乱影响。

综上所述，本申请实施例的改进型编码器用于取代原有的StarGANv2-VC模型中的风格编码器，以基于改进型编码器执行语音转换方法，通过对输入的Mel谱首先做卷积和下采样以提取梅尔频谱中的说话人相关特征，然后通过全连接层求出均值和方差向量来近似隐变量空间的分布，最后通过采样得到特定的说话人嵌入向量。相比于原始的风格提取方式，本申请实施例不需要显式的输入特定的域信息，同时采样过程能够使得输出的合成音频具有更高的多样性。并且，本申请实施例还给出了两个KL散度目标函数，通过优化p(x|z)和N(0,1)高斯分布的KL散度可以间接优化log p(x)，以及通过优化两次打乱之后的输出均值和方差所定义的分布之间的KL散度，可以提高编码器的稳定性，进而提高编码器的提取性能，有利于提高整个语音转换模型的特征相似度。

请参阅图8，本申请实施例还提供一种基于改进型编码器的语音转换装置，可以实现上述语音转换方法，改进型编码器配置有第一预设神经网络和第二预设神经网络，该装置包括：

频谱特征获取模块，用于获取待转换的目标说话人语料的目标梅尔频谱特征；

预处理模块，用于基于第一预设神经网络对目标梅尔频谱特征进行预处理，得到中间特征结果；

参数计算模块，用于基于第二预设神经网络获取对应于中间特征结果的高斯分布均值和高斯分布方差；

分布空间确定模块，用于根据高斯分布均值和高斯分布方差确定对应于目标说话人语料的特征分布空间；

采样模块，用于在特征分布空间中进行随机采样，得到目标梅尔频谱特征对应的目标说话人嵌入向量；

第一转换模块，用于将目标说话人嵌入向量输入到预训练的语音转换网络中，得到重构的转换梅尔频谱特征；

第二转换模块，用于根据转换梅尔频谱特征生成目标转换语料。

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，属于相同的发明构思，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括内存和处理器，内存存储有计算机程序，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计算机、车载计算机等任意智能终端。

请参阅图9，图9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901，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；

内存902，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内存(RandomAccessMemory，RAM)等形式实现。内存902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内存902中，并由处理器901来调用执行本申请实施例的语音转换方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，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905，在设备的各个组件(例如处理器901、内存902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、内存902、输入/输出接口903和通信接口904通过总线905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。

内存作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序以及非瞬时性计算机可执行程序。此外，内存可以包括高速随机存取内存，还可以包括非瞬时内存，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态内存件。在一些实施方式中，内存可选包括相对于处理器远程设置的内存，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。

本申请实施例提供的基于改进型编码器的语音转换方法和装置、电子设备及存储介质,其通过将待转换的目标说话人语料的目标梅尔频谱特征输入到改进型编码器中，进而通过所配置的第一预设神经网络和第二预设神经网络确定对应于目标说话人语料的特征分布空间，从而能够在所确定的特征分布空间中进行随机采样而最终得到目标说话人嵌入向量，进而能够将目标说话人嵌入向量输入到预训练的语音转换网络中，得到稳定重构的转换梅尔频谱特征，并根据转换梅尔频谱特征稳定地生成目标转换语料，与相关技术相比，不需要显式地输入目标说话人特定的域信息，同时通过拟合特征分布空间进行采样能够使得输出的语音结果具有更高的适应性和多样性，有利于扩展语音转换模型的建模能力和应用场景，提高语音转换过程的稳定性，有利于稳定获取到所需转换的目标语音。

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。

上述对本申请特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的装置、设备、计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。

例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，例如:

ABEL(Advanced Boolean Expression Language)；AHDL(Altera HardwareDescription Language)；Confluence；CUPL(Cornell University ProgrammingLanguage)；HDCal；以及JHDL(Java Hardware Description Language)；Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等；目前，在本领域技术之中，相比之下更加较为常用的是VHDL(Very-High-Speed Integrated Circuit HardwareDescription Language)以及语言Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：

ARC 625D、Atmel AT91SAM、MicrochIP地址PIC18F26K20以及Silicone LabsC8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本申请实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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，可以表示单独存在A、同时存在A和B、单独存在B的情况。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”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：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。

本申请实施例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实施例，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。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。