CN111583945A - 用于处理音频的方法、装置、电子设备和计算机可读介质 - Google Patents
用于处理音频的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111583945A CN111583945A CN202010363421.6A CN202010363421A CN111583945A CN 111583945 A CN111583945 A CN 111583945A CN 202010363421 A CN202010363421 A CN 202010363421A CN 111583945 A CN111583945 A CN 111583945A
- Authority
- CN
- China
- Prior art keywords
- audio
- audio frame
- adjusted
- pitch
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000875 corresponding Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011295 pitch Substances 0.000 description 122
- 238000010586 diagram Methods 0.000 description 12
- 239000000203 mixture Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000004027 cells Anatomy 0.000 description 4
- 230000003287 optical Effects 0.000 description 4
- 230000001537 neural Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
- G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
- G10L21/013—Adapting to target pitch
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
- G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
- G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
- G10L21/013—Adapting to target pitch
- G10L2021/0135—Voice conversion or morphing
Abstract
本公开的实施例公开了用于处理音频的方法和装置。该方法的一具体实施方式包括:生成第一音频所对应的音频帧序列中每个音频帧的音高;根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列;基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高;基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。本公开的实施例通过对原有音频数据进行调整,生成一批新的音频数据,使用新的音频数据来对声码器进行训练,使得训练后声码器在处理音频数据时有更好的表现。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于处理音频的方法、装置、电子设备和计算机可读介质。
背景技术
声码器可以用来实现电子化的人声效果,使用声码器来合成歌曲已经成为一个比较火的领域。由于声码器是数据驱动的,为了使声码器有更好的表现,因此,在训练声码器的时候,往往需要各种类型的音频数据来训练声码器。
发明内容
本公开的内容部分用于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。本公开的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。
本公开的一些实施例提出了用于处理音频的方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的实施例提供了一种用于处理音频的方法,该方法包括:生成第一音频所对应的音频帧序列中每个音频帧的音高;根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列;基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高;基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
第二方面,本公开的实施例提供了一种用于处理音频的装置,该装置包括:第一生成单元,被配置成生成第一音频所对应的音频帧序列中每个音频帧的音高;选择单元,被配置成根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列;调整单元,被配置成基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高;第二生成单元,被配置成基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的至少一个实施例具有如下有益效果:首先,通过生成第一音频所对应的音频帧序列中每个音频帧的音高,可以得到音频帧序列中每个音频帧的音高的具体分布范围。接着,根据上述音高,可以从上述音频帧序列中选择音频帧作为待调整音频帧,进而得到待调整音频帧序列。然后,基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高。这里,可以针对性的对音频帧序列中的音频帧进行调整。最后,基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。本公开的实施例通过对原有音频数据进行调整,生成一批新的音频数据。其中,新的音频数据相比于原有音频数据,是对原有音频数据中的部分音高进行了调整。使用新的音频数据来对声码器进行训练,使得训练后的声码器在处理不同音频数据时有更好的表现。
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。
图1是根据本公开一些实施例的用于处理音频的方法的一个应用场景的示意图;
图2是根据本公开的实施例的用于处理音频的方法的一个实施例的流程图;
图3是根据本公开用于处理音频的方法的又一些实施例的流程图;
图4是根据本公开的用于处理音频的装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些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。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
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。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的用于处理音频的方法的一个应用场景的示意图100。
如图1所示,作为示例,电子设备101首先可以得到第一音频102所对应的音频帧序列中每个音频帧的音高。例如,第1帧到第10帧的的音高。根据上述音高,可以从音频帧序列102中选择部分音频帧作为待调整音频帧,从而得到待调整音频帧序列103(例如,第4帧、第5帧和第6帧)。然后,基于待调整序列103中每个待调整音频帧的音高和预设阈值,可以对待调整序列103中的音频帧的音高进行调整,进而生成调整后的音频帧序列104。最后,基于调整后的音频帧序列104和音频帧序列102中未调整的音频帧序列105(如,第1帧、第2帧、第3帧、第7帧、第8帧、第9帧和第10帧),可以生成第二音频。参见图1,第二音频对应音频帧序列106。
可以理解的是,生成用于处理音频的方法可以是由上述电子设备101来执行。其中,电子设备101可以是硬件,也可以是软件。当电子设备101为硬件时,可以是具有信息处理能力的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机、服务器等等。当电子设备101为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的用于处理音频的方法的一个实施例的流程200。该用于处理音频的方法,包括以下步骤:
步骤201,生成第一音频所对应的音频帧序列中每个音频帧的音高。
在一些实施例中,用于处理音频的方法的执行主体(如图1所示的电子设备101)可以使用各种方法来生成第一音频所对应的音频帧序列中每个音频帧的音高。例如,可以使用基音周期提取方法来对第一音频所对应的音频帧序列中每个音频帧进行基音周期提取。可以得到第一音频所对应的音频帧序列中每个音频帧的基音周期,也可以得到第一音频所对应的音频帧序列中每个音频帧的基音频率。其中,音频帧的基音周期可以用来表征音频帧的音高。这里,上述基音周期提取方法可以包括但不限于以下至少一项:基于自相关的基音周期检测,短时自相关函数法,倒谱法,平均幅度差法,数据减少法。
在一些实施例的一些可选的实现方式中,上述执行主体还可以将上述音频帧输入预先训练的基音周期提取模型,得到上述音频帧的基音周期。然后,根据上述音频帧的基音周期,得到上述音频帧的音高。这里,基音周期提取模型可以是卷积神经网络。其中,卷积神经网络可以包括多个卷积层。这里,卷积神经网络可以是以下之一:残差网络,VGG模型和GoogLeNet。
步骤202,根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列。
在一些实施例中,上述执行主体可以由步骤201得到的音高,从音频帧序列找出音高符合预定条件的音频帧作为待调整音频帧。这些待调整音频帧进而组成待调整音频帧序列。这里,预定条件可以是以下之一:该音频帧的音高高于第一预设阈值;该音频帧的音高低于第二预设阈值。上述待调整音频帧序列所包括的音频帧可以是音频帧序列中连续的几帧。
步骤203,基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高。
在一些实施例中,上述执行主体可以由步骤202得到待调整音频帧序列。然后,可以基于预设阈值来对待调整音频帧序列中的音频帧的基音频率进行调整。即,调整上述待调整音频帧的音高。这里,预设阈值可以有多个。
作为示例,这里,假设预设阈值有三个,分别为第一预设阈值,第二预设阈值和第三预设阈值。这里,第一预设阈值大于第二预设阈值,第二预设阈值大于第三预设阈值。当待调整音频帧序列中的音频帧的音高所对应的基音频率与第一预设阈值的差值大于第三预设阈值时,调高音频帧序列中的音频帧的音高所对应的基音频率。当待调整音频帧序列中的音频帧的音高所对应的基音频率与第二预设阈值差值的大于第三预设阈值时,调低音频帧序列中的音频帧的音高所对应的基音频率。
在一些实施例的一些可选的实现方式中,上述预设阈值可以包括:第一预设子阈值和第二预设子阈值。这里,上述执行主体响应于确定该待调整音频帧的音高高于该第一预设子阈值,可以调高该待调整音频帧的基音频率。即,调高该待调整音频帧的音高。上述执行主体响应于确定该待调整音频帧的音高低于该
第二预设子阈值,可以调低该待调整音频帧的基音频率。即,调低该待调整音频帧的音高。这里可以是对音频中歌手唱不了的高音或者低音进行调整。
步骤204,基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
在一些实施例中,上述执行主体可以使用各种拼接的方法(例如OLA(重叠叠加算法,Overlap-and-Add))将调整后的音频帧与上述音频帧序列中未调整的音频帧进行拼接,从而生成第二音频。
这里,上述第二音频可以是针对第一音频所对应的音频帧序列中音高不足的音频帧进行调整而生成的音频。例如,第一音频中音频帧A的音高所对应的基音频率为0,这时可以参照音频帧A周围几帧音高所对应的基音频率,来给音频帧A的音高所对应的基音频率赋值,从而调整了音频帧A的音高。
在一些实施例的一些可选的实现方式中,上述执行主体还可以使用wsola(波形相似重叠相加算法,Waveform Similarity Overlap-Add),将上述调整后的音频帧与上述音频帧序列中未调整的音频帧进行拼接,生成上述第二音频。这一实现方式所带来的效果是通过波形相似重叠相加算法,有助于提升拼接得到的第二音频的音频质量。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,通过生成第一音频所对应的音频帧序列中每个音频帧的音高,可以得到音频帧序列中每个音频帧的音高的具体分布范围。接着,根据上述音高,可以从上述音频帧序列中选择音频帧作为待调整音频帧,进而得到待调整音频帧序列。然后,基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高。这里,可以针对性的对音频帧序列中的音频帧进行调整。最后,基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。本公开的实施例通过对原有音频数据进行调整,生成一批新的音频数据。其中,新的音频数据相比于原有音频数据,是对原有音频数据中的部分音高进行了调整。使用新的音频数据来对声码器进行训练,使得训练后的声码器在处理不同音频数据时有更好的表现。
继续参考图3,示出了根据本公开的用于处理音频的方法的一些实施例的流程300。该用于处理音频的方法,包括以下步骤:
步骤301,生成第一音频所对应的音频帧序列中每个音频帧的音高。
步骤302,根据该音高,从该音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列。
步骤303,基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高。
步骤304,基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
在这里,步骤301-304的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-204,在此不再赘述。
步骤305,基于该第一音频和该第二音频,训练得到第二声码器。
在一些实施例中,上述执行主体还可以将上述第一音频和上述第二音频作为训练数据,通过各种方式训练得到第二声码器。
在一些实施例的一些可选的实现方式中,上述执行主体还可以提取上述第一音频的声学特征,得到第一声学特征。这里,可以将所提取第一声学特征和第一音频作为训练数据,使用上述训练数据来对初始声码器进行训练,从而得到第一声码器。其中,初始声码器可以是WaveRNN。这里,上述初始声码器中参数初始化的方法可以是以下之一:he初始化,随机初始化和Pre-train初始化。
在这里,还可以继续提取第二音频的声学特征,得到第二声学特征。可以将第二声学特征和上述第二音频作为训练数据,使用上述训练数据来对上述第一声码器继续进行训练,从而得到第二声码器。这里,上述声学特征可以包括但不限于以下至少一项:梅尔频域倒谱系数,频谱包络,基音频率。
可选的,上述执行主体可以将第一声学特征输入初始声码器,经初始声码器得到第一输出结果。然后,将上述第一输出结果与上述第一音频进行分析,确定第一损失值。根据第一损失值,使用一些优化算法(例如,梯度下降)来调整初始声码器的参数,直至满足第一预定条件。这里,第一预定条件可以是调整后的初始声码器的参数符合预设阈值,还可以是循环上述步骤达到预定次数(例如,500次)。最终,得到上述第一声码器。
可选的,上述执行主体可以将第二声学特征输入上述第一声码器,经上述第一声码器得到第二输出结果。然后,将上述第二输出结果与上述第二音频进行分析,确定第二损失值。根据第二损失值,使用一些优化算法(例如,梯度下降)来调整上述第一声码器的参数。直至满足第二预定条件,这里第二预定条件可以是调整后的第一声码器的参数符合预设阈值,还可以是循环上述步骤达到预定次数(例如,500次)。最终,得到上述第二声码器。
需要强调的是,这里的调整可以是对上述第一声码器中的参数进行微调,在第一声码器的基础上得到第二声码器。微调目的是使得第二声码器在面对不同歌唱数据时,有更好的表现。因为第一声码器是数据驱动的。使用新生成的这一批音频数据去训练第一声码器,得到第二声码器,使得第二声码器的鲁棒性更好。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的用于处理音频的方法的流程300更加突出了可以使用第一音频和第二音频作为训练数据,从而训练得到第二声码器。其中,第二音频可以看作是对第一音频增广得到的音频,使用第二音频去训练第一声码器可以使得训练后得到的声码器的预测更加准确,鲁棒性更好。
进一步参考图4,作为对上述各图上述方法的实现,本公开提供了用于处理音频的装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的用于处理音频的装置400包括:第一生成单元401、选择单元402、调整单元403和第二生成单元404。第一生成单元401,被配置成生成第一音频所对应的音频帧序列中每个音频帧的音高。选择单元402,被配置成根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列。调整单元403,被配置成基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高。第二生成单元404,被配置成基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
在一些实施例的一些可选的实现方式中,第一生成单元401可以进一步被配置成:将上述音频帧输入预先训练的基音周期提取模型,得到上述音频帧的基音周期;根据上述音频帧的基音周期,生成上述音频帧的音高。
在一些实施例的一些可选的实现方式中,上述预设阈值包括:第一预设子阈值和第二预设子阈值。以及调整单元403可以进一步被配置成:响应于确定上述待调整音频帧的音高高于上述第一预设子阈值,调高上述待调整音频帧的音高;响应于确定上述待调整音频帧的音高低于上述第二预设子阈值,调低上述待调整音频帧的音高。
在一些实施例的一些可选的实现方式中,第二生成单元404可以进一步被配置成:基于波形相似重叠相加算法,将上述调整后的音频帧与上述音频帧序列中未调整的音频帧进行拼接,生成上述第二音频。
在一些实施例的一些可选的实现方式中,用于音频处理的装置400还可以包括训练单元。其中,训练单元可以被配置成:基于上述第一音频和上述第二音频,训练得到第二声码器。
在一些实施例的一些可选的实现方式中,上述训练单元可以进一步被配置成:提取上述第一音频的声学特征,得到第一声学特征;基于上述第一声学特征和上述第一音频,生成第一声码器;提取上述第二音频的声学特征,得到第二声学特征;基于上述第二声学特征、上述第二音频和上述第一声码器,生成上述第二声码器。
在一些实施例的一些可选的实现方式中,上述训练单元可以进一步被配置成:将上述第一声学特征输入初始声码器,得到第一输出结果;将上述第一输出结果与上述第一音频进行分析,确定第一损失值;基于上述第一损失值,调整上述初始声码器的参数,直至满足第一预定条件,得到上述第一声码器。
在一些实施例的一些可选的实现方式中,上述训练单元可以进一步被配置成:将上述第二声学特征输入上述第一声码器,得到第二输出结果;将上述第二输出结果与上述第二音频进行分析,确定第二损失值;基于上述第二损失值,调整上述第一声码器的参数,直至满足第二预定条件,得到上述第二声码器。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的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500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500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500,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。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些实施例包括一种计算机程序产品,其包括承载在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。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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(HyperText TransferProtocol,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,ad hoc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装置中所包含的;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:生成第一音频所对应的音频帧序列中每个音频帧的音高;根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列;基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高;基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
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一些实施例的操作的计算机程序代码,上述程序设计语言包括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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一生成单元、选择单元、调整单元和第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一生成单元还可以被描述为“生成第一音频所对应的音频帧序列中每个音频帧的音高的单元”。
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。
根据本公开的一个或多个实施例,提供了一种用于处理音频的方法,包括:生成第一音频所对应的音频帧序列中每个音频帧的音高;根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列;基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高;基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
根据本公开的一个或多个实施例,上述生成第一音频所对应的音频帧序列中每个音频帧的音高,包括:将上述音频帧输入预先训练的基音周期提取模型,得到上述音频帧的基音周期;根据上述音频帧的基音周期,生成上述音频帧的音高。
根据本公开的一个或多个实施例,上述预设阈值包括:第一预设子阈值和第二预设子阈值;以及上述基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高,包括:响应于确定上述待调整音频帧的音高高于上述第一预设子阈值,调高上述待调整音频帧的音高;响应于确定上述待调整音频帧的音高低于上述第二预设子阈值,调低上述待调整音频帧的音高。
根据本公开的一个或多个实施例,上述基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频,包括:基于波形相似重叠相加算法wsola,将上述调整后的音频帧与上述音频帧序列中未调整的音频帧进行拼接,生成上述第二音频。
根据本公开的一个或多个实施例,上述方法还包括:基于上述第一音频和上述第二音频,训练得到第二声码器。
根据本公开的一个或多个实施例,上述基于上述第一音频和上述第二音频,训练得到第二声码器,包括:提取上述第一音频的声学特征,得到第一声学特征;基于上述第一声学特征和上述第一音频,生成第一声码器;提取上述第二音频的声学特征,得到第二声学特征;基于上述第二声学特征、上述第二音频和上述第一声码器,生成上述第二声码器。
根据本公开的一个或多个实施例,上述基于上述第一声学特征和上述第一音频,生成第一声码器,包括:将上述第一声学特征输入初始声码器,得到第一输出结果;将上述第一输出结果与上述第一音频进行分析,确定第一损失值;基于上述第一损失值,调整上述初始声码器的参数,直至满足第一预定条件,得到上述第一声码器。
根据本公开的一个或多个实施例,上述基于上述第二声学特征、上述第二音频和上述第一声码器,生成上述第二声码器,包括:将上述第二声学特征输入上述第一声码器,得到第二输出结果;将上述第二输出结果与上述第二音频进行分析,确定第二损失值;基于上述第二损失值,调整上述第一声码器的参数,直至满足第二预定条件,得到上述第二声码器。
根据本公开的一个或多个实施例,提供了一种用于处理音频的装置,包括:第一生成单元,被配置成生成第一音频所对应的音频帧序列中每个音频帧的音高;选择单元,被配置成根据上述音高,从上述音频帧序列中选择音频帧作为待调整音频帧,得到待调整音频帧序列;调整单元,被配置成基于上述待调整音频帧序列中每个待调整音频帧的音高和预设阈值,调整上述待调整音频帧的音高;第二生成单元,被配置成基于调整后的音频帧与上述音频帧序列中未调整的音频帧,生成第二音频。
根据本公开的一个或多个实施例,第一生成单元可以进一步被配置成:将上述音频帧输入预先训练的基音周期提取模型,得到上述音频帧的基音周期;根据上述音频帧的基音周期,生成上述音频帧的音高。
根据本公开的一个或多个实施例,上述预设阈值包括:第一预设子阈值和第二预设子阈值。以及调整单元可以进一步被配置成:响应于确定上述待调整音频帧的音高高于上述第一预设子阈值,调高上述待调整音频帧的音高;响应于确定上述待调整音频帧的音高低于上述第二预设子阈值,调低上述待调整音频帧的音高。
根据本公开的一个或多个实施例,第二生成单元可以进一步被配置成:基于波形相似重叠相加算法,将上述调整后的音频帧与上述音频帧序列中未调整的音频帧进行拼接,生成上述第二音频。
根据本公开的一个或多个实施例,用于音频处理的装置还可以包括训练单元。其中,训练单元可以被配置成:基于上述第一音频和上述第二音频,训练得到第二声码器。
根据本公开的一个或多个实施例,上述训练单元可以进一步被配置成:提取上述第一音频的声学特征,得到第一声学特征;基于上述第一声学特征和上述第一音频,生成第一声码器;提取上述第二音频的声学特征,得到第二声学特征;基于上述第二声学特征、上述第二音频和上述第一声码器,生成上述第二声码器。
根据本公开的一个或多个实施例,上述训练单元可以进一步被配置成:将上述第一声学特征输入初始声码器,得到第一输出结果;将上述第一输出结果与上述第一音频进行分析,确定第一损失值;基于上述第一损失值,调整上述初始声码器的参数,直至满足第一预定条件,得到上述第一声码器。
根据本公开的一个或多个实施例,上述训练单元可以进一步被配置成:将上述第二声学特征输入上述第一声码器,得到第二输出结果;将上述第二输出结果与上述第二音频进行分析,确定第二损失值;基于上述第二损失值,调整上述第一声码器的参数,直至满足第二预定条件,得到上述第二声码器。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些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,本公开的实施例中所涉及的发明范围,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发明构思的情况下,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的实施例中公开的(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。