(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111612005.6 (22)申请日 2021.12.27 (65)同一申请的已公布的文献号 申请公布号 CN 114420087 A (43)申请公布日 2022.04.29 (73)专利权人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 李文杰　高占杰　贾磊　 (74)专利代理 机构 北京钲霖知识产权代理有限 公司 11722 专利代理师 李英艳　杨继成 (51)Int.Cl. G10L 13/08(2013.01) G10L 13/10(2013.01)G10L 13/047(2013.01) G10L 13/04(2013.01) G10L 25/30(2013.01) G10L 19/00(2013.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113506562 A,2021.10.15 US 201807584 4 A1,2018.0 3.15 CN 110534089 A,2019.12.0 3 US 2021049 997 A1,2021.02.18 CN 113223560 A,2021.08.0 6 审查员 毛健 (54)发明名称 声学特征的确定方法、 装置、 设备、 介质及产 品 (57)摘要 本公开一种声学特征的确定方法、 装置、 设 备、 介质及产品， 涉及计算机技术领域， 尤其涉及 语音处理、 深度学习、 人工智能技术领域。 具体实 现方案为： 获取待提取声学特征的文本； 为所述 文本添加语音特征， 并确定所述文本对应的语义 特征； 基于所述语义特征 以及所述语音特征， 确 定所述文本对应的声学特征。 本公开能够在确定 文本的声学特征时， 为待提取声学特征的文本添 加语音特征， 以丰富文本在发音方面的特征信 息， 并将语义特征 以及语音特征相结合， 通过二 者结合的特征确定文本对应的声学特征， 使文本 对应的声学特征更加准确， 从而提高语音合成等 语音处理中的音频质量。 权利要求书2页 说明书8页 附图5页 CN 114420087 B 2022.10.21 CN 114420087 B 1.一种声学 特征的确定方法， 包括： 获取待提取声学 特征的文本； 通过自解码模型对所述文本的音频数据进行自解码， 所述音频数据为所述文本通过声 音进行呈现时产生的； 提取自解码模型对所述文本的音频数据进行自解码过程中对所述音频数据进行编码 得到的词级别隐向量； 将所述词级别隐向量作为所述音频 数据的语音特 征， 添加至所述文本中； 确定所述文本对应的语义特 征； 基于所述语义特 征以及所述语音特 征， 确定所述文本对应的声学 特征。 2.根据权利要求1所述的方法， 其中， 所述自解码模型采用如下 方式训练得到： 获取所述文本通过声音进行呈现时的音频数据样本， 所述音频数据样本 中包括多个不 同朗读者朗读所述文本的音频 数据； 将所述音频数据样本输入至初始自解码模型中， 通过所述初始自解码模型中的编码器 对所述音频 数据进行编码， 得到所述音频 数据对应的所述词级别隐向量； 通过所述初始自解码模型的解码器对所述词级别隐向量进行解码， 得到所述音频数据 的解码音频 数据； 根据所述音频数据与所述解码音频数据， 对所述初始自解码模型进行训练， 直至训练 结果满足训练结束条件， 得到所述自解码模型。 3.根据权利要求1或2所述的方法， 其中， 所述基于所述语义特征以及所述语音特征， 确 定所述文本对应的声学 特征， 包括： 基于所述语音特 征对所述语义特 征进行调整， 得到包 含所述语音特 征的语义特 征； 基于包含所述语音特 征的语义特 征， 确定所述文本对应的声学 特征。 4.根据权利要求3所述的方法， 其中， 基于所述语音特征对所述语义特征进行调整， 包 括： 确定对所述文本进行 特征提取得到所述语义特 征的语义模型； 计算所述语义特征与所述语音特征的损 失函数值， 并基于所述损 失函数值， 按照由所 述语义模型输出层至 输入层的顺序， 确定所述语义模型的参数梯度， 以调整所述语义模型； 通过调整后的所述语义模型， 对所述文本进行 特征抽提取， 得到调整后的语义特 征。 5.一种声学 特征的确定装置， 包括： 获取模块， 用于获取待提取声学 特征的文本； 确定模块， 用于通过自解码模型对所述文本的音频数据进行自解码， 所述音频数据为 所述文本通过声音进 行呈现时产生的； 提取自解码模型对所述文本的音频数据进 行自解码 过程中对所述音频数据进 行编码得到的词级别隐向量； 将所述词级别隐向量作为所述音频 数据的语音 特征， 添加至所述文本中； 确定所述文本对应的语义特征； 基于所述语义特征以 及所述语音特 征， 确定所述文本对应的声学 特征。 6.根据权利要求5所述的装置， 其中， 所述自解码模型采用如下 方式训练得到： 获取所述文本通过声音进行呈现时的音频数据样本， 所述音频数据样本 中包括多个不 同朗读者朗读所述文本的音频 数据； 将所述音频数据样本输入至初始自解码模型中， 通过所述初始自解码模型中的编码器权　利　要　求　书 1/2 页 2 CN 114420087 B 2对所述音频 数据进行编码， 得到所述音频 数据对应的所述词级别隐向量； 通过所述初始自解码模型的解码器对所述词级别隐向量进行解码， 得到所述音频数据 的解码音频 数据； 根据所述音频数据与所述解码音频数据， 对所述初始自解码模型进行训练， 直至训练 结果满足训练结束条件， 得到所述自解码模型。 7.根据权利要求5或6所述的装置， 其中， 所述确定模块， 还用于： 基于所述语音特 征对所述语义特 征进行调整， 得到包 含所述语音特 征的语义特 征； 基于包含所述语音特 征的语义特 征， 确定所述文本对应的声学 特征。 8.根据权利要求7 所述的装置， 其中， 所述确定模块， 还用于： 确定对所述文本进行 特征提取得到所述语义特 征的语义模型； 计算所述语义特征与所述语音特征的损 失函数值， 并基于所述损 失函数值， 按照由所 述语义模型输出层至 输入层的顺序， 确定所述语义模型的参数梯度， 以调整所述语义模型； 通过调整后的所述语义模型， 对所述文本进行 特征抽提取， 得到调整后的语义特 征。 9.一种电子设备， 包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处理器能够执行权利要求1 ‑4中任一项所述的声学特征 的确 定方法。 10.一种存储有计算机指令的非瞬时计算机可读存储介质， 其中， 所述计算机指令用于 使所述计算机执 行根据权利要求1 ‑4中任一项所述的声学 特征的确定方法。权　利　要　求　书 2/2 页 3 CN 114420087 B 3