生成语音鉴别模型的连续学习方法、装置和电子设备制造方法及图纸

本发明专利技术涉及一种生成语音鉴别模型的连续学习方法、装置和电子设备，生成语音鉴别模型的连续学习方法包括：获取源数据集，根据源数据集，确定第一数据模型；获取目标数据集，根据目标数据集，对第一数据模型进行梯度修正，以得到第二数据模型；对第二数据模型进行正则化修正，以得到目标数据模型。以得到目标数据模型。以得到目标数据模型。

【技术实现步骤摘要】
生成语音鉴别模型的连续学习方法、装置和电子设备


[0001]本专利技术涉及数据模型开发
，尤其涉及一种生成语音鉴别模型的连续学习方法、装置和电子设备。

技术介绍

[0002]近年来，随着深度学习的快速发展，语音转换和语音合成技术也日趋成熟，深度模型产生的生成语音已达到与真人相媲美的程度，在人机交互、智能家居、娱乐、教育等领域有广泛的应用。随着相关研究的推进，基于深度学习的生成语音检测模型在部分数据集上表现优异，但在跨数据集场景下，语音检测模型的准确率会大幅的降低。

技术实现思路

[0003]有鉴于此，本专利技术提供一种生成语音鉴别模型的连续学习方法、装置和电子设备。
[0004]具体地，本专利技术是通过如下技术方案实现的：根据本专利技术的第一方面，提供一种生成语音鉴别模型的连续学习方法，生成语音鉴别模型的连续学习方法包括：获取源数据集，根据源数据集，确定第一数据模型；获取目标数据集，根据目标数据集，对第一数据模型进行梯度修正，以得到第二数据模型；对第二数据模型进行正则化修正，以得到目标数据模型。
[0005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成语音鉴别模型的连续学习方法，其特征在于，所述生成语音鉴别模型的连续学习方法包括：获取源数据集，根据所述源数据集，确定第一数据模型；获取目标数据集，根据所述目标数据集，对所述第一数据模型进行梯度修正，以得到第二数据模型；对所述第二数据模型进行正则化修正，以得到目标数据模型。2.根据权利要求1所述的生成语音鉴别模型的连续学习方法，其特征在于，所述根据所述目标数据集，对所述第一数据模型进行梯度修正，以得到第二数据模型，具体包括：根据所述目标数据集，确定目标数据矩阵；根据所述目标数据矩阵，确定梯度修正方向；根据所述梯度修正方向，更新所述第一数据模型的梯度参数，以得到所述第二数据模型。3.根据权利要求2所述的生成语音鉴别模型的连续学习方法，其特征在于，所述根据所述目标数据集，确定目标数据矩阵，具体包括：将所述目标数据集中的数据转换为矩阵形式数据，以得到所述目标数据矩阵。4.根据权利要求1所述的生成语音鉴别模型的连续学习方法，其特征在于，所述对所述第二数据模型进行正则化修正，以得到目标数据模型，具体包括：获取所述第一数据模型的第一输出值和所述第二数据模型的第二输出值；根据所述第一输出值和所述第二输出值，更新所述第二数据模型，以得到所述目标数据模型。5.根据权利要求4所述的生成语音鉴别模型的连续学习方法，其特征在于，所述根据所述第一输出值和所述第二输出值，更新所述第二数据模型，以得到所述目标数据模型，具体包...

【专利技术属性】
技术研发人员：陶建华，张晓辉，易江燕，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：