语音提取方法、装置、设备及介质

本发明涉及人工智能技术领域，公开了语音提取方法、装置、设备及介质，该方法包括：先获取目标说话人的参考语音和所有说话人的混合语音；对参考语音和混合语音进行预处理和编码，生成两个离散token序列；融合两个离散token序列形成融合离散token序列；利用语言模型对融合离散token序列进行预测，生成目标说话人的候选离散token序列；通过线性分类器计算候选token序列的概率分布，选取概率高的序列作为目标离散token序列；再将目标离散token序列重建为语音波形，得到目标说话人的语音。本发明将复杂的音频生成问题转换为分类问题，简化了模型训练；利用语言模型的序列建模能力捕捉语音token之间的长期依赖关系，实现高质量的语音重建。