CN112309366B - 语音合成方法、装置、存储介质及电子设备 - Google Patents

语音合成方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112309366B
CN112309366B CN202011211084.5A CN202011211084A CN112309366B CN 112309366 B CN112309366 B CN 112309366B CN 202011211084 A CN202011211084 A CN 202011211084A CN 112309366 B CN112309366 B CN 112309366B
Authority
CN
China
Prior art keywords
text
sample
accent
vector
phoneme
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.)
Active
Application number
CN202011211084.5A
Other languages
English (en)
Other versions
CN112309366A (zh
Inventor
徐晨畅
潘俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202011211084.5A priority Critical patent/CN112309366B/zh
Publication of CN112309366A publication Critical patent/CN112309366A/zh
Priority to PCT/CN2021/126138 priority patent/WO2022095743A1/zh
Priority to US18/042,077 priority patent/US20230317055A1/en
Application granted granted Critical
Publication of CN112309366B publication Critical patent/CN112309366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G10L13/047—Architecture of speech synthesisers

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本公开涉及一种语音合成方法、装置、存储介质及电子设备，以使得合成语音中包括重音，并控制合成语音的音色。该语音合成方法包括：获取带有目标音色标签的待合成文本，目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；将待合成文本输入语音合成模型，以得到待合成文本对应的音频信息，语音合成模型的训练样本包括标注有重音词的第一样本文本和第一发音人对第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和第二发音人对第二样本文本的第二样本音频，语音合成模型用于确定待合成文本中的重音词，并根据重音词以及目标音色标签生成待合成文本对应的音频信息。

Description

语音合成方法、装置、存储介质及电子设备
技术领域
本公开涉及语音合成技术领域，具体地，涉及一种语音合成方法、装置、存储介质及电子设备。
背景技术
语音合成，又称文语转换(Text To Speech,TTS)，是一种可以将任意输入文本转换成相应语音的技术。传统的语音合成系统通常包括前端和后端两个模块。前端模块主要是对输入文本进行分析，提取后端模块所需要的语言学信息。后端模块根据前端分析结果，通过一定的方法生成语音波形。
但是，相关技术中的语音合成方式通常没有考虑合成语音中的重音，导致合成语音中没有重音，发音平淡，缺乏表现力。或者，相关技术中的语音合成方式通常随机选择输入文本中的词语进行重音添加，导致合成语音中的重音发音错误，无法得到较好的包含重音的语音合成结果。
发明内容
提供该发明内容部分以便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。该发明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。
第一方面，本公开提供一种语音合成方法，所述方法包括：
获取带有目标音色标签的待合成文本，所述目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；
将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
第二方面，本公开提供一种语音合成装置，所述装置包括：
获取模块，用于获取带有目标音色标签的待合成文本，所述目标音色标签为所述第一发音人的音色标签或者所述第二发音人的音色标签；
合成模块，用于将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，可以使得合成语音中包括重音发音，并且语音合成模型可以通过标注有重音词的第一样本文本以及第一发音人对第一样本文本的第一样本音频进行训练，因此相较于相关技术中随机添加重音发音的方式，一定程度上可以保证生成的音频信息中重音发音的准确性。此外，通过上述方式可以将第一发音人的重音发音习惯迁移到第二发音人对应的合成语音，即可以得到重音发音习惯为第一发音人且音色为第二发音人的合成语音，合成指定音色的带重音语音，在需要使用第二发音人带重音音频的情况下，无需再由第二发音人人工录制带重音音频，减少用于获取带重音音频而耗费的人力和时间。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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。在附图中：
图1是根据本公开一示例性实施例示出的一种语音合成方法的流程图；
图2是根据本公开一示例性实施例示出的一种语音合成方法中语音合成模型的示意图；
图3是根据本公开另一示例性实施例示出的一种语音合成方法中语音合成模型的示意图；
图4是根据本公开另一示例性实施例示出的一种语音合成方法中语音合成模型的示意图；
图5是根据本公开一示例性实施例示出的一种语音合成装置的框图；
图6是根据本公开一示例性实施例示出的一种电子设备的框图。
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。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。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。另外需要注意，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。
正如背景技术所言，相关技术中的语音合成方式通常没有考虑合成语音中的重音，导致合成语音中没有重音，发音平淡，缺乏表现力。或者，相关技术中的语音合成方式通常随机选择输入文本中的词语进行重音添加，导致合成语音中的重音发音错误，无法得到较好的包含重音的语音合成结果。
有鉴于此，本公开提供一种语音合成方法、装置、存储介质及电子设备，以一种新的语音合成方式，使得合成语音中包括重音发音，并且可以控制合成语音的音色，合成指定音色的带重音语音，提高合成语音中的重音准确度。
图1是根据本公开一示例性实施例示出的一种语音合成方法的流程图。参照图1，该语音合成方法包括：
步骤101，获取带有目标音色标签的待合成文本，目标音色标签为第一发音人的音色标签或第二发音人的音色标签；
步骤102，将待合成文本输入语音合成模型，以得到待合成文本对应的音频信息，语音合成模型的训练样本包括标注有重音词的第一样本文本和第一发音人对第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和第二发音人对第二样本文本的第二样本音频；
该语音合成模型用于确定待合成文本中的重音词，并根据重音词以及目标音色标签生成待合成文本对应的音频信息。
通过上述方式，可以使得合成语音中包括重音发音，并且语音合成模型可以通过标注有重音词的第一样本文本以及第一发音人对第一样本文本的第一样本音频进行训练，因此相较于相关技术中随机添加重音发音的方式，一定程度上可以保证生成的音频信息中重音发音的准确性。此外，通过上述方式可以将第一发音人的重音发音习惯迁移到第二发音人对应的合成语音，即可以得到重音发音习惯为第一发音人且音色为第二发音人的合成语音，合成指定音色的带重音语音，在需要使用第二发音人带重音音频的情况下，无需再由第二发音人人工录制带重音音频，减少用于获取带重音音频而耗费的人力和时间。
为了使得本领域技术人员更加理解本公开提供的语音合成方法，下面对上述各步骤进行详细举例说明。
首先说明语音合成模型的训练过程。
示例地，可以预先获取用于训练的多个第一样本文本和第一发音人对该多个第一样本文本的第一样本音频、以及多个第二样本文本和第二发音人对该多个第二样本文本的第二样本音频，其中每个第一样本文本中标注有重音词，每个第二样本文本中未标注重音，即每个第一样本文本中标注有需要重音发音的词语，而每个第二样本文本中未标注需要重音发音的词语。
在可能的方式中，第一样本文本中标注的重音词可以通过如下方式确定：先获取多个第一样本文本，每个第一样本文本包括标注有初始重音标记的重音词，然后针对标注有初始重音标记的每一重音词，若该重音词在每个第一样本文本中被标注为重音词，则对该重音词添加目标重音标记，若该重音词在至少两个第一样本文本中被标注为重音词，则在该重音词的基频大于预设基频阈值且该重音词的能量大于预设能量阈值的情况下，对该重音词添加目标重音标记，最后针对每个第一样本文本，将该第一样本文本中添加有目标重音标记的重音词确定为该第一样本文本中的重音词。
其中，该多个第一样本文本可以是包括相同内容且由不同用户进行初始重音标记的样本文本，或者该多个第一样本文本可以是包括不同内容的多个文本且包括同一内容的文本由不同用户进行初始重音标记，等等，本公开实施例对此不作限定。应当理解的是，为了提高结果准确性，优选的是该多个第一样本文本为包括不同内容的多个文本且包括同一内容的文本由不同用户进行初始重音标记。
例如，首先可以通过自动对齐模型，获取第一样本文本中每个字在第一样本音频中的时间边界信息，从而获得该第一样本文本中每个词和每个韵律短语的时间边界信息。然后，多个用户可以根据对齐好的第一样本音频和第一样本文本，结合听感、波形图、频谱和从第一样本文本中获取的语意信息，在韵律短语级别标注重音词，获得标注有重音词的多个第一样本文本。其中，韵律短语是介于韵律词和语调短语之间的中等节奏组块。韵律词是一组在实际语流中联系密切的、经常联在一起发音的音节。语调短语是将几个韵律短语按照一定的句调模式连接起来，一般对应句法上的句子。在本公开实施例中，第一样本文本中的初始重音标记可以与韵律短语对应，从而得到韵律短语级别的初始重音标记，使得重音发音更加符合常规的发音习惯。
或者，在其他可能的情况下，第一样本文本中的初始重音标记可以与单个字、词对应，从而得到词语级别的重音或者单字级别的重音，等等，在具体实施时，可以根据需求进行选择。
在获得具有初始重音标记的多个第一样本文本之后，可以整合多个第一样本文本中的初始重音标记。具体地，针对标注有初始重音标记的每一重音词，若该重音词在每个第一样本文本中被标注为重音词，则说明该重音标注结果较为准确，因此可以将对该重音词添加目标重音标记。若该重音词在至少两个第一样本文本中被标注为重音词，则说明其他第一样本文本中存在未将该重音词标注为重音的情况，从而说明该重音标注结果可能存在一定偏差。在此种情况下，为了提高结果准确性，可以进一步进行判断。具体的，考虑到音频中的重音发音的基频比非重音发音的基频更高，且音频中的重音发音的能量比非重音发音的能量更高，因此可以在该重音词的基频大于预设基频阈值且该重音词的能量大于预设能量阈值的情况下，对该重音词添加目标重音标记。其中，预设基频阈值和预设能量阈值可以根据实际情况设定，本公开实施例对此不作限定。
应当理解的是，在其他可能的情况下，若重音词在其他所有第一样本文本中均未被标注为重音，则说明该重音词为重音的可能性较低，从而可以不对该重音词添加目标重音标记。
通过上述方式，可以对标注有初始重音标记的第一样本文本进行重音标记筛选，即得到添加有目标重音标记的第一样本文本，从而针对每个第一样本文本，可以将添加有目标重音标记的重音词确定为该第一样本文本中的重音词，使得第一样本文本中的重音标记信息更加准确。
在得到标注有重音词的第一样本文本之后，可以根据标注有重音词的该多个第一样本文本和该多个第一样本文本分别对应的多个第一样本音频、以及未标注有重音词的第二样本文本和该多个第二样本文本分别对应的多个第二样本音频训练语音合成模型。
在可能的方式中，语音合成模型可以包括重音识别模块，相应地，语音合成模型的训练步骤可以包括：先通过重音识别模块生成第二样本文本对应的重音标签。然后，将第一样本文本和第二样本文本依次作为目标样本文本，对目标样本文本对应的音素序列进行向量化，以得到音素级别的样本音素向量，对目标样本文本对应的重音标签进行向量化，以得到样本重音标签向量，对目标样本文本对应的音色标签进行向量化，以得到样本音色标签向量，根据样本音素向量、样本重音标签向量和样本音色标签向量，确定目标样本音素向量。接着，根据目标样本音素向量确定样本梅尔频谱，并根据样本梅尔频谱与所述目标样本文本对应的样本音频的实际梅尔频谱计算第一损失函数，最后通过第一损失函数调整语音合成模型的参数。
示例地，重音识别模块可以用于识别未标注重音词的第二样本文本中的重音词，并输出对应的重音标签。其中，重音标签可以通过0和1表示，比如，可以通过0表示未标注重音，1表示标注有重音，从而得到表示为0和1的重音标签。对于重音识别模块的训练，可以是在训练语音合成模型的过程中通过标注有重音词的第一样本文本进行联合训练，或者也可以在训练语音合成模型的过程中通过不同于第一样本文本的、标注有重音词的样本文本进行联合训练，本公开实施例对此不作限定。应当理解的是，为了减少样本获取量，优选的是通过标注有重音词的第一样本文本联合训练重音识别模块。
示例地，在通过该重音识别模块生成的第二样本文本对应的重音标签之后，可以将第一样本文本和第二样本文本依次作为目标样本文本，对目标样本文本对应的音素序列进行向量化，以得到样本音素向量。应当理解的是，音素是根据语音的自然属性划分出来的最小语音单位，分为元音与辅音两大类。对于中文来说，音素包括声母(声母是使用在韵母前面的辅音，跟韵母一齐构成的一个完整的音节)和韵母(即元音)。对于英文来说，音素包括元音和辅音。在本公开实施例中，对目标样本文本对应的音素序列进行向量化，以得到样本音素向量，可以在后续过程中合成带有音素级别重音的语音，使得合成语音中的重音在音素级别上可控，从而进一步提升合成语音中重音发音的准确性。其中，对目标样本文本对应的音素序列进行向量化，以得到样本音素向量的过程与相关技术中的向量转换方式类似，这里不再赘述。
示例地，若目标样本文本为第一样本文本，则该目标样本文本对应的重音标签可以是通过如下方式确定的：先确定目标样本文本对应的音素序列，然后根据目标样本文本中标注的重音词，在该目标样本文本对应的音素序列中进行重音标注，从而得到该目标样本文本对应的音素级别的重音标签。然后，可以对该重音标签进行向量化，以得到样本重音标签向量。若目标样本文本为第二样本文本，则该目标样本文本对应的重音标签可以通过重音识别模块得到。其中，对重音标签进行向量化，以得到样本重音标签向量的方式与相关技术中的向量转换方式类似，这里也不再赘述。
在本公开实施例中，为了合成指定音色的语音，在语音合成模型的训练阶段，还可以从第一样本音频提取第一发音人的音色标签用于模型训练，同时也可以从第二样本音频提取第二发音人的音色标签用于模型训练。具体的，在将第一样本文本和第二样本文本依次作为目标样本文本之后，可以对目标样本文本对应的音色标签进行向量化，以得到样本音色标签向量。比如，目标样本文本为第一样本文本，则将从第一样本音频中提取到的音色标签进行向量化，以得到样本音色标签向量。目标样本文本为第二样本文本，则将从第二样本音频中提取到的音色标签进行向量化，以得到样本音色标签向量。
在得到样本音素向量、样本重音标签向量和样本音色标签向量之后，考虑到样本音素向量、样本重音标签向量和样本音色标签向量表征的是相互独立的三个信息，因此可以通过拼接样本音素向量、样本重音标签向量和样本音色标签向量的方式得到目标样本音素向量，而不是通过将样本音素向量、样本重音标签向量和样本音色标签向量相加的方式得到目标样本音素向量，从而避免破坏样本音素向量、样本重音标签向量和样本音色标签向量之间的内容独立性，保证语音合成模型输出结果的准确性。
在得到目标样本音素向量之后，可以根据该目标样本音素向量确定样本梅尔频谱。在一种可能的方式中，可以将目标样本音素向量输入编码器，并通过将编码器输出的向量输入译码器，以得到样本梅尔频谱；其中，编码器用于确定输入向量对应的音素序列中每一音素的发音信息，译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到每一音素对应的梅尔频谱。或者，还可以通过自动对齐模型确定编码器输出的向量对应的帧级别的向量，然后将该帧级别的向量输入译码器，以得到样本梅尔频谱，其中，自动对齐模型用于将目标样本音素向量对应的样本文本中音素级别的发音信息与目标样本音素向量对应的样本音频中每一音素的帧时间一一对应，以提高模型训练效果，进而提高模型合成语音中重音发音的准确性。
示例地，语音合成模型可以为端到端的语音合成Tacotron模型，相应地，编码器可以是Tacotron模型中的编码器，译码器可以是Tacotron模型中的译码器。例如，语音合成模型如图2所示，在语音合成模型的训练阶段，可以将目标样本文本对应的音素序列进行向量化，以得到向量化音素序列(即样本音素向量)。并且，语音合成模型可以对标注有重音词的第一样本文本进行韵律短语级别的划分，得到韵律短语序列，然后可以根据该韵律短语序列生成词向量序列，并把该词向量序列输入重音识别模块，以训练重音识别模块。然后可以对重音识别模块输出的重音标签进行向量化得到向量化重音标签(即样本重音标签向量)。同时，还可以对目标样本文本对应的样本音频所对应的音色标签进行向量化，以得到向量化音色标签(即样本音色标签)。
接着，可以根据样本音素向量、样本重音标签向量和样本音色标签向量拼接得到目标样本音素向量，并将该目标样本音素向量输入编码器(Encoder)，以得到该目标样本音素向量对应的音素序列中每一音素的发音信息，比如对于目标样本音素向量对应的音素序列中包括音素“jin”，需要知道该音素的发音同“今”。然后，可以通过自动对齐模型实现音素级别和帧级别的对齐，得到编码器输出的向量对应的帧级别的目标样本向量。接着，可以将该目标样本向量输入译码器(Decoder)，以使译码器根据目标样本向量对应的音素序列中每一音素的发音信息进行转换处理，得到每一音素对应的样本梅尔频谱(Mel谱)。
在另一种可能的方式中，考虑到将向量拼接处理设置在编码器之前需要先计算重音识别模块，再计算编码器，处理速度会受影响。因此，为了提高处理速度，参照图3，还可以将向量的拼接处理设置在编码器之后，使得重音识别模块和编码器可以并行计算。也即是说，可以在语音合成模型的训练阶段，先将样本音素向量输入编码器，然后根据编码器输出的向量与样本重音标签向量、样本音色标签向量，确定目标样本音素向量。相应地，根据目标样本音素向量确定样本梅尔频谱可以是：将目标样本音素向量输入译码器，以得到样本梅尔频谱。通过此种方式，可以使得重音识别模块和编码器并行计算，从而提高语音合成模型的计算速度，进而提高语音合成的效率。
在得到样本梅尔频谱之后，可以根据样本梅尔频谱与目标样本文本对应的样本音频的实际梅尔频谱计算第一损失函数，从而通过该第一损失函数调整语音合成模型的参数。在可能的方式中，语音合成模型的训练步骤进一步包括：生成第一样本文本对应的词向量序列，并根据第一样本文本标注的重音词，生成第一样本文本对应的样本重音标签，然后将词向量序列输入重音识别模块，并根据重音识别模块的输出结果与样本重音标签计算第二损失函数。相应地，通过第一损失函数调整语音合成模型的参数可以是：通过第一损失函数和第二损失函数调整语音合成模型的参数。
示例地，参照图4，重音识别模块可以将第一样本文本对应的词向量序列作为输入，输出为预测的词级别重音标签。然后可以将重音识别模块输出的重音标签与样本文本对应的样本重音标签计算加权的第二损失函数。其中，词向量序列可以是将第一样本文本进行分词处理后对每一分词进行向量转换而得到的，样本重音标签可以是根据第一样本文本中标注有的重音词，通过0和1表示每一分词的重音标记信息而得到的。第二损失函数可以是CE损失函数(Cross Entropy Loss)，等等，本公开实施例对此不作限定。应当理解的是，考虑到重音相对于非重音为稀疏特征，因此在计算第二损失函数的过程中，可以给重音标签设定较大的权重，给非重音标签设定较小的权重。
考虑到目标文本为第二样本文本的情况下，由于第二样本文本未标注有重音词，无法计算得到第二损失函数，因此可以先判断本次用于训练的目标文本中是否标注有重音词，如果标注有重音词，则根据计算得到的第二损失函数和第一损失函数调整语音合成模型的参数。如果未标注有重音词，则可以通过第一损失函数调整语音合成模型的参数。其中，第一损失函数可以为MSE损失函数，第二损失函数可以为CE损失函数，本公开实施例对此不作限定。或者，还可以通过Adam优化器在模型训练过程中进行模型优化，从而保证训练后语音合成模型的输出结果的准确性。
在可能的方式中，通过第一损失函数和第二损失函数调整语音合成模型的参数可以是：通过在训练过程中自适应变化的权重值将第一损失函数和第二损失函数进行加权求和，以得到目标损失函数，然后根据目标损失函数调整语音合成模型的参数。
示例地，权重值可以根据每次训练过程中第一损失函数与第二损失函数之间的数量级差异而自适应变化。例如，在第一次训练过程中，第一损失函数的计算结果为10，第二损失函数的计算结果为0.1，两者相差2个数量级，因此权重值可以是使得第一损失函数和第二损失函数的结果均为同一数量级(比如均为1)的数值。在第二次训练过程中，第一损失函数的计算结果为1，第二损失函数为0.1，两者相差1个数量级，因此权重值可以是使得第一损失函数不变且使第二损失函数的结果为1的数值，以此类推。或者，权重值也可以根据每次训练过程中第一损失函数和第二损失函数的数值变化程度而自适应变化，等等，本公开实施例对此不作限定。
通过在训练过程中自适应变化的权重值可以将第一损失函数和第二损失函数进行加权求和，以得到目标损失函数，从而可以根据目标损失函数调整语音合成模型的参数。比如，在上述举例中，可以通过在训练过程中自适应变化的权重值将CE损失函数(即第二损失函数)和MSE损失函数(第一损失函数)进行加权求和，得到目标损失函数，然后根据该目标损失函数调整语音合成模型的参数，以实现对语音合成模型的训练。
通过上述方式可以根据标注有重音词的第一样本文本和第一发音人对第一样本文本的第一样本音频、以及未标注重音词的第二样本文本和第二发音人对第二样本文本的第二样本音频训练得到语音合成模型，然后则可以对带有目标音色标签的待合成文本进行语音合成，其中目标音色标签为第一发音人的音色标签或者第二发音人的音色标签。
具体地，语音合成模型可以确定待合成文本中的重音词，并根据该重音词以及目标音色标签生成待合成文本对应的音频信息。其中，语音合成模型可以通过训练后的重音识别模块确定待合成文本中的重音词。在其他可能的方式中，考虑到重音识别模块的训练文本与待合成文本之间的数据差异性，可能影响重音识别模块输出结果的准确性，因此为了提高合成语音中重音发音的准确性，还可以将重音识别功能与人工标注重音的方式相结合。也即是说，语音合成模型确定待合成文本中的重音词可以是：先确定待合成文本中是否标注有重音词，若待合成文本中未标注有重音词，则通过语音合成模型中的重音识别模块识别待合成文本中的重音词，若待合成文本中标注有重音词，则根据重音词对应的标注信息，确定待合成文本中的重音词。
通过此种方式，可以在没有人工标注重音词的情况下，使用重音识别模块识别重音词以合成带重音的语音，在人工标注重音词的情况下，则根据人工标注的重音词合成带重音的语音，更好的满足各种场景下的语音合成需求，更好地适用于各种不同的语音合成场景。
在确定到待合成文本中的重音词之后，则可以根据该重音词和目标音色标签生成待合成文本对应的音频信息。在可能的方式中，语音合成模型可以先确定待合成文本对应的音素序列，并根据该重音词，确定音素级别的重音标签，然后根据待合成文本对应的音素序列、重音标签和目标音色标签，生成待合成文本对应的音频信息。
应当理解的是，语音合成模型确定待合成文本对应的音素序列，从而在后续过程中可以在音素级别上合成带重音的语音，使得合成语音中的重音在音素级别上可控，进一步提升合成语音中重音发音的准确性。
在确定待合成文本对应的音素序列的同时或之后，可以根据重音词，确定音素级别的重音标签。示例地，该重音标签可以是表示为0和1的序列，其中0表示对应音素未标注重音，1表示待合成文本中对应音素标注有重音。在具体应用时，可以先将确定待合成文本对应的音素序列，然后根据重音词，在该音素序列中进行重音标注，从而得到该待合成文本对应的音素级别的重音标签。
在得到待合成文本对应的音素序列和重音标签之后，可以根据该音素序列、该重音标签和该待合成文本带有的音色标签，生成待合成文本对应的音频信息。在可能的方式中，语音合成模型可以先将待合成文本对应的音素序列进行向量化，以得到音素向量，将重音标签进行向量化，以得到重音标签向量，将目标音色标签进行向量化，以得到音色标签向量，然后根据音素向量、重音标签向量和音色标签向量，确定目标音素向量，并根据目标音素向量确定梅尔频谱，最后将该梅尔频谱输入声码器，以得到待合成文本对应的音频信息。
应当理解的是，将待合成文本对应的音素序列进行向量化，以得到音素向量的过程、将待合成文本对应的重音标签进行向量化，以得到重音标签向量的过程、以及将目标音色标签进行向量化，以得到音色标签向量与相关技术中的向量转换方式类似，这里不再赘述。
在本公开实施例中，考虑到音素向量、重音标签向量和音色标签向量表征的是相互独立的两个信息，因此通过拼接音素向量、重音标签向量和音色标签向量的方式得到目标音素向量，而不是通过将音素向量、重音标签向量和音色标签向量相加的方式得到目标音素向量，从而避免破坏音素向量、重音标签向量和音色标签向量之间的内容独立性，保证后续语音合成结果的准确性。
在得到目标音素向量之后，可以根据该目标音素向量确定梅尔频谱(Mel谱)。在一种可能的方式中，可以将目标音素向量输入编码器，并将编码器输出的向量结果输入译码器，以得到对应的梅尔频谱，其中，编码器用于确定输入向量对应的音素序列中每一音素的发音信息，译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到每一音素对应的梅尔频谱。
例如，参照图2所示，本公开实施例中的语音合成模型可以包括编码器(Encoder)和译码器(Decoder)。在语音合成模型的应用阶段，在得到目标音素向量后，可以将该目标音素向量输入编码器，以得到该目标音素向量对应的音素序列中每一音素的发音信息，比如对于音素“jin”，需要知道该音素的发音同“今”。然后可以将发音信息输入译码器中，以使译码器根据目标音素向量对应的音素序列中每一音素的发音信息进行转换处理，得到每一音素对应的梅尔频谱。
或者，在其他可能的方式中，为了提高处理速度，语音合成模型中的拼接处理可以设置在编码器之后，例如，图3所示的语音合成模型。在此种情况下，在语音合成模型的应用阶段，根据音素向量、重音标签向量和音色标签向量，确定目标音素向量可以是：先将音素向量输入编码器，然后根据编码器输出的向量结果与重音标签向量、音色标签向量，确定目标音素向量。相应地，根据目标音素向量确定梅尔频谱可以是：将目标音素向量输入译码器，以得到梅尔频谱。
在根据目标音素向量确定梅尔频谱之后，可以将该梅尔频谱输入声码器，以得到待合成文本对应的音频信息。应当理解的是，本公开实施例对于声码器的类型不作限定，也即是说将梅尔频谱输入任意声码器即可得到带有重音的音频信息，并且该音频信息中的重音可以通过重音识别模块得到，从而解决相关技术中合成语音没有重音或者由于随机指定重音而导致重音发音错误的问题，提高合成语音中的重音发音准确性。此外，可以控制合成语音的音色，合成具有第一发音人音色或第二发音人音色的带重音语音。
基于同一发明构思，本公开实施例还提供一种语音合成装置，该装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图5，该语音合成装置500包括：
获取模块，用于获取带有目标音色标签的待合成文本，所述目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；
合成模块，用于将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
可选地，所述语音合成模型通过如下模块生成所述待合成文本对应的音频信息：
第一确定子模块，用于确定所述待合成文本对应的音素序列；
第二确定子模块，用于根据所述重音词，确定音素级别的重音标签；
生成子模块，用于根据所述待合成文本对应的音素序列、所述重音标签和所述目标音色标签，生成所述待合成文本对应的音频信息。
可选地，所述生成子模块用于：
将所述待合成文本对应的音素序列进行向量化，以得到音素向量；
将所述重音标签进行向量化，以得到重音标签向量；
将所述目标音色标签进行向量化，以得到音色标签向量；
根据所述音素向量、所述重音标签向量和所述音色标签向量，确定目标音素向量；
根据所述目标音素向量确定梅尔频谱；
将所述梅尔频谱输入声码器，以得到所述待合成文本对应的音频信息。
可选地，所述生成子模块用于：
将所述目标音素向量输入编码器，并将所述编码器输出的向量输入译码器，以得到对应的梅尔频谱，其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
可选地，所述生成子模块用于：
将所述音素向量输入编码器，并根据编码器输出的向量、所述重音标签向量和所述音色标签向量，确定目标音素向量；
将所述目标音素向量输入译码器，以得到所述梅尔频谱；
其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
可选地，所述语音合成模型包括重音识别模块，所述装置500还包括用于训练所述语音合成模型的以下模块：
第一样本生成模块，用于通过所述语音合成模型的重音识别模块生成所述第二样本文本对应的重音标签；
第一计算模块，用于将所述第一样本文本和所述第二样本文本依次作为目标样本文本，对所述目标样本文本对应的音素序列进行向量化，以得到音素级别的样本音素向量；对所述目标样本文本对应的重音标签进行向量化，以得到样本重音标签向量；对所述目标样本文本对应的音色标签进行向量化，以得到样本音色标签向量；根据所述样本音素向量、所述样本重音标签向量和所述样本音色标签向量，确定目标样本音素向量；根据所述目标样本音素向量确定样本梅尔频谱；根据所述样本梅尔频谱与所述目标样本文本对应的样本音频的实际梅尔频谱计算第一损失函数；
调整模块，用于通过所述第一损失函数调整所述语音合成模型的参数。
可选地，所述装置500还包括用于训练所述语音合成模型的以下模块：
第二样本生成模块，用于生成所述第一样本文本对应的词向量序列，并根据所述第一样本文本标注的所述重音词，生成所述第一样本文本对应的样本重音标签；
第二计算模块，用于将所述词向量序列输入所述重音识别模块，并根据所述重音识别模块的输出结果与所述样本重音标签计算第二损失函数；
所述调整模块用于通过所述第一损失函数和所述第二损失函数调整所述语音合成模型的参数。
可选地，所述调整模块用于：
通过在训练过程中自适应变化的权重值将所述第一损失函数和所述第二损失函数进行加权求和，以得到目标损失函数；
根据所述目标损失函数调整所述语音合成模型的参数。
可选地，所述语音合成模型通过如下模块确定所述待合成文本中的重音词：
第三确定子模块，用于确定所述待合成文本中是否标注有重音词；
识别子模块，用于当所述待合成文本中未标注有重音词时，通过所述语音合成模型中的重音识别模块识别所述待合成文本中的重音词；
第四确定子模块，用于当所述待合成文本中标注有重音词时，根据所述重音词对应的标注信息，确定所述待合成文本中的重音词。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一语音合成方法的步骤。
基于同一发明构思，本公开实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一语音合成方法的步骤。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开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，可以利用诸如HTTP(HyperText Transfer Protocol，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电子设备中所包含的；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：获取带有目标音色标签的待合成文本，所述目标音色标签为所述第一发音人的音色标签或者所述第二发音人的音色标签；将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和第二发音人对所述第二样本文本的第二样本音频；所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
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操作的计算机程序代码，上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
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。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种语音合成方法，所述方法包括：
获取带有目标音色标签的待合成文本，所述目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；
将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述语音合成模型通过如下方式生成所述待合成文本对应的音频信息：
确定所述待合成文本对应的音素序列；
根据所述重音词，确定音素级别的重音标签；
根据所述待合成文本对应的音素序列、所述重音标签和所述目标音色标签，生成所述待合成文本对应的音频信息。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述音素序列、所述重音标签和所述目标音色标签，生成所述待合成文本对应的音频信息，包括：
将所述音素序列进行向量化，以得到音素向量；
将所述重音标签进行向量化，以得到重音标签向量；
将所述目标音色标签进行向量化，以得到音色标签向量；
根据所述音素向量、所述重音标签向量和所述音色标签向量，确定目标音素向量；
根据所述目标音素向量确定梅尔频谱；
将所述梅尔频谱输入声码器，以得到所述待合成文本对应的音频信息。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，根据所述目标音素向量确定梅尔频谱，包括：
将所述目标音素向量输入编码器，并将所述编码器输出的向量输入译码器，以得到对应的梅尔频谱，其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述根据所述音素向量、所述重音标签向量和所述音色标签向量，确定目标音素向量，包括：
将所述音素向量输入编码器，并根据所述编码器输出的向量、所述重音标签向量和所述音色标签向量，确定所述目标音素向量；
所述根据所述目标音素向量确定梅尔频谱，包括：
将所述目标音素向量输入译码器，以得到所述梅尔频谱；
其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
根据本公开的一个或多个实施例，示例6提供了示例1至5任一项所述的方法，所述语音合成模型包括重音识别模块，所述语音合成模型的训练步骤包括：
通过所述重音识别模块生成所述第二样本文本对应的重音标签；
将所述第一样本文本和所述第二样本文本依次作为目标样本文本，对所述目标样本文本对应的音素序列进行向量化，以得到音素级别的样本音素向量；对所述目标样本文本对应的重音标签进行向量化，以得到样本重音标签向量；对所述目标样本文本对应的音色标签进行向量化，以得到样本音色标签向量；根据所述样本音素向量、所述样本重音标签向量和所述样本音色标签向量，确定目标样本音素向量；根据所述目标样本音素向量确定样本梅尔频谱；根据所述样本梅尔频谱与所述目标样本文本对应的样本音频的实际梅尔频谱计算第一损失函数；
通过所述第一损失函数调整所述语音合成模型的参数。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述训练步骤还进一步包括：
生成所述第一样本文本对应的词向量序列，并根据所述第一样本文本标注的所述重音词，生成所述第一样本文本对应的样本重音标签；
将所述词向量序列输入所述重音识别模块，并根据所述重音识别模块的输出结果与所述样本重音标签计算第二损失函数；
所述通过所述第一损失函数调整所述语音合成模型的参数，包括：
通过所述第一损失函数和所述第二损失函数调整所述语音合成模型的参数。
根据本公开的一个或多个实施例，示例8提供了示例7所述的方法，
所述通过所述第一损失函数和所述第二损失函数调整所述语音合成模型的参数包括：
通过在训练过程中自适应变化的权重值将所述第一损失函数和所述第二损失函数进行加权求和，以得到目标损失函数；
根据所述目标损失函数调整所述语音合成模型的参数。
根据本公开的一个或多个实施例，示例9提供了示例6的方法，所述确定所述待合成文本中的重音词，包括：
确定所述待合成文本中是否标注有重音词；
若所述待合成文本中未标注有重音词，则通过所述重音识别模块识别所述待合成文本中的重音词；
若所述待合成文本中标注有重音词，则根据所述重音词对应的标注信息，确定所述待合成文本中的重音词。
根据本公开的一个或多个实施例，示例10提供了一种语音合成装置，所述装置包括：
获取模块，用于获取带有目标音色标签的待合成文本，所述目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；
合成模块，用于将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息；
其中，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述语音合成模型通过如下模块生成所述待合成文本对应的音频信息：
第一确定子模块，用于确定所述待合成文本对应的音素序列；
第二确定子模块，用于根据所述重音词，确定音素级别的重音标签；
生成子模块，用于根据所述待合成文本对应的音素序列、所述重音标签和所述目标音色标签，生成所述待合成文本对应的音频信息。
根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述生成子模块用于：
将所述待合成文本对应的音素序列进行向量化，以得到音素向量；
将所述重音标签进行向量化，以得到重音标签向量；
将所述目标音色标签进行向量化，以得到音色标签向量；
根据所述音素向量、所述重音标签向量和所述音色标签向量，确定目标音素向量；
根据所述目标音素向量确定梅尔频谱；
将所述梅尔频谱输入声码器，以得到所述待合成文本对应的音频信息。
根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述生成子模块用于：
将所述目标音素向量输入编码器，并将所述编码器输出的向量输入译码器，以得到对应的梅尔频谱，其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
根据本公开的一个或多个实施例，示例14提供了示例12的装置，所述生成子模块用于：
将所述音素向量输入编码器，并根据编码器输出的向量、所述重音标签向量和所述音色标签向量，确定目标音素向量；
将所述目标音素向量输入译码器，以得到所述梅尔频谱；
其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
根据本公开的一个或多个实施例，示例15提供了示例10至14任一项所述的装置，所述语音合成模型包括重音识别模块，所述装置500还包括用于训练所述语音合成模型的以下模块：
第一样本生成模块，用于通过所述语音合成模型的重音识别模块生成所述第二样本文本对应的重音标签；
第一计算模块，用于将所述第一样本文本和所述第二样本文本依次作为目标样本文本，对所述目标样本文本对应的音素序列进行向量化，以得到音素级别的样本音素向量；对所述目标样本文本对应的重音标签进行向量化，以得到样本重音标签向量；对所述目标样本文本对应的音色标签进行向量化，以得到样本音色标签向量；根据所述样本音素向量、所述样本重音标签向量和所述样本音色标签向量，确定目标样本音素向量；根据所述目标样本音素向量确定样本梅尔频谱；根据所述样本梅尔频谱与所述目标样本文本对应的样本音频的实际梅尔频谱计算第一损失函数；
调整模块，用于通过所述第一损失函数调整所述语音合成模型的参数。
根据本公开的一个或多个实施例，示例16提供了示例15所述的装置，还包括用于训练所述语音合成模型的以下模块：
第二样本生成模块，用于生成所述第一样本文本对应的词向量序列，并根据所述第一样本文本标注的所述重音词，生成所述第一样本文本对应的样本重音标签；
第二计算模块，用于将所述词向量序列输入所述重音识别模块，并根据所述重音识别模块的输出结果与所述样本重音标签计算第二损失函数；
所述调整模块用于通过所述第一损失函数和所述第二损失函数调整所述语音合成模型的参数。
根据本公开的一个或多个实施例，示例17提供了示例16的装置，所述调整模块用于：
通过在训练过程中自适应变化的权重值将所述第一损失函数和所述第二损失函数进行加权求和，以得到目标损失函数；
根据所述目标损失函数调整所述语音合成模型的参数。
根据本公开的一个或多个实施例，示例18提供了示例15所述的装置，所述语音合成模型通过如下模块确定所述待合成文本中的重音词：
第三确定子模块，用于确定所述待合成文本中是否标注有重音词；
识别子模块，用于当所述待合成文本中未标注有重音词时，通过所述语音合成模型中的重音识别模块识别所述待合成文本中的重音词；
第四确定子模块，用于当所述待合成文本中标注有重音词时，根据所述重音词对应的标注信息，确定所述待合成文本中的重音词。
根据本公开的一个或多个实施例，示例19提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至9任一项中语音合成方法的步骤。
根据本公开的一个或多个实施例，示例20提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至9任一项中语音合成方法的步骤。
以上描述仅为本公开的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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种语音合成方法，其特征在于，所述方法包括：
获取带有目标音色标签的待合成文本，所述目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；
将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
2.根据权利要求1所述的方法，其特征在于，所述语音合成模型通过如下方式生成所述待合成文本对应的音频信息：
确定所述待合成文本对应的音素序列；
根据所述重音词，确定音素级别的重音标签；
根据所述音素序列、所述重音标签和所述目标音色标签，生成所述待合成文本对应的音频信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述音素序列、所述重音标签和所述目标音色标签，生成所述待合成文本对应的音频信息，包括：
将所述音素序列进行向量化，以得到音素向量；
将所述重音标签进行向量化，以得到重音标签向量；
将所述目标音色标签进行向量化，以得到音色标签向量；
根据所述音素向量、所述重音标签向量和所述音色标签向量，确定目标音素向量；
根据所述目标音素向量确定梅尔频谱；
将所述梅尔频谱输入声码器，以得到所述待合成文本对应的音频信息。
4.根据权利要求3所述的方法，其特征在于，根据所述目标音素向量确定梅尔频谱，包括：
将所述目标音素向量输入编码器，并将所述编码器输出的向量输入译码器，以得到对应的梅尔频谱，其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
5.根据权利要求3所述的方法，其特征在于，所述根据所述音素向量、所述重音标签向量和所述音色标签向量，确定目标音素向量，包括：
将所述音素向量输入编码器，并根据所述编码器输出的向量、所述重音标签向量和所述音色标签向量，确定所述目标音素向量；
所述根据所述目标音素向量确定梅尔频谱，包括：
将所述目标音素向量输入译码器，以得到所述梅尔频谱；
其中，所述编码器用于确定输入向量对应的音素序列中每一音素的发音信息，所述译码器用于根据输入向量对应的每一音素的发音信息进行转换处理，以得到所述每一音素对应的梅尔频谱。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述语音合成模型包括重音识别模块，所述语音合成模型的训练步骤包括：
通过所述重音识别模块生成所述第二样本文本对应的重音标签；
将所述第一样本文本和所述第二样本文本依次作为目标样本文本，对所述目标样本文本对应的音素序列进行向量化，以得到音素级别的样本音素向量；对所述目标样本文本对应的重音标签进行向量化，以得到样本重音标签向量；对所述目标样本文本对应的音色标签进行向量化，以得到样本音色标签向量；根据所述样本音素向量、所述样本重音标签向量和所述样本音色标签向量，确定目标样本音素向量；根据所述目标样本音素向量确定样本梅尔频谱；根据所述样本梅尔频谱与所述目标样本文本对应的样本音频的实际梅尔频谱计算第一损失函数；
通过所述第一损失函数调整所述语音合成模型的参数。
7.根据权利要求6所述的方法，其特征在于，所述训练步骤还进一步包括：
生成所述第一样本文本对应的词向量序列，并根据所述第一样本文本标注的所述重音词，生成所述第一样本文本对应的样本重音标签；
将所述词向量序列输入所述重音识别模块，并根据所述重音识别模块的输出结果与所述样本重音标签计算第二损失函数；
所述通过所述第一损失函数调整所述语音合成模型的参数，包括：
通过所述第一损失函数和所述第二损失函数调整所述语音合成模型的参数。
8.根据权利要求7所述的方法，其特征在于，所述通过所述第一损失函数和所述第二损失函数调整所述语音合成模型的参数包括：
通过在训练过程中自适应变化的权重值将所述第一损失函数和所述第二损失函数进行加权求和，以得到目标损失函数；
根据所述目标损失函数调整所述语音合成模型的参数。
9.根据权利要求6所述的方法，其特征在于，所述确定所述待合成文本中的重音词，包括：
确定所述待合成文本中是否标注有重音词；
若所述待合成文本中未标注有重音词，则通过所述重音识别模块识别所述待合成文本中的重音词；
若所述待合成文本中标注有重音词，则根据所述重音词对应的标注信息，确定所述待合成文本中的重音词。
10.一种语音合成装置，其特征在于，所述装置包括：
获取模块，用于获取带有目标音色标签的待合成文本，所述目标音色标签为第一发音人的音色标签或者第二发音人的音色标签；
合成模块，用于将所述待合成文本输入语音合成模型，以得到所述待合成文本对应的音频信息；
其中，所述语音合成模型的训练样本包括标注有重音词的第一样本文本和所述第一发音人对所述第一样本文本的第一样本音频，以及未标注重音词的第二样本文本和所述第二发音人对所述第二样本文本的第二样本音频；
所述语音合成模型用于确定所述待合成文本中的重音词，并根据所述重音词以及所述目标音色标签生成所述待合成文本对应的音频信息。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
CN202011211084.5A 2020-11-03 2020-11-03 语音合成方法、装置、存储介质及电子设备 Active CN112309366B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011211084.5A CN112309366B (zh) 2020-11-03 2020-11-03 语音合成方法、装置、存储介质及电子设备
PCT/CN2021/126138 WO2022095743A1 (zh) 2020-11-03 2021-10-25 语音合成方法、装置、存储介质及电子设备
US18/042,077 US20230317055A1 (en) 2020-11-03 2021-10-25 Method, apparatus, storage medium and electronic device for speech synthesis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011211084.5A CN112309366B (zh) 2020-11-03 2020-11-03 语音合成方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112309366A CN112309366A (zh) 2021-02-02
CN112309366B true CN112309366B (zh) 2022-06-14

Family

ID=74332713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011211084.5A Active CN112309366B (zh) 2020-11-03 2020-11-03 语音合成方法、装置、存储介质及电子设备

Country Status (3)

Country Link
US (1) US20230317055A1 (zh)
CN (1) CN112309366B (zh)
WO (1) WO2022095743A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112309366B (zh) * 2020-11-03 2022-06-14 北京有竹居网络技术有限公司 语音合成方法、装置、存储介质及电子设备
CN113035169B (zh) * 2021-03-12 2021-12-07 北京帝派智能科技有限公司 一种可在线训练个性化音色库的语音合成方法和系统
CN113096634B (zh) * 2021-03-30 2024-03-01 平安科技（深圳）有限公司 语音合成方法、装置、服务器及存储介质
CN113270090A (zh) * 2021-05-19 2021-08-17 平安科技（深圳）有限公司 基于asr模型与tts模型的组合模型训练方法及设备
CN113450759A (zh) * 2021-06-22 2021-09-28 北京百度网讯科技有限公司 语音生成方法、装置、电子设备以及存储介质
CN113409761B (zh) * 2021-07-12 2022-11-01 上海喜马拉雅科技有限公司 语音合成方法、装置、电子设备以及计算机可读存储介质
CN113658577A (zh) * 2021-08-16 2021-11-16 腾讯音乐娱乐科技（深圳）有限公司 一种语音合成模型训练方法、音频生成方法、设备及介质
CN114613353B (zh) * 2022-03-25 2023-08-08 马上消费金融股份有限公司 语音合成方法、装置、电子设备及存储介质
CN114708849A (zh) * 2022-04-27 2022-07-05 网易（杭州）网络有限公司 语音处理方法、装置、计算机设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008046636A (ja) * 2006-08-14 2008-02-28 Pentax Corp アクセント句マッチング事前選択を用いた日本語音声合成方法及びシステム
CN101359473A (zh) * 2007-07-30 2009-02-04 国际商业机器公司 自动进行语音转换的方法和装置
CN102254554A (zh) * 2011-07-18 2011-11-23 中国科学院自动化研究所 一种对普通话重音进行层次化建模和预测的方法
CN105304080A (zh) * 2015-09-22 2016-02-03 科大讯飞股份有限公司 语音合成装置及方法
CN111667810A (zh) * 2020-06-08 2020-09-15 北京有竹居网络技术有限公司 多音字语料的获取方法、装置、可读介质和电子设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8447610B2 (en) * 2010-02-12 2013-05-21 Nuance Communications, Inc. Method and apparatus for generating synthetic speech with contrastive stress
CN107705783B (zh) * 2017-11-27 2022-04-26 北京搜狗科技发展有限公司 一种语音合成方法及装置
US10418025B2 (en) * 2017-12-06 2019-09-17 International Business Machines Corporation System and method for generating expressive prosody for speech synthesis
JP7082357B2 (ja) * 2018-01-11 2022-06-08 ネオサピエンス株式会社 機械学習を利用したテキスト音声合成方法、装置およびコンピュータ読み取り可能な記憶媒体
WO2020027619A1 (ko) * 2018-08-02 2020-02-06 네오사피엔스 주식회사 순차적 운율 특징을 기초로 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
CN110148398A (zh) * 2019-05-16 2019-08-20 平安科技（深圳）有限公司 语音合成模型的训练方法、装置、设备及存储介质
CN110264992B (zh) * 2019-06-11 2021-03-16 百度在线网络技术（北京）有限公司 语音合成处理方法、装置、设备和存储介质
CN111161702B (zh) * 2019-12-23 2022-08-26 爱驰汽车有限公司 个性化语音合成方法、装置、电子设备、存储介质
CN112309366B (zh) * 2020-11-03 2022-06-14 北京有竹居网络技术有限公司 语音合成方法、装置、存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008046636A (ja) * 2006-08-14 2008-02-28 Pentax Corp アクセント句マッチング事前選択を用いた日本語音声合成方法及びシステム
CN101359473A (zh) * 2007-07-30 2009-02-04 国际商业机器公司 自动进行语音转换的方法和装置
CN102254554A (zh) * 2011-07-18 2011-11-23 中国科学院自动化研究所 一种对普通话重音进行层次化建模和预测的方法
CN105304080A (zh) * 2015-09-22 2016-02-03 科大讯飞股份有限公司 语音合成装置及方法
CN111667810A (zh) * 2020-06-08 2020-09-15 北京有竹居网络技术有限公司 多音字语料的获取方法、装置、可读介质和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic estimation of accentual attribute values of words to realize accent sandhi in Japanese text-to-speech conversion;N.Minematsu，et al.;《Proceedings of 2002 IEEE Workshop on Speech Synthesis, 2002.》;IEEE;20030826;全文 *
汉语重音的凸显度分析与合成;孟凡博等;《声学学报》;中国知网;20150115;第40卷(第1期);全文 *

Also Published As

Publication number Publication date
US20230317055A1 (en) 2023-10-05
WO2022095743A1 (zh) 2022-05-12
CN112309366A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN112309366B (zh) 语音合成方法、装置、存储介质及电子设备
CN111292720B (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN111369967B (zh) 基于虚拟人物的语音合成方法、装置、介质及设备
CN112331176B (zh) 语音合成方法、装置、存储介质及电子设备
CN111369971B (zh) 语音合成方法、装置、存储介质和电子设备
US8682671B2 (en) Method and apparatus for generating synthetic speech with contrastive stress
US20200234695A1 (en) Determining phonetic relationships
CN112309367B (zh) 语音合成方法、装置、存储介质及电子设备
KR20210103002A (ko) 감정 정보 기반의 음성 합성 방법 및 장치
CN111583900A (zh) 歌曲合成方法、装置、可读介质及电子设备
CN111192568B (zh) 一种语音合成方法及语音合成装置
CN112786011B (zh) 语音合成方法、合成模型训练方法、装置、介质及设备
CN112786007A (zh) 语音合成方法、装置、可读介质及电子设备
KR20160058470A (ko) 음성 합성 장치 및 그 제어 방법
CN111292719A (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN112802446B (zh) 音频合成方法及装置、电子设备和计算机可读存储介质
CN113327580A (zh) 语音合成方法、装置、可读介质及电子设备
CN113808571B (zh) 语音合成方法、装置、电子设备以及存储介质
WO2023160553A1 (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN113421550A (zh) 语音合成方法、装置、可读介质及电子设备
WO2008147649A1 (en) Method for synthesizing speech
CN114255738A (zh) 语音合成方法、装置、介质及电子设备
CN115101046A (zh) 一种特定说话人语音合成方法和装置
KR20080049813A (ko) 스피치 다이얼로그 방법 및 장치
CN114155829A (zh) 语音合成方法、装置、可读存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant