CN109448694A - 一种快速合成tts语音的方法及装置 - Google Patents

Abstract

本发明公开一种快速合成TTS语音的方法，包括如下步骤：获取应答文本信息；根据应答文本信息确定融合策略；根据确定的融合策略生成TTS语音。本发明还公开了一种快速合成TTS语音的装置。根据本发明公开的方法和装置可以实现减少智能语音设备与用户的语音交互时间，从而提高语音交互的功能，并且在设备配置较低的硬件条件下，也可以提供给客户完美的语音交互体验。

Description

一种快速合成TTS语音的方法及装置

技术领域

本发明涉及语音交互技术领域，特别是一种快速合成TTS语音的方法及装置。

背景技术

随着语音交互技术的不断发展，语音交互的应用越来越多，现有技术中语音交互技术的实现原理如下：用户说话发出语音指令，设备识别语音指令，对该语音指令进行语义理解，根据语义输出需要应答该条语音指令的文字信息，将文字信息转换为TTS语音播放出来，从而实现智能语音设备与用户间的语音交互，这样可以达到所问即可答，即实现人机流畅沟通。

但在这种语音交互场景中，TTS合成速度是影响用户体验重要的一步。特别是在现有技术中，可搭载语音技术的硬件配置参差不齐，这就导致需要语音交互功能能够适配各种高配置或低配置的机型，对于低配置的机型，在语音交互过程中往往会导致TTS合成的速度较慢，影响用户的语音交互体验。

发明内容

为了解决上述问题，发明人构思从TTS合成过程出发，通过融合策略来进行TTS合成处理，以提高语音的响应速度。

根据本发明的第一个方面，提供了一种快速合成TTS语音的方法，包括如下步骤：

获取应答文本信息；

根据应答文本信息确定融合策略；

根据确定的融合策略生成TTS语音。

根据本发明的第二个方面，提供了一种快速合成TTS语音的装置，包括：

应答信息获取模块，用于获取应答文本信息；

策略确定模块，用于根据应答文本信息确定融合策略；

语音输出模块，用于根据确定的融合策略生成TTS语音。

根据本发明的第三个方面，提供了一种电子设备，其包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法的步骤。

根据本发明的第四个方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

本发明提供的装置和方法通过融合策略来进行TTS合成处理，而融合策略是基于应答文本信息来确定的，因而能够基于应答信息进行灵活的语音合成处理，可以实现减少智能语音设备与用户的语音交互时间，从而提高语音交互的功能。并且，基于本发明提供的装置和方法，在设备配置较低的硬件条件下，也可以提供给客户完美的语音交互体验。

附图说明

图1为本发明一实施方式的快速合成TTS语音的方法流程图；

图2为本发明一实施方式的快速合成TTS语音的装置原理框图；

图3为本发明又一实施方式的快速合成TTS语音的装置原理框图；

图4为本发明一实施方式的电子设备框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的快速合成TTS语音的方法可以应用于任何配置了语音功能的终端设备，例如，智能手机、平板电脑、智能家居等终端设备，本发明对此不作限制。从而能够使得用户在使用这些终端设备的过程中获得更及时准确的响应，提升用户体验。

下面结合附图对本发明作进一步详细的说明。

图1示意性地显示了根据本发明的一种实施方式的快速合成TTS语音的方法流程图。如图1所示，本实施例包括如下步骤：

步骤S101：获取应答文本信息。应答文本信息为需要应答的文字信息，示例性地，可以是在语音识别过程中根据语义输出的应答文本内容。获取的方式可以根据其应用场景参照现有技术实现，例如当是在语音交互过程中时，可以根据语音识别结果从数据库中获取预先配置的应答文本信息，也可以是提供应答文本信息的调用接口，直接从调用接口接收输入进来的应答文本信息。

步骤S102：根据应答文本信息确定融合策略，其中，融合策略包括高频策略、本地合成策略和云端合成策略。

示例性地，首先配置高频语音库，高频语音库内包括有使用频率高的语料和其对应的语音，其中，进行高频语音库的配置时，可以根据经验来确定使用频率高的语料及其对应的语音，例如对于车载设备而言，听歌的语音指令比较常用，那么应答的语音“即将播放音乐”就可以设置成高频语音，配置在高频语音库中，语料配置为“即将播放音乐”，音频文件为对该语料的播放音频。在进行配置时，将语音存储为音频文件的形式，同时生成一个语料和音频文件名称或ID一一对应的映射列表。

在获取到应答文本信息后，将应答文本信息与高频语音库的语料进行匹配，在匹配成功时，说明与之对应的音频内容已经在高频语音库中存储了，即确定该应答文本信息为高频使用的文本信息，则将融合策略确定为高频策略。

当匹配失败时，说明当前应答文本信息尚未在高频语音库中存储，则获取网络状态进行判断，根据网络状态将融合策略确定为本地合成策略或云端合成策略。具体地，若网络状态为未连接，则将其确定为本地合成策略。若网络状态为已连接，则将其确定为云端合成策略。

步骤S103：根据确定的融合策略生成TTS语音。根据步骤S102确定了融合策略后，将根据确定的融合策略生成其对应的TTS语音，从而达到快速响应的效果。具体地，可以实现为如下几种情况：

第一种情况，当融合策略确定为高频策略时，根据确定的融合策略生成TTS语音实现为：通过查询高频语音库内存储的语料与其对应的语音，获取与当前应答文本信息匹配的语料对应的语音(通过获取匹配的语料对应的音频文件)，直接将获取的对应的语音作为TTS语音输出(播放相应的音频文件)，这样可以达到瞬时响应的效果。

第二种情况，当融合策略确定为本地合成策略时，根据确定的融合策略生成TTS语音实现为：通过本地合成引擎将应答文本信息合成为TTS语音，其中，本地合成引擎为现有技术，在本地将其自动化的转换为TTS语音，处理速度极快。

第三种情况，当融合策略确定为云端合成策略时，根据确定的融合策略生成TTS语音实现为：将应答文本信息输出至云端合成引擎，并获取云端合成引擎返回的语音信息，其中，云端合成引擎可以参照现有技术实现，为了保证响应速度和控制流量，云端合成引擎返回的语音信息为压缩包的形式，因而受到云端返回的语音信息后，需要对返回的语音信息按照协议进行解码，解码成设备可播放的格式的TTS语音。示例性地，云端合成引擎将语音信息合成为MP3格式，对返回的该格式语音信息解析为PCM格式的TTS语音。

在优选实施方式中，根据确定的融合策略生成TTS语音后，还判断当前生成的TTS语音是否为高频语音，判断方式可以是对应答文本信息的使用次数进行统计，根据统计出的使用次数来判断是否为高频，例如当使用次数达到10次以上，则判断为高频语音，当确定为高频语音时，就将当前TTS语音及其对应的应答文本信息存储至高频语音库，即将应答文本信息作为语料，将TTS语音的音频文件名与语料进行绑定存储，并将音频文件存储至相应的存储路径下，以供后续的语音交互使用，这样可以不断的扩大高频语音库，达到高效处理的效果。

根据本实施例的方法可以实现减少智能语音设备与用户的语音交互时间，从而提高语音交互的功能，并且在设备配置较低的硬件条件下，也可以提供给客户完美的语音交互体验。

图2示意性地显示了根据本发明一实施方式的快速合成TTS语音的装置原理框图，如图2所示，

该快速合成TTS语音的装置包括：应答信息获取模块2、策略确定模块3、语音输出模块4、高频语音库6、本地合成引擎5和语音处理模块7。

语音处理模块7用于接收用户语音指令进行识别和解析，并根据识别和解析结果生成应答文本信息输出至应答信息获取模块2，其语音识别方式可以参照现有技术实现。

应答信息获取模块2用于接收应答文本信息，可以根据语音处理模块7的触发指令获取当前的应答文本信息。

策略确定模块3用于根据应答文本信息确定融合策略，融合策略包括高频策略、本地合成策略和云端合成策略。其中，确定融合策略的方式可以参照上述的方法部分实现，在此不进行赘述。

语音输出模块4用于根据确定的融合策略生成TTS语音。

其中，高频语音库6用于存储高频语音及其对应的语料。

本地合成引擎5用于根据输入的文本信息合成TTS语音。

语音输出模块4包括高频合成单元401、本地合成单元402和云端合成单元403。高频合成单元401用于根据应答文本信息从高频语音库6获取对应的语音作为TTS语音输出。本地合成单元402用于调用本地合成引擎5将应答文本信息合成为TTS语音输出。云端合成单元403用于将应答文本信息输出至云端合成引擎，并接收云端合成引擎返回的语音信息，将其解码为TTS语音输出。根据该语音输出模块4可以完成三种情况的TTS语音合成方式，从而可以提供语音响应速度。

在使用该装置时，用户只需对装有该装置的设备的麦克风等具有拾音功能的音频采集设备输出语音指令，根据语音处理模块7对该语音指令进行处理最终获取应答文本信息，将该应答文本信息输出至应答信息获取模块2，应答信息获取模块2将该文本信息传输至策略确定模块3确定策略，确定策略后，将该策略输出至语音输出模块4，根据不同的策略对应不同的语音合成方式，从而获取最终的TTS语音输出。

根据本实施例的装置可以实现减少智能语音设备与用户的语音交互时间，从而提高语音交互的功能，并且在设备配置较低的硬件条件下，也可以提供给客户完美的语音交互体验。

图3示意性地显示了根据本发明又一实施方式的快速合成TTS语音的装置原理框图，如图3所示，

该装置还包括高频语音添加模块8，该模块用于对本地合成单元402和云端合成单元403输出的TTS语音及其对应的应答文本信息进行是否为高频语音的判断，判断的方式可以参照上述的方法部分。在确定为高频语音时，将TTS语音及其对应的应答文本信息添加至高频语音库6。

根据本实施例的装置可以通过高频语音添加模块8根据每次响应结果进行总结，扩充到高频语音库中，由此可以持续性的为高频语音库增加资源，大大的提高了处理过程中语音响应的速度。

需要说明的是，在其他实施例中，快速合成TTS语音的装置也可以不包括语音处理模块，而是直接将应答信息获取模块作为对外的调用接口，以通过应答信息获取模块直接接收应答文本信息进行处理。本发明实施例对装置的模块组合不进行限制，上述仅为一种具体实现方式，在具体应用中，本领域技术人员可以根据需求对上述模块特征进行任意组合，以达到相应的使用目的。

在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项快速合成TTS语音的方法。

在一些实施例中，本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当所程序指令被计算机执行时，使计算机执行上述任一项快速合成TTS语音的方法。

在一些实施例中，本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行快速合成TTS语音的方法。

在一些实施例中，本发明实施例还提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时快速合成TTS语音的方法。

上述本发明实施例的快速合成TTS语音的装置可用于执行本发明实施例的快速合成TTS语音的方法，并相应的达到上述本发明实施例的实现快速合成TTS语音的方法所达到的技术效果，这里不再赘述。本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。

图4是本发明一实施例提供的执行快速合成TTS语音的方法的电子设备的硬件结构示意图，如图4所示，该设备包括：

一个或多个处理器410以及存储器420，图4中以一个处理器410为例。

执行快速合成TTS语音的方法的设备还可以包括：输入装置430和输出装置440。

处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器420作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的快速合成TTS语音的方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的快速合成TTS语音的方法。

存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据快速合成TTS语音的装置的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至快速合成TTS语音的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可接收输入的数字或字符信息，以及产生与快速合成TTS语音的装置的用户设置以及功能控制有关的信号。输出装置440可包括显示屏等显示设备。

上述一个或者多个模块存储在存储器420中，当被所述一个或者多个处理器410执行时，执行上述任意方法实施例中的快速合成TTS语音的方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请实施例的电子设备以多种形式存在，包括但不限于:

(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。

(3)车载装置：这类设备应用于车载驾驶中，可以实现与汽车的其它辅助系统等连接。

(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.快速合成TTS语音的方法，其特征在于，包括如下步骤：

获取应答文本信息；

根据应答文本信息确定融合策略；

根据确定的融合策略生成TTS语音。

2.根据权利要求1所述的方法，其特征在于，其中，所述融合策略包括高频策略、本地合成策略和云端合成策略，所述方法还包括

配置高频语音库，所述高频语音库包括语料和对应的语音；

所述根据应答文本信息确定融合策略包括

将应答文本信息与语料进行匹配，在匹配成功时将融合策略确定为高频策略；

当匹配失败时，获取网络状态进行判断，根据网络状态将融合策略确定为本地合成策略或云端合成策略。

3.根据权利要求2所述的方法，其中，当融合策略确定为高频策略时，根据确定的融合策略生成TTS语音包括

获取与当前应答文本信息匹配的语料对应的语音，将获取的对应的语音作为TTS语音输出；

当融合策略确定为本地合成策略时，根据确定的融合策略生成TTS语音包括

通过本地合成引擎将应答文本信息合成为TTS语音；

当融合策略确定为云端合成策略时，根据确定的融合策略生成TTS语音包括

将应答文本信息输出至云端合成引擎，并获取云端合成引擎返回的语音信息；

对返回的语音信息进行解码，生成TTS语音。

4.根据权利要求2或3所述的方法，其特征在于，在根据本地合成策略或云端合成策略生成TTS语音后，还包括

判断当前生成的TTS语音是否为高频语音，当确定为高频语音时，将当前TTS语音及其对应的应答文本信息存储至所述高频语音库。

5.快速合成TTS语音的装置，其特征在于，包括：

应答信息获取模块，用于获取应答文本信息；

策略确定模块，用于根据应答文本信息确定融合策略；

语音输出模块，用于根据确定的融合策略生成TTS语音。

6.根据权利要求5所述的装置，其特征在于，所述融合策略包括高频策略、本地合成策略和云端合成策略，所述装置还包括

高频语音库，用于存储高频语音及其对应的语料；

本地合成引擎，用于根据输入的文本信息合成TTS语音；

语音输出模块包括

高频合成单元，用于根据应答文本信息从高频语音库获取对应的语音作为TTS语音输出；

本地合成单元，用于调用本地合成引擎将应答文本信息合成为TTS语音输出；

云端合成单元，用于将应答文本信息输出至云端合成引擎，并接收云端合成引擎返回的语音信息，将其解码为TTS语音输出。

7.根据权利要求6所述的装置，其特征在于，还包括

高频语音添加模块，用于对本地合成单元和云端合成单元输出的TTS语音及其对应的应答文本信息进行判断，在确定为高频语音时，将TTS语音及其对应的应答文本信息添加至所述高频语音库。

8.根据权利要求5至7任一项所述的装置，其特征在于，还包括

语音处理模块，用于接收用户语音指令进行识别和解析，并根据识别和解析结果生成应答文本信息输出至所述应答信息获取模块。

9.电子设备，其包括：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中任意一项所述方法的步骤。

10.存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任意一项所述方法的步骤。