CN110197655B - 用于合成语音的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于合成语音的方法和装置。该方法的一具体实施方式包括：接收语音合成请求，其中，语音合成请求包括语音合成文本和方言标识；按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音；输出方言语音。该实施方式提高了语音合成所生成的语音的多样性。

Description

用于合成语音的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于合成语音的方法和装置。

背景技术

文本到语音(Text To Speech，TTS)又称语音合成，是一种将文字信息转变为可以听得懂的、流利的汉语口语输出的技术。语音合成不仅能帮助有视觉障碍的人阅读计算机上的信息，更能增加文本文档的可读性。现有的语音合成应用包括语音驱动的邮件以及声音敏感系统，并常与声音识别程序一起使用。

发明内容

本申请实施例提出了用于合成语音的方法和装置。

第一方面，本申请实施例提供了一种用于合成语音的方法，包括：接收语音合成请求，其中，语音合成请求包括语音合成文本和方言标识；按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音；输出方言语音。

在一些实施例中，按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音，包括：将语音合成文本输入到预先训练的、方言标识所对应的语音合成模型中，得到方言语音。

在一些实施例中，方言发音特征包括方言特点词；以及按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音，包括：确定语音合成文本是否包括至少一个方言特点词；若是，则针对至少一个方言特点词中的每个方言特点词，将语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音。

在一些实施例中，将语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音，包括：响应于确定出该方言特点词对应至少两个发音信息，基于预设的发音影响信息，确定该方言特点词在语音合成文本中的发音信息，其中，发音影响信息包括以下至少一项：该方言特点词在语音合成文本中的位置、该方言特点词在语音合成文本中的上下文信息和该方言特点词在语音合成文本中的词性；将语音合成文本中的该方言特点词按照所确定出的发音信息转换成方言语音。

在一些实施例中，方言发音特征包括方言规则，方言规则包括方言习惯规则和/或方言特殊规则；以及按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音，包括：对语音合成文本进行分析得到分析结果；按照方言规则，基于分析结果，将语音合成文本转换成方言文本，以及将方言文本转换成方言语音。

在一些实施例中，按照方言规则，基于分析结果，将语音合成文本转换成方言文本，以及将方言文本转换成方言语音，包括：按照方言规则，基于分析结果，确定待添加的方言词语、方言词语在语音合成文本中的位置以及待添加的方言词语的发音信息；按照确定出的位置在语音合成文本中添加待添加的方言词语，生成第一方言文本；按照待添加的方言词语的发音信息，将第一方言文本转换成方言语音。

在一些实施例中，按照方言规则，基于分析结果，将语音合成文本转换成方言文本，以及将方言文本转换成方言语音，包括：按照方言规则，基于分析结果，确定语音合成文本中的待被替换的词语、待替换的方言词语以及待替换的方言词语的发音信息；将语音合成文本中的待被替换的词语替换成待替换的方言词语，生成第二方言文本；按照待替换的方言词语的发音信息，将第二方言文本转换成方言语音。

第二方面，本申请实施例提供了一种用于合成语音的装置，包括：接收单元，被配置成接收语音合成请求，其中，语音合成请求包括语音合成文本和方言标识；转换单元，被配置成按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音；输出单元，被配置成输出方言语音。

在一些实施例中，转换单元进一步被配置成按照如下方式按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音：将语音合成文本输入到预先训练的、方言标识所对应的语音合成模型中，得到方言语音。

在一些实施例中，方言发音特征包括方言特点词；以及转换单元进一步被配置成按照如下方式按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音：确定语音合成文本是否包括至少一个方言特点词；若是，则针对至少一个方言特点词中的每个方言特点词，将语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音。

在一些实施例中，转换单元进一步被配置成按照如下方式将语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音：响应于确定出该方言特点词对应至少两个发音信息，基于预设的发音影响信息，确定该方言特点词在语音合成文本中的发音信息，其中，发音影响信息包括以下至少一项：该方言特点词在语音合成文本中的位置、该方言特点词在语音合成文本中的上下文信息和该方言特点词在语音合成文本中的词性；将语音合成文本中的该方言特点词按照所确定出的发音信息转换成方言语音。

在一些实施例中，方言发音特征包括方言规则，方言规则包括方言习惯规则和/或方言特殊规则；以及转换单元进一步被配置成按照如下方式按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音：对语音合成文本进行分析得到分析结果；按照方言规则，基于分析结果，将语音合成文本转换成方言文本，以及将方言文本转换成方言语音。

在一些实施例中，转换单元进一步被配置成按照如下方式按照方言规则，基于分析结果，将语音合成文本转换成方言文本，以及将方言文本转换成方言语音：按照方言规则，基于分析结果，确定待添加的方言词语、方言词语在语音合成文本中的位置以及待添加的方言词语的发音信息；按照确定出的位置在语音合成文本中添加待添加的方言词语，生成第一方言文本；按照待添加的方言词语的发音信息，将第一方言文本转换成方言语音。

在一些实施例中，转换单元进一步被配置成按照如下方式按照方言规则，基于分析结果，将语音合成文本转换成方言文本，以及将方言文本转换成方言语音：按照方言规则，基于分析结果，确定语音合成文本中的待被替换的词语、待替换的方言词语以及待替换的方言词语的发音信息；将语音合成文本中的待被替换的词语替换成待替换的方言词语，生成第二方言文本；按照待替换的方言词语的发音信息，将第二方言文本转换成方言语音。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请的上述实施例提供的用于合成语音的方法和装置，通过接收包括语音合成文本和方言标识的语音合成请求；之后，按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音；最后，输出上述方言语音。通过这种方式提高了语音合成所生成的语音的多样性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于合成语音的方法的一个实施例的流程图；

图3是根据本申请的用于合成语音的方法的一个应用场景的示意图；

图4是根据本申请的用于合成语音的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于合成语音的方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备1011、1012、1013，网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备1011、1012、1013通过网络102与服务器103交互，以发送或接收消息等，例如，终端设备1011、1012、1013可以将语音合成请求发送给服务器103。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音合成类应用、搜索类应用、翻译类应用等。

终端设备1011、1012、1013可以接收包括语音合成文本和方言标识的语音合成请求；之后，可以按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音；最后，可以输出上述方言语音。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有扬声器并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以是提供各种服务的服务器。例如，可以对终端设备1011、1012、1013发送的语音合成请求进行分析的服务器。服务器103可以首先从终端设备1011、1012、1013中接收包括语音合成文本和方言标识的语音合成请求；之后，可以按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音；最后，可以输出上述方言语音，例如，将上述方言语音输出到终端设备1011、1012、1013中。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于合成语音的方法可以由终端设备1011、1012、1013执行，也可以由服务器103执行。

还需要说明的是，终端设备1011、1012、1013的本地可以存储有方言标识所指示的方言的方言发音特征，终端设备1011、1012、1013可以从本地获取方言标识所指示的方言的方言发音特征。此时示例性系统架构100可以不存在网络102和服务器103。

还需要说明的是，服务器103的本地也可以存储有包括语音合成文本和方言标识的语音合成请求，服务器103可以从本地获取包括语音合成文本和方言标识的语音合成请求。此时示例性系统架构100可以不存在网络102和终端设备1011、1012、1013。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于合成语音的方法的一个实施例的流程200。该用于合成语音的方法，包括以下步骤：

步骤201，接收语音合成请求。

在本实施例中，用于合成语音的方法的执行主体(例如图1所示的服务器或者终端设备)可以接收语音合成请求。上述语音合成请求可以包括语音合成文本和方言标识。作为示例，可以通过用户对文本和方言标识执行的预设操作(例如，选取操作或输入操作)接收到包括语音合成文本和方言标识的语音合成请求。上述方言标识可以为预设数字编码或文字。例如，编码001可以表征北京话，京腔也可以表征北京话。

步骤202，按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音。

在本实施例中，上述执行主体可以按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音。语音合成可以包括语言处理、韵律处理和声学处理。语言处理在文语转换系统中起着重要的作用，主要模拟人对自然语言的理解过程，主要包括文本规整、词的切分、语法分析和语义分析，使计算机对输入的文本能完全理解，并给出韵律处理和声学处理这两部分所需要的各种发音提示。韵律处理为合成语音规划出音段特征，如音高、音长和音强等，使合成语音能正确表达语意，听起来更加自然。声学处理根据语言处理和韵律处理这两部分处理结果的要求输出语音，即合成语音。

步骤203，输出方言语音。

在本实施例中，上述执行主体可以将步骤202中转换的方言语音进行输出。若上述执行主体为终端设备，上述执行主体可以播放上述方言语音。若上述执行主体为服务器，上述执行主体可以向上述语音合成请求所来源的终端设备发送上述方言语音，以使接收到上述方言语音的终端设备播放上述方言语音。

在本实施例的一些可选的实现方式中，上述执行主体可以将上述语音合成文本输入到预先训练的、上述方言标识所对应的语音合成模型中，得到方言语音。在这里，每一种方言标识可以对应一种语音合成模型，该语音合成模型可以输出符合该方言标识所指示的方言的方言发音特征的方言语音。上述语音合成模型可以用于表征文本与方言语音之间的对应关系，电子设备(上述执行主体或者其他用于训练语音合成模型的电子设备)可以通过多种方式训练出表征文本与方言语音之间的对应关系的语音合成模型。

作为一种示例，电子设备可以基于对大量文本和方言语音进行统计而生成存储有多个文本和方言语音的对应关系的对应关系表，并将该对应关系表作为语音合成模型。这样，电子设备可以将语音合成文本与该对应关系表中的多个文本依次进行比较，若该对应关系表中的一个文本与语音合成文本相同或相似，则将该对应关系表中的该文本所对应的方言语音作为上述语音合成文本所对应的方言语音。需要说明的是，上述文本和方言语音可以从方言节目中获取。

作为另一种示例，电子设备可以首先获取多个文本和多个文本中的每个文本所对应的方言语音；然后将多个文本中的每个文本作为输入，将多个文本中的每个文本所对应的方言语音作为输出，训练得到语音合成模型。

在本实施例的一些可选的实现方式中，上述方言发音特征可以包括方言特点词。上述执行主体可以按照如下方式按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音：上述执行主体可以首先确定上述语音合成文本是否包括至少一个方言特点词；若确定出上述语音合成文本包括至少一个方言特点词，则针对上述至少一个方言特点词中的每个方言特点词，可以将上述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音。在这里，上述发音信息可以包括音节和声调。音节是语音中最自然的结构单位。在汉语中一般一个汉字的读音即为一个音节。声调是指声音的高低升降的变化。在现代汉语语音学中，声调是指汉语音节中所固有的，可以区别意义的声音的高低和升降。普通话有四个声调：阴平，阳平，上声，去声。作为示例，在北京话中，方言特点词可以包括儿化音词语、轻声词语等。若语音合成文本为“你早一点，我有事”，则上述执行主体可以确定出语音合成文本“你早一点，我有事”中包括方言特点词“点”和“事”。上述执行主体可以在将语音合成文本“你早一点，我有事”进行语音转换时，将“点”按照所对应的发音信息(例如，音节为“dianr”，声调为上声)进行发音，以及将“事”按照所对应的发音信息(例如，音节为“shir”，声调为去声)进行发音。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下方式将上述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音：上述执行主体可以首先确定该方言特点词是否对应至少两个发音信息；若确定出该方言特点词对应至少两个发音信息，可以基于预设的发音影响信息，确定该方言特点词在上述语音合成文本中的发音信息。上述发音影响信息可以包括以下至少一项：该方言特点词在上述语音合成文本中的位置、该方言特点词在上述语音合成文本中的上下文信息和该方言特点词在上述语音合成文本中的词性。该方言特点词在上述语音合成文本中的位置可以包括句首、句中和句尾。该方言特点词在上述语音合成文本中的上下文信息可以包括语境和语义，例如，可以是上述语音合成文本的摘要以及大意。词性可以是指以词的特点作为划分词类的根据。词类是一种语言中词的语法分类，是以语法特征(包括句法功能和形态变化)为主要依据、兼顾词汇意义对词进行划分的结果，现代汉语的词可以分为14种词类。例如，名词、形容词、动词等。

具体地，上述执行主体可以存储有方言特点词在文本中的位置与方言特点词的发音信息之间的对应关系的第一对应关系表、方言特点词在文本中的上下文信息与方言特点词的发音信息之间的对应关系的第二对应关系表以及方言特点词在文本中的词性与方言特点词的发音信息之间的对应关系的第三对应关系表。上述执行主体可以在上述第一对应关系表、上述第二对应关系表和上述第三对应关系表中的至少一项中查找该方言特点词所对应的发音信息。需要说明的是，上述第一对应关系表、上述第二对应关系表和上述第三对应关系表分别对应预设的权重，若该方言特点词在不同的对应关系表中所对应的发音信息不同，可以将权重最高的对应关系表中的发音信息确定为该方言特点词所对应的发音信息。

最后，上述执行主体可以将上述语音合成文本中的该方言特点词按照上述所确定出的发音信息转换成方言语音。

在本实施例的一些可选的实现方式中，上述方言发音特征可以包括方言规则，上述方言规则可以包括方言习惯规则和/或方言特殊规则。方言习惯规则通常是在一种方言中字或词的常用发音规则。方言习惯规则通常是在一种方言中特有词语的发音规则，这些特有词组通常不会出现在其它方言中。作为示例，在北京话中，方言习惯规则可以包括常用语气词的发音规则，例如，“吃了么您呐”中的“呐”的发音为“nei”，声调为阴平。在北京话中，特有词语可以包括“摡搂”，发音分别为“gai”和“lou”，声调分别为阳平和轻声弱读。上述执行主体可以按照如下方式按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音：上述执行主体可以对上述语音合成文本进行分析得到分析结果。上述执行主体可以对上述语音合成文本进行语义分析得到语义分析结果，也可以对上述语音合成文本进行语境分析得到语境分析结果。之后，上述执行主体可以按照上述方言规则，基于上述分析结果，将上述语音合成文本转换成方言文本，以及将上述方言文本转换成方言语音。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下方式按照上述方言规则，基于上述分析结果，将上述语音合成文本转换成方言文本，以及将上述方言文本转换成方言语音：上述执行主体可以按照上述方言规则，基于上述分析结果，确定待添加的方言词语、上述方言词语在上述语音合成文本中的位置以及上述待添加的方言词语的发音信息。作为示例，上述方言规则可以包括：在闲聊语境中加入“呐”、“欸”等语气词，将“呐”加入句尾，将“欸”加入两个句子中间。若上述分析结果为上述语音合成文本中的语境为闲聊语境，上述执行主体可以确定待添加的方言词语为“呐”，“呐”在上述语音合成文本中的添加位置为句尾以及上述待添加的方言词语“呐”的发音信息为“nei”。之后，上述执行主体可以按照确定出的位置在上述语音合成文本中添加上述待添加的方言词语，生成第一方言文本。作为示例，可以在每一句话的句尾加入“呐”。最后，可以按照上述待添加的方言词语的发音信息，将上述第一方言文本转换成方言语音。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下方式按照上述方言规则，基于上述分析结果，将上述语音合成文本转换成方言文本，以及将上述方言文本转换成方言语音：上述执行主体可以按照上述方言规则，基于上述分析结果，确定上述语音合成文本中的待被替换的词语、待替换的方言词语以及上述待替换的方言词语的发音信息。作为示例，上述方言规则可以包括：将文本中的“河畔”替换成“河沿”，“河沿”中的“沿”的发音为“yanr”且声调为去声。上述执行主体可以将上述语音合成文本中的待被替换的词语替换成上述待替换的方言词语，生成第二方言文本。作为示例，若上述语音合成文本中包含“河畔”，可以将上述语音合成文本中的“河畔”替换成“河沿”。最后，上述执行主体可以按照上述待替换的方言词语的发音信息，将上述第二方言文本转换成方言语音。

继续参见图3，图3是根据本实施例的用于合成语音的方法的应用场景的一个示意图。在图3的应用场景中，若用户在用户终端301中输入语音合成本文304，选择方言标识305之后，点击了用于语音合成的图标，服务器302可以接收到用户终端301发送的语音合成请求303。其中，语音合成请求303包括语音合成文本304和方言标识305。在这里，语音合成本文301可以为“今天我想去大栅栏，我现在颠了”，方言标识302为“北京话”。之后，服务器302可以按照北京话的方言发音特征306，将语音合成文本304转换成方言语音307。在北京话中，“今天”的发音通常为“jinr”；“大栅栏”的发音为“dashilanr”,“颠”的发音为“dianr”。最后，服务器302可以输出方言语音307。在这里，服务器302可以将方言语音307发送给用户终端301。

本申请的上述实施例提供的方法通过按照方言发音特征，将语音合成文本转换成方言语音，通过这种方式提高了语音合成所生成的语音的多样性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于合成语音的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于合成语音的装置400包括：接收单元401、转换单元402和输出单元403。其中，接收单元401被配置成接收语音合成请求，其中，语音合成请求包括语音合成文本和方言标识；转换单元402被配置成按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音；输出单元403被配置成输出方言语音。

在本实施例中，用于合成语音的装置400的接收单元401、转换单元402和输出单元403的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。

在本实施例的一些可选的实现方式中，上述转换单元402可以将上述语音合成文本输入到预先训练的、上述方言标识所对应的语音合成模型中，得到方言语音。在这里，每一种方言标识可以对应一种语音合成模型，该语音合成模型可以输出符合该方言标识所指示的方言的方言发音特征的方言语音。上述语音合成模型可以用于表征文本与方言语音之间的对应关系，电子设备(上述用于合成语音的装置400或者其他用于训练语音合成模型的电子设备)可以通过多种方式训练出表征文本与方言语音之间的对应关系的语音合成模型。

作为一种示例，电子设备可以基于对大量文本和方言语音进行统计而生成存储有多个文本和方言语音的对应关系的对应关系表，并将该对应关系表作为语音合成模型。这样，电子设备可以将语音合成文本与该对应关系表中的多个文本依次进行比较，若该对应关系表中的一个文本与语音合成文本相同或相似，则将该对应关系表中的该文本所对应的方言语音作为上述语音合成文本所对应的方言语音。需要说明的是，上述文本和方言语音可以从方言节目中获取。

作为另一种示例，电子设备可以首先获取多个文本和多个文本中的每个文本所对应的方言语音；然后将多个文本中的每个文本作为输入，将多个文本中的每个文本所对应的方言语音作为输出，训练得到语音合成模型。

在本实施例的一些可选的实现方式中，上述方言发音特征可以包括方言特点词。上述转换单元402可以按照如下方式按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音：上述转换单元402可以首先确定上述语音合成文本是否包括至少一个方言特点词；若确定出上述语音合成文本包括至少一个方言特点词，则针对上述至少一个方言特点词中的每个方言特点词，可以将上述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音。在这里，上述发音信息可以包括音节和声调。音节是语音中最自然的结构单位。在汉语中一般一个汉字的读音即为一个音节。声调是指声音的高低升降的变化。在现代汉语语音学中，声调是指汉语音节中所固有的，可以区别意义的声音的高低和升降。普通话有四个声调：阴平，阳平，上声，去声。作为示例，在北京话中，方言特点词可以包括儿化音词语、轻声词语等。若语音合成文本为“你早一点，我有事”，则上述转换单元402可以确定出语音合成文本“你早一点，我有事”中包括方言特点词“点”和“事”。上述转换单元402可以在将语音合成文本“你早一点，我有事”进行语音转换时，将“点”按照所对应的发音信息(例如，音节为“dianr”，声调为上声)进行发音，以及将“事”按照所对应的发音信息(例如，音节为“shir”，声调为去声)进行发音。

在本实施例的一些可选的实现方式中，上述转换单元402可以按照如下方式将上述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音：上述转换单元402可以首先确定该方言特点词是否对应至少两个发音信息；若确定出该方言特点词对应至少两个发音信息，可以基于预设的发音影响信息，确定该方言特点词在上述语音合成文本中的发音信息。上述发音影响信息可以包括以下至少一项：该方言特点词在上述语音合成文本中的位置、该方言特点词在上述语音合成文本中的上下文信息和该方言特点词在上述语音合成文本中的词性。该方言特点词在上述语音合成文本中的位置可以包括句首、句中和句尾。该方言特点词在上述语音合成文本中的上下文信息可以包括语境和语义，例如，可以是上述语音合成文本的摘要以及大意。词性可以是指以词的特点作为划分词类的根据。词类是一种语言中词的语法分类，是以语法特征(包括句法功能和形态变化)为主要依据、兼顾词汇意义对词进行划分的结果，现代汉语的词可以分为14种词类。例如，名词、形容词、动词等。

具体地，上述转换单元402可以存储有方言特点词在文本中的位置与方言特点词的发音信息之间的对应关系的第一对应关系表、方言特点词在文本中的上下文信息与方言特点词的发音信息之间的对应关系的第二对应关系表以及方言特点词在文本中的词性与方言特点词的发音信息之间的对应关系的第三对应关系表。上述转换单元402可以在上述第一对应关系表、上述第二对应关系表和上述第三对应关系表中的至少一项中查找该方言特点词所对应的发音信息。需要说明的是，上述第一对应关系表、上述第二对应关系表和上述第三对应关系表分别对应预设的权重，若该方言特点词在不同的对应关系表中所对应的发音信息不同，可以将权重最高的对应关系表中的发音信息确定为该方言特点词所对应的发音信息。

最后，上述转换单元402可以将上述语音合成文本中的该方言特点词按照上述所确定出的发音信息转换成方言语音。

在本实施例的一些可选的实现方式中，上述方言发音特征可以包括方言规则，上述方言规则可以包括方言习惯规则和/或方言特殊规则。方言习惯规则通常是在一种方言中字或词的常用发音规则。方言习惯规则通常是在一种方言中特有词语的发音规则，这些特有词组通常不会出现在其它方言中。作为示例，在北京话中，方言习惯规则可以包括常用语气词的发音规则，例如，“吃了么您呐”中的“呐”的发音为“nei”，声调为阴平。在北京话中，特有词语可以包括“摡搂”，发音分别为“gai”和“lou”，声调分别为阳平和轻声弱读。上述转换单元402可以按照如下方式按照上述方言标识所指示的方言的方言发音特征，将上述语音合成文本转换成方言语音：上述转换单元402可以对上述语音合成文本进行分析得到分析结果。上述转换单元402可以对上述语音合成文本进行语义分析得到语义分析结果，也可以对上述语音合成文本进行语境分析得到语境分析结果。之后，上述转换单元402可以按照上述方言规则，基于上述分析结果，将上述语音合成文本转换成方言文本，以及将上述方言文本转换成方言语音。

在本实施例的一些可选的实现方式中，上述转换单元402可以按照如下方式按照上述方言规则，基于上述分析结果，将上述语音合成文本转换成方言文本，以及将上述方言文本转换成方言语音：上述转换单元402可以按照上述方言规则，基于上述分析结果，确定待添加的方言词语、上述方言词语在上述语音合成文本中的位置以及上述待添加的方言词语的发音信息。作为示例，上述方言规则可以包括：在闲聊语境中加入“呐”、“欸”等语气词，将“呐”加入句尾，将“欸”加入两个句子中间。若上述分析结果为上述语音合成文本中的语境为闲聊语境，上述转换单元402可以确定待添加的方言词语为“呐”，“呐”在上述语音合成文本中的添加位置为句尾以及上述待添加的方言词语“呐”的发音信息为“nei”。之后，上述转换单元402可以按照确定出的位置在上述语音合成文本中添加上述待添加的方言词语，生成第一方言文本。作为示例，可以在每一句话的句尾加入“呐”。最后，可以按照上述待添加的方言词语的发音信息，将上述第一方言文本转换成方言语音。

在本实施例的一些可选的实现方式中，上述转换单元402可以按照如下方式按照上述方言规则，基于上述分析结果，将上述语音合成文本转换成方言文本，以及将上述方言文本转换成方言语音：上述转换单元402可以按照上述方言规则，基于上述分析结果，确定上述语音合成文本中的待被替换的词语、待替换的方言词语以及上述待替换的方言词语的发音信息。作为示例，上述方言规则可以包括：将文本中的“河畔”替换成“河沿”，“河沿”中的“沿”的发音为“yanr”且声调为去声。上述转换单元402可以将上述语音合成文本中的待被替换的词语替换成上述待替换的方言词语，生成第二方言文本。作为示例，若上述语音合成文本中包含“河畔”，可以将上述语音合成文本中的“河畔”替换成“河沿”。最后，上述转换单元402可以按照上述待替换的方言词语的发音信息，将上述第二方言文本转换成方言语音。

下面参考图5，其示出了适于用来实现本公开的实施例的电子设备500的结构示意图。本公开的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5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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。

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：接收语音合成请求，其中，语音合成请求包括语音合成文本和方言标识；按照方言标识所指示的方言的方言发音特征，将语音合成文本转换成方言语音；输出方言语音。

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实施例的操作的计算机程序代码，所述程序设计语言包括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。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、转换单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收语音合成请求的单元”。

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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (14)

1.一种用于合成语音的方法，包括：

接收语音合成请求，其中，所述语音合成请求包括语音合成文本和方言标识；

按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音，包括：对所述语音合成文本进行分析得到分析结果；按照方言规则，基于所述分析结果，确定待添加的方言词语、所述方言词语在所述语音合成文本中的位置以及所述待添加的方言词语的发音信息；按照确定出的位置在所述语音合成文本中添加所述待添加的方言词语，生成第一方言文本；按照所述待添加的方言词语的发音信息，将所述第一方言文本转换成方言语音，其中，所述方言发音特征包括所述方言规则；

输出所述方言语音。

2.根据权利要求1所述的方法，其中，所述按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音，包括：

将所述语音合成文本输入到预先训练的、所述方言标识所对应的语音合成模型中，得到方言语音。

3.根据权利要求1所述的方法，其中，所述方言发音特征包括方言特点词；以及

所述按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音，包括：

确定所述语音合成文本是否包括至少一个方言特点词；

若是，则针对所述至少一个方言特点词中的每个方言特点词，将所述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音。

4.根据权利要求3所述的方法，其中，所述将所述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音，包括：

响应于确定出该方言特点词对应至少两个发音信息，基于预设的发音影响信息，确定该方言特点词在所述语音合成文本中的发音信息，其中，所述发音影响信息包括以下至少一项：该方言特点词在所述语音合成文本中的位置、该方言特点词在所述语音合成文本中的上下文信息和该方言特点词在所述语音合成文本中的词性；

将所述语音合成文本中的该方言特点词按照所确定出的发音信息转换成方言语音。

5.根据权利要求1所述的方法，其中，所述方言规则包括方言习惯规则和/或方言特殊规则；以及

所述按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音，包括：

对所述语音合成文本进行分析得到分析结果；

按照所述方言规则，基于所述分析结果，将所述语音合成文本转换成方言文本，以及将所述方言文本转换成方言语音。

6.根据权利要求5所述的方法，其中，所述按照所述方言规则，基于所述分析结果，将所述语音合成文本转换成方言文本，以及将所述方言文本转换成方言语音，包括：

按照所述方言规则，基于所述分析结果，确定所述语音合成文本中的待被替换的词语、待替换的方言词语以及所述待替换的方言词语的发音信息；

将所述语音合成文本中的待被替换的词语替换成所述待替换的方言词语，生成第二方言文本；

按照所述待替换的方言词语的发音信息，将所述第二方言文本转换成方言语音。

7.一种用于合成语音的装置，包括：

接收单元，被配置成接收语音合成请求，其中，所述语音合成请求包括语音合成文本和方言标识；

转换单元，被配置成按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音，包括：对所述语音合成文本进行分析得到分析结果；按照方言规则，基于所述分析结果，确定待添加的方言词语、所述方言词语在所述语音合成文本中的位置以及所述待添加的方言词语的发音信息；按照确定出的位置在所述语音合成文本中添加所述待添加的方言词语，生成第一方言文本；按照所述待添加的方言词语的发音信息，将所述第一方言文本转换成方言语音，其中，所述方言发音特征包括所述方言规则；

输出单元，被配置成输出所述方言语音。

8.根据权利要求7所述的装置，其中，所述转换单元进一步被配置成按照如下方式按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音：

将所述语音合成文本输入到预先训练的、所述方言标识所对应的语音合成模型中，得到方言语音。

9.根据权利要求7所述的装置，其中，所述方言发音特征包括方言特点词；以及

所述转换单元进一步被配置成按照如下方式按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音：

确定所述语音合成文本是否包括至少一个方言特点词；

若是，则针对所述至少一个方言特点词中的每个方言特点词，将所述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音。

10.根据权利要求9所述的装置，其中，所述转换单元进一步被配置成按照如下方式将所述语音合成文本中的该方言特点词按照该方言特点词所对应的发音信息转换成方言语音：

响应于确定出该方言特点词对应至少两个发音信息，基于预设的发音影响信息，确定该方言特点词在所述语音合成文本中的发音信息，其中，所述发音影响信息包括以下至少一项：该方言特点词在所述语音合成文本中的位置、该方言特点词在所述语音合成文本中的上下文信息和该方言特点词在所述语音合成文本中的词性；

将所述语音合成文本中的该方言特点词按照所确定出的发音信息转换成方言语音。

11.根据权利要求7所述的装置，其中，所述方言规则包括方言习惯规则和/或方言特殊规则；以及

所述转换单元进一步被配置成按照如下方式按照所述方言标识所指示的方言的方言发音特征，将所述语音合成文本转换成方言语音：

对所述语音合成文本进行分析得到分析结果；

按照所述方言规则，基于所述分析结果，将所述语音合成文本转换成方言文本，以及将所述方言文本转换成方言语音。

12.根据权利要求11所述的装置，其中，所述转换单元进一步被配置成按照如下方式按照所述方言规则，基于所述分析结果，将所述语音合成文本转换成方言文本，以及将所述方言文本转换成方言语音：

按照所述方言规则，基于所述分析结果，确定所述语音合成文本中的待被替换的词语、待替换的方言词语以及所述待替换的方言词语的发音信息；

将所述语音合成文本中的待被替换的词语替换成所述待替换的方言词语，生成第二方言文本；

按照所述待替换的方言词语的发音信息，将所述第二方言文本转换成方言语音。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images