CN110619867B - 语音合成模型的训练方法、装置、电子设备及存储介质 - Google Patents

语音合成模型的训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110619867B
CN110619867B CN201910927040.3A CN201910927040A CN110619867B CN 110619867 B CN110619867 B CN 110619867B CN 201910927040 A CN201910927040 A CN 201910927040A CN 110619867 B CN110619867 B CN 110619867B
Authority
CN
China
Prior art keywords
input sequence
phoneme
chinese character
syllable
sequence
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
CN201910927040.3A
Other languages
English (en)
Other versions
CN110619867A (zh
Inventor
陈智鹏
白锦峰
贾磊
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910927040.3A priority Critical patent/CN110619867B/zh
Publication of CN110619867A publication Critical patent/CN110619867A/zh
Priority to JP2020056285A priority patent/JP6900536B2/ja
Priority to US16/907,006 priority patent/US11488577B2/en
Application granted granted Critical
Publication of CN110619867B publication Critical patent/CN110619867B/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
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G10L13/047—Architecture of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G10L13/06—Elementary speech units used in speech synthesisers; Concatenation rules
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Document Processing Apparatus (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请公开了语音合成模型的训练方法、装置、电子设备及存储介质，涉及计算机智能语音领域。具体实现方案为：将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到各个序列的编码表示；将编码表示的三个序列进行融合，得到三个序列的一个加权组合；将该加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均；将该加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。本申请实施例可以有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音。

Description

语音合成模型的训练方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，进一步涉及计算机智能语音领域，尤其是一种语音合成模型的训练方法、装置、电子设备及存储介质。
背景技术
在语音合成领域，WaveNet和WaveRNN等基于神经网络的方法极大改善了合成语音的音质和自然度。这类方法通常需要前端系统基于文本提取出语言特征，并预测出基频和时长等信息。谷歌提出的端到端建模的Tacotron模型，摆脱了需要大量专家知识介入的复杂前端系统，通过序列转换模型自动学习音库中语音的韵律和情感等信息，合成的语音在表现力方面尤为出众。然而Tacotron模型在中文上的应用却存在诸多的挑战，主要是因为中文汉字数量众多，常用汉字就有数千个，同音字现象非常普遍，并且同音不同字的发音方式存在差异，甚至同一个字在不同的词语或上下文中的发音方式也有所不同。
在现有技术中，Tacotron模型在中文上应用的实现方案大致分成三种：(1)与Tacotron在英文上的应用类似，直接以汉字作为输入单元；(2)汉字退化为音节，作为输入单元；(3)把音节拆分成音素，作为输入单元。采用上述方案(1)，由于汉字数量众多，而通常用于语音合成训练的音库仅有几小时至几十小时的规模，若直接以汉字作为模型的输入单元，由于数据稀疏，许多低频汉字的发音无法得到充分学习；采用上述方案(2)和(3)，以音素或者音节作为输入单元，可以解决汉字的稀疏问题，汉字中的同音字通过共享单元获得更充分的训练；然而不同的汉字即使发音相同，发音方式也有明显差异，常见的虚词通常发音较弱，而实词发音较清晰。而Tacotron模型倾向于学出虚词的发音方式，导致合成效果不佳。此外，以音素为输入单元还存在另一个问题，某些韵母可以单独作为一个完整的音节，这两种情形中韵母的发音实际上是有一定差异的，独立作为音节的韵母需要一个更完整的发音过程，然而基于音素的模型无法区别这两种情况，导致韵母独立时的发音不够饱满。
发明内容
有鉴于此，本申请提出实施例提供一种语音合成模型的训练方法、装置、电子设备及存储介质，可以有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音。
第一方面，本申请实施例提供了一种语音合成模型的训练方法，所述方法包括：
将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；
将编码表示的所述音节输入序列、所述音素输入序列和所述汉字输入序列进行融合，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的一个加权组合；
将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均；
将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均作为所述待训练模型的解码器的输入，在所述解码器的输出端得到所述当前样本的语音Mel谱输出。
上述实施例具有如下优点或有益效果：本实施例通过在待训练模型的输入端输入文本和在待训练模型的输出端输出语音，实现将待训练模型的编码器和解码器联合训练。因为本申请采用了融合音节输入序列、音素输入序列和汉字输入序列的技术手段，克服了现有技术中仅采用音节输入序列或者音素输入序列或者汉字输入序列而造成语音合成效果不佳的技术问题，进而达到了有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音的技术效果。
在上述实施例中，所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示，包括：
将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到一个共享的编码器中；在所述共享的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
上述实施例具有如下优点或有益效果：本实施例通过将音节输入序列、音素输入序列和汉字输入序列输入到一个共享的编码器中；从而可以在共享的编码器的输出端可以得到音节输入序列、音素输入序列和汉字输入序列的编码表示。
在上述实施例中，所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示，包括：
将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列；将卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列作为序列变换神经网络模块的输入，在所述序列变换神经网络模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
上述实施例具有如下优点或有益效果：本实施例通过将音节输入序列、音素输入序列和汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，将卷积变换后的音节输入序列、音素输入序列和汉字输入序列作为序列变换神经网络模块的输入，从而可以在序列变换神经网络模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。
在上述实施例中，所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示，包括：
将所述音节输入序列、所述音素输入序列和所述汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
上述实施例具有如下优点或有益效果：本实施例通过将音节输入序列、音素输入序列和汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。实验发现，音素的独立韵母和音素、音节、汉字融合的三种方案一定程度上可以解决端到端中文语音合成的问题，其中独立编码器的效果最佳。听测结果显示，发音问题比例从2％减少到0.4％。
在上述实施例中，在所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入之前，所述方法还包括：
将所述当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示；
将所述音节的向量表示和所述汉字的向量表示转换成与所述音素的向量表示相同的长度，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列，执行将所述音节输入序列、所述音素输入序列和所述汉字输入序列作为所述待训练模型的编码器的输入的操作。
上述实施例具有如下优点或有益效果：本实施例通过将音节的向量表示和汉字的向量表示转换成与音素的向量表示相同的长度，可以得到音节输入序列、音素输入序列和汉字输入序列，从而可以执行将音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入的操作。
在上述实施例中，所述音素输入序列包括：音调输入序列、儿化音输入序列、标点输入序列和35个独立韵母的输入序列；所述音素输入序列包括106个音素单元；各个音素单元包括106位，其中，所述106位中的有效位的取值为1，非有效位的取值为0；所述汉字输入序列包括：3000个汉字的输入序列；所述音节输入序列包括：508个音节的输入序列。
上述实施例具有如下优点或有益效果：本实施例分别从音节和汉字中提取了有效信息改善发音效果，尤其是同音不同字的情况，发音问题显著减少。本申请可以为产品提供高表现力高自然度的中文合成语音，可以有效提升用户的人机交互体验，提高用户粘性，有利于百度APP、智能音箱和地图导航系统的推广。
第二方面，本申请还提供了一种语音合成模型的训练装置，所述装置包括：输入模块、融合模块和输出模块；其中，
所述输入模块，用于将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；
所述融合模块，用于将编码表示的所述音节输入序列、所述音素输入序列和所述汉字输入序列进行融合，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的一个加权组合；将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均；
所述输出模块，用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均作为所述待训练模型的解码器的输入，在所述解码器的输出端得到所述当前样本的语音Mel谱输出。
在上述实施例中，所述输入模块，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到一个共享的编码器中；在所述共享的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
在上述实施例中，所述输入模块，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列；将卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列作为序列变换神经网络模块的输入，在所述序列变换神经网络模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
在上述实施例中，所述输入模块，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
在上述实施例中，所述装置还包括：转换模块，用于将所述当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示；将所述音节的向量表示和所述汉字的向量表示转换成与所述音素的向量表示相同的长度，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列；
所述输入模块，用于执行将所述音节输入序列、所述音素输入序列和所述汉字输入序列作为所述待训练模型的编码器的输入的操作。
在上述实施例中，所述音素输入序列包括：音调输入序列、儿化音输入序列、标点输入序列和35个独立韵母的输入序列；所述音素输入序列包括106个音素单元；各个音素单元包括106位，其中，所述106位中的有效位的取值为1，非有效位的取值为0；所述汉字输入序列包括：3000个汉字的输入序列；所述音节输入序列包括：508个音节的输入序列。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
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本申请任意实施例所述的语音合成模型的训练方法。
第四方面，本申请实施例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本申请任意实施例所述的语音合成模型的训练方法。
上述申请中的一个实施例具有如下优点或有益效果：本申请提出的语音合成模型的训练方法、装置、电子设备及存储介质，将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示；将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合；再将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均；将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。也就是说，本申请通过在待训练模型的输入端输入文本和在待训练模型的输出端输出语音，实现将待训练模型的编码器和解码器联合训练。因为本申请采用了融合音节输入序列、音素输入序列和汉字输入序列的技术手段，克服了现有技术中仅采用音节输入序列或者音素输入序列或者汉字输入序列而造成语音合成效果不佳的技术问题，进而达到了有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例一提供的语音合成模型的训练方法的流程示意图；
图2是本申请实施例二提供的语音合成模型的训练方法的流程示意图；
图3是本申请实施例二提供的Tacotron模型的结构示意图；
图4是本申请实施例三提供的语音合成模型的训练装置的结构示意图；
图5是用来实现本申请实施例的语音合成模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一提供的语音合成模型的训练方法的流程示意图，该方法可以由语音合成模型的训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，语音合成模型的训练方法可以包括以下步骤：
S101、将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。
在本申请的具体实施例中，电子设备可以将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。具体地，电子设备可以将音节输入序列、音素输入序列和汉字输入序列输入到一个共享的编码器中；在共享的编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。较佳地，电子设备还可以将音节输入序列、音素输入序列和汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的音节输入序列、音素输入序列和汉字输入序列；将卷积变换后的音节输入序列、音素输入序列和汉字输入序列作为序列变换神经网络模块的输入，在序列变换神经网络模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。这里的序列变换神经网络包括但不限于：RNN、LSTM、GRU、Transformer。较佳地，电子设备还可以将音节输入序列、音素输入序列和汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。
S102、将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合。
在本申请的具体实施例中，电子设备可以将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合。例如，电子设备可以将编码表示的音节输入序列、音素输入序列和汉字输入序列进行线性叠加，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合。
S103、将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均。
在本申请的具体实施例中，电子设备可以将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均。加权平均值即将各数值乘以相应的权数，然后加总求和得到总体值，再除以总的单位数；加权平均值的大小不仅取决于总体中各单位的数值(变量值)的大小，而且取决于各数值出现的次数(频数)。
S104、将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。
在本申请的具体实施例中，电子设备可以将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。
在本申请的具体实施例中，Tacotron模型基于经典的编码器-解码器结构。编码器基于输入的单元序列(对英语而言，通常是字母和标点等)，经过卷积和序列变换神经网络的变换，得到每个输入单元的编码表示；解码器以前一帧的输出Mel谱作为输入，利用注意力机制获得编码器输出的一个加权组合表示，再经过LSTM等变换，产生两个输出，一个是当前帧输出的Mel谱，另一个是判断是否终止的停止概率；当停止概率大于50％时，合成结束，否则以当前输出作为下一帧的输入，继续这个自回归过程。在这个模型中，编码器负责对每一个输入单元进行编码，解码器基于编码决定当前合成的音，同时利用LSTM的记忆功能有序生成。该模型是个典型的一对多映射模型，同样的内容可以对应不同韵律、不同情感的语音。当训练集中不同的语音(输出)对应相同的文字(输入)时，模型最终学习到的发音反映的是统计上的平均效果。本申请正是为了减少这种一对多的映射关系，使得模型能够学会在不同上下文中用恰当的发音方式进行合成。考虑到音素序列具有最好的覆盖能力，不会出现集外发音单元的问题，可以选择以106个音素单元作为模型输入的基础单元，每个单元可以得到足够的数据充分训练；输入是one-hot的形式，经过embedding层转化成固定维度的稠密向量表示，音调、儿化音和标点等特征同样经过embedding转化成同样维度的向量，和音素向量相加送入神经网络。为了更好地学习韵母独立时的发音特点，本申请将音素中的35个独立韵母单独建模，与出现在声母之后的韵母看成两种不同的单元。实验发现，这种建模策略很好地解决了独立韵母发音不清的问题；进一步，为了对同音不同字的发音特点进行区分，本申请将音节和汉字作为辅助信息输入网络，帮助模型区分不同字的发音特点；其中，无调音节的数量为508，汉字单元选取了训练集中的高频3000汉字和508音节共3508个单元，若某个汉字不属于高频3000字，退化成相应的音节单元，保证较高的覆盖率。
本申请实施例提出的语音合成模型的训练方法，将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示；将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合；再将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均；将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。也就是说，本申请通过在待训练模型的输入端输入文本和在待训练模型的输出端输出语音，实现将待训练模型的编码器和解码器联合训练。因为本申请采用了融合音节输入序列、音素输入序列和汉字输入序列的技术手段，克服了现有技术中仅采用音节输入序列或者音素输入序列或者汉字输入序列而造成语音合成效果不佳的技术问题，进而达到了有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例二提供的语音合成模型的训练方法的流程示意图。如图2所示，语音合成模型的训练方法可以包括以下步骤：
S201、将当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示。
在本申请的具体实施例中，电子设备可以将当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示。具体地，电子设备可以将当前样本中的音素转换为第一长度的向量表示；将当前样本中的音节和汉字转换为第二长度的向量表示；其中，第一长度大于第二长度。
S202、将音节的向量表示和汉字的向量表示转换成与音素的向量表示相同的长度，得到音节输入序列、音素输入序列和汉字输入序列。
在本申请的具体实施例中，电子设备可以将音节的向量表示和汉字的向量表示转换成与音素的向量表示相同的长度，得到音节输入序列、音素输入序列和汉字输入序列。具体地，电子设备可以将第一长度的音素的向量表示作为音素输入序列；将音节的向量表示和汉字的向量表示从第二长度转换成第一长度，将转换后的音节的向量表示和汉字的向量表示作为音节输入序列和汉字输入序列。
S203、将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。
在本申请的具体实施例中，电子设备可以将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。具体地，电子设备可以将音节输入序列、音素输入序列和汉字输入序列输入到一个共享的编码器中；在共享的编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。较佳地，电子设备还可以将音节输入序列、音素输入序列和汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的音节输入序列、音素输入序列和汉字输入序列；将卷积变换后的音节输入序列、音素输入序列和汉字输入序列作为序列变换神经网络模块的输入，在序列变换神经网络模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。这里的这里的序列变换神经网络包括但不限于：RNN、LSTM、GRU、Transformer。较佳地，电子设备还可以将音节输入序列、音素输入序列和汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示。
S204、将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合。
在本申请的具体实施例中，电子设备可以将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合。例如，电子设备可以将编码表示的音节输入序列、音素输入序列和汉字输入序列进行线性叠加，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合。
S205、将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均。
在本申请的具体实施例中，电子设备可以将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均。
S206、将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。
图3是本申请实施例二提供的Tacotron模型的结构示意图。如图3所示，Tacotron模型基于经典的编码器-解码器结构。将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示；将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合；将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均；将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。
在本申请的具体实施例中，音素输入序列可以包括：音调输入序列、儿化音输入序列、标点输入序列和35个独立韵母的输入序列；音素输入序列包括106个音素单元；各个音素单元包括106位，其中，106位中的有效位的取值为1，非有效位的取值为0；汉字输入序列包括：3000个汉字的输入序列；音节输入序列包括：508个音节的输入序列。
实验发现，音素的独立韵母和音素、音节、汉字融合的三种方案一定程度上可以解决端到端中文语音合成的问题，其中独立编码器的效果最佳。听测结果显示，发音问题比例从2％减少到0.4％。详细的分析结果显示，音素基本决定了发音的类别，但某些情况下改变音节对发音会有一定的影响，改变汉字只会影响发音方式；这些结果证明，模型分别从音节和汉字中提取了有效信息改善发音效果，尤其是同音不同字的情况，发音问题显著减少。本申请可以为产品提供高表现力高自然度的中文合成语音，可以有效提升用户的人机交互体验，提高用户粘性，有利于百度APP、智能音箱和地图导航系统的推广。
本申请实施例提出的语音合成模型的训练方法，将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示；将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合；再将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均；将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。也就是说，本申请通过在待训练模型的输入端输入文本和在待训练模型的输出端输出语音，实现将待训练模型的编码器和解码器联合训练。因为本申请采用了融合音节输入序列、音素输入序列和汉字输入序列的技术手段，克服了现有技术中仅采用音节输入序列或者音素输入序列或者汉字输入序列而造成语音合成效果不佳的技术问题，进而达到了有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图4是本申请实施例三提供的语音合成模型的训练装置的结构示意图。如图4所示，所述装置400包括：输入模块401、融合模块402和输出模块403；其中，
所述输入模块401，用于将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；
所述融合模块402，用于将编码表示的所述音节输入序列、所述音素输入序列和所述汉字输入序列进行融合，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的一个加权组合；将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均；
所述输出模块403，用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均作为所述待训练模型的解码器的输入，在所述解码器的输出端得到所述当前样本的语音Mel谱输出。
进一步的，所述输入模块401，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到一个共享的编码器中；在所述共享的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
进一步的，所述输入模块401，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列；将卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列作为序列变换神经网络模块的输入，在所述序列变换神经网络模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
进一步的，所述输入模块401，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
进一步的，所述装置还包括：转换模块404(图中未示出)，用于将所述当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示；将所述音节的向量表示和所述汉字的向量表示转换成与所述音素的向量表示相同的长度，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列；
所述输入模块401，用于执行将所述音节输入序列、所述音素输入序列和所述汉字输入序列作为所述待训练模型的编码器的输入的操作。
进一步的，所述音素输入序列包括：音调输入序列、儿化音输入序列、标点输入序列和35个独立韵母的输入序列；所述音素输入序列包括106个音素单元；各个音素单元包括106位，其中，所述106位中的有效位的取值为1，非有效位的取值为0；所述汉字输入序列包括：3000个汉字的输入序列；所述音节输入序列包括：508个音节的输入序列。
上述语音合成模型的训练装置可执行本发明任意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，可参见本发明任意实施例提供的语音合成模型的训练方法。
实施例四
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的语音合成模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语音合成模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语音合成模型的训练方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语音合成模型的训练方法对应的程序指令/模块(例如，附图4所示的输入模块401、融合模块402、输出模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、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中的语音合成模型的训练方法。
存储器502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语音合成模型的训练方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至语音合成模型的训练方法的电子设备。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。
语音合成模型的训练方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与语音合成模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在编码器的输出端得到音节输入序列、音素输入序列和汉字输入序列的编码表示；将编码表示的音节输入序列、音素输入序列和汉字输入序列进行融合，得到音节输入序列、音素输入序列和汉字输入序列的一个加权组合；再将音节输入序列、音素输入序列和汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均；将音节输入序列、音素输入序列和汉字输入序列的加权组合在各个时刻上的加权平均作为待训练模型的解码器的输入，在解码器的输出端得到当前样本的语音Mel谱输出。也就是说，本申请通过在待训练模型的输入端输入文本和在待训练模型的输出端输出语音，实现将待训练模型的编码器和解码器联合训练。因为本申请采用了融合音节输入序列、音素输入序列和汉字输入序列的技术手段，克服了现有技术中仅采用音节输入序列或者音素输入序列或者汉字输入序列而造成语音合成效果不佳的技术问题，进而达到了有效地改善发音效果，为语音产品提供高表现力和高自然度的中文合成语音的技术效果；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种语音合成模型的训练方法，其特征在于，所述方法包括：
将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；
将编码表示的所述音节输入序列、所述音素输入序列和所述汉字输入序列进行融合，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的一个加权组合；
将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均；
将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均作为所述待训练模型的解码器的输入，在所述解码器的输出端得到所述当前样本的语音Mel谱输出。
2.根据权利要求1所述的方法，其特征在于，所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示，包括：
将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到一个共享的编码器中；在所述共享的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；其中，所述共享的编码器由所述音节输入序列、所述音素输入序列和所述汉字输入序列共享。
3.根据权利要求1所述的方法，其特征在于，所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示，包括：
将所述音节输入序列、所述音素输入序列和所述汉字输入序列分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列；将卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列作为序列变换神经网络模块的输入，在所述序列变换神经网络模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
4.根据权利要求1所述的方法，其特征在于，所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示，包括：
将所述音节输入序列、所述音素输入序列和所述汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
5.根据权利要求1所述的方法，其特征在于，在所述将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入之前，所述方法还包括：
将所述当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示；
将所述音节的向量表示和所述汉字的向量表示转换成与所述音素的向量表示相同的长度，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列，执行将所述音节输入序列、所述音素输入序列和所述汉字输入序列作为所述待训练模型的编码器的输入的操作。
6.根据权利要求1所述的方法，其特征在于，所述音素输入序列包括：音调输入序列、儿化音输入序列、标点输入序列和35个独立韵母的输入序列；所述音素输入序列还包括106个音素单元；各个音素单元包括106位，其中，所述106位中的有效位的取值为1，非有效位的取值为0；所述汉字输入序列包括：3000个汉字的输入序列；所述音节输入序列包括：508个音节的输入序列。
7.一种语音合成模型的训练装置，其特征在于，所述装置包括：输入模块、融合模块和输出模块；其中，
所述输入模块，用于将当前样本的音节输入序列、音素输入序列和汉字输入序列作为待训练模型的编码器的输入，在所述编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；
所述融合模块，用于将编码表示的所述音节输入序列、所述音素输入序列和所述汉字输入序列进行融合，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的一个加权组合；将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合作为注意力模块的输入，在注意力模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均；
所述输出模块，用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列的加权组合在各个时刻上的加权平均作为所述待训练模型的解码器的输入，在所述解码器的输出端得到所述当前样本的语音Mel谱输出。
8.根据权利要求7所述的装置，其特征在于：
所述输入模块，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到一个共享的编码器中；在所述共享的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示；其中，所述共享的编码器由所述音节输入序列、所述音素输入序列和所述汉字输入序列共享。
9.根据权利要求7所述的装置，其特征在于：
所述输入模块，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列输入到分别输入到三个独立的卷积层变换模块中，在各个独立的卷积层变换模块的输出端分别得到卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列；将卷积变换后的所述音节输入序列、所述音素输入序列和所述汉字输入序列作为序列变换神经网络模块的输入，在所述序列变换神经网络模块的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
10.根据权利要求7所述的装置，其特征在于：
所述输入模块，具体用于将所述音节输入序列、所述音素输入序列和所述汉字输入序列分别输入到三个独立的编码器中；在各个独立的编码器的输出端得到所述音节输入序列、所述音素输入序列和所述汉字输入序列的编码表示。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括：转换模块，用于将所述当前样本中的音素、音节和汉字分别转换成各自的固定维度的向量表示；将所述音节的向量表示和所述汉字的向量表示转换成与所述音素的向量表示相同的长度，得到所述音节输入序列、所述音素输入序列和所述汉字输入序列；
所述输入模块，用于执行将所述音节输入序列、所述音素输入序列和所述汉字输入序列作为所述待训练模型的编码器的输入的操作。
12.根据权利要求7所述的装置，其特征在于，所述音素输入序列包括：音调输入序列、儿化音输入序列、标点输入序列和35个独立韵母的输入序列；所述音素输入序列还包括106个音素单元；各个音素单元包括106位，其中，所述106位中的有效位的取值为1，非有效位的取值为0；所述汉字输入序列包括：3000个汉字的输入序列；所述音节输入序列包括：508个音节的输入序列。
13.一种电子设备，其特征在于，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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN201910927040.3A 2019-09-27 2019-09-27 语音合成模型的训练方法、装置、电子设备及存储介质 Active CN110619867B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910927040.3A CN110619867B (zh) 2019-09-27 2019-09-27 语音合成模型的训练方法、装置、电子设备及存储介质
JP2020056285A JP6900536B2 (ja) 2019-09-27 2020-03-26 音声合成モデルのトレーニング方法、装置、電子機器及び記憶媒体
US16/907,006 US11488577B2 (en) 2019-09-27 2020-06-19 Training method and apparatus for a speech synthesis model, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910927040.3A CN110619867B (zh) 2019-09-27 2019-09-27 语音合成模型的训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110619867A CN110619867A (zh) 2019-12-27
CN110619867B true CN110619867B (zh) 2020-11-03

Family

ID=68924795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910927040.3A Active CN110619867B (zh) 2019-09-27 2019-09-27 语音合成模型的训练方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US11488577B2 (zh)
JP (1) JP6900536B2 (zh)
CN (1) CN110619867B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021127821A1 (zh) * 2019-12-23 2021-07-01 深圳市优必选科技股份有限公司 语音合成模型的训练方法、装置、计算机设备及存储介质
CN111402923B (zh) * 2020-03-27 2023-11-03 中南大学 基于wavenet的情感语音转换方法
CN111583904B (zh) * 2020-05-13 2021-11-19 北京字节跳动网络技术有限公司 语音合成方法、装置、存储介质及电子设备
CN111666396B (zh) * 2020-06-05 2023-10-31 北京百度网讯科技有限公司 用户意图理解满意度评估方法、装置、设备和存储介质
CN111859994B (zh) * 2020-06-08 2024-01-23 北京百度网讯科技有限公司 机器翻译模型获取及文本翻译方法、装置及存储介质
CN111916049B (zh) * 2020-07-15 2021-02-09 北京声智科技有限公司 一种语音合成方法及装置
CN111916095B (zh) * 2020-08-04 2022-05-17 北京字节跳动网络技术有限公司 语音增强方法、装置、存储介质及电子设备
CN112735377B (zh) * 2020-12-28 2024-01-02 平安科技（深圳）有限公司 语音合成方法、装置、终端设备及存储介质
CN112735389A (zh) * 2020-12-29 2021-04-30 平安科技（深圳）有限公司 基于深度学习的语音训练方法、装置、设备以及存储介质
CN113327600B (zh) * 2021-06-30 2024-07-23 北京有竹居网络技术有限公司 一种语音识别模型的训练方法、装置及设备
CN113488061B (zh) * 2021-08-05 2024-02-23 国网江苏省电力有限公司 基于改进Synth2Aug的配网调度员身份验证方法及系统
CN117133270B (zh) * 2023-09-06 2024-07-26 联通(广东)产业互联网有限公司 语音合成方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118498A (zh) * 2015-09-06 2015-12-02 百度在线网络技术（北京）有限公司 语音合成模型的训练方法及装置
CN107945786A (zh) * 2017-11-27 2018-04-20 北京百度网讯科技有限公司 语音合成方法和装置
CN109036377A (zh) * 2018-07-26 2018-12-18 中国银联股份有限公司 一种语音合成方法及装置
CN109065032A (zh) * 2018-07-16 2018-12-21 杭州电子科技大学 一种基于深度卷积神经网络的外部语料库语音识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8756061B2 (en) * 2011-04-01 2014-06-17 Sony Computer Entertainment Inc. Speech syllable/vowel/phone boundary detection using auditory attention cues
CN108447486B (zh) * 2018-02-28 2021-12-03 科大讯飞股份有限公司 一种语音翻译方法及装置
CN109065044B (zh) * 2018-08-30 2021-04-02 出门问问信息科技有限公司 唤醒词识别方法、装置、电子设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118498A (zh) * 2015-09-06 2015-12-02 百度在线网络技术（北京）有限公司 语音合成模型的训练方法及装置
CN107945786A (zh) * 2017-11-27 2018-04-20 北京百度网讯科技有限公司 语音合成方法和装置
CN109065032A (zh) * 2018-07-16 2018-12-21 杭州电子科技大学 一种基于深度卷积神经网络的外部语料库语音识别方法
CN109036377A (zh) * 2018-07-26 2018-12-18 中国银联股份有限公司 一种语音合成方法及装置

Also Published As

Publication number Publication date
CN110619867A (zh) 2019-12-27
JP2021056489A (ja) 2021-04-08
JP6900536B2 (ja) 2021-07-07
US20210097974A1 (en) 2021-04-01
US11488577B2 (en) 2022-11-01

Similar Documents

Publication Publication Date Title
CN110619867B (zh) 语音合成模型的训练方法、装置、电子设备及存储介质
US11769480B2 (en) Method and apparatus for training model, method and apparatus for synthesizing speech, device and storage medium
CN110473516B (zh) 语音合成方法、装置以及电子设备
JP7066349B2 (ja) 翻訳方法、翻訳装置及びコンピュータプログラム
JP2021157193A (ja) 音声合成方法及び対応するモデルのトレーニング方法、装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN110797005B (zh) 韵律预测方法、装置、设备和介质
CN112542155B (zh) 歌曲合成方法及模型训练方法、装置、设备与存储介质
CN112365880A (zh) 语音合成方法、装置、电子设备及存储介质
CN110807331B (zh) 一种多音字读音预测方法、装置和电子设备
CN110782871B (zh) 一种韵律停顿预测方法、装置以及电子设备
CN112509552B (zh) 语音合成方法、装置、电子设备和存储介质
US12062357B2 (en) Method of registering attribute in speech synthesis model, apparatus of registering attribute in speech synthesis model, electronic device, and medium
CN110767212B (zh) 一种语音处理方法、装置和电子设备
CN112365879A (zh) 语音合成方法、装置、电子设备和存储介质
CN112365875B (zh) 语音合成方法、装置、声码器和电子设备
JP2021117989A (ja) 言語生成方法、装置及び電子機器
KR20210058765A (ko) 음성　인식　방법, 장치, 전자기기 및 저장 매체
EP4156174A2 (en) Voice generating method and apparatus, electronic device and storage medium
CN112289305A (zh) 韵律预测方法、装置、设备以及存储介质
JP2022088494A (ja) テキスト生成方法、装置、電子機器及び記憶媒体
CN114282552A (zh) 非自回归翻译模型的训练方法及其装置

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