CN111161703A - 带语气的语音合成方法、装置、计算设备及存储介质 - Google Patents
带语气的语音合成方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN111161703A CN111161703A CN201911394275.7A CN201911394275A CN111161703A CN 111161703 A CN111161703 A CN 111161703A CN 201911394275 A CN201911394275 A CN 201911394275A CN 111161703 A CN111161703 A CN 111161703A
- Authority
- CN
- China
- Prior art keywords
- tone
- text
- trained
- model
- classification
- 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.)
- Granted
Links
- 238000001308 synthesis method Methods 0.000 title claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 79
- 238000013145 classification model Methods 0.000 claims abstract description 79
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 37
- 230000036651 mood Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
-
- 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
- G10L13/08—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
- G10L13/08—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
- G10L13/10—Prosody rules derived from text; Stress or intonation
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)
Abstract
本发明实施例涉及语音合成技术领域，公开了一种带语气的语音合成方法、装置、计算设备及存储介质，方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。通过上述方式，本发明实施例能够生成与文本内容相对应的带有语气的语音数据，提升了用户体验。
Description
技术领域
本发明实施例涉及语音合成技术领域，具体涉及一种带语气的语音合成方法、装置、计算设备及存储介质。
背景技术
语音合成技术可以将文本转换成相应的语音数据。传统的语音合成技术，合成出的声音都是一种语气，都会合成出中性的语音数据。例如：“今天，我很高兴”。“今天，我很生气”。“今天是星期三”。上述三句话，如果在人们正常交流中，语气分别是：高兴、沮丧和中性。但是，传统的语音合成技术，合成上述三段文本对应的语音数据，这些数据都是中性的，没有语气的变化和不同。这样，会使听着带有不好的感受。
发明内容
鉴于上述问题，本发明实施例提供了一种带语气的语音合成方法、装置、计算设备及存储介质，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种带语气的语音合成方法，所述方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
在一种可选的方式中，在所述应用语气分类模型对文本进行分类之前，包括：对所述语气分类模型进行训练，得到已训练的所述语气分类模型；对所述语音合成模型进行训练，得到已训练的所述语音合成模型。
在一种可选的方式中，所述对所述语气分类模型进行训练，获取已训练的所述语气分类模型，包括：制作语气分类语料库，并将所述语气分类语料库分为测试集和验证集；对所述语气分类语料库进行预处理；将所述测试集输入文本分类模型进行分类，形成语气分类标签，直至训练的语气分类标签结果满足第一验证条件，获取对应的所述语气分类模型的参数；根据所述验证集对所述参数对应的所述语气分类模型进行验证，得到已训练的所述语气分类模型。
在一种可选的方式中，所述制作语气分类语料库，包括：收集包括预设数量的日常用语的第一文本；获取人工对所述第一文本中预设数量的所述日常用语标注的语气类型；合并所述第一文本以及标注的所述语气类型，形成所述语气分类语料库。
在一种可选的方式中，所述对所述语气分类语料库进行预处理，包括：剔除所述第一文本中无意义的符号信息和冗余信息；使用结巴分词对所述第一文本中的语料进行分词；使用词向量工具将分词后的所述第一文本转化为词向量序列。
在一种可选的方式中，所述对所述语音合成模型进行训练，获取已训练的所述语音合成模型，包括：制作语音生成语料库，并将所述语音生成语料库分为测试集和验证集；根据所述测试集对所述语音合成模型进行训练，直至训练的音频数据满足第二验证条件，获取对应的所述语音合成模型的参数；根据所述验证集对所述参数对应的所述语音合成模型进行验证，得到已训练的所述语音合成模型。
在一种可选的方式中，所述制作语音生成语料库，包括：收集包括预设数量的日常用语的第二文本；应用已训练的所述语气分类模型对所述第二文本进行语气分类，获取语气分类结果；根据所述语气分类结果对所述第二文本增加对应的语气标签，形成带有语气标签的语音生成语料库。
根据本发明实施例的另一方面，提供了一种带语气的语音合成装置，所述带语气的语音合成装置包括：文本分句单元，用于根据分句标志对原始文本进行分句；语气分类单元，用于应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；语音生成单元，用于根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述带语气的语音合成方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述带语气的语音合成方法的步骤。
本发明实施例的带语气的语音合成方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据，能够生成与文本内容相对应的带有语气的语音数据，提升了用户体验。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的带语气的语音合成方法的流程示意图；
图2示出了本发明实施例提供的带语气的语音合成方法中语气分类模型的原理示意图；
图3示出了本发明实施例提供的带语气的语音合成方法中语气分类模型的训练流程示意图；
图4示出了本发明实施例提供的带语气的语音合成方法中的Text-CNN的结构示意图；
图5示出了本发明实施例提供的带语气的语音合成方法中语音合成模型的训练流程示意图；
图6示出了本发明实施例提供的带语气的语音合成方法中语音合成模型的结构示意图；
图7示出了本发明实施例提供的带语气的语音合成方法中语音合成的原理示意图；
图8示出了本发明实施例提供的带语气的语音合成装置的结构示意图；
图9示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的带语气的语音合成方法的流程示意图，如图1所示，带语气的语音合成方法包括：
步骤S11：根据分句标志对原始文本进行分句。
在本发明实施例中，按照标点符号等分句标志，对原始文本进行分句。
步骤S12：应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息。
在本发明实施例中，在步骤S12之前，对所述语气分类模型进行训练，得到已训练的所述语气分类模型。在完成对语气分类模型的训练之后，还对所述语音合成模型进行训练，得到已训练的所述语音合成模型。
语气分类模型的原理如图2所示，首先应用结巴(jieba)分词对输入的文本进行分词，然后应用词向量工具(word2vec)将文本转化为词向量序列，将词向量序列输入文本分类模型Text-CNN进行语气分类，输出语气分类信息。
在对所述语气分类模型进行训练时，如图3所示，包括：
步骤121：制作语气分类语料库，并将所述语气分类语料库分为测试集和验证集。
具体地，收集包括预设数量的日常用语的第一文本；获取人工对所述第一文本中预设数量的所述日常用语标注的语气类型；合并所述第一文本以及标注的所述语气类型，形成所述语气分类语料库。例如，收集10万条日常用语的第一文本，获取人工对该10万条语句标注的语气类型，形成语气分类语料库。将上述10万条语料分为两个数据集：训练集和验证集，其中训练集包含9万条语料，余下的1万条语料作为验证集。
步骤122：对所述语气分类语料库进行预处理。
具体地，剔除所述第一文本中无意义的符号信息和冗余信息；使用结巴(jieba)分词对所述第一文本中的语料进行分词；使用词向量工具(word2vec)将分词后的所述第一文本转化为词向量序列。
步骤123：将所述测试集输入文本分类模型进行分类，形成语气分类标签，直至训练的语气分类标签结果满足第一验证条件，获取对应的语气分类模型的参数。
文本分类模型应用Text-CNN，Text-CNN的结构如图4所示，包括：输入层、卷积层、池化层以及全连接层。例如，通过word2vec转化的词向量序列的维度为k，长度为n，从输入层输入Text-CNN，通过卷积层进行卷积操作，每一次卷积操作相当于一次特征向量的提取，通过定义不同的窗口，就可以提取出不同的特征向量，构成卷积层的输出。再经过池化层进行池化操作，本发明实施例应用最大池化，从每个滑动窗口产生的特征向量中筛选出一个最大的特征，再经过全连接层将这些特征拼接起来构成向量表示，进行分类输出，形成分类标签。语气分类模型的主要参数包括：卷积核的个数、卷积核的窗口值、正则化项(L2)和学习率。使用准确率、F1值和召回率作为第一验证条件，调整语气分类模型的参数使获取的分类标签的准确率、F1值和召回率满足要求，获取此时的语气分类模型的参数。
步骤124：根据所述验证集对所述参数对应的所述语气分类模型进行验证，得到已训练的所述语气分类模型。
应用验证集对获取的参数对应的语气分类模型进行验证，得到的语气分类结果的准确率、F1值和召回率满足要求，则此时的语气分类模型的参数即为已训练的语气分类模型的参数。
在本发明实施例中，对所述语音合成模型进行训练时，如图5所示，包括：
步骤S125：制作语音生成语料库，并将所述语音生成语料库分为测试集和验证集。
具体地，收集包括预设数量的日常用语的第二文本；应用已训练的所述语气分类模型对所述第二文本进行语气分类，获取语气分类结果；根据所述语气分类结果对所述第二文本增加对应的语气标签，形成带有语气标签的语音生成语料库。在本发明实施例中，第二文本可以与语气分类模型训练时应用的第一文本相同，根据第一文本生成语音生成语料库，仍取其中的9万条语料作为训练集，余下的1万条语料作为验证集。
步骤S126：根据所述测试集对所述语音合成模型进行训练，直至训练的音频数据满足第二验证条件，获取对应的所述语音合成模型的参数。
语音合成模型的结构如图6所示，由编码器encoder、连接器connect、解码器decoder和声码器构成。第二文本经过编码器encoder编码处理，连接器connect将编码处理后的第二文本与对应语气分类信息进行连接，通过解码器decoder进行解码处理，然后进行梅尔倒(Mel)频谱处理后经声码器输出语音数据。
语音合成模型优化的主要参数有：embedding的维度、训练积集的批量大小(batchsize)和学习率，使用准确率、平均意见值(Mean Opinion Score，MOS)作为第二验证条件，调整语音合成模型的参数使语音数据的准确率和MOS值满足要求，获取此时的语音合成模型的参数。
步骤S127：根据所述验证集对所述参数对应的所述语音合成模型进行验证，得到已训练的所述语音合成模型。
应用验证集对获取的参数对应的语音合成模型进行验证，检查音频数据的效果，使用MOS进行评分，得到的语音数据的准确率和MOS值满足要求，则此时的语音合成模型的参数即为已训练的语音合成模型的参数。
在步骤S12中，如图7所示，将已分句的原始文本输入已训练好的语气分类模型，通过语气分类模型对该原始文本进行分类，获取对应的语气分类信息。
步骤S13：根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
具体地，继续参见图7，将已分句的原始文本和通过语气分类模型获取的对应的语气分类信息输入已训练好的语音合成模型，通过语音合成模型生成带有语气的语音数据。
本发明实施例的带语气的语音合成方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据，能够生成与文本内容相对应的带有语气的语音数据，提升了用户体验。
图8示出了本发明实施例的带语气的语音合成装置的结构示意图，如图5所示，该带语气的语音合成装置包括：文本分句单元801、语气分类单元802、语音生成单元803以及模型训练单元804。
文本分句单元801用于根据分句标志对原始文本进行分句；语气分类单元802用于应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；语音生成单元803用于根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
在一种可选的方式中，模型训练单元804用于：对所述语气分类模型进行训练，得到已训练的所述语气分类模型；对所述语音合成模型进行训练，得到已训练的所述语音合成模型。
在一种可选的方式中，模型训练单元804用于：制作语气分类语料库，并将所述语气分类语料库分为测试集和验证集；对所述语气分类语料库进行预处理；将所述测试集输入文本分类模型进行分类，形成语气分类标签，直至训练的语气分类标签结果满足第一验证条件，获取对应的所述语气分类模型的参数；根据所述验证集对所述参数对应的所述语气分类模型进行验证，得到已训练的所述语气分类模型。
在一种可选的方式中，模型训练单元804用于：收集包括预设数量的日常用语的第一文本；获取人工对所述第一文本中预设数量的所述日常用语标注的语气类型；合并所述第一文本以及标注的所述语气类型，形成所述语气分类语料库。
在一种可选的方式中，模型训练单元804用于：剔除所述第一文本中无意义的符号信息和冗余信息；使用结巴分词对所述第一文本中的语料进行分词；使用词向量工具将分词后的所述第一文本转化为词向量序列。
在一种可选的方式中，模型训练单元804用于：制作语音生成语料库，并将所述语音生成语料库分为测试集和验证集；根据所述测试集对所述语音合成模型进行训练，直至训练的音频数据满足第二验证条件，获取对应的所述语音合成模型的参数；根据所述验证集对所述参数对应的所述语音合成模型进行验证，得到已训练的所述语音合成模型。
在一种可选的方式中，模型训练单元804用于：收集包括预设数量的日常用语的第二文本；应用已训练的所述语气分类模型对所述第二文本进行语气分类，获取语气分类结果；根据所述语气分类结果对所述第二文本增加对应的语气标签，形成带有语气标签的语音生成语料库。
本发明实施例的带语气的语音合成方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据，能够生成与文本内容相对应的带有语气的语音数据，提升了用户体验。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的带语气的语音合成方法。
可执行指令具体可以用于使得处理器执行以下操作：
根据分句标志对原始文本进行分句；
应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；
根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
对所述语气分类模型进行训练，得到已训练的所述语气分类模型；
对所述语音合成模型进行训练，得到已训练的所述语音合成模型。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
制作语气分类语料库，并将所述语气分类语料库分为测试集和验证集；
对所述语气分类语料库进行预处理；
将所述测试集输入文本分类模型进行分类，形成语气分类标签，直至训练的语气分类标签结果满足第一验证条件，获取对应的所述语气分类模型的参数；
根据所述验证集对所述参数对应的所述语气分类模型进行验证，得到已训练的所述语气分类模型。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
收集包括预设数量的日常用语的第一文本；
获取人工对所述第一文本中预设数量的所述日常用语标注的语气类型；
合并所述第一文本以及标注的所述语气类型，形成所述语气分类语料库。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
剔除所述第一文本中无意义的符号信息和冗余信息；
使用结巴分词对所述第一文本中的语料进行分词；
使用词向量工具将分词后的所述第一文本转化为词向量序列。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
制作语音生成语料库，并将所述语音生成语料库分为测试集和验证集；
根据所述测试集对所述语音合成模型进行训练，直至训练的音频数据满足第二验证条件，获取对应的所述语音合成模型的参数；
根据所述验证集对所述参数对应的所述语音合成模型进行验证，得到已训练的所述语音合成模型。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
收集包括预设数量的日常用语的第二文本；
应用已训练的所述语气分类模型对所述第二文本进行语气分类，获取语气分类结果；
根据所述语气分类结果对所述第二文本增加对应的语气标签，形成带有语气标签的语音生成语料库。
本发明实施例的带语气的语音合成方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据，能够生成与文本内容相对应的带有语气的语音数据，提升了用户体验。
图9示出了本发明设备实施例的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图9所示，该设备可以包括：处理器(processor)902、通信接口(CommunicationsInterface)904、存储器(memory)906、以及通信总线908。
其中：处理器902、通信接口904、以及存储器906通过通信总线908完成相互间的通信。通信接口904，用于与其它设备比如客户端或其它服务器等的网元通信。处理器902，用于执行程序910，具体可以执行上述带语气的语音合成方法实施例中的相关步骤。
具体地，程序910可以包括程序代码，该程序代码包括计算机操作指令。
处理器902可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器906，用于存放程序910。存储器906可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序910具体可以用于使得处理器902执行以下操作：
根据分句标志对原始文本进行分句；
应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；
根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
在一种可选的方式中，所述程序910使所述处理器执行以下操作：
对所述语气分类模型进行训练，得到已训练的所述语气分类模型；
对所述语音合成模型进行训练，得到已训练的所述语音合成模型。
在一种可选的方式中，所述程序910使所述处理器执行以下操作：
制作语气分类语料库，并将所述语气分类语料库分为测试集和验证集；
对所述语气分类语料库进行预处理；
将所述测试集输入文本分类模型进行分类，形成语气分类标签，直至训练的语气分类标签结果满足第一验证条件，获取对应的所述语气分类模型的参数；
根据所述验证集对所述参数对应的所述语气分类模型进行验证，得到已训练的所述语气分类模型。
在一种可选的方式中，所述程序910使所述处理器执行以下操作：
收集包括预设数量的日常用语的第一文本；
获取人工对所述第一文本中预设数量的所述日常用语标注的语气类型；
合并所述第一文本以及标注的所述语气类型，形成所述语气分类语料库。
在一种可选的方式中，所述程序910使所述处理器执行以下操作：
剔除所述第一文本中无意义的符号信息和冗余信息；
使用结巴分词对所述第一文本中的语料进行分词；
使用词向量工具将分词后的所述第一文本转化为词向量序列。
在一种可选的方式中，所述程序910使所述处理器执行以下操作：
制作语音生成语料库，并将所述语音生成语料库分为测试集和验证集；
根据所述测试集对所述语音合成模型进行训练，直至训练的音频数据满足第二验证条件，获取对应的所述语音合成模型的参数；
根据所述验证集对所述参数对应的所述语音合成模型进行验证，得到已训练的所述语音合成模型。
在一种可选的方式中，所述程序910使所述处理器执行以下操作：
收集包括预设数量的日常用语的第二文本；
应用已训练的所述语气分类模型对所述第二文本进行语气分类，获取语气分类结果；
根据所述语气分类结果对所述第二文本增加对应的语气标签，形成带有语气标签的语音生成语料库。
本发明实施例的带语气的语音合成方法包括：根据分句标志对原始文本进行分句；应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据，能够生成与文本内容相对应的带有语气的语音数据，提升了用户体验。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种带语气的语音合成方法，其特征在于，所述语音合成方法包括：
根据分句标志对原始文本进行分句；
应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；
根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
2.如权利要求1所述的带语气的语音合成方法，其特征在于，在所述应用语气分类模型对文本进行分类之前，包括：
对所述语气分类模型进行训练，得到已训练的所述语气分类模型；
对所述语音合成模型进行训练，得到已训练的所述语音合成模型。
3.如权利要求2所述的带语气的语音合成方法，其特征在于，所述对所述语气分类模型进行训练，获取已训练的所述语气分类模型，包括：
制作语气分类语料库，并将所述语气分类语料库分为测试集和验证集；
对所述语气分类语料库进行预处理；
将所述测试集输入文本分类模型进行分类，形成语气分类标签，直至训练的语气分类标签结果满足第一验证条件，获取对应的所述语气分类模型的参数；
根据所述验证集对所述参数对应的所述语气分类模型进行验证，得到已训练的所述语气分类模型。
4.如权利要求3所述的带语气的语音合成方法，其特征在于，所述制作语气分类语料库，包括：
收集包括预设数量的日常用语的第一文本；
获取人工对所述第一文本中预设数量的所述日常用语标注的语气类型；
合并所述第一文本以及标注的所述语气类型，形成所述语气分类语料库。
5.如权利要求3所述的带语气的语音合成方法，其特征在于，所述对所述语气分类语料库进行预处理，包括：
剔除所述第一文本中无意义的符号信息和冗余信息；
使用结巴分词对所述第一文本中的语料进行分词；
使用词向量工具将分词后的所述第一文本转化为词向量序列。
6.如权利要求2所述的带语气的语音合成方法，其特征在于，所述对所述语音合成模型进行训练，获取已训练的所述语音合成模型，包括：
制作语音生成语料库，并将所述语音生成语料库分为测试集和验证集；
根据所述测试集对所述语音合成模型进行训练，直至训练的音频数据满足第二验证条件，获取对应的所述语音合成模型的参数；
根据所述验证集对所述参数对应的所述语音合成模型进行验证，得到已训练的所述语音合成模型。
7.如权利要求6所述的带语气的语音合成方法，其特征在于，所述制作语音生成语料库，包括：
收集包括预设数量的日常用语的第二文本；
应用已训练的所述语气分类模型对所述第二文本进行语气分类，获取语气分类结果；
根据所述语气分类结果对所述第二文本增加对应的语气标签，形成带有语气标签的语音生成语料库。
8.一种带语气的语音合成装置，其特征在于，所述装置包括：
文本分句单元，用于根据分句标志对原始文本进行分句；
语气分类单元，用于应用已训练的语气分类模型对原始文本进行分类，获取语气分类信息；
语音生成单元，用于根据所述语气分类信息和已分句的所述原始文本应用已训练的语音合成模型生成带有语气的语音数据。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-7任一项所述带语气的语音合成方法的步骤。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-7任一项所述带语气的语音合成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911394275.7A CN111161703B (zh) | 2019-12-30 | 2019-12-30 | 带语气的语音合成方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911394275.7A CN111161703B (zh) | 2019-12-30 | 2019-12-30 | 带语气的语音合成方法、装置、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111161703A true CN111161703A (zh) | 2020-05-15 |
| CN111161703B CN111161703B (zh) | 2023-06-30 |
Family
ID=70559056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911394275.7A Active CN111161703B (zh) | 2019-12-30 | 2019-12-30 | 带语气的语音合成方法、装置、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161703B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883101A (zh) * | 2020-07-13 | 2020-11-03 | 北京百度网讯科技有限公司 | 一种模型训练及语音合成方法、装置、设备和介质 |
| CN112487804A (zh) * | 2020-11-25 | 2021-03-12 | 合肥三恩信息科技有限公司 | 一种基于语义上下文场景的中文小说语音合成系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016040209A1 (en) * | 2014-09-11 | 2016-03-17 | Microsoft Technology Licensing, Llc | Text-to-speech with emotional content |
| CN106874410A (zh) * | 2017-01-22 | 2017-06-20 | 清华大学 | 基于卷积神经网络的中文微博文本情绪分类方法及其系统 |
| CN107464554A (zh) * | 2017-09-28 | 2017-12-12 | 百度在线网络技术（北京）有限公司 | 语音合成模型生成方法和装置 |
| CN108231059A (zh) * | 2017-11-27 | 2018-06-29 | 北京搜狗科技发展有限公司 | 处理方法和装置、用于处理的装置 |
| CN110136723A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 基于语音信息的数据处理方法及装置 |
| 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 |
| CN110276076A (zh) * | 2019-06-25 | 2019-09-24 | 北京奇艺世纪科技有限公司 | 一种文本情绪分析方法、装置及设备 |
| CN110377733A (zh) * | 2019-06-28 | 2019-10-25 | 平安科技（深圳）有限公司 | 一种基于文本的情绪识别方法、终端设备及介质 |
| CN110379409A (zh) * | 2019-06-14 | 2019-10-25 | 平安科技（深圳）有限公司 | 语音合成方法、系统、终端设备和可读存储介质 |
-
2019
- 2019-12-30 CN CN201911394275.7A patent/CN111161703B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016040209A1 (en) * | 2014-09-11 | 2016-03-17 | Microsoft Technology Licensing, Llc | Text-to-speech with emotional content |
| CN106874410A (zh) * | 2017-01-22 | 2017-06-20 | 清华大学 | 基于卷积神经网络的中文微博文本情绪分类方法及其系统 |
| CN107464554A (zh) * | 2017-09-28 | 2017-12-12 | 百度在线网络技术（北京）有限公司 | 语音合成模型生成方法和装置 |
| US20190096385A1 (en) * | 2017-09-28 | 2019-03-28 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for generating speech synthesis model |
| CN108231059A (zh) * | 2017-11-27 | 2018-06-29 | 北京搜狗科技发展有限公司 | 处理方法和装置、用于处理的装置 |
| CN110136723A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 基于语音信息的数据处理方法及装置 |
| 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 |
| CN110379409A (zh) * | 2019-06-14 | 2019-10-25 | 平安科技（深圳）有限公司 | 语音合成方法、系统、终端设备和可读存储介质 |
| CN110276076A (zh) * | 2019-06-25 | 2019-09-24 | 北京奇艺世纪科技有限公司 | 一种文本情绪分析方法、装置及设备 |
| CN110377733A (zh) * | 2019-06-28 | 2019-10-25 | 平安科技（深圳）有限公司 | 一种基于文本的情绪识别方法、终端设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| YANLU XIE: "The training of the tone of Mandarin two-syllable words based on pitch projection synthesis speech", 《THE 9TH INTERNATIONAL SYMPOSIUM ON CHINESE SPOKEN LANGUAGE PROCESSING》 * |
| 方硕: "基于自适应训练的疑问句语音合成", 《第十三届全国人机语音通讯学术会议(NCMMSC2015)论文集》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883101A (zh) * | 2020-07-13 | 2020-11-03 | 北京百度网讯科技有限公司 | 一种模型训练及语音合成方法、装置、设备和介质 |
| CN111883101B (zh) * | 2020-07-13 | 2024-02-23 | 北京百度网讯科技有限公司 | 一种模型训练及语音合成方法、装置、设备和介质 |
| CN112487804A (zh) * | 2020-11-25 | 2021-03-12 | 合肥三恩信息科技有限公司 | 一种基于语义上下文场景的中文小说语音合成系统 |
| CN112487804B (zh) * | 2020-11-25 | 2024-04-19 | 合肥三恩信息科技有限公司 | 一种基于语义上下文场景的中文小说语音合成系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111161703B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20020095289A1 (en) | Method and apparatus for identifying prosodic word boundaries | |
| CN106897439A (zh) | 文本的情感识别方法、装置、服务器以及存储介质 | |
| CN111243571B (zh) | 文本的处理方法、装置、设备及计算机可读存储介质 | |
| CN112818089B (zh) | 文本注音方法、电子设备及存储介质 | |
| CN112992125B (zh) | 一种语音识别方法、装置、电子设备、可读存储介质 | |
| CN114038447A (zh) | 语音合成模型的训练方法、语音合成方法、装置及介质 | |
| CN111177350A (zh) | 智能语音机器人的话术形成方法、装置和系统 | |
| WO2020252935A1 (zh) | 声纹验证方法、装置、设备及存储介质 | |
| WO2010059191A1 (en) | Stochastic phoneme and accent generation using accent class | |
| CN111696521A (zh) | 语音克隆模型的训练方法、可读存储介质和语音克隆方法 | |
| CN111161703B (zh) | 带语气的语音合成方法、装置、计算设备及存储介质 | |
| JP6082657B2 (ja) | ポーズ付与モデル選択装置とポーズ付与装置とそれらの方法とプログラム | |
| WO2021228084A1 (zh) | 语音数据识别方法、设备及介质 | |
| CN111898363A (zh) | 文本长难句的压缩方法、装置、计算机设备及存储介质 | |
| JP2006236037A (ja) | 音声対話コンテンツ作成方法、装置、プログラム、記録媒体 | |
| CN111401069A (zh) | 会话文本的意图识别方法、意图识别装置及终端 | |
| JP2020134719A (ja) | 翻訳装置、翻訳方法、および翻訳プログラム | |
| Reddy et al. | Indian sign language generation from live audio or text for tamil | |
| Nanayakkara et al. | Context aware back-transliteration from english to sinhala | |
| CN113990286A (zh) | 语音合成方法、装置、设备及存储介质 | |
| CN116092479B (zh) | 一种基于对比文本-音频对的文本韵律生成方法和系统 | |
| CN113362803B (zh) | 一种arm侧离线语音合成的方法、装置及存储介质 | |
| WO2023047623A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| US20240153484A1 (en) | Massive multilingual speech-text joint semi-supervised learning for text-to-speech | |
| US20220215834A1 (en) | System and method for speech to text conversion |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210126 Address after: 200000 second floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant after: Dalu Robot Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: CLOUDMINDS (SHENZHEN) ROBOTICS SYSTEMS Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai Applicant after: Dayu robot Co.,Ltd. Address before: 200000 second floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant before: Dalu Robot Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |