CN111292717A - 语音合成方法、装置、存储介质和电子设备 - Google Patents

Abstract

本公开涉及一种语音合成方法、装置、存储介质和电子设备，所述方法包括：将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。由此，可使得清唱数据和伴奏数据根据不同的用户风格进行变化，还可以根据用户自己创作的乐谱生成对应的伴奏数据，提高歌唱数据合成的全面性。

Description

语音合成方法、装置、存储介质和电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种语音合成方法、装置、存储介质和电子设备。

背景技术

现今，歌曲语音合成的应用及功能越来越多，然而在实际使用场景中，在进行歌曲语音合成时，通常是采用将现有歌曲中的某些部分提取出来作为背景音模板，从而基于该背景音模板进行语音合成。然而该背景音模板是与其对应的乐谱信息严格一致的，在进行语音合成时，不同用户的风格不同，在不同用户风格下难以保证进行语音合成时与背景音的匹配。

目前并没有很好的解决方案能够解决上述问题。

发明内容

提供该部分内容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。该部分内容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，包括：

将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

第二方面，提供一种语音合成装置，所述装置包括：

第一输入模块，用于将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

第二输入模块，用于将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

第一确定模块，用于根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

第三方面，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语音合成方法的步骤。

第四方面，提供一种电子设备，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现语音合成方法的步骤。

在上述技术方案中，通过对文本信息和乐理信息进行联合处理，针对于不同用户的风格，均可以实现联合生成清唱数据和伴奏数据，可使得清唱数据和伴奏数据可以根据不同的用户风格进行变化，避免不同风格的用户的清唱数据直接与乐谱对应的背景音模板合成时出现的不匹配现象。并且，可以根据用户自己创作的乐谱生成对应的伴奏数据，提高歌唱数据合成的全面性，拓宽该方法的适用范围。

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是根据本公开的一种实施方式提供的语音合成方法的流程图。

图2是根据本公开的一种实施方式提供的语音合成装置的框图。

图3是适于用来实现本公开实施例的电子设备的结构示意图。

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。

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。

图1所示，为根据本公开的一种实施方式提供的语音合成方法的流程图。

如图1所示，所述方法包括：

在S11中，将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息。

其中，所述信息提取模型可以是预先训练的模型。可选地，所述文本信息可以包括：音素信息、声调信息、歌词旋律信息、歌词节拍信息、和/或颤音信息，所述乐理信息包括：乐谱旋律信息和/或乐谱节拍信息。示例地，如上述信息都可以通过Label进行标识。

其中，音素用于标识歌词数据中文本，如“你好”对应的音素即为“nihao”，针对其中的每个音素，如n，可以对其标注“n:n1”，即标注音素的种类，示例地，声母为1，韵母为2，零声母为3；又如歌词节拍信息，可以通过标注“Ia：ia1”，同样ia后的数字用于表示节拍的类型，如上用于表示当前的节拍数为8。示例地，一个音素可能存在多个节拍，可以通过“Ia,Ib”，通过Ia和Ib以表示不同节拍占音素的比例。其中信息的标识方式类似，在此不再赘述。

其中，信息提取模型可以通过对歌词和乐谱对应的训练数据进行标注基于任一机器学习的方式进行训练获得，本公开对此不进行限定，在此不再赘述。

在S12中，将文本信息和乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理。

示例地，第一语音波形数据可以是文本信息对应的wave文件，如清唱数据文件，第二语音波形数据可以是乐理信息对应的wave文件，如伴奏数据文件。在该步骤中，通过对文本信息和乐理信息进行联合处理，从而可以使得第一语音波形数据和第二语音波形数据相互调整，相互匹配。

在S13中，根据第一语音波形数据和第二语音波形数据确定与歌词数据和乐谱数据对应的语音合成数据，即获得歌唱数据。

示例地，可以根据所述第一语音波形数据和所述第二语音波形数据进行混音，获得所述语音合成数据。例如，将第一语音波形数据和所述第二语音波形数据分别作为单独的通道，从每个通道中取一数据片段，将对应的数据片段进行叠加进行存储，从而获得语音合成数据。

在上述技术方案中，通过对文本信息和乐理信息进行联合处理，针对于不同用户的风格，均可以实现联合生成清唱数据和伴奏数据，可使得清唱数据和伴奏数据可以根据不同的用户风格进行变化，避免不同风格的用户的清唱数据直接与乐谱对应的背景音模板合成时出现的不匹配现象。由此，可使得清唱数据和伴奏数据根据不同的用户风格进行变化，还可以根据用户自己创作的乐谱生成对应的伴奏数据，提高歌唱数据合成的全面性，从而拓宽该方法的适用范围。

为了使得本领域的技术人员更好地理解本公开的方案，以下对本方案的步骤进行进一步的详细说明。

如上所述，语音合成模型用于对文本信息和乐理信息进行联合处理。可选地，所述语音合成模型包括声学子模型，所述语音合成模型的训练包括：

将训练文本信息和训练乐理信息输入所述声学子模型，获得与所述训练文本信息对应的第一训练声学特征数据和与所述训练乐理信息对应的第二训练声学特征数据。

其中，该训练文本信息可以是用户对训练歌词数据进行标注获得的，或者是通过将训练歌词数据输入至信息提取模型获得的，同样训练乐理信息可以是用户对训练歌词数据进行标注获得的，或者是通过将训练歌词数据输入至信息提取模型获得的。示例地，声学特征数据可以是梅尔频谱。

根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，在所述损失小于预设阈值时结束训练。

其中，在该步骤中，通过第一训练声学特征数据和所述第二训练声学特征数据共同确定该语音合成模型的损失，从而可以根据第一训练声学特征数据和第二训练声学特征数据对应的损失对语音合成模型进行整体的调节训练，在提高第一训练声学特征数据和第二训练声学特征数据的准确性的同时，有效保证第一训练声学特征数据和第二训练声学特征数据的匹配度，从而保证语音合成的准确度。

可选地，所述根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失的一种示例地实现方式如下，包括：

根据所述第一训练声学特征数据和与所述训练文本信息对应的目标声学特征数据确定第一损失。其中，训练文本信息对应的目标声学特征数据可以是用户根据训练歌词数据预先录制的清唱数据中的特征数据。

根据所述第二训练声学特征数据和与所述训练乐理信息对应的目标声学特征数据确定第二损失。其中，训练乐理信息对应的目标声学特征数据可以是用户根据训练歌词数据预先录制的伴奏数据中的特征数据。

其中，该第一损失和第二损失可以通过MSE(Mean Square Error，均方误差)的方式计算，该MSE的计算方式为本领域的常用技术，在此不再赘述。

根据所述第一损失和所述第二损失确定所述联合损失，并将所述联合损失确定为所述语音合成模型的损失。

示例地，可以通过对第一损失和第二损失进行加权求和的方式确定联合损失，其中，第一损失和第二损失对应的权重可以根据实际使用场景进行设置，本公开对此不进行限定。

在确定出联合损失后，则可以根据该联合损失对语音合成模型的参数进行调整反馈训练，直至该语音合成模型的损失小于预设阈值，表示该语音合成模型的精度较高，此时结束训练。

在上述技术方案中，通过联合第一训练声学特征数据和第二训练声学特征数据分别对应的损失，对语音合成模型进行训练，从而可以提高语音合成模型的使用范围和准确性，同时使得基于语音合成模型获得的伴奏数据可在乐谱的基础上与清唱数据更加匹配，提升用户使用体验。

可选地，所述语音合成模型还包括第一合成子模型和第二合成子模型，所述语音合成模型的训练还包括：

将所述第一训练声学特征数据输入所述第一合成子模型，获得与所述训练文本信息对应的第一训练语音波形数据；将所述第二训练声学特征数据输入所述第二合成子模型，获得第二训练语音波形数据；

根据所述第一训练语音波形数据和所述训练文本信息对应的目标语音波形数据，确定第一合成子模型对应的损失，并根据该损失训练所述第一合成子模型；根据所述第二训练语音波形数据和所述训练乐理信息对应的目标语音波形数据，确定所述第二合成子模型对应的损失，并根据该损失训练所述第二合成子模型。其中，训练文本信息对应的目标语音波形数据可以是用户预先录制与训练文本信息对应的文本数据所对应的清唱数据，训练乐理信息对应的目标语音波形数据可以是用户根据乐谱信息弹奏的数据。

示例地，第一合成子模型和第二合成子模型可以分别为一声码器，分别用于根据声学特征数据合成语音波形数据。

在该实施例中，语音合成模型中包括用于对第一训练声学特征数据进行合成的第一合成子模型，和用于对第二训练声学特征数据进行合成的第二合成子模型，即根据清唱特征合成清唱数据的模型和根据伴奏特征合成伴奏数据的模型，且其中用于合成清唱数据的模型和用于合成伴奏数据的模型分开训练。其中，第一合成子模型和第二合成子模型可以通过任一机器学习的方式进行学习训练，本公开对此不进行限定。

在该技术方案中，通过对第一合成子模型和第二合成子模型分别进行训练，从而在获得准确地声学特征数据后，分别对该声学特征数据进行准确的语音波形合成，从而可以避免不同声学特征数据统一合成时的影响，以提高语音波形数据合成的准确度。

可选地，所述文本信息还包括以下中的一者或多者：强弱信息、节奏信息、速度信息、歌词小节信息、歌词段落信息；所述乐理信息还包括以下中的一者或多者：乐谱小节信息、乐谱段落信息。

同样地，如上文所述，强弱信息、节奏信息、速度信息、歌词小节信息、歌词段落信息，乐谱小节信息、乐谱段落信息也可以通过Label进行统一化的表示。每一信息的Label可以预先进行设置，其中上述信息也可以通过信息提取模型进行提取。

在该实施例中，通过进一步提取歌词数据和乐谱数据的特征信息，从而使得在进行语音合成时，可以根据更加全面的信息对歌词数据和乐谱数据进行联合处理，从而可以进一步提高获得的第一语音波形数据和第二语音波形数据的准确性，保证语音合成数据的准确性和全面性。

可选地，所述语音合成模型有多个，在将所述文本信息和所述乐理信息输入语音合成模型的步骤之前，所述方法还包括：

接收语音合成模型选择指令。示例地，可以是用户通过终端触发该语音合成模型选择指令。

则所述将所述文本信息和所述乐理信息输入语音合成模型的一种示例性实现方式如下，可以包括：

将所述文本信息和所述乐理信息输入所述语音合成模型选择指令指示的语音合成模型。

在该实施例中，可以针对不同演唱风格的用户分别训练对应的语音合成模型，因此用户在进行语音合成时，可以通过终端触发语音合成模型选择指令以选择自己想要合成的歌唱的风格，则可以响应于该语音合成模型选择指令，将根据歌词数据和乐谱数据获得的文本信息和乐理信息，从而可以获得该语音合成模型选择指令指示的语音合成模型对应的风格下对应的歌唱数据。由此，可以满足用户使用的多场景化的语音合成需求，拓宽该方法的适用范围。

在实际场景中，用户会自行创作歌词和编曲，而通常需要用户自行进行录制才可以获得对应的歌唱数据，从而可以使得用户发现创作中的不足以进行调整。但上述过程通常需要较大的人力和物力投入，不便于用户使用。在本公开提供的实施例中，该歌词数据和乐谱数据可以为用户自行创作的数据。因此，通过本公开的技术方案，用户可以在自行创作后，根据其创作的数据文件自动生成对应的语音合成数据，从而无需用户进行录制，同时还可以获得多种风格下的歌唱数据，提高语音合成的便捷性，同时可以模拟出自创作的歌曲的展示效果，并且根据用户自己创作的乐谱生成对应的伴奏数据，增加背景音的多样性，提高歌唱数据合成的全面性，通过拓宽该方法的适用范围。

本公开还提供一种语音合成装置，如图2所示，所述装置10包括：

第一输入模块100，用于将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

第二输入模块200，用于将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

第一确定模块300，用于根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

可选地，所述语音合成模型包括声学子模型，所述语音合成模型通过训练装置进行训练，所述训练装置包括：

第三输入模块，用于将训练文本信息和训练乐理信息输入所述声学子模型，获得与所述训练文本信息对应的第一训练声学特征数据和与所述训练乐理信息对应的第二训练声学特征数据；

第二确定模块，用于根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，在所述损失小于预设阈值时结束训练。

可选地，所述语音合成模型还包括第一合成子模型和第二合成子模型，所述训练装置还包括：

第四输入模块，用于将所述第一训练声学特征数据输入所述第一合成子模型，获得与所述训练文本信息对应的第一训练语音波形数据；将所述第二训练声学特征数据输入所述第二合成子模型，获得第二训练语音波形数据；

第三确定模块，用于根据所述第一训练语音波形数据和所述训练文本信息对应的目标语音波形数据，确定第一合成子模型对应的损失，并根据该损失训练所述第一合成子模型；根据所述第二训练语音波形数据和所述训练乐理信息对应的目标语音波形数据，确定所述第二合成子模型对应的损失，并根据该损失训练所述第二合成子模型。

可选地，所述第二确定模块包括：

第一确定子模块，用于根据所述第一训练声学特征数据和与所述训练文本信息对应的目标声学特征数据确定第一损失；

第二确定子模块，用于根据所述第二训练声学特征数据和与所述训练乐理信息对应的目标声学特征数据确定第二损失；

第三确定子模块，用于根据所述第一损失和所述第二损失确定所述联合损失，并将所述联合损失确定为所述语音合成模型的损失。

可选地，所述文本信息包括：音素信息、声调信息、歌词旋律信息、歌词节拍信息、和/或颤音信息；所述乐理信息包括：乐谱旋律信息和/或乐谱节拍信息。

可选地，所述文本信息还包括以下中的一者或多者：强弱信息、节奏信息、速度信息、歌词小节信息、歌词段落信息；所述乐理信息还包括以下中的一者或多者：乐谱小节信息、乐谱段落信息。

可选地，所述语音合成模型有多个，所述装置还包括：

接收模块，用于在第二输入模块将所述文本信息和所述乐理信息输入语音合成模型的步骤之前，接收语音合成模型选择指令；

所述第二输入模块用于：

将所述文本信息和所述乐理信息输入所述语音合成模型选择指令指示的语音合成模型。

下面参考图3，其示出了适于用来实现本公开实施例的电子设备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3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3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3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，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，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：将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

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，例如，第一输入模块还可以被描述为“将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息的模块”。

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，提供了一种语音合成方法，包括：

将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

根据本公开的一个或多个实施例，提供了一种语音合成方法，其中，所述语音合成模型包括声学子模型，所述语音合成模型的训练包括：

将训练文本信息和训练乐理信息输入所述声学子模型，获得与所述训练文本信息对应的第一训练声学特征数据和与所述训练乐理信息对应的第二训练声学特征数据；

根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，在所述损失小于预设阈值时结束训练。

根据本公开的一个或多个实施例，提供了一种语音合成方法，其中，所述语音合成模型还包括第一合成子模型和第二合成子模型，所述语音合成模型的训练还包括：

将所述第一训练声学特征数据输入所述第一合成子模型，获得与所述训练文本信息对应的第一训练语音波形数据；将所述第二训练声学特征数据输入所述第二合成子模型，获得第二训练语音波形数据；

根据所述第一训练语音波形数据和所述训练文本信息对应的目标语音波形数据，确定第一合成子模型对应的损失，并根据该损失训练所述第一合成子模型；根据所述第二训练语音波形数据和所述训练乐理信息对应的目标语音波形数据，确定所述第二合成子模型对应的损失，并根据该损失训练所述第二合成子模型。

根据本公开的一个或多个实施例，提供了一种语音合成方法，其中，所述根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，包括：

根据所述第一训练声学特征数据和与所述训练文本信息对应的目标声学特征数据确定第一损失；

根据所述第二训练声学特征数据和与所述训练乐理信息对应的目标声学特征数据确定第二损失；

根据所述第一损失和所述第二损失确定所述联合损失，并将所述联合损失确定为所述语音合成模型的损失。

根据本公开的一个或多个实施例，提供了一种语音合成方法，其中，所述文本信息包括：音素信息、声调信息、歌词旋律信息、歌词节拍信息、和/或颤音信息；所述乐理信息包括：乐谱旋律信息和/或乐谱节拍信息。

根据本公开的一个或多个实施例，提供了一种语音合成方法，其中，所述文本信息还包括以下中的一者或多者：强弱信息、节奏信息、速度信息、歌词小节信息、歌词段落信息；所述乐理信息还包括以下中的一者或多者：乐谱小节信息、乐谱段落信息。

根据本公开的一个或多个实施例，提供了一种语音合成方法，其中，所述语音合成模型有多个，在将所述文本信息和所述乐理信息输入语音合成模型的步骤之前，所述方法还包括：

接收语音合成模型选择指令；

所述将所述文本信息和所述乐理信息输入语音合成模型，包括：

将所述文本信息和所述乐理信息输入所述语音合成模型选择指令指示的语音合成模型。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述装置包括：

第一输入模块，用于将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

第二输入模块，用于将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

第一确定模块，用于根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述语音合成模型包括声学子模型，所述语音合成模型通过训练装置进行训练，所述训练装置包括：

第三输入模块，用于将训练文本信息和训练乐理信息输入所述声学子模型，获得与所述训练文本信息对应的第一训练声学特征数据和与所述训练乐理信息对应的第二训练声学特征数据；

第二确定模块，用于根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，在所述损失小于预设阈值时结束训练。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述语音合成模型还包括第一合成子模型和第二合成子模型，所述训练装置还包括：

第四输入模块，用于将所述第一训练声学特征数据输入所述第一合成子模型，获得与所述训练文本信息对应的第一训练语音波形数据；将所述第二训练声学特征数据输入所述第二合成子模型，获得第二训练语音波形数据；

第三确定模块，用于根据所述第一训练语音波形数据和所述训练文本信息对应的目标语音波形数据，确定第一合成子模型对应的损失，并根据该损失训练所述第一合成子模型；根据所述第二训练语音波形数据和所述训练乐理信息对应的目标语音波形数据，确定所述第二合成子模型对应的损失，并根据该损失训练所述第二合成子模型。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述第二确定模块包括：

第一确定子模块，用于根据所述第一训练声学特征数据和与所述训练文本信息对应的目标声学特征数据确定第一损失；

第二确定子模块，用于根据所述第二训练声学特征数据和与所述训练乐理信息对应的目标声学特征数据确定第二损失；

第三确定子模块，用于根据所述第一损失和所述第二损失确定所述联合损失，并将所述联合损失确定为所述语音合成模型的损失。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述文本信息包括：音素信息、声调信息、歌词旋律信息、歌词节拍信息、和/或颤音信息；所述乐理信息包括：乐谱旋律信息和/或乐谱节拍信息。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述文本信息还包括以下中的一者或多者：强弱信息、节奏信息、速度信息、歌词小节信息、歌词段落信息；所述乐理信息还包括以下中的一者或多者：乐谱小节信息、乐谱段落信息。

根据本公开的一个或多个实施例，提供了一种语音合成装置，其中，所述语音合成模型有多个，所述装置还包括：

接收模块，用于在第二输入模块将所述文本信息和所述乐理信息输入语音合成模型的步骤之前，接收语音合成模型选择指令；

所述第二输入模块用于：

将所述文本信息和所述乐理信息输入所述语音合成模型选择指令指示的语音合成模型。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理装置执行时实现上文所述语音合成方法的步骤。

根据本公开的一个或多个实施例，提供了一种电子设备，其中，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现上文所述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 (10)

1.一种语音合成方法，其特征在于，所述方法包括：

将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

2.根据权利要求1所述的方法，其特征在于，所述语音合成模型包括声学子模型，所述语音合成模型的训练包括：

将训练文本信息和训练乐理信息输入所述声学子模型，获得与所述训练文本信息对应的第一训练声学特征数据和与所述训练乐理信息对应的第二训练声学特征数据；

根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，在所述损失小于预设阈值时结束训练。

3.根据权利要求2所述的方法，其特征在于，所述语音合成模型还包括第一合成子模型和第二合成子模型，所述语音合成模型的训练还包括：

将所述第一训练声学特征数据输入所述第一合成子模型，获得与所述训练文本信息对应的第一训练语音波形数据；将所述第二训练声学特征数据输入所述第二合成子模型，获得第二训练语音波形数据；

根据所述第一训练语音波形数据和所述训练文本信息对应的目标语音波形数据，确定第一合成子模型对应的损失，并根据该损失训练所述第一合成子模型；根据所述第二训练语音波形数据和所述训练乐理信息对应的目标语音波形数据，确定所述第二合成子模型对应的损失，并根据该损失训练所述第二合成子模型。

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一训练声学特征数据和所述第二训练声学特征数据确定所述语音合成模型的损失，包括：

根据所述第一训练声学特征数据和与所述训练文本信息对应的目标声学特征数据确定第一损失；

根据所述第二训练声学特征数据和与所述训练乐理信息对应的目标声学特征数据确定第二损失；

根据所述第一损失和所述第二损失确定所述联合损失，并将所述联合损失确定为所述语音合成模型的损失。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述文本信息包括：音素信息、声调信息、歌词旋律信息、歌词节拍信息、和/或颤音信息；所述乐理信息包括：乐谱旋律信息和/或乐谱节拍信息。

6.根据权利要求5所述的方法，其特征在于，所述文本信息还包括以下中的一者或多者：强弱信息、节奏信息、速度信息、歌词小节信息、歌词段落信息；所述乐理信息还包括以下中的一者或多者：乐谱小节信息、乐谱段落信息。

7.根据权利要求1所述的方法，其特征在于，所述语音合成模型有多个，在将所述文本信息和所述乐理信息输入语音合成模型的步骤之前，所述方法还包括：

接收语音合成模型选择指令；

所述将所述文本信息和所述乐理信息输入语音合成模型，包括：

将所述文本信息和所述乐理信息输入所述语音合成模型选择指令指示的语音合成模型。

8.一种语音合成装置，其特征在于，所述装置包括：

第一输入模块，用于将歌词数据和乐谱数据输入信息提取模型，以获得所述歌词数据对应的文本信息和所述乐谱数据对应的乐理信息；

第二输入模块，用于将所述文本信息和所述乐理信息输入语音合成模型，获得第一语音波形数据和第二语音波形数据，其中，所述语音合成模型用于对所述文本信息和所述乐理信息进行联合处理；

第一确定模块，用于根据所述第一语音波形数据和所述第二语音波形数据确定与所述歌词数据和乐谱数据对应的语音合成数据。

9.一种计算机可读介质，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1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现权利要求1-7中任一项所述方法的步骤。

Images