CN111369967A - 基于虚拟人物的语音合成方法、装置、介质及设备 - Google Patents

基于虚拟人物的语音合成方法、装置、介质及设备 Download PDF

Info

Publication number
CN111369967A
CN111369967A CN202010167707.7A CN202010167707A CN111369967A CN 111369967 A CN111369967 A CN 111369967A CN 202010167707 A CN202010167707 A CN 202010167707A CN 111369967 A CN111369967 A CN 111369967A
Authority
CN
China
Prior art keywords
music
features
training
acoustic
text
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
Application number
CN202010167707.7A
Other languages
English (en)
Other versions
CN111369967B (zh
Inventor
殷翔
顾宇
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 ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010167707.7A priority Critical patent/CN111369967B/zh
Publication of CN111369967A publication Critical patent/CN111369967A/zh
Application granted granted Critical
Publication of CN111369967B publication Critical patent/CN111369967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters

Abstract

本公开涉及一种基于虚拟人物的语音合成方法、装置、介质及设备，所述方法包括：获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；根据所述声学特征，获得与所述待合成文本对应的音频信息；在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。因此，可以有效避免虚拟人物的语音输出状态和面部状态显示不一致的问题，提高语音合成的准确度，进而提升用户使用体验。

Description

基于虚拟人物的语音合成方法、装置、介质及设备
技术领域
本公开涉及计算机技术领域，具体地，涉及一种基于虚拟人物的语音合成方法、装置、介质及设备。
背景技术
现今，随着计算机技术的迅速发展，虚拟人物应用逐渐增多。在驱动虚拟人物进行歌唱数据合成时，通常是直接通过虚拟人物形象直接输出语音合成数据，并控制虚拟人物形象循环展现不同的面部表情。然而在上述技术方案中，可能会出现在有唱字输出时，面部表情中嘴处于闭合的状态，造成面部表情状态与语音输出状态不一致。
目前并没有很好的解决方案能够解决上述问题。
发明内容
提供该发明内容部分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。该发明内容部分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，本公开提供一种基于虚拟人物的语音合成方法，所述方法包括：
获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
根据所述声学特征，获得与所述待合成文本对应的音频信息；
在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
第二方面，本公开提供一种基于虚拟人物的语音合成装置，所述装置包括：
第一获取模块，用于获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
第一输入模块，用于将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
第一处理模块，用于根据所述声学特征，获得与所述待合成文本对应的音频信息；
第二处理模块，用于在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
第三方面，本公开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基于虚拟人物的语音合成方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现基于虚拟人物的语音合成方法的步骤。
在上述技术方案中，通过获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，以使所述声学特征和所述面部图像特征的序列对齐；根据所述声学特征，获得与所述待合成文本对应的音频信息；在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。因此，通过上述技术方案，可以通过语音合成模型将声学特征和图像特征同时合成，获得序列对齐的声学特征和面部图像特征，提高面部图像特征和声学特征的匹配度，从而可以有效避免虚拟人物的语音输出状态和面部状态显示不一致的问题，提高语音合成的准确度，进而提升用户使用体验。
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基于虚拟人物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模型训练过程的流程图；
图3是根据本公开的一种实施方式提供的基于虚拟人物的语音合成装置的框图；
图4是根据本公开的一种实施方式提供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基于虚拟人物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，获取待合成文本对应的语音特征信息以及获取用于对待合成文本进行语音合成的乐理特征信息。
其中，所述语音特征信息包括：音素信息、声调信息、歌词旋律信息、歌词节拍信息、颤音信息，所述乐理特征信息包括：音乐旋律信息和音乐节拍信息。示例地，如上述信息都可以通过Label进行标识。
其中，音素是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素；音素分为元音与辅音两大类。示例地，对于中文来说，音素包括声母(声母,是使用在韵母前面的辅音,跟韵母一齐构成的一个完整的音节)和韵母(即元音)。对于英文来说，音素包括元音和辅音。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。
声调是指声音的高低升降的变化。示例地，中文中有四个声调：阴平、阳平、上声和去声，英文包括重读、次重读和轻读，日文包括重读和轻读。
在本公开中，可以通过信息提取模型来获取待合成文本的语音特征信息。可选地，所述语音特征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；所述乐理特征信息还包括以下中的一者或多者：音乐小节信息、音乐段落信息。
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，音乐小节信息、音乐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。信息提取模型可以通过对待合成文本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。
可选地，所述获取用于对所述待合成文本进行语音合成的乐理特征信息的示例性实现方式如下，该步骤可以包括：
接收音乐选择指令，将所述音乐选择指令对应的音乐确定为目标音乐；
从所述目标音乐中提取所述乐理特征信息；
或者将待合成的乐谱数据输入信息提取模型，获得所述乐理特征信息。
在一实施例中，用户可以通过音乐选择指令，选择其要合成的音乐，从而可以在根据音乐选择指令确定出该目标音乐后，从该目标音乐中提取乐理特征信息。其中，例如可以通过短时傅里叶变换(STFT，short-time Fourier transform，或short-term Fouriertransform)，通过主频率确定出音符进而确定音乐旋律信息。其中，从音乐中提取乐理特征信息的方式为现有技术，在此不再赘述。
在另一实施例中，可以直接根据乐谱数据确定乐理特征信息，该乐谱数据可以是用户自行编写的。示例地，可以通过对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。
因此，通过上述技术方案，可以选择将待合成文本与现有音乐进行合成，也可以基于乐谱数据确定乐理特征信息，从而可以进一步提高乐理特征信息的多样性，满足语音合成的多样化需求。
在S12中，将语音特征信息和乐理特征信息输入语音合成模型，获得与待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐。
其中，所述声学特征和所述面部图像特征的序列对齐即表示该声学特征的序列和面部图像特征的序列在时序上对齐，从而实现声学特征和面部图像特征的匹配性。
可选地，所述语音合成模型是由图像子模型和声学子模型联合训练获得的，以使所述声学特征和所述面部图像特征的序列对齐。
示例地，该声学特征可以是梅尔频谱特征。在该实施例中，通过由图像子模型和声学子模型联合训练获得的语音合成模型，从而可以获得序列对齐的声学特征和面部图像特征，提高面部图像特征和声学特征的匹配度。
在S13中，根据声学特征，获得与待合成文本对应的音频信息。
示例地，该声学特征可以包括与语音特征信息对应的清唱特征(如，清唱梅尔频谱特征)和与乐理特征信息对应的伴奏特征(如，伴奏梅尔频谱特征)。在该实施例中，可以将清唱梅尔频谱特征和伴奏梅尔频谱特征分别通过声码器获得对应的波形数据，通过将清唱波形数据和伴奏波形数据进行混音，从而获得该音频信息。例如，将清唱波形数据和伴奏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，从而获得该音频信息。
在S14中，在虚拟人物上输出音频信息，并根据面部图像特征控制虚拟人物的面部状态显示。
其中，该虚拟人物可以是动画人物，也可以是虚拟出的仿真人物。根据面部图像特征控制虚拟人物的面部状态显示的一种实施例如下，包括：将面部图像特征输入图像处理模型，获得用于面部状态显示的数据，从而通过该数据控制虚拟人物的面部状态显示。示例地，该图像处理模型可以基于真人面部表情数据和虚拟人物数据进行预先构建，其中可以基于现有的任一机器学习的方式进行构建，在此不再赘述。
在上述技术方案中，通过获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，以使所述声学特征和所述面部图像特征的序列对齐；根据所述声学特征，获得与所述待合成文本对应的音频信息；在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。因此，通过上述技术方案，可以通过语音合成模型将声学特征和图像特征同时合成，获得序列对齐的声学特征和面部图像特征，提高面部图像特征和声学特征的匹配度，从而可以有效避免虚拟人物的语音输出状态和面部状态显示不一致的问题，提高语音合成的准确度，进而提升用户使用体验。
可选地，所述声学子模型用于对所述语音特征信息和所述乐理特征信息进行联合处理，以获得清唱和伴奏分别对应的声学特征。其中，该声学子模型可以包括清唱子模型和伴奏子模型，根据清唱子模型的误差和伴奏子模型的误差确定出的综合误差反馈训练该声学子模型，从而使得清唱对应的声学特征和伴奏对应的声学特征相匹配，进一步提高语音合成的准确度。
在上述技术方案中，通过对语音特征信息和乐理特征信息进行联合处理，可以实现联合生成清唱声学特征和伴奏声学特征，可使得清唱声学特征和伴奏声学特征可以根据不同的用户风格进行变化，提高语音合成的准确度。并且，可以提高歌唱数据合成的全面性，通过拓宽该方法的适用范围。
可选地，所述语音合成模型是通过如下方式获得，如图2所示：
在S21中，获取输入样本集和输出样本集，其中，所述输入样本集包括文本样本和音乐样本，所述输出样本集包括录制的与所述文本样本和所述音乐样本对应音频数据和图像数据。示例地，可以预先录制多个人员演唱文本样本时的视频，从而可以该视频中分离出音频数据和图像数据。
在S22中，将文本样本和音乐样本输入信息提取模型，以获得文本样本对应的语音特征信息和音乐样本对应的乐理特征信息。其中确定语音特征信息和乐理特征信息的方式已在上文进行详述，在此不再赘述。
在S23中，将文本样本对应的语音特征信息和音乐样本对应的乐理特征信息输入至语音合成模型，获得训练声学特征和训练面部图像特征以及停止标识，其中，所述停止标识用于指示所述训练声学特征和所述训练面部图像特征对应的序列停止。其中，所述语音合成模型可以包括声学子模型和图像子模型，则训练声学特征可以是由声学子模型输出，训练面部图像特征可以由图像子模型输出，由于语音合成模型中图像子模型和声学子模型是联合训练的，则可以同时输出该训练声学特征和训练面部图像特征对应的序列停止的停止标识。
其中，上述语音合成模型的声学子模型可以为带有注意力机制(attention)的序列到序列(Sequence-to-sequence，Seq2seq)的模型，即该模型的输入为序列，输出也为序列。示例地，注意力网络可以是高斯混合模型(Gaussian Mixture Model，GMM)的注意力网络)。示例地，可以预先通过编码网络对获取的文本样本对应的语音特征信息对应的表示序列和面部图像特征的表示序列，注意力网络可以用于根据表示序列，生成定长的语义表征。
具体来说，编码网络可以包括嵌入层(即Embedding层)、预处理网络(Pre-net)子模型和CBHG子模型。首先，通过嵌入层将语音特征信息转换为向量，然后将该向量输入至Pre-net子模型，以对向量进行非线性变换，从而提升语音合成模型的收敛和泛化能力，最后，通过CBHG子模型根据非线性变换后的向量，获得相应的表示序列。
在上述语音合成模型的声学子模型中可以包括预处理网络Pre-net子模型、Attention-RNN(Recurrent Neural Network，循环神经网络)、Decoder-RNN。其中，该Pre-net的结构与编码网络中的Pre-net的结构相同，用于对输入的先前帧(Initial frame)做一些非线性变换。Attention-RNN的结构可以为LSTM(Long Short-Term Memory，长短期记忆网络)，它将解码网络的Pre-net的输出(即非线性变换后的先前帧)作为输入，经过LSTM单元后输出到Decoder-RNN中。Decoder-RNN可以输出定长的语义表征，再经过LSTM单元输出该训练声学特征和停止标识(Stop token)。
可选地，该语音合成模型还可以包括后处理网络(post-processing-net，postnet)，则可以将Decoder-RNN输出的训练声学特征输入postnet。postnet可以为卷积网络，它可以用于对Decode-RNN的训练声学特征进行残差预测，再将该残差与原始输入postnet的向量(即，训练声学特征)相加以得到最终输出的训练声学特征，可以进一步提高模型输出的声学特征的准确性。
可选地，所述图像子模型可以基于超分辨率测试序列VGG(Visual GeometryGroup)网络实现，所述训练面部图像特征为由所述图像子模型的隐层输出的特征。
在确定出训练声学特征、训练面部图像特征和停止标识之后，在S24中，根据训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定语音合成模型的目标损失，在目标损失小于预设阈值时结束训练，其中，所述目标声学特征是基于所述音频数据获得的，所述目标面部图像特征是基于所述图像数据获得的。其中，从音频数据中提取声学特征的方式已在上文进行详述，在此不再赘述。该目标声学特征即为与该训练声学特征对应的文本样本录制的音乐样本中确定的声学特征，该目标面部图像特征即为与该训练面部图像特征对应的文本样本录制的音乐样本中确定的面部图像特征。
在上述技术方案中，通过将声学子模型和图像子模型进行联合训练，从而可以使得语音合成模型输出的面部图像特征与声学特征相匹配，提高语音合成模型的准确性和适用性。并且，通过停止标识指示面部图像特征和声学特征的序列停止，也可以有效保证合成的准确性，既可以避免序列合成过短可能出现的空白，又可以避免序列合成过长造成的资源浪费，提高语音合成的效率。
可选地，所述根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失的一种示例性实施例如下，该步骤可以包括：
根据所述训练声学特征以及与所述训练声学特征对应的目标声学特征，确定所述训练声学特征的损失。示例地，可以基于训练声学特征和训练声学特征对应的目标声学特征分别对应的向量计算均方误差(MSE，Mean Square Error)的结果确定为该训练声学特征的损失。
根据所述训练面部图像特征以及与所述训练面部图像特征对应的目标面部图像特征，确定所述训练面部图像特征的损失。示例地，可以基于训练面部图像特征和训练面部图像特征对应的目标面部图像特征分别对应的向量计算均方误差(MSE，Mean SquareError)的结果确定为该训练面部图像特征的损失。
基于交叉熵损失函数(sigmoidcrossentropyloss)确定所述停止标识的损失，其中交叉熵损失函数的计算方式为现有技术，在此不再赘述。
根据所述训练声学特征的损失、所述训练面部图像特征的损失和所述停止标识的损失确定所述目标损失。
示例地，可以将训练声学特征的损失、训练面部图像特征的损失和停止标识的损失进行加权求和的结果确定为该目标损失，进而通过该目标损失更新语音合成模型。
由此，通过上述技术方案，可以分别确定出训练声学特征的损失、训练面部图像特征的损失和停止标识的损失，进而确定出该语音合成模型对应的综合损失，一方面可以有效提高语音合成模型的训练效率，另一方面可以使得确定出的语音合成模型既可以准确提取声学特征，又可以准确提取面部图像特征，并且可以有效保证声学特征和面部图像特征的匹配度。
本公开还提供一种基于虚拟人物的语音合成装置，如图3所示，所述装置10包括：
第一获取模块100，用于获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
第一输入模块200，用于将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
第一处理模块300，用于根据所述声学特征，获得与所述待合成文本对应的音频信息；
第二处理模块400，用于在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
可选地，所述语音合成模型是由图像子模型和声学子模型联合训练获得的，以使所述声学特征和所述面部图像特征的序列对齐。
可选地，所述声学子模型用于对所述语音特征信息和所述乐理特征信息进行联合处理，以获得清唱和伴奏分别对应的声学特征。
可选地，所述语音合成模型是通过以下训练装置获得的，所述训练装置包括：
第二获取模块，用于获取输入样本集和输出样本集，其中，所述输入样本集包括文本样本和音乐样本，所述输出样本集包括录制的与所述文本样本和所述音乐样本对应音频数据和图像数据；
第二输入模块，用于将文本样本和音乐样本输入信息提取模型，以获得所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息；
第三输入模块，用于将所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息输入至所述语音合成模型，获得训练声学特征和训练面部图像特征以及停止标识，其中，所述停止标识用于指示所述训练声学特征和所述训练面部图像特征对应的序列停止；
确定模块，用于根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失，在所述目标损失小于预设阈值时结束训练，其中，所述目标声学特征是基于所述音频数据获得的，所述目标面部图像特征是基于所述图像数据获得的。
可选地，所述确定模块包括：
第一确定子模块，用于根据所述训练声学特征以及与所述训练声学特征对应的目标声学特征，确定所述训练声学特征的损失；
第二确定子模块，用于根据所述训练面部图像特征以及与所述训练面部图像特征对应的目标面部图像特征，确定所述训练面部图像特征的损失；
第三确定子模块，用于基于交叉熵损失函数确定所述停止标识的损失；
第四确定子模块，用于根据所述训练声学特征的损失、所述训练面部图像特征的损失和所述停止标识的损失确定所述目标损失。
可选地，所述图像子模型基于超分辨率测试序列VGG网络实现，所述训练面部图像特征为由所述图像子模型的隐层输出的特征。
可选地，所述第一获取模块包括：
接收子模块，用于接收音乐选择指令，将所述音乐选择指令对应的音乐确定为目标音乐；
提取子模块，用于从所述目标音乐中提取所述乐理特征信息；
或者第四输入子模块，用于将待合成的乐谱数据输入信息提取模型，获得所述乐理特征信息。
下面参考图4，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4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4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4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：获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；根据所述声学特征，获得与所述待合成文本对应的音频信息；在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
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，第一获取模块还可以被描述为“获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息”。
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，示例1提供了一种基于虚拟人物的语音合成方法，包括：
获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
根据所述声学特征，获得与所述待合成文本对应的音频信息；
在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述语音合成模型是由图像子模型和声学子模型联合训练获得的，以使所述声学特征和所述面部图像特征的序列对齐。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述声学子模型用于对所述语音特征信息和所述乐理特征信息进行联合处理，以获得清唱和伴奏分别对应的声学特征。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述语音合成模型是通过如下方式获得的：
获取输入样本集和输出样本集，其中，所述输入样本集包括文本样本和音乐样本，所述输出样本集包括录制的与所述文本样本和所述音乐样本对应音频数据和图像数据；
将文本样本和音乐样本输入信息提取模型，以获得所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息；
将所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息输入至所述语音合成模型，获得训练声学特征和训练面部图像特征以及停止标识，其中，所述停止标识用于指示所述训练声学特征和所述训练面部图像特征对应的序列停止；
根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失，在所述目标损失小于预设阈值时结束训练，其中，所述目标声学特征是基于所述音频数据获得的，所述目标面部图像特征是基于所述图像数据获得的。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失，包括：
根据所述训练声学特征以及与所述训练声学特征对应的目标声学特征，确定所述训练声学特征的损失；
根据所述训练面部图像特征以及与所述训练面部图像特征对应的目标面部图像特征，确定所述训练面部图像特征的损失；
基于交叉熵损失函数确定所述停止标识的损失；
根据所述训练声学特征的损失、所述训练面部图像特征的损失和所述停止标识的损失确定所述目标损失。
根据本公开的一个或多个实施例，示例6提供了示例4的方法，所述图像子模型基于超分辨率测试序列VGG网络实现，所述训练面部图像特征为由所述图像子模型的隐层输出的特征。
根据本公开的一个或多个实施例，示例7提供了示例1的方法，所述获取用于对所述待合成文本进行语音合成的乐理特征信息，包括：
接收音乐选择指令，将所述音乐选择指令对应的音乐确定为目标音乐；
从所述目标音乐中提取所述乐理特征信息；
或者将待合成的乐谱数据输入信息提取模型，获得所述乐理特征信息。
根据本公开的一个或多个实施例，示例8提供了一种基于虚拟人物的语音合成装置，所述装置包括：
第一获取模块，用于获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
第一输入模块，用于将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
第一处理模块，用于根据所述声学特征，获得与所述待合成文本对应的音频信息；
第二处理模块，用于在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述语音合成模型是由图像子模型和声学子模型联合训练获得的，以使所述声学特征和所述面部图像特征的序列对齐。
根据本公开的一个或多个实施例，示例10提供了示例8的装置，所述声学子模型用于对所述语音特征信息和所述乐理特征信息进行联合处理，以获得清唱和伴奏分别对应的声学特征。
根据本公开的一个或多个实施例，示例11提供了示例8的装置，所述语音合成模型是通过以下训练装置获得的，所述训练装置包括：
第二获取模块，用于获取输入样本集和输出样本集，其中，所述输入样本集包括文本样本和音乐样本，所述输出样本集包括录制的与所述文本样本和所述音乐样本对应音频数据和图像数据；
第二输入模块，用于将文本样本和音乐样本输入信息提取模型，以获得所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息；
第三输入模块，用于将所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息输入至所述语音合成模型，获得训练声学特征和训练面部图像特征以及停止标识，其中，所述停止标识用于指示所述训练声学特征和所述训练面部图像特征对应的序列停止；
确定模块，用于根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失，在所述目标损失小于预设阈值时结束训练，其中，所述目标声学特征是基于所述音频数据获得的，所述目标面部图像特征是基于所述图像数据获得的。
根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述确定模块包括：
第一确定子模块，用于根据所述训练声学特征以及与所述训练声学特征对应的目标声学特征，确定所述训练声学特征的损失；
第二确定子模块，用于根据所述训练面部图像特征以及与所述训练面部图像特征对应的目标面部图像特征，确定所述训练面部图像特征的损失；
第三确定子模块，用于基于交叉熵损失函数确定所述停止标识的损失；
第四确定子模块，用于根据所述训练声学特征的损失、所述训练面部图像特征的损失和所述停止标识的损失确定所述目标损失。
根据本公开的一个或多个实施例，示例13提供了示例11的装置，所述图像子模型基于超分辨率测试序列VGG网络实现，所述训练面部图像特征为由所述图像子模型的隐层输出的特征。
根据本公开的一个或多个实施例，示例14提供了示例8的装置，所述第一获取模块包括：
接收子模块，用于接收音乐选择指令，将所述音乐选择指令对应的音乐确定为目标音乐；
提取子模块，用于从所述目标音乐中提取所述乐理特征信息；
或者第四输入子模块，用于将待合成的乐谱数据输入信息提取模型，获得所述乐理特征信息。
根据本公开的一个或多个实施例，示例15提供了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基于虚拟人物的语音合成方法的步骤。
根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现基于虚拟人物的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)

1.一种基于虚拟人物的语音合成方法，其特征在于，所述方法包括：
获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
根据所述声学特征，获得与所述待合成文本对应的音频信息；
在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
2.根据权利要求1所述的方法，其特征在于，所述语音合成模型是由图像子模型和声学子模型联合训练获得的，以使所述声学特征和所述面部图像特征的序列对齐。
3.根据权利要求2所述的方法，其特征在于，所述声学子模型用于对所述语音特征信息和所述乐理特征信息进行联合处理，以获得清唱和伴奏分别对应的声学特征。
4.根据权利要求2所述的方法，其特征在于，所述语音合成模型是通过如下方式获得的：
获取输入样本集和输出样本集，其中，所述输入样本集包括文本样本和音乐样本，所述输出样本集包括录制的与所述文本样本和所述音乐样本对应音频数据和图像数据；
将文本样本和音乐样本输入信息提取模型，以获得所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息；
将所述文本样本对应的语音特征信息和所述音乐样本对应的乐理特征信息输入至所述语音合成模型，获得训练声学特征和训练面部图像特征以及停止标识，其中，所述停止标识用于指示所述训练声学特征和所述训练面部图像特征对应的序列停止；
根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失，在所述目标损失小于预设阈值时结束训练，其中，所述目标声学特征是基于所述音频数据获得的，所述目标面部图像特征是基于所述图像数据获得的。
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练声学特征、目标声学特征、训练面部图像特征、目标面部图像特征以及停止标识确定所述语音合成模型的目标损失，包括：
根据所述训练声学特征以及与所述训练声学特征对应的目标声学特征，确定所述训练声学特征的损失；
根据所述训练面部图像特征以及与所述训练面部图像特征对应的目标面部图像特征，确定所述训练面部图像特征的损失；
基于交叉熵损失函数确定所述停止标识的损失；
根据所述训练声学特征的损失、所述训练面部图像特征的损失和所述停止标识的损失确定所述目标损失。
6.根据权利要求4所述的方法，其特征在于，所述图像子模型基于超分辨率测试序列VGG网络实现，所述训练面部图像特征为由所述图像子模型的隐层输出的特征。
7.根据权利要求1所述的方法，其特征在于，所述获取用于对所述待合成文本进行语音合成的乐理特征信息，包括：
接收音乐选择指令，将所述音乐选择指令对应的音乐确定为目标音乐；
从所述目标音乐中提取所述乐理特征信息；
或者将待合成的乐谱数据输入信息提取模型，获得所述乐理特征信息。
8.一种基于虚拟人物的语音合成装置，其特征在于，所述装置包括：
第一获取模块，用于获取待合成文本对应的语音特征信息以及获取用于对所述待合成文本进行语音合成的乐理特征信息；
第一输入模块，用于将所述语音特征信息和所述乐理特征信息输入语音合成模型，获得与所述待合成文本对应的声学特征和面部图像特征，所述声学特征和所述面部图像特征的序列对齐；
第一处理模块，用于根据所述声学特征，获得与所述待合成文本对应的音频信息；
第二处理模块，用于在所述虚拟人物上输出所述音频信息，并根据所述面部图像特征控制所述虚拟人物的面部状态显示。
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。
CN202010167707.7A 2020-03-11 2020-03-11 基于虚拟人物的语音合成方法、装置、介质及设备 Active CN111369967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010167707.7A CN111369967B (zh) 2020-03-11 2020-03-11 基于虚拟人物的语音合成方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010167707.7A CN111369967B (zh) 2020-03-11 2020-03-11 基于虚拟人物的语音合成方法、装置、介质及设备

Publications (2)

Publication Number Publication Date
CN111369967A true CN111369967A (zh) 2020-07-03
CN111369967B CN111369967B (zh) 2021-03-05

Family

ID=71206776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010167707.7A Active CN111369967B (zh) 2020-03-11 2020-03-11 基于虚拟人物的语音合成方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN111369967B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111883107A (zh) * 2020-08-03 2020-11-03 北京字节跳动网络技术有限公司 语音合成、特征提取模型训练方法、装置、介质及设备
CN111897976A (zh) * 2020-08-18 2020-11-06 北京字节跳动网络技术有限公司 一种虚拟形象合成方法、装置、电子设备及存储介质
CN112286610A (zh) * 2020-10-28 2021-01-29 北京有竹居网络技术有限公司 一种互动处理方法、装置、电子设备和存储介质
CN112328076A (zh) * 2020-11-06 2021-02-05 北京中科深智科技有限公司 一种语音驱动人物手势的方法和系统
CN112364144A (zh) * 2020-11-26 2021-02-12 北京沃东天骏信息技术有限公司 交互方法、装置、设备和计算机可读介质
CN112634861A (zh) * 2020-12-30 2021-04-09 北京大米科技有限公司 数据处理方法、装置、电子设备和可读存储介质
CN112735371A (zh) * 2020-12-28 2021-04-30 出门问问(苏州)信息科技有限公司 一种基于文本信息生成说话人视频的方法及装置
CN113450759A (zh) * 2021-06-22 2021-09-28 北京百度网讯科技有限公司 语音生成方法、装置、电子设备以及存储介质
CN113709548A (zh) * 2021-08-09 2021-11-26 北京达佳互联信息技术有限公司 基于图像的多媒体数据合成方法、装置、设备及存储介质
CN114554111A (zh) * 2022-02-22 2022-05-27 广州繁星互娱信息科技有限公司 视频生成方法和装置、存储介质及电子设备
CN112116906B (zh) * 2020-08-27 2024-03-22 山东浪潮科学研究院有限公司 一种基于gan网络的现场混音方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308731A (zh) * 2018-08-24 2019-02-05 浙江大学 级联卷积lstm的语音驱动唇形同步人脸视频合成算法
CN109491564A (zh) * 2018-10-18 2019-03-19 深圳前海达闼云端智能科技有限公司 虚拟机器人的互动方法，装置，存储介质及电子设备
CN109637518A (zh) * 2018-11-07 2019-04-16 北京搜狗科技发展有限公司 虚拟主播实现方法及装置
CN110288077A (zh) * 2018-11-14 2019-09-27 腾讯科技（深圳）有限公司 一种基于人工智能的合成说话表情的方法和相关装置
US20200051565A1 (en) * 2018-08-13 2020-02-13 Carnegie Mellon University Processing speech signals of a user to generate a visual representation of the user
CN110866968A (zh) * 2019-10-18 2020-03-06 平安科技（深圳）有限公司 基于神经网络生成虚拟人物视频的方法及相关设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200051565A1 (en) * 2018-08-13 2020-02-13 Carnegie Mellon University Processing speech signals of a user to generate a visual representation of the user
CN109308731A (zh) * 2018-08-24 2019-02-05 浙江大学 级联卷积lstm的语音驱动唇形同步人脸视频合成算法
CN109491564A (zh) * 2018-10-18 2019-03-19 深圳前海达闼云端智能科技有限公司 虚拟机器人的互动方法，装置，存储介质及电子设备
CN109637518A (zh) * 2018-11-07 2019-04-16 北京搜狗科技发展有限公司 虚拟主播实现方法及装置
CN110288077A (zh) * 2018-11-14 2019-09-27 腾讯科技（深圳）有限公司 一种基于人工智能的合成说话表情的方法和相关装置
CN110866968A (zh) * 2019-10-18 2020-03-06 平安科技（深圳）有限公司 基于神经网络生成虚拟人物视频的方法及相关设备

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111883107A (zh) * 2020-08-03 2020-11-03 北京字节跳动网络技术有限公司 语音合成、特征提取模型训练方法、装置、介质及设备
CN111897976A (zh) * 2020-08-18 2020-11-06 北京字节跳动网络技术有限公司 一种虚拟形象合成方法、装置、电子设备及存储介质
CN112116906B (zh) * 2020-08-27 2024-03-22 山东浪潮科学研究院有限公司 一种基于gan网络的现场混音方法、装置、设备及介质
CN112286610A (zh) * 2020-10-28 2021-01-29 北京有竹居网络技术有限公司 一种互动处理方法、装置、电子设备和存储介质
CN112328076B (zh) * 2020-11-06 2021-10-29 北京中科深智科技有限公司 一种语音驱动人物手势的方法和系统
CN112328076A (zh) * 2020-11-06 2021-02-05 北京中科深智科技有限公司 一种语音驱动人物手势的方法和系统
CN112364144A (zh) * 2020-11-26 2021-02-12 北京沃东天骏信息技术有限公司 交互方法、装置、设备和计算机可读介质
CN112364144B (zh) * 2020-11-26 2024-03-01 北京汇钧科技有限公司 交互方法、装置、设备和计算机可读介质
CN112735371A (zh) * 2020-12-28 2021-04-30 出门问问(苏州)信息科技有限公司 一种基于文本信息生成说话人视频的方法及装置
CN112735371B (zh) * 2020-12-28 2023-08-04 北京羽扇智信息科技有限公司 一种基于文本信息生成说话人视频的方法及装置
CN112634861A (zh) * 2020-12-30 2021-04-09 北京大米科技有限公司 数据处理方法、装置、电子设备和可读存储介质
CN113450759A (zh) * 2021-06-22 2021-09-28 北京百度网讯科技有限公司 语音生成方法、装置、电子设备以及存储介质
CN113709548A (zh) * 2021-08-09 2021-11-26 北京达佳互联信息技术有限公司 基于图像的多媒体数据合成方法、装置、设备及存储介质
WO2023015862A1 (zh) * 2021-08-09 2023-02-16 北京达佳互联信息技术有限公司 基于图像的多媒体数据合成方法及装置
CN113709548B (zh) * 2021-08-09 2023-08-25 北京达佳互联信息技术有限公司 基于图像的多媒体数据合成方法、装置、设备及存储介质
CN114554111A (zh) * 2022-02-22 2022-05-27 广州繁星互娱信息科技有限公司 视频生成方法和装置、存储介质及电子设备
CN114554111B (zh) * 2022-02-22 2023-08-01 广州繁星互娱信息科技有限公司 视频生成方法和装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111369967B (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN111369967B (zh) 基于虚拟人物的语音合成方法、装置、介质及设备
CN111583900B (zh) 歌曲合成方法、装置、可读介质及电子设备
CN111292720B (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN111933110B (zh) 视频生成方法、生成模型训练方法、装置、介质及设备
CN112309366B (zh) 语音合成方法、装置、存储介质及电子设备
CN111899719A (zh) 用于生成音频的方法、装置、设备和介质
CN111402842B (zh) 用于生成音频的方法、装置、设备和介质
CN111369971B (zh) 语音合成方法、装置、存储介质和电子设备
CN110246488B (zh) 半优化CycleGAN模型的语音转换方法及装置
CN111899720A (zh) 用于生成音频的方法、装置、设备和介质
CN111798821B (zh) 声音转换方法、装置、可读存储介质及电子设备
CN111292719A (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN112331176B (zh) 语音合成方法、装置、存储介质及电子设备
CN112489606B (zh) 旋律生成方法、装置、可读介质及电子设备
CN112786013A (zh) 基于唱本的语音合成方法、装置、可读介质和电子设备
CN112309367B (zh) 语音合成方法、装置、存储介质及电子设备
CN113205793B (zh) 音频生成方法、装置、存储介质及电子设备
CN113327580A (zh) 语音合成方法、装置、可读介质及电子设备
WO2023160553A1 (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN112802446B (zh) 音频合成方法及装置、电子设备和计算机可读存储介质
CN112908292A (zh) 文本的语音合成方法、装置、电子设备及存储介质
CN113421550A (zh) 语音合成方法、装置、可读介质及电子设备
CN112035699A (zh) 音乐合成方法、装置、设备和计算机可读介质
WO2022151931A1 (zh) 语音合成方法、合成模型训练方法、装置、介质及设备
CN114255738A (zh) 语音合成方法、装置、介质及电子设备

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