CN111369971A - 语音合成方法、装置、存储介质和电子设备 - Google Patents
语音合成方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111369971A CN111369971A CN202010167710.9A CN202010167710A CN111369971A CN 111369971 A CN111369971 A CN 111369971A CN 202010167710 A CN202010167710 A CN 202010167710A CN 111369971 A CN111369971 A CN 111369971A
- Authority
- CN
- China
- Prior art keywords
- text
- synthesized
- prosodic
- prosody
- mode
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 66
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 66
- 238000001308 synthesis method Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002194 synthesizing effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000033764 rhythmic process Effects 0.000 abstract description 8
- 241000282414 Homo sapiens Species 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G10L13/08—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
-
- 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
-
- 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
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：获取待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；确定所述待合成文本的文本特征对应的目标韵律模式；根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；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。因此，在进行语音合成时，充分考虑了用户正常的朗读韵律，从而可以使得语音合成后获得音频信息符合人类的朗读韵律，避免现有技术中机械朗读给用户造成的不适。同时，使得语音合成的音频数据与待合成文本的文本特征相匹配。
Description
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，随之计算机技术的快速发展，阅读器逐渐成为人们生活中不可或缺的应用，用户可以通过阅读器实现人机交互，也可以通过阅读器中的语音合成技术实现听书的功能。
但在现有技术中，通常是直接将待合成文本进行简单的机械语音合成，从而导致合成出的语音与用户日常阅读习惯不匹配，使得生成的语音数据与文本内容难以匹配。
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，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
确定所述待合成文本的文本特征对应的目标韵律模式；
根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
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。
第二方面，本公开提供一种语音合成装置，所述装置包括：
获取模块，用于获得待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
第一确定模块，用于确定所述待合成文本的文本特征对应的目标韵律模式；
第一合成模块，用于根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
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本公开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，以实现实现本公开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，从而可以将待合成文本划分成多个韵律词；通过获取待合成文本对应的目标韵律模式，从而可以确定出该待合成文本对应的韵律特征，从而可以根据目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得声学特征；并根据所述声学特征，获得与所述待合成文本对应的音频信息。通过上述技术方案，在进行语音合成时，充分考虑了用户正常的朗读韵律，从而可以使得语音合成后获得音频信息符合人类的朗读韵律，避免现有技术中机械朗读给用户造成的不适。同时，可以针对待合成文本的每个韵律词进行语音合成，从而也可以有效提高语音合成的精度和准确度，使得语音合成的音频数据与待合成文本的文本特征相匹配，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语音合成方法的流程图；
图2是根据本公开的另一种实施方式提供的语音合成方法的流程图；
图3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语音合成方法的流程图，如图1所示，所述方法可以包括：
在S11中，获取待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词。
示例地，所述获得待合成文本对应的语音特征信息为通过将待合成文本输入信息提取模型获得。其中，所述信息提取模型可以是预先训练的模型。韵律边界信息用于指示在阅读文本时应该在哪些地方进行停顿。从韵律学的角度来定义，韵律词可以是指最小的能够自由运用的语言单位。可选地，所述语音特征信息可以通过Label进行标识。示例地，韵律边界信息分为“#1”、“#2”、“#3”和“#4”四个停顿等级，其停顿程度依次增大。
可选地，所述语音特征信息还可以包括：音素信息、声调信息、分词信息等。通过结合上述信息，可以使得确定出的韵律边界信息更加准确。
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。
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，该信息提取模型可以包括文本正则化(Text Normalization，TN)模型、字素到音素(Grapheme-to-Phoneme，G2P)模型、分词模型以及韵律模型。其中，可以通过TN模型将待合成文本中的数字、符号、缩写等转换成语言文字，通过G2P模型获取待合成文本的音素，通过分词模型对待合成文本进行分词，通过韵律模型获取待合成的韵律边界以及声调。
示例地，G2P模型可以采用循环神经网络(recurrent neural network,RNN)和长短期记忆网络(Long Short-Term Memory，LSTM)来实现从字素到音素的转化。
分词模型可以为n-gram模型、隐马尔可夫模型、朴素贝叶斯分类模型等。
韵律模型为预训练语言模型BERT(Bidirectional Encoder Representationfrom Transformers)、双向LSTM-CRF(Conditional Random Field，条件随机场)模型等。
在S12中，确定待合成文本的文本特征对应的目标韵律模式，其中，待合成文本的文本特征用于表征该待合成文本的内容信息，示例地，确定所述待合成文本的文本特征对应的目标韵律模式可以为根据所述待合成文本和韵律模式预测模型确定，可以通过提取关键词和/或关键字的方式确定。目标韵律模式可以根据实际使用场景设置多个。示例地可以设置四种韵律模式，分别为：高音转低音+低响度、高音转低音+高响度、低音转高音+低响度、低音转高音+高响度。通过确定目标韵律模式，以确定对待合成文本进行语音合成时的发音模式。
在S13中，根据目标韵律模式对应的韵律特征对每一韵律词进行语音合成获得待合成文本对应的声学特征。其中，该声学特征可以是频谱特征，如梅尔频谱。可选地，所述获得所述待合成文本对应的声学特征可以为将所述语音特征信息和所述目标韵律模式输入语音合成模型获得。语音合成模型通过分别对待合成文本中的每一韵律词进行语音合成，进而确定待合成文本对应的声学特征。
在S14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，可以直接通过声码器对该声学特征进行合成，从而获得音频信息，如通过Wavenet声码器、Griffin-Lim声码器等对声学进行合成，从而获得音频信息。其中，上述声码器进行合成的方式为现有技术，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，从而可以将待合成文本划分成多个韵律词；通过获取待合成文本对应的目标韵律模式，从而可以确定出该待合成文本对应的韵律特征，从而可以根据目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得声学特征；并根据所述声学特征，获得与所述待合成文本对应的音频信息。通过上述技术方案，在进行语音合成时，充分考虑了用户正常的朗读韵律，从而可以使得语音合成后获得音频信息符合人类的朗读韵律，避免现有技术中机械朗读给用户造成的不适。同时，可以针对待合成文本的每个韵律词进行语音合成，从而也可以有效提高语音合成的精度和准确度，使得语音合成的音频数据与待合成文本的文本特征相匹配，提升用户使用体验。
可选地，在S12中，确定待合成文本的文本特征对应的目标韵律模式的示例性实施例如下，包括：
将所述待合成文本输入所述韵律模式预测模型，获得与所述待合成文本对应的预测韵律模式，将所述预测韵律模式确定为所述目标韵律模式。
在该实施例中，所述韵律模式预测模型为预先进行训练的模型。其中，该韵律模式预测模型可以基于现有的任一机器学习或神经网络模型实现。
作为示例，可以标注训练文本对应的标注韵律模式，从而可以将每一训练文本输入该韵律模式预测模型获得输出的韵律模式，通过该输出的韵律模式和标注韵律模式之间的损失调整该韵律模式预测模型，直至该韵律模式预测模型训练完成。
作为另一示例，可以提取训练文本的韵律边界信息，从而对该训练文本的中韵律词部分或全部进行标注，进而通过将基于韵律边界信息确定出的各个韵律词对韵律模式预测模型进行训练。其中，该训练过程与上文所述类似，在此不再赘述。
因此，通过上述技术方案，可以直接对待合成文本对应的韵律模式进行预测，从而可以在对待合成文本进行语音合成时，采用与该待合成文本相匹配的韵律特征进行合成，为提高语音合成的准确度提供数据支持。
可选地，在S12中，确定待合成文本的文本特征对应的目标韵律模式的另一种实施方式如下，该步骤还可以包括：
输出韵律消息，所述韵律消息用于提示所述预测韵律模式表征的音频风格。
其中，可以将预测出的预测韵律模式表针的音频风格向用户进行提示，以由用户确认该预测韵律模式是否与该待合成文本相匹配。若用户确定匹配，则可以触发一确认指令，此时可以直接将该预测韵律模式确定为目标韵律模式。若用户认为该预测韵律模式与待合成文本不匹配，则其可以触发一韵律模式选择指令，以进行人工指定。
若响应于所述韵律消息，接收到韵律模式选择指令，将所述韵律模式选择指令指示的韵律模式确定为所述目标韵律模式。
在上述技术方案中，将自动确定的预测韵律模式对应的音频风格向用户进行提示，以由用户确认该预测韵律模式是否与待合成文本相匹配，并可以由用户直接选择韵律模式，从而使得确定出的目标韵律模式符合待合成文本的特征，提高语音合成方法的准确性，同时贴合用户的使用需求，满足语音合成的多样性需求。
可选地，所述语音合成模型中包括多种韵律特征，所述多种韵律特征通过如下方式获得：
获取训练音频数据的梅尔频谱特征、基频特征、能量谱特征，其中，从音频数据中获取梅尔频谱特征、基频特征和能量谱特征均为现有技术，在此不再赘述。示例地，可以通过梅尔滤波器组提取梅尔频谱特征。
根据所述梅尔频谱特征、所述基频特征、所述能量谱特征确定所述训练音频数据的韵律表征。
在一种实施例中，可以直接将梅尔频谱特征、基频特征、能量谱特征进行拼接，将拼接后的特征确定为训练音频数据的韵律表征。
在另一实施例中，为了提高特征的标准化，简化计算复杂度，可以对梅尔频谱特征、所述基频特征、所述能量谱特征进行归一化后进行拼接获得训练音频数据的韵律表征。
示例地，可以将梅尔频谱特征归一化至一预设范围，例如[-4,4]，将基频特征和能量谱特征分别进行均值方差归一化，即减去平均值，然后通过方差映射到均值为0的空间内。
示例地，可以通过韵律编码器进行拼接，即将梅尔频谱特征、基频特征、能量谱特征输入至韵律编码器，从而输出该韵律表征。
基于所述训练音频数据确定全局风格标记GST(global style token)网络中的多个分量，将所述GST网络每一分量确定为一种韵律特征。
在该实施例中，将获得的韵律表征在韵律词级别确定平均值，即将该韵律表征按照每一韵律词进行平均，之后，将每一韵律词对应的韵律表征再与GST矩阵计算相似度，从而得到各GST分量的权重，将每一GST分量确定为一种韵律表征。其中，GST矩阵计算相似度及其参数更新方式为现有技术，在此不再赘述。
在上述技术方案中，基于梅尔频谱特征、所述基频特征、所述能量谱特征确定训练音频数据的韵律表征，从而可以提高韵律表征中频谱信息的丰富性和多样性，从而可以从多个方面对音频的韵律特征进行表示，从而可以保证基于该韵律表征确定出的各个韵律特征的准确性。并且，通过GST确定韵律特征，可以有效降低训练数据的标注量，降低标注训练数据的工作量。
可选地，在通过GST确定出每一韵律特征之后，一种实施例中可以通过将该韵律特征与标准文本进行语音合成以人工标注该韵律特征对应的韵律模式。另一种实施例中，可以将该韵律特征与测试样本进行语音合成，并将通过韵律模式预测模型确定出的预测韵律模式确定为与该韵律特征对应的韵律模式，实现自动标注，进一步降低工作量。
可选地，将语音特征信息和目标韵律模式输入语音合成模型后，则可以基于该目标韵律模式确定出用于合成该待合成文本的韵律特征，从而基于该语音特征信息和该韵律特征对待合成文本进行语音合成。
可选地，为了进一步拓宽上述语音合成方法的适用性，在上述S14获得与待合成文本对应的音频信息后，还可以为该音频信息添加背景音乐，以进一步贴合各个使用场景。具体来说，如图2所示，在图1的基础上，上述方法还可以包括以下步骤。
在S21中，将音频信息与目标背景音乐进行合成，得到与待合成文本和目标背景音乐对应的音频信息。
在一种实施方式中，上述目标背景音乐可以为预设音乐，即可以是用户设定的任一音乐，也可以是默认的音乐。
在另一种实施方式中，可以根据用户触发的背景音乐选择指令，将该背景音乐选择指令指示的音乐确定为该目标背景音乐，从而可以使得用户可以多样化、动态地选择对应的背景音乐，贴合用户的使用需求。
在另一种实施方式中，在所述将所述音频信息与目标背景音乐进行合成的步骤之前，所述方法还包括：
根据所述目标韵律模式和/或所述待合成文本的文本特征，确定所述目标背景音乐。
作为示例，在将音频信息与目标背景音乐进行合成之前，可以先根据待合成文本的所述待合成文本的文本特征，确定该待合成文本对应的内容场景信息，例如，童话故事场景、军事故事场景，之后可以根据该内容场景信息，将与内容场景信息对应的音乐确定为该目标背景音乐，使得目标背景音乐与待合成文本的文本内容相适应，提高语音合成方式的适用性。
在本公开中，可以通过多种方式来确定上述内容场景信息，在一种实施方式中，可以根据待合成文本的文本特征，确定待合成文本对应的内容场景信息，其中，上述文本特征可以为关键词。示例地，可以通过对待合成文本进行关键字自动识别，以根据关键词智能地预判该待合成文本的内容场景信息。
在又一种实施方式中，可以根据目标韵律模式，确定待合成文本对应的音乐。具体来说，可以预先设置各个目标韵律模式对应的音乐，在根据待合成文本确定出目标韵律模式后，直接将该目标韵律模式对应的音乐确定为该目标背景音乐，进一步提高待合成文本整体韵律与背景音乐的匹配度。这样，可以提升内容场景信息的确定精度。
在确定出待合成文本对应的使用场景信息后，可以根据该使用场景信息，利用预先存储的使用场景信息与背景音乐的对应关系，确定与该使用场景信息匹配的背景音乐。例如，使用场景信息为军武介绍，其对应的背景音乐可以为激昂的音乐；使用场景信息为童话故事，则其对应的背景音乐可以为轻快活泼的音乐。
本公开还提供一种语音合成装置，如图3所示，所述装置10包括：
获取模块100，用于获得待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
第一确定模块200，用于确定所述待合成文本的文本特征对应的目标韵律模式；
第一合成模块300，用于根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
处理模块400，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。
可选地，所述获取模块获得待合成文本对应的语音特征信息为通过将待合成文本输入信息提取模型获得；
所述第一确定模块确定所述待合成文本的文本特征对应的目标韵律模式为根据所述待合成文本和韵律模式预测模型确定；
所述第一合成模块获得所述待合成文本对应的声学特征为将所述语音特征信息和所述目标韵律模式输入语音合成模型获得。
可选地，所述第一确定模块包括：
预测子模块，用于将所述待合成文本输入所述韵律模式预测模型，获得与所述待合成文本对应的预测韵律模式，将所述预测韵律模式确定为所述目标韵律模式。
可选地，所述第一确定模块还包括：
输出子模块，用于输出韵律消息，所述韵律消息用于提示所述预测韵律模式表征的音频风格；
确定子模块，用于若响应于所述韵律消息，接收到韵律模式选择指令，将所述韵律模式选择指令指示的韵律模式确定为所述目标韵律模式。
可选地，所述语音合成模型中包括多种韵律特征，所述多种韵律特征通过如下方式获得：
获取训练音频数据的梅尔频谱特征、基频特征、能量谱特征；
根据所述梅尔频谱特征、所述基频特征、所述能量谱特征确定所述训练音频数据的韵律表征；
基于所述训练音频数据确定全局风格标记GST网络中的多个分量，将所述GST网络每一分量确定为一种韵律特征。
可选地，所述装置还包括：
第二合成模块，用于将所述音频信息与目标背景音乐进行合成，得到与所述待合成文本和所述目标背景音乐对应的音频信息。
可选地，所述装置还包括：
第二确定模块，用于在第二合成模块将所述音频信息与目标背景音乐进行合成之前，根据所述目标韵律模式和/或所述待合成文本的文本特征，确定所述目标背景音乐。
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，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；确定所述待合成文本的文本特征对应的目标韵律模式；根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；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。
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，获取还可以被描述为“获取所述待合成文本对应的语音特征信息的模块”。
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，示例1提供了一种语音合成方法，包括：
获取待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
确定所述待合成文本的文本特征对应的目标韵律模式；
根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
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。
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，所述获得待合成文本对应的语音特征信息为通过将待合成文本输入信息提取模型获得；
所述确定所述待合成文本的文本特征对应的目标韵律模式为根据所述待合成文本和韵律模式预测模型确定；
所述获得所述待合成文本对应的声学特征为将所述语音特征信息和所述目标韵律模式输入语音合成模型获得。
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，所述确定所述待合成文本的文本特征对应的目标韵律模式，包括：
将所述待合成文本输入所述韵律模式预测模型，获得与所述待合成文本对应的预测韵律模式，将所述预测韵律模式确定为所述目标韵律模式。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述确定所述待合成文本的文本特征对应的目标韵律模式，还包括：
输出韵律消息，所述韵律消息用于提示所述预测韵律模式表征的音频风格；
若响应于所述韵律消息，接收到韵律模式选择指令，将所述韵律模式选择指令指示的韵律模式确定为所述目标韵律模式。
根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述语音合成模型中包括多种韵律特征，所述多种韵律特征通过如下方式获得：
获取训练音频数据的梅尔频谱特征、基频特征、能量谱特征；
根据所述梅尔频谱特征、所述基频特征、所述能量谱特征确定所述训练音频数据的韵律表征；
基于所述训练音频数据确定全局风格标记GST网络中的多个分量，将所述GST网络每一分量确定为一种韵律特征。
根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述方法还包括：
将所述音频信息与目标背景音乐进行合成，得到与所述待合成文本和所述目标背景音乐对应的音频信息。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，在所述将所述音频信息与目标背景音乐进行合成的步骤之前，所述方法还包括：
根据所述目标韵律模式和/或所述待合成文本的文本特征，确定所述目标背景音乐。
根据本公开的一个或多个实施例，示例8提供了一种语音合成装置，所述装置包括：
获取模块，用于获取所述待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
第一确定模块，用于确定所述待合成文本的文本特征对应的目标韵律模式；
第一合成模块，用于将根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
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。
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，所述获取模块获得待合成文本对应的语音特征信息为通过将待合成文本输入信息提取模型获得；
所述第一确定模块确定所述待合成文本的文本特征对应的目标韵律模式为根据所述待合成文本和韵律模式预测模型确定；
所述第一合成模块获得所述待合成文本对应的声学特征为将所述语音特征信息和所述目标韵律模式输入语音合成模型获得。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述第一确定模块包括：
预测子模块，用于将所述待合成文本输入所述韵律模式预测模型，获得与所述待合成文本对应的预测韵律模式，将所述预测韵律模式确定为所述目标韵律模式。
根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述第一确定模块还包括：
输出子模块，用于输出韵律消息，所述韵律消息用于提示所述预测韵律模式表征的音频风格；
确定子模块，用于若响应于所述韵律消息，接收到韵律模式选择指令，将所述韵律模式选择指令指示的韵律模式确定为所述目标韵律模式。
根据本公开的一个或多个实施例，示例12提供了示例9的装置，所述语音合成模型中包括多种韵律特征，所述多种韵律特征通过如下方式获得：
获取训练音频数据的梅尔频谱特征、基频特征、能量谱特征；
根据所述梅尔频谱特征、所述基频特征、所述能量谱特征确定所述训练音频数据的韵律表征；
基于所述训练音频数据确定全局风格标记GST网络中的多个分量，将所述GST网络每一分量确定为一种韵律特征。
根据本公开的一个或多个实施例，示例13提供了示例8的装置，所述装置还包括：
第二合成模块，用于将所述音频信息与目标背景音乐进行合成，得到与所述待合成文本和所述目标背景音乐对应的音频信息。
根据本公开的一个或多个实施例，示例14提供了示例13的装置，所述装置还包括：
第二确定模块，用于在第二合成模块将所述音频信息与目标背景音乐进行合成之前，根据所述目标韵律模式和/或所述待合成文本的文本特征，确定所述目标背景音乐。
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，其特征在于，该程序被处理装置执行时实现上述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，以实现上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：
获取待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
确定所述待合成文本的文本特征对应的目标韵律模式；
根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
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。
2.根据权利要求1所述的方法，其特征在于，所述获得待合成文本对应的语音特征信息为通过将待合成文本输入信息提取模型获得；
所述确定所述待合成文本的文本特征对应的目标韵律模式为根据所述待合成文本和韵律模式预测模型确定；
所述获得所述待合成文本对应的声学特征为将所述语音特征信息和所述目标韵律模式输入语音合成模型获得。
3.根据权利要求2所述的方法，其特征在于，所述确定所述待合成文本的文本特征对应的目标韵律模式，包括：
将所述待合成文本输入所述韵律模式预测模型，获得与所述待合成文本对应的预测韵律模式，将所述预测韵律模式确定为所述目标韵律模式。
4.根据权利要求3所述的方法，其特征在于，所述确定所述待合成文本的文本特征对应的目标韵律模式，还包括：
输出韵律消息，所述韵律消息用于提示所述预测韵律模式表征的音频风格；
若响应于所述韵律消息，接收到韵律模式选择指令，将所述韵律模式选择指令指示的韵律模式确定为所述目标韵律模式。
5.根据权利要求2所述的方法，其特征在于，所述语音合成模型中包括多种韵律特征，所述多种韵律特征通过如下方式获得：
获取训练音频数据的梅尔频谱特征、基频特征、能量谱特征；
根据所述梅尔频谱特征、所述基频特征、所述能量谱特征确定所述训练音频数据的韵律表征；
基于所述训练音频数据确定全局风格标记GST网络中的多个分量，将所述GST网络每一分量确定为一种韵律特征。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述音频信息与目标背景音乐进行合成，得到与所述待合成文本和所述目标背景音乐对应的音频信息。
7.根据权利要求6所述的方法，其特征在于，在所述将所述音频信息与目标背景音乐进行合成的步骤之前，所述方法还包括：
根据所述目标韵律模式和/或所述待合成文本的文本特征，确定所述目标背景音乐。
8.一种语音合成装置，其特征在于，所述装置包括：
获取模块，用于获得待合成文本对应的语音特征信息，所述语音特征信息包括韵律边界信息，所述韵律边界信息用于将所述待合成文本划分成多个韵律词；
第一确定模块，用于确定所述待合成文本的文本特征对应的目标韵律模式；
第一合成模块，用于根据所述目标韵律模式对应的韵律特征对每一所述韵律词进行语音合成获得所述待合成文本对应的声学特征；
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。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010167710.9A CN111369971B (zh) | 2020-03-11 | 2020-03-11 | 语音合成方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010167710.9A CN111369971B (zh) | 2020-03-11 | 2020-03-11 | 语音合成方法、装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111369971A true CN111369971A (zh) | 2020-07-03 |
| CN111369971B CN111369971B (zh) | 2023-08-04 |
Family
ID=71208828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010167710.9A Active CN111369971B (zh) | 2020-03-11 | 2020-03-11 | 语音合成方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369971B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184858A (zh) * | 2020-09-01 | 2021-01-05 | 魔珐(上海)信息科技有限公司 | 基于文本的虚拟对象动画生成方法及装置、存储介质、终端 |
| CN112289298A (zh) * | 2020-09-30 | 2021-01-29 | 北京大米科技有限公司 | 合成语音的处理方法、装置、存储介质以及电子设备 |
| CN112382270A (zh) * | 2020-11-13 | 2021-02-19 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、设备以及存储介质 |
| CN112420017A (zh) * | 2020-11-13 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 语音合成方法及装置 |
| CN112786006A (zh) * | 2021-01-13 | 2021-05-11 | 北京有竹居网络技术有限公司 | 语音合成方法、合成模型训练方法、装置、介质及设备 |
| CN113140204A (zh) * | 2021-04-23 | 2021-07-20 | 中国搜索信息科技股份有限公司 | 一种用于脉冲星信号控制的数字音乐合成方法及设备 |
| CN113421550A (zh) * | 2021-06-25 | 2021-09-21 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、可读介质及电子设备 |
| CN113593522A (zh) * | 2021-06-28 | 2021-11-02 | 北京天行汇通信息技术有限公司 | 一种语音数据标注方法和装置 |
| CN113808571A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 语音合成方法、装置、电子设备以及存储介质 |
| WO2022141710A1 (zh) * | 2020-12-28 | 2022-07-07 | 科大讯飞股份有限公司 | 一种语音合成方法、装置、设备及存储介质 |
| WO2024114345A1 (zh) * | 2022-11-18 | 2024-06-06 | 脸萌有限公司 | 音频创作方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090157409A1 (en) * | 2007-12-04 | 2009-06-18 | Kabushiki Kaisha Toshiba | Method and apparatus for training difference prosody adaptation model, method and apparatus for generating difference prosody adaptation model, method and apparatus for prosody prediction, method and apparatus for speech synthesis |
| CN105355193A (zh) * | 2015-10-30 | 2016-02-24 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN107705783A (zh) * | 2017-11-27 | 2018-02-16 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
| CN109697973A (zh) * | 2019-01-22 | 2019-04-30 | 清华大学深圳研究生院 | 一种韵律层级标注的方法、模型训练的方法及装置 |
| CN110534089A (zh) * | 2019-07-10 | 2019-12-03 | 西安交通大学 | 一种基于音素和韵律结构的中文语音合成方法 |
-
2020
- 2020-03-11 CN CN202010167710.9A patent/CN111369971B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090157409A1 (en) * | 2007-12-04 | 2009-06-18 | Kabushiki Kaisha Toshiba | Method and apparatus for training difference prosody adaptation model, method and apparatus for generating difference prosody adaptation model, method and apparatus for prosody prediction, method and apparatus for speech synthesis |
| CN105355193A (zh) * | 2015-10-30 | 2016-02-24 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN107705783A (zh) * | 2017-11-27 | 2018-02-16 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
| CN109697973A (zh) * | 2019-01-22 | 2019-04-30 | 清华大学深圳研究生院 | 一种韵律层级标注的方法、模型训练的方法及装置 |
| CN110534089A (zh) * | 2019-07-10 | 2019-12-03 | 西安交通大学 | 一种基于音素和韵律结构的中文语音合成方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184858B (zh) * | 2020-09-01 | 2021-12-07 | 魔珐(上海)信息科技有限公司 | 基于文本的虚拟对象动画生成方法及装置、存储介质、终端 |
| CN112184858A (zh) * | 2020-09-01 | 2021-01-05 | 魔珐(上海)信息科技有限公司 | 基于文本的虚拟对象动画生成方法及装置、存储介质、终端 |
| US11908451B2 (en) | 2020-09-01 | 2024-02-20 | Mofa (Shanghai) Information Technology Co., Ltd. | Text-based virtual object animation generation method, apparatus, storage medium, and terminal |
| CN112289298A (zh) * | 2020-09-30 | 2021-01-29 | 北京大米科技有限公司 | 合成语音的处理方法、装置、存储介质以及电子设备 |
| CN112382270A (zh) * | 2020-11-13 | 2021-02-19 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、设备以及存储介质 |
| CN112420017A (zh) * | 2020-11-13 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 语音合成方法及装置 |
| WO2022141710A1 (zh) * | 2020-12-28 | 2022-07-07 | 科大讯飞股份有限公司 | 一种语音合成方法、装置、设备及存储介质 |
| CN112786006A (zh) * | 2021-01-13 | 2021-05-11 | 北京有竹居网络技术有限公司 | 语音合成方法、合成模型训练方法、装置、介质及设备 |
| CN112786006B (zh) * | 2021-01-13 | 2024-05-17 | 北京有竹居网络技术有限公司 | 语音合成方法、合成模型训练方法、装置、介质及设备 |
| CN113140204B (zh) * | 2021-04-23 | 2021-10-15 | 中国搜索信息科技股份有限公司 | 一种用于脉冲星信号控制的数字音乐合成方法及设备 |
| CN113140204A (zh) * | 2021-04-23 | 2021-07-20 | 中国搜索信息科技股份有限公司 | 一种用于脉冲星信号控制的数字音乐合成方法及设备 |
| CN113421550A (zh) * | 2021-06-25 | 2021-09-21 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、可读介质及电子设备 |
| CN113593522A (zh) * | 2021-06-28 | 2021-11-02 | 北京天行汇通信息技术有限公司 | 一种语音数据标注方法和装置 |
| CN113593522B (zh) * | 2021-06-28 | 2023-08-18 | 北京天行汇通信息技术有限公司 | 一种语音数据标注方法和装置 |
| CN113808571A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 语音合成方法、装置、电子设备以及存储介质 |
| CN113808571B (zh) * | 2021-08-17 | 2022-05-27 | 北京百度网讯科技有限公司 | 语音合成方法、装置、电子设备以及存储介质 |
| WO2024114345A1 (zh) * | 2022-11-18 | 2024-06-06 | 脸萌有限公司 | 音频创作方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111369971B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402855B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN111292720B (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
| CN112786006B (zh) | 语音合成方法、合成模型训练方法、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 | |
| CN112489620B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112786011B (zh) | 语音合成方法、合成模型训练方法、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 | |
| CN112786007B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN111369967B (zh) | 基于虚拟人物的语音合成方法、装置、介质及设备 | |
| CN112786008B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN111292719A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
| CN110197655B (zh) | 用于合成语音的方法和装置 | |
| CN112489621B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
| CN112331176B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
| CN111489735B (zh) | 语音识别模型训练方法及装置 | |
| CN113327580A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112309367B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
| WO2023160553A1 (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
| CN112786013A (zh) | 基于唱本的语音合成方法、装置、可读介质和电子设备 | |
| CN114242035A (zh) | 语音合成方法、装置、介质以及电子设备 | |
| CN114613351A (zh) | 韵律预测方法、装置、可读介质及电子设备 | |
| CN111899719B (zh) | 用于生成音频的方法、装置、设备和介质 | |
| CN117475993A (zh) | 口音转换方法、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 |