CN111402855B - 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 PDF

Info

Publication number
CN111402855B
CN111402855B CN202010153425.1A CN202010153425A CN111402855B CN 111402855 B CN111402855 B CN 111402855B CN 202010153425 A CN202010153425 A CN 202010153425A CN 111402855 B CN111402855 B CN 111402855B
Authority
CN
China
Prior art keywords
text
submodel
duration
acoustic
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010153425.1A
Other languages
English (en)
Other versions
CN111402855A (zh
Inventor
殷翔
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 CN202010153425.1A priority Critical patent/CN111402855B/zh
Publication of CN111402855A publication Critical patent/CN111402855A/zh
Application granted granted Critical
Publication of CN111402855B publication Critical patent/CN111402855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • 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
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G10L19/0212—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders using orthogonal transformation
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/16—Vocoder architecture
    • G10L19/18—Vocoders using multiple modes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (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：将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；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，通过语音合成模型可以直接根据待合成文本对应的语音特征信息获得声学特征，无需经过多个模型进行协作，从而可以提高语音合成的效率，并可以有效降低误差累积，提高语音合成方法的准确度。

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
现有技术中，在进行语音合成时通常采用构建多个模型，从而基于该多个模型协作将文本转换成语音。然而，在现有技术中，通过多个模型进行协作时，语音合成的效率较慢，且容易出现误差累积的现象，从而影响语音合成的准确度。
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：
将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；
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：
第一输入模块，用于将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
第二输入模块，用于将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；
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上述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，以实现上述语音合成方法的步骤。
通过上述技术方案，通过语音合成模型可以直接根据待合成文本对应的语音特征信息获得声学特征，无需经过多个模型进行协作，从而可以提高语音合成的效率。并且，可以有效降低现有技术中将时长模型和声学模型分别训练所产生的误差累积。另外，可以保证语音合成模型中的时长子模型和声学子模型的匹配度，从而可以避免现有技术中时长模型和声学模型的准确度都较高，但得出的语音合成结果准确度低的问题，进一步提高语音合成方法的准确度。
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是根据声学特征，获得与所述待合成文本对应的音频信息的示例性实现方式的流程图；
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，所述方法包括：
在S11中，将待合成文本输入信息提取模型，获得与待合成文本对应的语音特征信息。
其中，所述信息提取模型可以是预先训练的模型。可选地，所述语音特征信息可以包括：音素信息、声调信息、分词信息、韵律边界信息等。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。
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。
韵律边界用于指示在阅读文本时应该在哪些地方进行停顿。示例地，韵律边界分为“#1”、“#2”、“#3”和“#4”四个停顿等级，其停顿程度依次增大。
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。其中，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，将语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型。
其中，该声学特征可以是频谱特征，如梅尔频谱。时长子模型用于根据输入语音特征信息确定待合成文本中的每个音素的预测发音时长，声学子模型用于根据时长子模型获得的预测发音时长在音频帧级别预测声学特征。在该步骤中，语音合成模型是通过对时长子模型和所述声学子模型进行联合训练获得，由此通过该语音合成模型可以直接将根据待合成文本的语音特征信息获得声学特征，提高语音合成的效率。
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，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，在将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；将所述语音特征信息输入通过时长子模型和所述声学子模型进行联合训练获得的语音合成模型，从而获得与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，通过上述技术方案，通过语音合成模型可以直接根据待合成文本对应的语音特征信息获得声学特征，无需经过多个模型进行协作，从而可以提高语音合成的效率。并且，可以有效降低现有技术中将时长模型和声学模型分别训练所产生的误差累积。另外，可以保证语音合成模型中的时长子模型和声学子模型的匹配度，从而可以避免现有技术中时长模型和声学模型的准确度都较高，但得出的语音合成结果准确度低的问题，进一步提高语音合成方法的准确度。
为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上述步骤进行详细的说明。
可选地，所述时长子模型和所述声学子模型通过以下方式进行联合训练获得所述语音合成模型：
获取样本输入集和样本输出集，所述样本输入集包括文本样本对应的语音特征信息，以及所述文本样本对应的标注时长信息，所述样本输出集中包括与每个所述文本样本对应的音频样本对应的目标声学特征。
其中，可以对样本输入集中的文本样本预先标注语言特征信息和时长信息，同样地，该语音特征信息可以包括音素信息、声调信息、分词信息和韵律边界信息。并且，针对每个文本样本录制对应的音频样本，从而可以从该音频样本中获得目标声学特征。
在一种实施例中，可以直接提取该音频样本对应的频谱特征，示例地，该频谱可以是梅尔频谱特征，可以通过梅尔滤波器组进行特征提取，并将提取出的梅尔频谱特征确定为该目标声学特征。
在另一种实施例中，所述音频样本对应的目标声学特征通过以下方式确定：
对所述音频样本进行特征提取，获得所述音频样本对应的第一频谱特征。示例地，该第一频谱特征可以是线性谱，如可以通过短时傅里叶变换(STFT，short-time Fouriertransform或short-term Fourier transform)在时域上对音频样本的语音信号进行滑窗傅里叶变换，经过STFT处理后便可以得到语音信号的线性谱。其中，线性谱的维度可以是513维，其中该维度可以根据实际使用场景进行设置，本公开对此不进行限定。STFT算法为现有技术，在此不再赘述。
对所述第一频谱特征进行降维处理，获得第二频谱特征。示例地，第二频谱特征可以是梅尔频谱。作为示例，对线性谱进行降维处理可以是利用一组包含多个三角滤波器的滤波器组对线性谱进行处理得到低维特征，并通过强调低频部分，弱化高频部分获得梅尔频谱。其中，上述获得梅尔频谱的方式仅为示例方式，本公开对此不进行限定。
按照预设比例对所述第二频谱特征进行采样，获得所述音频样本对应的目标声学特征。
其中，该预设比例可以根据实际使用场景进行设置，示例地，该预设比例可以设置为1:4，则可以通过该预设比例进行采样，从而可以丰富该梅尔频谱的特征，将处理后的特征作为音频样本对应的目标声学特征。
其中，人耳在接收到声音信号时，耳蜗感知的声音会对声音信号的低频部分进行强调而对高频部分进行弱化，因此，在上述技术方案中，在获得音频样本的声学特征时，可以首先获得线性谱以平衡高低频信号，从而基于该线性谱确定梅尔频谱时，可以获得更加适合人体听觉特征的声学特征，从而可以提高音频样本的目标声学特征的准确性和听觉适应度，保证语音合成模型的样本输出集的精准度，从而可以为提高语音合成模型的准确性提供准确地的数据支持，进而保证进行语音合成时，基于该语音合成模型获得的声学特征的准确度。
在获得样本输入集和样本输出集之后，将所述文本样本对应的语音特征信息输入所述时长子模型，获得所述文本样本对应的预测时长信息，所述预测时长信息用于表示所述文本样本对应的各个音素的预测发音时长。其中，时长子模型可以作为语音合成模型中的encoder(编码器)实现。
根据所述标注时长信息和所述预测时长信息确定目标时长信息；
将所述目标时长信息输入所述声学子模型，获得所述文本样本对应的训练声学特征，其中，声学子模型可以作为语音合成模型中的decoder(解码器)实现。
在所述文本样本的训练声学特征与该文本样本对应的音频样本的目标声学特征之间的误差大于预设阈值时，根据所述误差更新所述时长子模型和所述声学子模型的参数，以完成所述语音合成模型的一次训练，直至所述误差小于所述预设阈值。其中，该预设阈值可以根据实际使用场景进行设置，如针对语音合成的精度要求较高的场景下，该预设阈值可以设置较小，针对语音合成的精度要求一般的场景下，该预设阈值可以设置稍大。其中，根据误差更新模型的参数的方式可以采用现有技术中的任一模型参数更新算法实现，在此不再赘述。
在该实施例中，通过将时长子模型和声学子模型联合训练，从而可以根据该语音合成模型的输出误差同时调整时长子模型和声学子模型的参数，一方面可以使得时长子模型获得的预测时长信息和声学子模型获得声学特征相互匹配，另一方面可以通过同时调整时长子模型和声学子模型的参数，使得两者联合训练时得出的输出的综合误差较小，提高语音合成模型输出的结果的准确度。
其中，在decoder的自回归结构(即当前时刻特征可以通过之前时刻推测出来)中，采用teacher-force的训练方式，即在训练时声学子模型的输入不使用时长子模型的输出，而是直接使用训练数据的标准答案(ground truth)作为输入，即将标注时长信息作为声学子模型的输入，这种情况下，decoder能够不借助encoder提供的文本样本的相关表征，直接还原出输出。
在这种方式下，可能会出现在语音合成模型的训练阶段，该语音合成模型会有较好的输出结果，但在测试阶段，由于不能够得到ground truth的支持，会降低语音合成模型输出结果的准确度。因此，为了保证语音合成模型在测试阶段输出结果的准确性，本公开还提供以下实施例。
可选地，所述根据所述标注时长信息和所述预测时长信息确定目标时长信息的一种示例性实施例如下，该步骤可以包括：
对所述标注时长信息和所述预测时长信息进行加权求和，将所述加权求和的结果确定为所述目标时长信息，其中，所述预测时长信息的权重与所述语音合成模型的训练次数为正相关关系。
作为示例，在初始训练时，可以完全相信标注时长信息，此时该标注时长信息的权重可以为1，预测时长信息的权重为0，即将标注时长信息输入声学子模型。之后，随着训练次数的增多，可以降低标注时长信息的权重，并增加预测时长信息的权重，其中，标注时长信息的权重和预测时长的权重之和为1。
在一种实施例中，该标注时长信息的权重和预测时长的权重可以随着训练次数的增多逐渐进行调整。例如，每进行一次训练都对标注时长信息的权重和预测时长的权重进行调整，调整后的标注时长信息的权重相较于本次训练时对应的标注时长信息的权重更小，调整后的预测时长信息的权重相较于本次训练时对应的预测时长信息的权重更大，直至预测时长信息的权重为1时不再调整。
在另一实施例中，可以预先设置训练次数的区间范围与预测时长信息的权重的对应关系，训练次数可以对应多个区间范围，例如，训练次数小于100次，预测时长信息的权重为0；训练次数大于等于5000且小于20000次，预测时长信息的权重为30％；训练次数大于等于20000且小于100000次，预测时长信息的权重为70％；训练次数大于100000次，预测时长信息的权重为1。
因此，在上述技术方案中，根据预测时长信息和标注时长信息确定声学子模型的输入信息，并且随着训练次数的增多，逐渐增加预测时长信息的权重，从而可以逐渐降低语音合成模型对ground truth的依赖，从而提高语音合成模型在测试阶段的准确性和适用性，从而提高语音合成结果的准确性。
可选地，在确定出目标时长信息后，可以将该目标时长信息转换为音频帧的表示，示例地，一个音频帧对应的时长可以是10ms，示例地确定出的音素“a”的预测时长信息为40ms，则该音素“a”的预测时长信息对应4个音频帧。
其中需要进行说明的是，在将目标时长信息转换成音频帧表示时，若确定出的音频帧的帧数不是整数，可以将通过四舍五入的方式将其进一步转化成整数。
可选地，在将通过音频帧表示的目标时长信息输入声学子模型时，可以通过将多个连续的视频帧进行拼帧之后的结果输入声学子模型。示例地，可以每次将3个音频帧的数据拼接之后输入声学子模型，通过dropout可以使得神经网络中的某个神经元的激活值以一定的概率停止工作，从而有效避免语音合成模型的过拟合，使得语音合成模型的泛化性更强，可以进一步提高语音合成结果的准确性。
可选地，所述声学特征为梅尔频谱特征，在S13中根据声学特征，获得与所述待合成文本对应的音频信息的示例性实现方式如下，如图2所示，该步骤包括：
在S21中，对梅尔频谱特征进行MEL逆滤波，获得线性谱特征。
其中，通过线性谱特征获得梅尔频谱特征的方式已在上文进行详述，该步骤中可以通过上述滤波方式对应的逆滤波过程获得线性谱特征。
在S22中，通过声码器对线性谱特征进行合成，以获得音频信息。
其中，该声码器可以是Wavenet声码器、Griffin-Lim声码器等对声学进行合成。
通过上述技术方案，通过将语音合成模型输出的梅尔频谱转换成线性谱，从而对该线性谱进行语音合成，获得对应的音频信息，线性谱中包含的谱信息更丰富通过对线性谱直接合成获得音频消息，可以提高语音合成的准确度，并且使得声码器更容易训练和收敛，提高语音合成效率。
可选地，在S22通过声码器对所述线性谱特征进行合成的步骤之前，所述根据所述声学特征，获得与所述待合成文本对应的音频信息的步骤，还可以包括：
将所述梅尔频谱特征和所述线性谱特征输入生成式对抗网络，获得目标线性谱特征。其中，所述生成式对抗网络可以是GAN(Generative Adversarial Networks)模型，其中该GAN模型包括一编码器encoder和一解码器decoder，其中，encoder采用上采样CNN(Convolutional Neural Networks，卷积神经网络)，encoder的输出接入GAN的decoder。其中，GAN模型为Condition GAN(条件生成式对抗网络)，并将梅尔频谱特征作为ConditionGAN的Condition，并将decoder输出的结果与音频样本对应的标注线性谱进行判别，从而使得得出的目标线性谱特征与声学子模型输出的声学特征和标注线性谱更为匹配。
所述通过声码器对所述线性谱特征进行合成，包括：通过声码器对所述目标线性谱特征进行合成。
在该实施例中，梅尔频谱特征和线性谱特征输入GAN网络得出目标线性谱特征，一方面可以通过梅尔频谱特征对线性谱特征进行增强，使得得出的目标线性谱特征与声学子模型输出的声学特征和标注线性谱更为匹配，从而可以进一步提高目标线性谱特征的准确度，进而可以有效提高通过声码器对目标线性谱特征进行合成所得的音频信息的准确性，进一步提高语音合成方法的适用性和准确性，提升用户使用体验。
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S13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，上述方法还可以包括以下步骤。
将所述音频信息与背景音乐进行合成，得到与所述待合成文本和所述背景音乐对应的音频信息。
在一种实施方式中，上述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。
在另一中实施方式中，在将音频信息与背景音乐进行合成之前，可以先根据待合成文本的文本信息和/或语音特征信息，确定该待合成文本对应的使用场景信息，其中，该使用场景信息包括但不限于新闻播报、军武介绍、童话故事、校园广播等；然后，根据该使用场景信息，确定与该使用场景信息相匹配的背景音乐。
在本公开中，可以通过多种方式来确定上述使用场景信息，在一种实施方式中，可以根据待合成文本的文本信息，确定待合成文本对应的使用场景信息，其中，上述文本信息可以为关键词。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使用场景信息。
在又一种实施方式中，可以根据待合成文本的文本信息和语音特征信息，确定待合成文本对应的使用场景信息。具体来说，可以通过对待合成文本进行关键字自动识别，根据关键字确定待合成文本的使用场景信息。这样，可以提升使用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：
第一输入模块100，用于将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
第二输入模块200，用于将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；
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。
可选地，所述声学特征为梅尔频谱特征，所述处理模块包括：
滤波子模块，用于对所述梅尔频谱特征进行MEL逆滤波，获得线性谱特征；
合成子模块，用于通过声码器对所述线性谱特征进行合成，以获得所述音频信息。
可选地，所述处理模块还包括：
输入子模块，用于在所述合成子模块通过声码器对所述线性谱特征进行合成之前，将所述梅尔频谱特征和所述线性谱特征输入生成式对抗网络，获得目标线性谱特征；
所述合成子模块用于：
通过声码器对所述目标线性谱特征进行合成。
可选地，所述时长子模型和所述声学子模型通过以下方式进行联合训练获得所述语音合成模型：
获取样本输入集和样本输出集，所述样本输入集包括文本样本对应的语音特征信息，以及所述文本样本对应的标注时长信息，所述样本输出集中包括与每个所述文本样本对应的音频样本对应的目标声学特征；
将所述文本样本对应的语音特征信息输入所述时长子模型，获得所述文本样本对应的预测时长信息，所述预测时长信息用于表示所述文本样本对应的各个音素的预测发音时长；
根据所述标注时长信息和所述预测时长信息确定目标时长信息；
将所述目标时长信息输入所述声学子模型，获得所述文本样本对应的训练声学特征；
在所述文本样本的训练声学特征与该文本样本对应的音频样本的目标声学特征之间的误差大于预设阈值时，根据所述误差更新所述时长子模型和所述声学子模型的参数，以完成所述语音合成模型的一次训练，直至所述误差小于所述预设阈值。
可选地，所述音频样本对应的目标声学特征通过以下方式确定：
对所述音频样本进行特征提取，获得所述音频样本对应的第一频谱特征；
对所述第一频谱特征进行降维处理，获得第二频谱特征；
按照预设比例对所述第二频谱特征进行采样，获得所述音频样本对应的目标声学特征。
可选地，所述根据所述标注时长信息和所述预测时长信息确定目标时长信息，包括：
对所述标注时长信息和所述预测时长信息进行加权求和，将所述加权求和的结果确定为所述目标时长信息，其中，所述预测时长信息的权重与所述语音合成模型的训练次数为正相关关系。
可选地，所述装置还包括：
合成模块，用于将所述音频信息与背景音乐进行合成，得到与所述待合成文本和所述背景音乐对应的音频信息。
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：将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；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，第一输入模块还可以被描述为“将待合成文本输入信息提取模型，获得与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：
将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；
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，所述声学特征为梅尔频谱特征，所述根据所述声学特征，获得与所述待合成文本对应的音频信息，包括：
对所述梅尔频谱特征进行MEL逆滤波，获得线性谱特征；
通过声码器对所述线性谱特征进行合成，以获得所述音频信息。
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，在通过声码器对所述线性谱特征进行合成的步骤之前，所述根据所述声学特征，获得与所述待合成文本对应的音频信息，还包括：
将所述梅尔频谱特征和所述线性谱特征输入生成式对抗网络，获得目标线性谱特征；
所述通过声码器对所述线性谱特征进行合成，包括：
通过声码器对所述目标线性谱特征进行合成。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述时长子模型和所述声学子模型通过以下方式进行联合训练获得所述语音合成模型：
获取样本输入集和样本输出集，所述样本输入集包括文本样本对应的语音特征信息，以及所述文本样本对应的标注时长信息，所述样本输出集中包括与每个所述文本样本对应的音频样本对应的目标声学特征；
将所述文本样本对应的语音特征信息输入所述时长子模型，获得所述文本样本对应的预测时长信息，所述预测时长信息用于表示所述文本样本对应的各个音素的预测发音时长；
根据所述标注时长信息和所述预测时长信息确定目标时长信息；
将所述目标时长信息输入所述声学子模型，获得所述文本样本对应的训练声学特征；
在所述文本样本的训练声学特征与该文本样本对应的音频样本的目标声学特征之间的误差大于预设阈值时，根据所述误差更新所述时长子模型和所述声学子模型的参数，以完成所述语音合成模型的一次训练，直至所述误差小于所述预设阈值。
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，所述音频样本对应的目标声学特征通过以下方式确定：
对所述音频样本进行特征提取，获得所述音频样本对应的第一频谱特征；
对所述第一频谱特征进行降维处理，获得第二频谱特征；
按照预设比例对所述第二频谱特征进行采样，获得所述音频样本对应的目标声学特征。
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，所述根据所述标注时长信息和所述预测时长信息确定目标时长信息，包括：
对所述标注时长信息和所述预测时长信息进行加权求和，将所述加权求和的结果确定为所述目标时长信息，其中，所述预测时长信息的权重与所述语音合成模型的训练次数为正相关关系。
根据本公开的一个或多个实施例，示例7提供了示例1-6中任一示例的方法，所述方法还包括：
将所述音频信息与背景音乐进行合成，得到与所述待合成文本和所述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8提供了一种语音合成装置，所述装置包括：
第一输入模块，用于将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
第二输入模块，用于将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型；
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，所述声学特征为梅尔频谱特征，所述处理模块包括：
滤波子模块，用于对所述梅尔频谱特征进行MEL逆滤波，获得线性谱特征；
合成子模块，用于通过声码器对所述线性谱特征进行合成，以获得所述音频信息。
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，所述处理模块还包括：
输入子模块，用于在所述合成子模块通过声码器对所述线性谱特征进行合成之前，将所述梅尔频谱特征和所述线性谱特征输入生成式对抗网络，获得目标线性谱特征；
所述合成子模块用于：
通过声码器对所述目标线性谱特征进行合成。
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，所述时长子模型和所述声学子模型通过以下方式进行联合训练获得所述语音合成模型：
获取样本输入集和样本输出集，所述样本输入集包括文本样本对应的语音特征信息，以及所述文本样本对应的标注时长信息，所述样本输出集中包括与每个所述文本样本对应的音频样本对应的目标声学特征；
将所述文本样本对应的语音特征信息输入所述时长子模型，获得所述文本样本对应的预测时长信息，所述预测时长信息用于表示所述文本样本对应的各个音素的预测发音时长；
根据所述标注时长信息和所述预测时长信息确定目标时长信息；
将所述目标时长信息输入所述声学子模型，获得所述文本样本对应的训练声学特征；
在所述文本样本的训练声学特征与该文本样本对应的音频样本的目标声学特征之间的误差大于预设阈值时，根据所述误差更新所述时长子模型和所述声学子模型的参数，以完成所述语音合成模型的一次训练，直至所述误差小于所述预设阈值。
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，所述音频样本对应的目标声学特征通过以下方式确定：
对所述音频样本进行特征提取，获得所述音频样本对应的第一频谱特征；
对所述第一频谱特征进行降维处理，获得第二频谱特征；
按照预设比例对所述第二频谱特征进行采样，获得所述音频样本对应的目标声学特征。
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，所述根据所述标注时长信息和所述预测时长信息确定目标时长信息，包括：
对所述标注时长信息和所述预测时长信息进行加权求和，将所述加权求和的结果确定为所述目标时长信息，其中，所述预测时长信息的权重与所述语音合成模型的训练次数为正相关关系。
根据本公开的一个或多个实施例，示例14提供了示例8至示例13中任一示例的装置，所述装置还包括：
合成模块，用于将所述音频信息与背景音乐进行合成，得到与所述待合成文本和所述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：
将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型，在所述语音合成模型的训练过程中，根据所述语音合成模型的输出误差同时调整所述时长子模型和所述声学子模型的参数，所述语音合成模型的样本输入集包括文本样本对应的语音特征信息，以及所述文本样本对应的标注时长信息，所述时长子模型的输入为所述文本样本对应的语音特征信息，所述声学子模型的输入是根据所述时长子模型、所述文本样本对应的语音特征信息和所述标注时长信息确定出的目标时长信息；
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，所述声学特征为梅尔频谱特征，所述根据所述声学特征，获得与所述待合成文本对应的音频信息，包括：
对所述梅尔频谱特征进行MEL逆滤波，获得线性谱特征；
通过声码器对所述线性谱特征进行合成，以获得所述音频信息。
3.根据权利要求2所述的方法，其特征在于，在通过声码器对所述线性谱特征进行合成的步骤之前，所述根据所述声学特征，获得与所述待合成文本对应的音频信息，还包括：
将所述梅尔频谱特征和所述线性谱特征输入生成式对抗网络，获得目标线性谱特征；
所述通过声码器对所述线性谱特征进行合成，包括：
通过声码器对所述目标线性谱特征进行合成。
4.根据权利要求1所述的方法，其特征在于，所述时长子模型和所述声学子模型通过以下方式进行联合训练获得所述语音合成模型：
获取样本输入集和样本输出集，所述样本输出集中包括与每个所述文本样本对应的音频样本对应的目标声学特征；
将所述文本样本对应的语音特征信息输入所述时长子模型，获得所述文本样本对应的预测时长信息，所述预测时长信息用于表示所述文本样本对应的各个音素的预测发音时长；
根据所述标注时长信息和所述预测时长信息确定目标时长信息；
将所述目标时长信息输入所述声学子模型，获得所述文本样本对应的训练声学特征；
在所述文本样本的训练声学特征与该文本样本对应的音频样本的目标声学特征之间的误差大于预设阈值时，根据所述误差更新所述时长子模型和所述声学子模型的参数，以完成所述语音合成模型的一次训练，直至所述误差小于所述预设阈值。
5.根据权利要求4所述的方法，其特征在于，所述音频样本对应的目标声学特征通过以下方式确定：
对所述音频样本进行特征提取，获得所述音频样本对应的第一频谱特征；
对所述第一频谱特征进行降维处理，获得第二频谱特征；
按照预设比例对所述第二频谱特征进行采样，获得所述音频样本对应的目标声学特征。
6.根据权利要求4所述的方法，其特征在于，所述根据所述标注时长信息和所述预测时长信息确定目标时长信息，包括：
对所述标注时长信息和所述预测时长信息进行加权求和，将所述加权求和的结果确定为所述目标时长信息，其中，所述预测时长信息的权重与所述语音合成模型的训练次数为正相关关系。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：
将所述音频信息与背景音乐进行合成，得到与所述待合成文本和所述背景音乐对应的音频信息。
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，用于将待合成文本输入信息提取模型，获得与所述待合成文本对应的语音特征信息；
第二输入模块，用于将所述语音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，其中，所述语音合成模型包括时长子模型和声学子模型，所述时长子模型和所述声学子模型进行联合训练获得所述语音合成模型，在所述语音合成模型的训练过程中，根据所述语音合成模型的输出误差同时调整所述时长子模型和所述声学子模型的参数，所述语音合成模型的样本输入集包括文本样本对应的语音特征信息，以及所述文本样本对应的标注时长信息，所述时长子模型的输入为所述文本样本对应的语音特征信息，所述声学子模型的输入是根据所述时长子模型、所述文本样本对应的语音特征信息和所述标注时长信息确定出的目标时长信息；
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。
CN202010153425.1A 2020-03-06 2020-03-06 语音合成方法、装置、存储介质和电子设备 Active CN111402855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010153425.1A CN111402855B (zh) 2020-03-06 2020-03-06 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
CN202010153425.1A CN111402855B (zh) 2020-03-06 2020-03-06 语音合成方法、装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN111402855A CN111402855A (zh) 2020-07-10
CN111402855B true CN111402855B (zh) 2021-08-27

Family

ID=71436092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010153425.1A Active CN111402855B (zh) 2020-03-06 2020-03-06 语音合成方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN111402855B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113938556B (zh) * 2020-07-14 2023-03-10 华为技术有限公司 来电提示方法、装置和电子设备
CN111916093B (zh) * 2020-07-31 2024-09-06 腾讯音乐娱乐科技（深圳）有限公司 音频处理方法及装置
CN111968618B (zh) * 2020-08-27 2023-11-14 腾讯科技（深圳）有限公司 语音合成方法、装置
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
CN111968678B (zh) * 2020-09-11 2024-02-09 腾讯科技（深圳）有限公司 一种音频数据处理方法、装置、设备及可读存储介质
CN112382297A (zh) * 2020-11-13 2021-02-19 北京有竹居网络技术有限公司 用于生成音频的方法、装置、设备和介质
CN112542153B (zh) * 2020-12-02 2024-07-16 北京沃东天骏信息技术有限公司 时长预测模型训练方法和装置、语音合成方法和装置
CN112712812B (zh) * 2020-12-24 2024-04-26 腾讯音乐娱乐科技（深圳）有限公司 音频信号生成方法、装置、设备以及存储介质
CN112863477B (zh) * 2020-12-31 2023-06-27 出门问问(苏州)信息科技有限公司 一种语音合成方法、装置及存储介质
CN112786011B (zh) * 2021-01-13 2024-05-10 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
CN112992116A (zh) * 2021-02-24 2021-06-18 北京中科深智科技有限公司 一种视频内容自动生成方法和系统
CN113033778B (zh) * 2021-03-17 2023-09-29 平安科技（深圳）有限公司 佛乐生成方法、装置、设备及存储介质
CN113053355B (zh) * 2021-03-17 2024-09-24 平安科技（深圳）有限公司 佛乐的人声合成方法、装置、设备及存储介质
CN113112969B (zh) * 2021-03-23 2024-04-05 平安科技（深圳）有限公司 基于神经网络的佛教音乐记谱方法、装置、设备及介质
CN113096625A (zh) * 2021-03-24 2021-07-09 平安科技（深圳）有限公司 多人佛乐生成方法、装置、设备及存储介质
CN113345406B (zh) * 2021-05-19 2024-01-09 苏州奇梦者网络科技有限公司 神经网络声码器语音合成的方法、装置、设备以及介质
CN113299269B (zh) * 2021-05-20 2023-12-29 平安科技（深圳）有限公司 语音合成系统的训练方法、装置、计算机设备及存储介质
CN113555001A (zh) * 2021-07-23 2021-10-26 平安科技（深圳）有限公司 歌声合成方法、装置、计算机设备及存储介质
CN115938338A (zh) * 2021-09-22 2023-04-07 北京字跳网络技术有限公司 语音合成方法、装置、电子设备及可读存储介质
CN113744714B (zh) * 2021-09-27 2024-04-05 深圳市木愚科技有限公司 语音合成方法、装置、计算机设备及存储介质
CN113763924B (zh) * 2021-11-08 2022-02-15 北京优幕科技有限责任公司 声学深度学习模型训练方法、语音生成方法及设备
CN114495899A (zh) * 2021-12-29 2022-05-13 深圳市优必选科技股份有限公司 一种基于时长信息的音频合成方法、装置及终端设备
CN115050389A (zh) * 2022-06-09 2022-09-13 宜春学院 一种语音超频方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182936A (zh) * 2018-03-14 2018-06-19 百度在线网络技术（北京）有限公司 语音信号生成方法和装置
CN108597492A (zh) * 2018-05-02 2018-09-28 百度在线网络技术（北京）有限公司 语音合成方法和装置
CN108806665A (zh) * 2018-09-12 2018-11-13 百度在线网络技术（北京）有限公司 语音合成方法和装置
CN109523989A (zh) * 2019-01-29 2019-03-26 网易有道信息技术（北京）有限公司 语音合成方法、语音合成装置、存储介质及电子设备
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
JP2019215468A (ja) * 2018-06-14 2019-12-19 日本放送協会 学習装置、音声合成装置及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182936A (zh) * 2018-03-14 2018-06-19 百度在线网络技术（北京）有限公司 语音信号生成方法和装置
CN108597492A (zh) * 2018-05-02 2018-09-28 百度在线网络技术（北京）有限公司 语音合成方法和装置
JP2019215468A (ja) * 2018-06-14 2019-12-19 日本放送協会 学習装置、音声合成装置及びプログラム
CN108806665A (zh) * 2018-09-12 2018-11-13 百度在线网络技术（北京）有限公司 语音合成方法和装置
CN109523989A (zh) * 2019-01-29 2019-03-26 网易有道信息技术（北京）有限公司 语音合成方法、语音合成装置、存储介质及电子设备
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
语音合成中的神经网络声学建模方法研究;殷翔;《中国博士学位论文全文数据库 信息科技辑》;20160915;全文 *

Also Published As

Publication number Publication date
CN111402855A (zh) 2020-07-10

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
CN112786006B (zh) 语音合成方法、合成模型训练方法、装置、介质及设备
CN111369971B (zh) 语音合成方法、装置、存储介质和电子设备
CN111933110B (zh) 视频生成方法、生成模型训练方法、装置、介质及设备
CN111899719B (zh) 用于生成音频的方法、装置、设备和介质
CN111583900B (zh) 歌曲合成方法、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
CN112489620B (zh) 语音合成方法、装置、可读介质及电子设备
CN111583903B (zh) 语音合成方法、声码器训练方法、装置、介质及电子设备
CN112786008B (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
CN112786007A (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
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
CN111883135A (zh) 语音转写方法、装置和电子设备
CN110930975B (zh) 用于输出信息的方法和装置
CN114495902A (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN111369968B (zh) 语音合成方法、装置、可读介质及电子设备
CN114255738A (zh) 语音合成方法、装置、介质及电子设备
CN112216270B (zh) 语音音素的识别方法及系统、电子设备及存储介质
CN115798455B (zh) 语音合成方法、系统、电子设备及存储介质
CN113421571B (zh) 一种语音转换方法、装置、电子设备和存储介质
CN114242035A (zh) 语音合成方法、装置、介质以及电子设备
CN111916095B (zh) 语音增强方法、装置、存储介质及电子设备

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