CN111583904A - 语音合成方法、装置、存储介质及电子设备 - Google Patents
语音合成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111583904A CN111583904A CN202010403276.XA CN202010403276A CN111583904A CN 111583904 A CN111583904 A CN 111583904A CN 202010403276 A CN202010403276 A CN 202010403276A CN 111583904 A CN111583904 A CN 111583904A
- Authority
- CN
- China
- Prior art keywords
- text
- synthesized
- target
- phonemes
- sequence
- 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 37
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 37
- 238000001308 synthesis method Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process 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
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
-
- 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
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)
- 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、存储介质及电子设备。方法包括：获取待合成文本对应的目标序列，其中，目标序列由待合成文本中各音素对应的第一子序列按照相应音素在待合成文本中的先后顺序排列而成，音素对应的第一子序列中的各元素均为该音素的编码，第一子序列的长度为该音素对应的语音帧的数量；根据目标序列，获取待合成文本中各音素对应的每一语音帧的声学特征信息；将每一语音帧的声学特征信息输入至声码器中，获得待合成文本对应的音频信息。由于目标序列与各语音帧的声学特征信息是一一对应的，由此，可以避免丢字、重复、错发音的问题，从而提升语音合成的准确度，保证语音合成系统的稳定性。
Description
技术领域
本公开涉及语音合成技术领域，具体地，涉及一种语音合成方法、装置、存储介质及电子设备。
背景技术
现阶段通常采用端到端的语音合成模型(例如，Tacotron2)进行语音合成，该模型主要包括用于预测待合成文本的声学特征(例如，梅尔频谱)的声学模型和用于根据声学模型预测的声学特征进行语音合成的声码器。其中，声学模型包括编码网络、注意力网络和解码网络，其中，编码网络根据待合成文本，得到相应的表示序列，之后，注意力网络和解码网络根据该表示序列生成对应的声学特征。由于解码网络是自回归模型，它基于表示序列自回归(下一帧的输出结果依赖于历史输出结果)得到最终的输出(即声学特征)，因此，输出声学特征的长度与表示序列的长度不一致，即声学特征与表示序列并不是一一对应的，这样，可能会出现丢字、重复、错发音的情况，使得语音合成的准确度和稳定性受到影响。
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：
获取待合成文本对应的目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；
根据所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；
将每一所述语音帧的声学特征信息输入至声码器中，获得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，包括：
获取模块，用于获取待合成文本对应的目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；
语音合成模块，用于根据所述第一获取模块获取到的所述目标序列进行语音合成，获得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第一方面提供的所述方法的步骤。
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，以实现本公开第一方面提供的所述方法的步骤。
在上述技术方案中，由于目标序列中的各元素是与待合成文本中各音素对应的各语音帧一一对应的，并且，根据该目标序列获取到的是各音素对应的每一语音帧的声学特征信息，因此，目标序列与各语音帧的声学特征信息是一一对应的，由此，可以避免丢字、重复、错发音的问题，从而提升语音合成的准确度，保证语音合成系统的稳定性。
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是根据一示例性实施例示出的一种语音合成方法的流程图。
图2A是根据一示例性实施例示出的一种语音合成过程的示意图。
图2B是根据另一示例性实施例示出的一种语音合成过程的示意图。
图3是根据另一示例性实施例示出的一种语音合成方法的流程图。
图4是根据一示例性实施例示出的一种语音合成装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
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是根据一示例性实施例示出的一种语音合成方法的流程图。参照图1，该方法可以包括以下步骤101～步骤103。
在步骤101中，获取待合成文本对应的目标序列。
在本公开中，目标序列由待合成文本中各音素对应的第一子序列按照相应音素在待合成文本中的先后顺序排列而成，其中，音素对应的第一子序列中的各元素均为该音素的编码，即，音素对应的第一子序列中仅包含“音素的编码”这一种元素。并且，该音素对应的第一子序列的长度为该音素对应的语音帧的数量。
示例地，待合成文本对应的音素序列为“ab”，其中，音素“a”、音素“b”对应的语音帧的数量分别为5、3，则音素“a”对应的第一子序列为“AAAAA”(其中，A为音素“a”的编码)，音素“b”对应的第一子序列为“BBB”(其中，B为音素“b”的编码)，这样，待合成文本对应的目标序列为“AAAAABBB”。
在步骤102中，根据目标序列，获取待合成文本中各音素对应的每一语音帧的声学特征信息。
在本公开中，如图2A、图2B所示，在通过上述步骤101获取到目标序列后，可以将其输入至端到端的语音合成模型(例如，Tacotron2)中的注意力网络中，以得到待合成文本对应的语义表征；之后，将该语义表征输入至解码网络中，得到待合成文本中各音素对应的每一语音帧的声学特征信息(例如，梅尔频谱、谱包络、基频等)。
在步骤103中，将每一语音帧的声学特征信息输入至声码器中，获得待合成文本对应的音频信息。
其中，声码器可以例如是Wavenet声码器、Griffin-Lim声码器等。
在上述技术方案中，由于目标序列中的各元素是与待合成文本中各音素对应的各语音帧一一对应的，并且，根据该目标序列获取到的是各音素对应的每一语音帧的声学特征信息，因此，目标序列与各语音帧的声学特征信息是一一对应的，由此，可以避免丢字、重复、错发音的问题，从而提升语音合成的准确度，保证语音合成系统的稳定性。
下面针对上述步骤101中的获取待合成文本对应的目标序列进行详细说明。
在本公开中，可以通过多种方式来获取待合成文本对应的目标序列。在一种实施方式中，可以通过以下方式来获取待合成文本对应的目标序列(如图2A中所示)：
首先，将待合成文本输入至编码网络中，得到待合成文本对应的表示序列。
在本公开中，表示序列由待合成文本中各音素的编码按照相应音素在待合成文本中的先后顺序排列而成。上述编码网络可以为端到端语音合成模型(例如，Tacotron2)中的编码网络。
然后，将该表示序列输入至时长模型中，得到待合成文本对应的目标序列。
在本公开中，时长模型可以例如是CBHG(Convolution Bank+Highway network+bidirectional Gated Recurrent Unit，即，卷积层+高速网络+双向递归神经网络，也就是说，CBHG由卷积层、高速网络以及双向递归神经网络组成)模型、长短时记忆网络(LongShort Term Memory Network，LSTM)模型、LSTM-RNN(Recurrent Neural Network，循环神经网络)模型、深度神经网络(Deep Neural Networks，DNN)模型等。
另外，上述时长模型可以通过以下步骤确定待合成文本中各音素对应的语音帧的数量：(1)获取待合成文本中各音素的发音时长；(2)根据每一音素的发音时长，确定该音素对应的语音帧的数量。
示例地，一音素的发音时长为200ms，一个语音帧的时间长度为5ms，则该音素对应的语音帧的数量为40。
又示例地，一音素的发音时长为203ms，一个语音帧的时间长度为5ms，则该音素对应的语音帧的数量为
即最后一片不足5ms的，按照一帧处理。
在另一种实施方式中，可以通过以下方式来获取待合成文本对应的目标序列(如图2B中所示)：
首先，将待合成文本输入至时长模型中，得到扩展序列。
在本公开中，扩展序列由每一音素对应的第二子序列按照该音素在待合成文本中的先后顺序排列而成，第二子序列中的各元素均为该音素，即，音素对应的第二子序列中仅包含“该音素”这一种元素。并且，第二子序列的长度为该音素对应的语音帧的数量。
示例地，待合成文本对应的音素序列为“ab”，其中，其中，音素“a”、音素“b”对应的语音帧的数量分别为5、3，则音素“a”对应的第二子序列为“aaaaa”，音素“b”对应的第二子序列为“bbb”，这样，待合成文本对应的扩展序列为“aaaaabbb”。
然后，将扩展序列输入至编码网络中，得到待合成文本对应的目标序列。
先利用时长模型对待合成文本进行扩展，得到扩展序列，然后再基于扩展序列获取目标序列，这样，相对于先获取待合成对应的表示序列，在基于该表示序列获取目标序列的方式，计算量更小，进而提升了语音合成的速度。
图3是根据另一示例性实施例示出的一种语音合成方法的流程图。如图3所示，在上述步骤103之后，上述方法还可以包括以下步骤104～步骤107。
在步骤104中，若接收到用户输入的一个或多个目标音素的发音时长，则针对每一目标音素，根据该目标音素的发音时长，确定该目标音素对应的语音帧的目标数量。
在本公开中，目标音素为待合成文本中各音素中的任一者。并且，可以基于语音合成标记语言(Speech Synthesis Markup Language，SSML)为用户提供改变目标音素对应的发音时长的接口。这样，用户通过该接口即可改变(输入)一个或多个目标音素的发音时长，即实现对生成语音的发音速度的粗粒度调节(调整的最小时长通常为一个语音帧的时间长度，例如，5ms)，以使得目标音素的发音时长更加符合实际或者用户要求，从而提升用户体验。
在步骤105中，根据该目标音素对应的语音帧的目标数量更新目标序列。
在本公开中，可以通过调整目标序列中该目标音素对应的第一子序列的长度来达到更新目标序列的目的。
示例地，待合成文本对应的音素序列为“ab”，其中，音素“a”、音素“b”对应的语音帧的数量分别为5、3，则音素“a”对应的第一子序列为“AAAAA”(其中，A为音素“a”的编码)，音素“b”对应的第一子序列为“BBB”(其中，B为音素“b”的编码)，这样，待合成文本对应的目标序列为“AAAAABBB”。
假设目标音素为“A”，该目标音素“A”的发音时长为35ms，一个语音帧的时间长度为5ms，则目标音素“A”对应的语音帧的目标数量为7，则该目标音素“A”对应的第一子序列的长度为7，即该目标音素“A”对应的、新的第一子序列为“AAAAAAA”，这样，待合成文本对应的目标序列为“AAAAAAABBB”。
假设目标音素为“A”、“B”，目标音素“A”、“B”的发音时长分别为20ms、25ms，一个语音帧的时间长度为5ms，则目标音素“A”、“B”对应的语音帧的目标数量分别为4、5，则该目标音素“A”、对应的第一子序列的长度为4，目标音素“B”对应的第一子序列的长度为5，即该目标音素“A”、对应的、新的第一子序列为“AAAA”，目标音素“B”对应的、新的第一子序列为“BBBBB”这样，待合成文本对应的目标序列为“AAAABBBBB”。
在步骤106中，根据更新后的目标序列，获取待合成文本中各音素对应的每一语音帧的新的、声学特征信息。
在步骤107中，将每一语音帧的、新的声学特征信息输入至声码器中，获得待合成文本对应的、新的音频信息。
可选地，上述声码器可以包括上采样网络和波形生成网络。具体来说，声码器可以针对待合成文本中各音素对应的每一语音帧的声学特征信息，通过以下方式确定该语音帧对应的语音波形：
(1)上采样网络按照该语音帧对应的第一上采样倍数对该语音帧的声学特征信息进行上采样，得到该语音帧对应的样本级表征。
在本公开中，由于声学特征信息的时域长度远小于语音波形长度，所以需要对声学特征进行上采样来进行维度匹配。其中，第一上采样倍数可以是默认的，即待合成文本中各音素对应的每一语音帧的第一上采样倍数均相同，这样，各语音帧均采用相同的第一上采样倍数进行上采样；或者，待合成文本中各音素对应的每一语音帧的第一上采样倍数可以是用户预先设定的。
(2)波形生成网络(例如，RNN、CNN等)根据该语音帧对应的样本级表征进行波形生成，得到该语音帧对应的语音波形。
在通过上述方式得到每一语音帧对应的语音波形后，可以将每一语音帧对应的语音波形组成待合成文本对应的音频信息。
可选地，在通过声码器得到待合成文本对应的音频信息后，上述方法还可以包括以下步骤：
若接收到用户输入的一个或多个目标语音帧对应的第二上采样倍数，则声码器可以针对每一目标语音帧的声学特征信息，分别确定该目标语音帧对应的语音波形。
在本公开中，目标语音帧为待合成文本中各音素对应的语音帧中的任一者。并且，可以基于SSML为用户提供改变目标语音帧对应的第二上采样倍数的接口。这样，用户通过该接口即可改变(输入)一个或多个目标语音帧的第二上采样倍数，即实现对生成语音的发音速度的细粒度调节(调整的最小时长通常为一个语音帧的时间长度*(1/n)，n为相应目标语音帧对应的第一上采样倍数与第二上采样倍数的差的绝对值)，以使得目标语音的发音速度更加符合实际或者用户要求，从而提升用户体验。
示例地，待合成文本对应的音素序列为“ab”，其中，音素“a”对应的语音帧的数量为5，即音素“a”对应的语音帧分别为依次排列的5个“a”，即“aaaaa”，其中，第一个“a”的第一采样倍数为240倍。若用户输入的目标语音帧为上述第一个“a”，且相应的第二采样倍数时239倍，则对该语音帧的发音时长缩短的时间为一个语音帧的时间长度*(1/240)。
具体来说，声码器可以针对每一目标语音帧的声学特征信息，通过以下方式确定该目标语音帧对应的语音波形：
(1)上采样网络按照该目标语音帧对应的第二上采样倍数对该目标语音帧的声学特征信息进行上采样，得到该目标语音帧对应的样本级表征。
(2)波形生成网络根据该目标语音帧对应的样本级表征进行波形生成，得到该目标语音帧对应的语音波形。
(3)利用该目标语音帧对应的语音波形更新待合成文本对应的音频信息。
图4是根据一示例性实施例示出的一种语音合成装置的框图。参照图4，该装置400可以包括：第一获取模块401，用于获取待合成文本对应的目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；第二获取模块402，用于根据所述第一获取模块401获取到的所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；语音合成模块403，用于将所述第二获取模块402获取到的每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息。
可选地，所述第一获取模块401包括：第一确定子模块，用于将待合成文本输入至时长模型中，得到扩展序列，其中，所述扩展序列由每一所述音素对应的第二子序列按照该音素在所述待合成文本中的先后顺序排列而成，所述第二子序列中的各元素均为该音素，并且，所述第二子序列的长度为该音素对应的语音帧的数量；第二确定子模块，用于将所述第一确定子模块确定出的所述扩展序列输入至编码网络中，得到所述待合成文本对应的目标序列。
可选地，所述第一获取模块401包括：第三确定子模块，用于将待合成文本输入至编码网络中，得到所述待合成文本对应的表示序列，其中，所述表示序列由所述待合成文本中各音素的编码按照相应音素在所述待合成文本中的先后顺序排列而成；第四确定子模块，用于将所述第三确定子模块确定出的所述表示序列输入至时长模型中，得到所述待合成文本对应的目标序列。
可选地，所述装置400还包括：确定模块，用于在将每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息之后，若接收到用户输入的一个或多个目标音素的发音时长，则针对每一所述目标音素，根据该目标音素的发音时长，确定该目标音素对应的语音帧的目标数量，其中，所述目标音素为所述待合成文本中各音素中的任一者；更新模块，用于根据所述确定模块确定出的该目标音素对应的语音帧的目标数量更新所述目标序列；所述第二获取模块402，还用于根据更新后的目标序列，获取所述待合成文本中各音素对应的每一语音帧的新的、声学特征信息；所述语音合成模块403，还用于将每一所述语音帧的、新的声学特征信息输入至声码器中，获得所述待合成文本对应的、新的音频信息。
可选地，所述声码器包括上采样网络和波形生成网络；所述声码器针对每一所述语音帧的声学特征信息，通过以下方式确定该语音帧对应的语音波形，其中，每一所述语音帧对应的语音波形组成所述待合成文本对应的音频信息：所述上采样网络按照该语音帧对应的第一上采样倍数对该语音帧的声学特征信息进行上采样，得到该语音帧对应的样本级表征；所述波形生成网络根据该语音帧对应的样本级表征进行波形生成，得到该语音帧对应的语音波形。
可选地，所述语音合成模块403，还用于在将每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息之后，若接收到用户输入的一个或多个目标语音帧对应的第二上采样倍数，则所述声码器针对每一所述目标语音帧的声学特征信息，通过以下方式确定该目标语音帧对应的语音波形，其中，所述目标语音帧为所述待合成文本中各音素对应的语音帧中的任一者：所述上采样网络按照该目标语音帧对应的第二上采样倍数对该目标语音帧的声学特征信息进行上采样，得到该目标语音帧对应的样本级表征；所述波形生成网络根据该目标语音帧对应的样本级表征进行波形生成，得到该目标语音帧对应的语音波形；利用该目标语音帧对应的语音波形更新所述音频信息。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备(终端设备或服务器)500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5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5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501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多个程序，当上述一个或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目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；根据所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；将每一所述语音帧的声学特征信息输入至声码器中，获得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，第一获取模块还可以被描述为“获取待合成文本对应的目标序列的模块”。
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目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；根据所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；将每一所述语音帧的声学特征信息输入至声码器中，获得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，所述获取待合成文本对应的目标序列，包括：将待合成文本输入至编码网络中，得到所述待合成文本对应的表示序列，其中，所述表示序列由所述待合成文本中各音素的编码按照相应音素在所述待合成文本中的先后顺序排列而成；将所述表示序列输入至时长模型中，得到所述待合成文本对应的目标序列。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述获取待合成文本对应的目标序列，包括：将待合成文本输入至时长模型中，得到扩展序列，其中，所述扩展序列由每一所述音素对应的第二子序列按照该音素在所述待合成文本中的先后顺序排列而成，所述第二子序列中的各元素均为该音素，并且，所述第二子序列的长度为该音素对应的语音帧的数量；将所述扩展序列输入至编码网络中，得到所述待合成文本对应的目标序列。
根据本公开的一个或多个实施例，示例4提供了示例1-3中任一项所述的方法，在所述将每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息的步骤之后，所述方法还包括：若接收到用户输入的一个或多个目标音素的发音时长，则针对每一所述目标音素，根据该目标音素的发音时长，确定该目标音素对应的语音帧的目标数量，其中，所述目标音素为所述待合成文本中各音素中的任一者；根据该目标音素对应的语音帧的目标数量更新所述目标序列；根据更新后的目标序列，获取所述待合成文本中各音素对应的每一语音帧的新的、声学特征信息；将每一所述语音帧的、新的声学特征信息输入至声码器中，获得所述待合成文本对应的、新的音频信息。
根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述声码器包括上采样网络和波形生成网络；所述声码器针对每一所述语音帧的声学特征信息，通过以下方式确定该语音帧对应的语音波形，其中，每一所述语音帧对应的语音波形组成所述待合成文本对应的音频信息：所述上采样网络按照该语音帧对应的第一上采样倍数对该语音帧的声学特征信息进行上采样，得到该语音帧对应的样本级表征；所述波形生成网络根据该语音帧对应的样本级表征进行波形生成，得到该语音帧对应的语音波形。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，在所述将每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息的步骤之后，所述方法还包括：若接收到用户输入的一个或多个目标语音帧对应的第二上采样倍数，则所述声码器针对每一所述目标语音帧的声学特征信息，通过以下方式确定该目标语音帧对应的语音波形，其中，所述目标语音帧为所述待合成文本中各音素对应的语音帧中的任一者：所述上采样网络按照该目标语音帧对应的第二上采样倍数对该目标语音帧的声学特征信息进行上采样，得到该目标语音帧对应的样本级表征；所述波形生成网络根据该目标语音帧对应的样本级表征进行波形生成，得到该目标语音帧对应的语音波形；利用该目标语音帧对应的语音波形更新所述音频信息。
根据本公开的一个或多个实施例，示例7提供了一种语音合成装置，包括：第一获取模块，用于获取待合成文本对应的目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；第二获取模块，用于根据所述第一获取模块获取到的所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；语音合成模块，用于将所述第二获取模块获取到的每一所述语音帧的声学特征信息输入至声码器中，获得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8提供了示例7的装置，所述第一获取模块包括：扩展序列确定子模块，用于将待合成文本输入至时长模型中，得到扩展序列，其中，所述扩展序列由每一所述音素对应的第二子序列按照该音素在所述待合成文本中的先后顺序排列而成，所述第二子序列中的各元素均为该音素，并且，所述第二子序列的长度为该音素对应的语音帧的数量；目标序列确定子模块，用于将所述扩展序列确定子模块确定出的所述扩展序列输入至编码网络中，得到所述待合成文本对应的目标序列。
根据本公开的一个或多个实施例，示例9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示例1-6中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，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，以实现示例1-6中任一项所述方法的步骤。
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，包括：
获取待合成文本对应的目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；
根据所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；
将每一所述语音帧的声学特征信息输入至声码器中，获得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，所述获取待合成文本对应的目标序列，包括：
将待合成文本输入至编码网络中，得到所述待合成文本对应的表示序列，其中，所述表示序列由所述待合成文本中各音素的编码按照相应音素在所述待合成文本中的先后顺序排列而成；
将所述表示序列输入至时长模型中，得到所述待合成文本对应的目标序列。
3.根据权利要求1所述的方法，其特征在于，所述获取待合成文本对应的目标序列，包括：
将待合成文本输入至时长模型中，得到扩展序列，其中，所述扩展序列由每一所述音素对应的第二子序列按照该音素在所述待合成文本中的先后顺序排列而成，所述第二子序列中的各元素均为该音素，并且，所述第二子序列的长度为该音素对应的语音帧的数量；
将所述扩展序列输入至编码网络中，得到所述待合成文本对应的目标序列。
4.根据权利要求1-3中任一项所述的方法，其特征在于，在所述将每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息的步骤之后，所述方法还包括：
若接收到用户输入的一个或多个目标音素的发音时长，则针对每一所述目标音素，根据该目标音素的发音时长，确定该目标音素对应的语音帧的目标数量，其中，所述目标音素为所述待合成文本中各音素中的任一者；
根据该目标音素对应的语音帧的目标数量更新所述目标序列；
根据更新后的目标序列，获取所述待合成文本中各音素对应的每一语音帧的新的、声学特征信息；
将每一所述语音帧的、新的声学特征信息输入至声码器中，获得所述待合成文本对应的、新的音频信息。
5.根据权利要求1所述的方法，其特征在于，所述声码器包括上采样网络和波形生成网络；
所述声码器针对每一所述语音帧的声学特征信息，通过以下方式确定该语音帧对应的语音波形，其中，每一所述语音帧对应的语音波形组成所述待合成文本对应的音频信息：
所述上采样网络按照该语音帧对应的第一上采样倍数对该语音帧的声学特征信息进行上采样，得到该语音帧对应的样本级表征；
所述波形生成网络根据该语音帧对应的样本级表征进行波形生成，得到该语音帧对应的语音波形。
6.根据权利要求5所述的方法，其特征在于，在所述将每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息的步骤之后，所述方法还包括：
若接收到用户输入的一个或多个目标语音帧对应的第二上采样倍数，则所述声码器针对每一所述目标语音帧的声学特征信息，通过以下方式确定该目标语音帧对应的语音波形，其中，所述目标语音帧为所述待合成文本中各音素对应的语音帧中的任一者：
所述上采样网络按照该目标语音帧对应的第二上采样倍数对该目标语音帧的声学特征信息进行上采样，得到该目标语音帧对应的样本级表征；
所述波形生成网络根据该目标语音帧对应的样本级表征进行波形生成，得到该目标语音帧对应的语音波形；
利用该目标语音帧对应的语音波形更新所述音频信息。
7.一种语音合成装置，其特征在于，包括：
第一获取模块，用于获取待合成文本对应的目标序列，其中，所述目标序列由所述待合成文本中各音素对应的第一子序列按照相应音素在所述待合成文本中的先后顺序排列而成，所述音素对应的第一子序列中的各元素均为该音素的编码，并且，所述第一子序列的长度为该音素对应的语音帧的数量；
第二获取模块，用于根据所述第一获取模块获取到的所述目标序列，获取所述待合成文本中各音素对应的每一语音帧的声学特征信息；
语音合成模块，用于将所述第二获取模块获取到的每一所述语音帧的声学特征信息输入至声码器中，获得所述待合成文本对应的音频信息。
8.根据权利要求7所述的装置，其特征在于，所述第一获取模块包括：
第一确定子模块，用于将待合成文本输入至时长模型中，得到扩展序列，其中，所述扩展序列由每一所述音素对应的第二子序列按照该音素在所述待合成文本中的先后顺序排列而成，所述第二子序列中的各元素均为该音素，并且，所述第二子序列的长度为该音素对应的语音帧的数量；
第二确定子模块，用于将所述第一确定子模块确定出的所述扩展序列输入至编码网络中，得到所述待合成文本对应的目标序列。
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1-6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1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010403276.XA CN111583904B (zh) | 2020-05-13 | 2020-05-13 | 语音合成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010403276.XA CN111583904B (zh) | 2020-05-13 | 2020-05-13 | 语音合成方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583904A true CN111583904A (zh) | 2020-08-25 |
| CN111583904B CN111583904B (zh) | 2021-11-19 |
Family
ID=72112699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010403276.XA Active CN111583904B (zh) | 2020-05-13 | 2020-05-13 | 语音合成方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583904B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112309367A (zh) * | 2020-11-03 | 2021-02-02 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、存储介质及电子设备 |
| CN112331176A (zh) * | 2020-11-03 | 2021-02-05 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、存储介质及电子设备 |
| CN112397048A (zh) * | 2020-12-10 | 2021-02-23 | 标贝（北京）科技有限公司 | 语音合成的发音稳定性评价方法、装置和系统及存储介质 |
| CN112509553A (zh) * | 2020-12-02 | 2021-03-16 | 出门问问(苏州)信息科技有限公司 | 一种语音合成方法、装置以及计算机可读存储介质 |
| CN112786007A (zh) * | 2021-01-20 | 2021-05-11 | 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 |
| CN112786008A (zh) * | 2021-01-20 | 2021-05-11 | 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 |
| CN112885328A (zh) * | 2021-01-22 | 2021-06-01 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
| CN112927674A (zh) * | 2021-01-20 | 2021-06-08 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| CN112927677A (zh) * | 2021-03-29 | 2021-06-08 | 北京大米科技有限公司 | 语音合成方法和装置 |
| CN113327580A (zh) * | 2021-06-01 | 2021-08-31 | 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 |
| CN113724683A (zh) * | 2021-07-23 | 2021-11-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 音频生成方法、计算机设备及计算机可读存储介质 |
| CN113823260A (zh) * | 2021-10-20 | 2021-12-21 | 科大讯飞股份有限公司 | 语音合成模型训练方法、语音合成方法和装置 |
| CN114613353A (zh) * | 2022-03-25 | 2022-06-10 | 马上消费金融股份有限公司 | 语音合成方法、装置、电子设备及存储介质 |
| WO2022141842A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技（深圳）有限公司 | 基于深度学习的语音训练方法、装置、设备以及存储介质 |
| CN114783406A (zh) * | 2022-06-16 | 2022-07-22 | 深圳比特微电子科技有限公司 | 语音合成方法、装置和计算机可读存储介质 |
| CN114822492A (zh) * | 2022-06-28 | 2022-07-29 | 北京达佳互联信息技术有限公司 | 语音合成方法及装置、电子设备、计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234652A1 (en) * | 2005-05-18 | 2009-09-17 | Yumiko Kato | Voice synthesis device |
| CN102486921A (zh) * | 2010-12-02 | 2012-06-06 | 雅马哈株式会社 | 语音合成信息编辑设备 |
| 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 |
| CN109599092A (zh) * | 2018-12-21 | 2019-04-09 | 秒针信息技术有限公司 | 一种音频合成方法及装置 |
| US20190164535A1 (en) * | 2017-11-27 | 2019-05-30 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for speech synthesis |
| CN110534085A (zh) * | 2019-08-29 | 2019-12-03 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN110619867A (zh) * | 2019-09-27 | 2019-12-27 | 百度在线网络技术（北京）有限公司 | 语音合成模型的训练方法、装置、电子设备及存储介质 |
| CN110648684A (zh) * | 2019-07-02 | 2020-01-03 | 中国人民解放军陆军工程大学 | 一种基于WaveNet的骨导语音增强波形生成方法 |
-
2020
- 2020-05-13 CN CN202010403276.XA patent/CN111583904B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234652A1 (en) * | 2005-05-18 | 2009-09-17 | Yumiko Kato | Voice synthesis device |
| CN102486921A (zh) * | 2010-12-02 | 2012-06-06 | 雅马哈株式会社 | 语音合成信息编辑设备 |
| US20190164535A1 (en) * | 2017-11-27 | 2019-05-30 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for speech synthesis |
| 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 |
| CN109599092A (zh) * | 2018-12-21 | 2019-04-09 | 秒针信息技术有限公司 | 一种音频合成方法及装置 |
| CN110648684A (zh) * | 2019-07-02 | 2020-01-03 | 中国人民解放军陆军工程大学 | 一种基于WaveNet的骨导语音增强波形生成方法 |
| CN110534085A (zh) * | 2019-08-29 | 2019-12-03 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN110619867A (zh) * | 2019-09-27 | 2019-12-27 | 百度在线网络技术（北京）有限公司 | 语音合成模型的训练方法、装置、电子设备及存储介质 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331176B (zh) * | 2020-11-03 | 2023-03-10 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、存储介质及电子设备 |
| CN112331176A (zh) * | 2020-11-03 | 2021-02-05 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、存储介质及电子设备 |
| CN112309367A (zh) * | 2020-11-03 | 2021-02-02 | 北京有竹居网络技术有限公司 | 语音合成方法、装置、存储介质及电子设备 |
| CN112509553A (zh) * | 2020-12-02 | 2021-03-16 | 出门问问(苏州)信息科技有限公司 | 一种语音合成方法、装置以及计算机可读存储介质 |
| CN112509553B (zh) * | 2020-12-02 | 2023-08-01 | 问问智能信息科技有限公司 | 一种语音合成方法、装置以及计算机可读存储介质 |
| CN112397048B (zh) * | 2020-12-10 | 2023-07-14 | 标贝（北京）科技有限公司 | 语音合成的发音稳定性评价方法、装置和系统及存储介质 |
| CN112397048A (zh) * | 2020-12-10 | 2021-02-23 | 标贝（北京）科技有限公司 | 语音合成的发音稳定性评价方法、装置和系统及存储介质 |
| WO2022141842A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技（深圳）有限公司 | 基于深度学习的语音训练方法、装置、设备以及存储介质 |
| CN112786007A (zh) * | 2021-01-20 | 2021-05-11 | 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 |
| CN112786008A (zh) * | 2021-01-20 | 2021-05-11 | 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 |
| CN112927674A (zh) * | 2021-01-20 | 2021-06-08 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| CN112786007B (zh) * | 2021-01-20 | 2024-01-26 | 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 |
| CN112927674B (zh) * | 2021-01-20 | 2024-03-12 | 北京有竹居网络技术有限公司 | 语音风格的迁移方法、装置、可读介质和电子设备 |
| WO2022156544A1 (zh) * | 2021-01-20 | 2022-07-28 | 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 |
| CN112786008B (zh) * | 2021-01-20 | 2024-04-12 | 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 |
| WO2022156654A1 (zh) * | 2021-01-22 | 2022-07-28 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
| CN112885328A (zh) * | 2021-01-22 | 2021-06-01 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
| CN112927677A (zh) * | 2021-03-29 | 2021-06-08 | 北京大米科技有限公司 | 语音合成方法和装置 |
| CN113327580A (zh) * | 2021-06-01 | 2021-08-31 | 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 |
| CN113724683B (zh) * | 2021-07-23 | 2024-03-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 音频生成方法、计算机设备及计算机可读存储介质 |
| CN113724683A (zh) * | 2021-07-23 | 2021-11-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 音频生成方法、计算机设备及计算机可读存储介质 |
| CN113823260A (zh) * | 2021-10-20 | 2021-12-21 | 科大讯飞股份有限公司 | 语音合成模型训练方法、语音合成方法和装置 |
| CN114613353A (zh) * | 2022-03-25 | 2022-06-10 | 马上消费金融股份有限公司 | 语音合成方法、装置、电子设备及存储介质 |
| CN114613353B (zh) * | 2022-03-25 | 2023-08-08 | 马上消费金融股份有限公司 | 语音合成方法、装置、电子设备及存储介质 |
| CN114783406A (zh) * | 2022-06-16 | 2022-07-22 | 深圳比特微电子科技有限公司 | 语音合成方法、装置和计算机可读存储介质 |
| CN114822492B (zh) * | 2022-06-28 | 2022-10-28 | 北京达佳互联信息技术有限公司 | 语音合成方法及装置、电子设备、计算机可读存储介质 |
| CN114822492A (zh) * | 2022-06-28 | 2022-07-29 | 北京达佳互联信息技术有限公司 | 语音合成方法及装置、电子设备、计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583904B (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583904B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
| CN111583903B (zh) | 语音合成方法、声码器训练方法、装置、介质及电子设备 | |
| CN111583900B (zh) | 歌曲合成方法、装置、可读介质及电子设备 | |
| CN111402855B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN112489620B (zh) | 语音合成方法、装置、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 | |
| CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN112786011B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
| CN112183120A (zh) | 语音翻译方法、装置、设备和存储介质 | |
| CN111368559A (zh) | 语音翻译方法、装置、电子设备及存储介质 | |
| CN112786008B (zh) | 语音合成方法、装置、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 | |
| CN111597825B (zh) | 语音翻译方法、装置、可读介质及电子设备 | |
| CN111489735A (zh) | 语音识别模型训练方法及装置 | |
| CN112489606A (zh) | 旋律生成方法、装置、可读介质及电子设备 | |
| CN111667810B (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
| CN112562633A (zh) | 一种歌唱合成方法、装置、电子设备及存储介质 | |
| CN111785247A (zh) | 语音生成方法、装置、设备和计算机可读介质 | |
| CN113257218A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN111354343A (zh) | 语音唤醒模型的生成方法、装置和电子设备 | |
| CN114495902A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
| CN114495901A (zh) | 语音合成方法、装置、存储介质及电子设备 | |
| CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
| CN111968657B (zh) | 语音处理方法、装置、电子设备和计算机可读介质 | |
| CN114067800A (zh) | 语音识别方法、装置和电子设备 |
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 |