CN112365875A - 语音合成方法、装置、声码器和电子设备 - Google Patents
语音合成方法、装置、声码器和电子设备 Download PDFInfo
- Publication number
- CN112365875A CN112365875A CN202011295749.5A CN202011295749A CN112365875A CN 112365875 A CN112365875 A CN 112365875A CN 202011295749 A CN202011295749 A CN 202011295749A CN 112365875 A CN112365875 A CN 112365875A
- Authority
- CN
- China
- Prior art keywords
- voice
- synthesis model
- speech synthesis
- sub
- trained
- 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
- 238000001308 synthesis method Methods 0.000 title claims abstract description 32
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 163
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 163
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004821 distillation Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G10L13/02—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
- 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
-
- 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)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了语音合成方法、装置、声码器和电子设备，涉及语音、自然语言处理、深度学习技术领域。具体实现方案为：获取目标语音的声学特征谱图；将所述声学特征谱图输入至训练好的语音合成模型中，所述语音合成模型对所述声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音；以及根据所述多个子带语音合成所述目标语音。本申请的语音合成方法，可将目标语音的声学特征谱图输入至语音合成模型中，以得到多个子带语音，之后可根据多个子带语音合成目标语音，多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。
Description
技术领域
本申请涉及计算机技术领域中的语音、自然语言处理、深度学习技术领域，尤其涉及一种语音合成方法、装置、声码器、电子设备和存储介质。
背景技术
目前，语音合成技术在信息获取、娱乐、导航应用等领域中得到了广泛应用，给人们的生活带来了很大的改变。相关技术中的语音合成方法，存在计算量大的缺点，需要消耗较多的计算资源，不利于语音合成技术在低功耗场景下应用。
发明内容
提供了一种语音合成方法、装置、声码器、电子设备和存储介质。
根据第一方面，提供了一种语音合成方法，包括：获取目标语音的声学特征谱图；将所述声学特征谱图输入至训练好的语音合成模型中，所述语音合成模型对所述声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音；以及根据所述多个子带语音合成所述目标语音。
根据第二方面，提供了一种语音合成装置，包括：获取模块，用于获取目标语音的声学特征谱图；输入模块，用于将所述声学特征谱图输入至训练好的语音合成模型中，所述语音合成模型对所述声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音；以及合成模块，用于根据所述多个子带语音合成所述目标语音。
根据第三方面，提供了一种声码器，包括：生成器和判别器，所述生成器包括本申请第二方面实施例所述的语音合成装置。
根据第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请第一方面所述的语音合成方法。
根据第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请第一方面所述的语音合成方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的语音合成方法的流程示意图；
图2是根据本申请第二实施例的语音合成方法中语音合成模型的示意图；
图3是根据本申请第三实施例的语音合成方法中训练好的语音合成模型的获取的流程示意图；
图4是根据本申请第一实施例的语音合成装置的框图。
图5是根据本申请第二实施例的语音合成装置的框图；
图6是根据本申请第一实施例的声码器的框图；
图7是根据本申请第二实施例的声码器的框图；
图8是用来实现本申请实施例的语音合成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
语音可包括语音合成、语音交互等技术领域，是人工智能领域中的一个重要方向。
语音合成(Voice Synthesis)是一种让机器将文字信息转化为可输出的语音的技术，涉及声学、语言学、数字信号处理、计算机科学等领域。
语音交互(Voice Interaction)是一种机器与用户以语音为信息载体进行互动、沟通、信息交换等交互行为的技术，相较于传统的人机交互，具有方便快捷、用户舒适性高的优点。
自然语言处理(Natural Language Processing，NLU)是研究能有效地实现自然语言通信的计算机系统，特别是其中的软件系统的一门科学，是计算机科学领域与人工智能领域中的一个重要方向。
深度学习(Deep Learning，DL)是机器学习(Machine Learning，ML)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，使得机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一门科学，广泛应用于语音和图像识别。
图1是根据本申请第一实施例的语音合成方法的流程示意图。
如图1所示，本申请第一实施例的语音合成方法包括：
S101，获取目标语音的声学特征谱图。
需要说明的是，本申请实施例的语音识别方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本公开的实施例中，可获取目标语音的声学特征谱图。其中，声学特征谱图包括但不限于Mel(梅尔)谱图、MFCC(Mel-scale Frequency Cepstral Coefficients，梅尔倒谱系数)谱图、PLP(Perceptual Linear Predict，感知线性预测)谱图等，这里不做过多限定。
S102，将声学特征谱图输入至训练好的语音合成模型中，语音合成模型对声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音。
本公开的实施例中，获取目标语音的声学特征谱图之后，可将声学特征谱图输入至训练好的语音合成模型中，语音合成模型可对声学特征谱图进行子带语音长度的上采样(Up-Sampling)，并对上采样的结果进行残差处理，得到多个子带语音。
本公开的实施例中，对声学特征谱图进行子带语音长度的上采样，可得到多个子带语音长度的声学特征谱图，即上采样的结果为多个子带语音长度的声学特征谱图。其中，子带语音长度可根据目标语音的长度、子带数量来确定。
进一步地，对上采样的结果进行残差处理，以得到多个子带语音，即对多个子带语音长度的声学特征谱图进行残差处理，以得到对应的多个子带语音。
可选的，对上采样的结果进行残差处理，得到多个子带语音，可包括获取声学特征谱图与子带语音之间的映射关系或者映射表，获取到多个子带语音长度的声学特征谱图(上采样结果)之后，查询映射关系或者映射表，能够获取到对应的多个子带语音。
可选的，语音合成模型可根据实际情况进行设置。例如，语音合成模型可基于深度学习的CNN(Convolutional Neural Networks，卷积神经网络)算法进行构建。
S103，根据多个子带语音合成目标语音。
相关技术中，在进行语音合成时，较高的采样频率会导致合成时的序列长度较长，且合成所需的计算次数较多，例如，一段1秒、采样频率为16KHz(赫兹)的语音包含了16000个采样点，进行语音合成时的序列长度较长，所需的计算次数为16000次，从而需要消耗较多的计算资源，语音合成技术在低功耗场景的应用难度较大。
本申请中，通过将目标语音分成多个子带语音，多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。其中，低功耗场景包括但不限于手机、电脑、智能家电、车载终端等，这里不做过多限定。
可选的，根据多个子带语音合成目标语音所需的计算量可根据目标语音的长度、子带数量来确定。例如，所需的计算量＝目标语音的长度/子带数量。
综上，根据本申请实施例的语音合成方法，可将目标语音的声学特征谱图输入至语音合成模型中，语音合成模型可对声学特征谱图进行子带语音长度的上采样以及残差处理，以得到多个子带语音，之后可根据多个子带语音合成目标语音，该方法中语音合成时多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。
在上述任一实施例的基础上，步骤S102中对声学特征谱图进行子带语音长度的上采样，可包括采用转置卷积(Transposed Convolution)算法对声学特征谱图进行子带语音长度的上采样。
在上述任一实施例的基础上，步骤S102中对上采样的结果进行残差处理，可包括采用DSC(Depthwise Separable Convolution，深度可分离卷积)算法和一维卷积算法对上采样的结果进行多次残差处理。
相关技术中，大多采用扩张卷积算法等卷积算法进行残差处理，卷积算法的计算量通常较大，从而需要消耗较多的计算资源。本申请中，可采用深度可分离卷积算法代替常用的卷积算法进行残差处理，相较于常用的卷积算法，深度可分离卷积算法可降低约2/3的计算量，可在保持模型性能的同时大大降低计算量，便于语音合成技术在低功耗场景下应用。
例如，如图2所示，语音合成模型可包括上采样模块和残差模块，上采样模块用于对声学特征谱图进行子带语音长度的上采样，并将上采样结果输入至残差模块，残差模块用于对上采样的结果进行残差处理，得到多个子带语音。其中，上采样模块可包括转置卷积算法单元，残差模块可包括3个残差单元，每个残差单元可包括深度可分离卷积算法子单元和一维卷积算法子单元。
由此，该方法中可通过深度可分离卷积算法和一维卷积算法对上采样的结果进行多次残差处理，可在保持模型性能的同时大大降低计算量，便于语音合成技术在低功耗场景下应用。
在上述任一实施例的基础上，如图3所示，步骤S102中的训练好的语音合成模型的获取，可包括：
S301，获取样本语音的样本声学特征谱图。
本公开的实施例中，可获取大量的样本语音及其对应的样本声学特征谱图，用于训练语音合成模型。
S302，根据样本声学特征谱图对待训练的老师语音合成模型进行训练，得到训练好的老师语音合成模型。
本公开的实施例中，可根据样本声学特征谱图对待训练的老师语音合成模型进行训练，得到训练好的老师语音合成模型。
在具体实施中，可将样本声学特征谱图输入至待训练的老师语音合成模型中，获取待训练的老师语音合成模型输出的样本合成结果，样本合成结果和样本语音之间有可能存在较大误差，可根据样本合成结果和样本语音之间的误差，对待训练的老师语音合成模型进行训练，直至待训练的老师语音合成模型收敛，或者迭代次数达到预设的迭代次数阈值，或者模型精度达到预设的精度阈值，则可结束模型的训练，进而可得到训练好的老师语音合成模型。其中，迭代次数阈值、精度阈值可根据实际情况进行标定。
S303，采用蒸馏算法将训练好的老师语音合成模型和待训练的学生语音合成模型中不同的中间卷积层作为中间特征进行蒸馏，得到训练好的学生语音合成模型。
可以理解的是，采用蒸馏算法将训练好的老师语音合成模型和待训练的学生语音合成模型中不同的中间卷积层作为中间特征进行蒸馏，可将老师语音合成模型中的暗知识迁移到学生语音合成模型中，从而提高学生语音合成模型的性能。
可选的，老师语音合成模型和学生语音合成模型的网络结构一致，老师语音合成模型的卷积通道数高于学生语音合成模型的卷积通道数。
可以理解的是，老师语音合成模型和学生语音合成模型的网络结构一致，从而学生语音合成模型与老师语音合成模型较为相似，区别在于老师语音合成模型的卷积通道数较高，性能更好，缺点在于模型结构较大，不适合应用于低功耗场景，而学生语音合成模型的卷积通道数较低，性能稍差，优点在于模型结构较小，适合应用于低功耗场景。
S304，将训练好的学生语音合成模型确定为训练好的语音合成模型。
由此，该方法可先根据样本语音的声学特征谱图得到训练好的老师语音合成模型，然后采用蒸馏算法将训练好的老师语音合成模型进行压缩，得到训练好的学生语音合成模型，并将训练好的学生语音合成模型确定为训练好的语音合成模型，在压缩模型的同时有助于提高语音合成模型的性能，适合应用于低功耗场景。
图4是根据本申请第一实施例的语音合成装置的框图。
如图4所示，本申请实施例的语音合成装置400，包括：获取模块401、输入模块402和合成模块403。
获取模块401，用于获取目标语音的声学特征谱图；
输入模块402，用于将所述声学特征谱图输入至训练好的语音合成模型中，所述语音合成模型对所述声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音；
合成模块403，用于根据所述多个子带语音合成所述目标语音。
在本申请的一个实施例中，所述输入模块402，具体用于：采用转置卷积算法对所述声学特征谱图进行子带语音长度的上采样。
在本申请的一个实施例中，所述输入模块402，具体用于：采用深度可分离卷积算法和一维卷积算法对所述上采样的结果进行多次残差处理。
综上，本申请实施例的语音合成装置，可将目标语音的声学特征谱图输入至语音合成模型中，语音合成模型可对声学特征谱图进行子带语音长度的上采样以及残差处理，以得到多个子带语音，之后可根据多个子带语音合成目标语音，语音合成时多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。
图5是根据本申请第二实施例的语音合成装置的框图。
如图5所示，本申请实施例的语音合成装置500，包括：获取模块501、输入模块502、合成模块503和训练模块504。
其中，获取模块501与获取模块401具有相同功能和结构，输入模块502与输入模块402具有相同功能和结构，合成模块503与合成模块403具有相同功能和结构。
在本申请的一个实施例中，所述训练模块504，包括：获取单元5041，用于获取样本语音的样本声学特征谱图；训练单元5042，用于根据所述样本声学特征谱图对待训练的老师语音合成模型进行训练，得到训练好的老师语音合成模型；蒸馏单元5043，用于采用蒸馏算法将所述训练好的老师语音合成模型和待训练的学生语音合成模型中不同的中间卷积层作为中间特征进行蒸馏，得到训练好的学生语音合成模型；以及确定单元5044，用于将所述训练好的学生语音合成模型确定为所述训练好的语音合成模型。
在本申请的一个实施例中，所述老师语音合成模型和所述学生语音合成模型的网络结构一致，所述老师语音合成模型的卷积通道数高于所述学生语音合成模型的卷积通道数。
综上，本申请实施例的语音合成装置，可将目标语音的声学特征谱图输入至语音合成模型中，语音合成模型可对声学特征谱图进行子带语音长度的上采样以及残差处理，以得到多个子带语音，之后可根据多个子带语音合成目标语音，语音合成时多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。
图6是根据本申请第一实施例的声码器的框图。
如图6所示，本申请实施例的声码器600，包括：生成器601和判别器602，生成器601包括语音合成装置6011。
其中，语音合成装置6011与语音合成装置500具有相同功能和结构。
通过声码器600进行语音合成时，可将目标语音的声学特征谱图输入至生成器601中，生成器601根据语音合成装置6011对声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音，并根据多个子带语音合成目标语音，并将目标语音输入至判别器602中，判别器602可对目标语音进行判别，输出目标语音的判别结果。
本申请实施例的声码器，可通过生成器对声学特征谱图进行子带语音长度的上采样以及残差处理，以得到多个子带语音，之后可根据多个子带语音合成目标语音，语音合成时多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。进一步地，可通过判别器对合成的目标语音进行判别。
图7是根据本申请第二实施例的声码器的框图。
如图7所示，本申请实施例的声码器700，包括：生成器701和判别器702。
在本申请的一个实施例中，生成器701可包括上采样模块7011、残差模块7012、语音合成模块7013。上采样模块7011用于对声学特征谱图进行子带语音长度的上采样，并将上采样结果输入至残差模块7012。残差模块7012用于对上采样的结果进行残差处理，得到多个子带语音。语音合成模块7013用于根据多个子带语音合成目标语音。
在本申请的一个实施例中，残差模块7012可包括3个残差单元，每个残差单元可包括深度可分离卷积算法子单元和一维卷积算法子单元。
在本申请的一个实施例中，判别器702可包括第一判别模块7021、第一下采样模块7022、第二判别模块7023、第二下采样模块7024、第三判别模块7025。判别器702可通过第一判别模块7021、第二判别模块7022、第三判别模块7023对目标语音进行多尺度的判别，第一下采样模块7022、第二下采样模块7024用于对输入的语音进行下采样处理。
在本申请的一个实施例中，第一判别模块7021可包括第一卷积单元、下采样卷积单元、第二卷积单元和第三卷积单元。第一卷积单元、下采样卷积单元、第二卷积单元用于实现目标语音的特征映射，第三卷积单元用于输出对输入的语音的判别结果。其中，下采样卷积单元的数量可为4个。应说明的是，第二判别模块7022、第三判别模块7023与第一判别模块7021具有相同功能和结构。
本申请实施例的声码器，可通过生成器对声学特征谱图进行子带语音长度的上采样以及残差处理，以得到多个子带语音，之后可根据多个子带语音合成目标语音，语音合成时多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。进一步地，可通过判别器对合成的目标语音进行判别。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的语音合成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，智能语音交互设备、个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器801可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语音合成方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语音合成方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语音合成方法对应的程序指令/模块(例如，附图4所示的获取模块401、输入模块402和合成模块403)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语音合成方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据语音合成方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至语音合成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
语音合成方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与语音合成方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，可将目标语音的声学特征谱图输入至语音合成模型中，语音合成模型可对声学特征谱图进行子带语音长度的上采样以及残差处理，以得到多个子带语音，之后可根据多个子带语音合成目标语音，该方法中语音合成时多个子带语音之间可以并行计算处理，可有效降低语音合成的序列长度和计算量，便于语音合成技术在低功耗场景下应用。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (13)
1.一种语音合成方法，包括：
获取目标语音的声学特征谱图；
将所述声学特征谱图输入至训练好的语音合成模型中，所述语音合成模型对所述声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音；以及
根据所述多个子带语音合成所述目标语音。
2.根据权利要求1所述的语音合成方法，所述对所述声学特征谱图进行子带语音长度的上采样，包括：
采用转置卷积算法对所述声学特征谱图进行子带语音长度的上采样。
3.根据权利要求1所述的语音合成方法，所述对上采样的结果进行残差处理，包括：
采用深度可分离卷积算法和一维卷积算法对所述上采样的结果进行多次残差处理。
4.根据权利要求1所述的语音合成方法，还包括：
获取样本语音的样本声学特征谱图；
根据所述样本声学特征谱图对待训练的老师语音合成模型进行训练，得到训练好的老师语音合成模型；
采用蒸馏算法将所述训练好的老师语音合成模型和待训练的学生语音合成模型中不同的中间卷积层作为中间特征进行蒸馏，得到训练好的学生语音合成模型；以及
将所述训练好的学生语音合成模型确定为所述训练好的语音合成模型。
5.根据权利要求4所述的语音合成方法，所述老师语音合成模型和所述学生语音合成模型的网络结构一致，所述老师语音合成模型的卷积通道数高于所述学生语音合成模型的卷积通道数。
6.一种语音合成装置，包括：
获取模块，用于获取目标语音的声学特征谱图；
输入模块，用于将所述声学特征谱图输入至训练好的语音合成模型中，所述语音合成模型对所述声学特征谱图进行子带语音长度的上采样，并对上采样的结果进行残差处理，得到多个子带语音；以及
合成模块，用于根据所述多个子带语音合成所述目标语音。
7.根据权利要求6所述的语音合成装置，所述输入模块，具体用于：
采用转置卷积算法对所述声学特征谱图进行子带语音长度的上采样。
8.根据权利要求6所述的语音合成装置，所述输入模块，具体用于：
采用深度可分离卷积算法和一维卷积算法对所述上采样的结果进行多次残差处理。
9.根据权利要求6所述的语音合成装置，还包括：训练模块，所述训练模块，包括：
获取单元，用于获取样本语音的样本声学特征谱图；
训练单元，用于根据所述样本声学特征谱图对待训练的老师语音合成模型进行训练，得到训练好的老师语音合成模型；
蒸馏单元，用于采用蒸馏算法将所述训练好的老师语音合成模型和待训练的学生语音合成模型中不同的中间卷积层作为中间特征进行蒸馏，得到训练好的学生语音合成模型；以及
确定单元，用于将所述训练好的学生语音合成模型确定为所述训练好的语音合成模型。
10.根据权利要求9所述的语音合成装置，所述老师语音合成模型和所述学生语音合成模型的网络结构一致，所述老师语音合成模型的卷积通道数高于所述学生语音合成模型的卷积通道数。
11.一种声码器，包括：生成器和判别器，所述生成器包括如权利要求6-10中任一项所述的语音合成装置。
12.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的语音合成方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的语音合成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295749.5A CN112365875B (zh) | 2020-11-18 | 2020-11-18 | 语音合成方法、装置、声码器和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295749.5A CN112365875B (zh) | 2020-11-18 | 2020-11-18 | 语音合成方法、装置、声码器和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365875A true CN112365875A (zh) | 2021-02-12 |
| CN112365875B CN112365875B (zh) | 2021-09-10 |
Family
ID=74533571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011295749.5A Active CN112365875B (zh) | 2020-11-18 | 2020-11-18 | 语音合成方法、装置、声码器和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365875B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177635A (zh) * | 2021-04-29 | 2021-07-27 | 北京灵动音科技有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| CN113707123A (zh) * | 2021-08-17 | 2021-11-26 | 慧言科技(天津)有限公司 | 一种语音合成方法及装置 |
| 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 |
| CN113838452A (zh) * | 2021-08-17 | 2021-12-24 | 北京百度网讯科技有限公司 | 语音合成方法、装置、设备和计算机存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108369803A (zh) * | 2015-10-06 | 2018-08-03 | 交互智能集团有限公司 | 用于形成基于声门脉冲模型的参数语音合成系统的激励信号的方法 |
| CN109313898A (zh) * | 2016-06-10 | 2019-02-05 | 苹果公司 | 提供低声语音的数字助理 |
| CN110473515A (zh) * | 2019-08-29 | 2019-11-19 | 郝洁 | 一种基于WaveRNN的端到端语音合成方法 |
| CN110728308A (zh) * | 2019-09-25 | 2020-01-24 | 华南理工大学 | 基于改进Yolov2目标检测和语音识别的交互式导盲系统及方法 |
| US20200051583A1 (en) * | 2018-08-08 | 2020-02-13 | Google Llc | Synthesizing speech from text using neural networks |
| CN111179905A (zh) * | 2020-01-10 | 2020-05-19 | 北京中科深智科技有限公司 | 一种快速配音生成方法及装置 |
| CN111583903A (zh) * | 2020-04-28 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 语音合成方法、声码器训练方法、装置、介质及电子设备 |
-
2020
- 2020-11-18 CN CN202011295749.5A patent/CN112365875B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108369803A (zh) * | 2015-10-06 | 2018-08-03 | 交互智能集团有限公司 | 用于形成基于声门脉冲模型的参数语音合成系统的激励信号的方法 |
| CN109313898A (zh) * | 2016-06-10 | 2019-02-05 | 苹果公司 | 提供低声语音的数字助理 |
| US20200051583A1 (en) * | 2018-08-08 | 2020-02-13 | Google Llc | Synthesizing speech from text using neural networks |
| CN110473515A (zh) * | 2019-08-29 | 2019-11-19 | 郝洁 | 一种基于WaveRNN的端到端语音合成方法 |
| CN110728308A (zh) * | 2019-09-25 | 2020-01-24 | 华南理工大学 | 基于改进Yolov2目标检测和语音识别的交互式导盲系统及方法 |
| CN111179905A (zh) * | 2020-01-10 | 2020-05-19 | 北京中科深智科技有限公司 | 一种快速配音生成方法及装置 |
| CN111583903A (zh) * | 2020-04-28 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 语音合成方法、声码器训练方法、装置、介质及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| JIAWEI CHEN ET AL.: "HiFiSinger Towards High-Fidelity Neural Singing Voice Synthesis", 《JOURNAL PAPER-ARXIV USA》 * |
| SERCAN Ö. ARIK ET AL.: "Fast Spectrogram Inversion Using Multi-Head Convolutional Neural Networks", 《IEEE SIGNAL PROCESSING LETTERS》 * |
| YAMAMOTO, R. ET AL.: "Probability density distillation with generative adversarial networks for high-quality parallel waveform generation", 《JOURNAL PAPER-ARXIV USA》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177635A (zh) * | 2021-04-29 | 2021-07-27 | 北京灵动音科技有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| 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 |
| 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 |
| CN113707123A (zh) * | 2021-08-17 | 2021-11-26 | 慧言科技(天津)有限公司 | 一种语音合成方法及装置 |
| CN113838452A (zh) * | 2021-08-17 | 2021-12-24 | 北京百度网讯科技有限公司 | 语音合成方法、装置、设备和计算机存储介质 |
| CN113707123B (zh) * | 2021-08-17 | 2023-10-20 | 慧言科技(天津)有限公司 | 一种语音合成方法及装置 |
| US11996084B2 (en) | 2021-08-17 | 2024-05-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Speech synthesis method and apparatus, device and computer storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365875B (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365875B (zh) | 语音合成方法、装置、声码器和电子设备 | |
| EP3859735A2 (en) | Voice conversion method, voice conversion apparatus, electronic device, and storage medium | |
| CN112382271B (zh) | 语音处理方法、装置、电子设备和存储介质 | |
| CN110619867B (zh) | 语音合成模型的训练方法、装置、电子设备及存储介质 | |
| KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
| CN116229981A (zh) | 使用部分条件从输入序列生成目标序列 | |
| CN111831813B (zh) | 对话生成方法、装置、电子设备及介质 | |
| CN111354370B (zh) | 一种唇形特征预测方法、装置和电子设备 | |
| CN112287698B (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
| CN110782871B (zh) | 一种韵律停顿预测方法、装置以及电子设备 | |
| US20220068265A1 (en) | Method for displaying streaming speech recognition result, electronic device, and storage medium | |
| CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
| US20230058437A1 (en) | Method for human-computer interaction, apparatus for human-computer interaction, device, and storage medium | |
| CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
| CN112365879A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN112148850A (zh) | 动态交互方法、服务器、电子设备及存储介质 | |
| WO2023142454A1 (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
| CN117033582A (zh) | 对话模型的训练方法、装置、电子设备和存储介质 | |
| CN112650844B (zh) | 对话状态的追踪方法、装置、电子设备和存储介质 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
| CN112328776A (zh) | 对话生成方法、装置、电子设备和存储介质 | |
| CN112309368A (zh) | 韵律预测方法、装置、设备以及存储介质 | |
| CN112289305A (zh) | 韵律预测方法、装置、设备以及存储介质 | |
| EP4156174A2 (en) | Voice generating method and apparatus, electronic device and storage medium | |
| CN114898734B (zh) | 基于语音合成模型的预训练方法、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 |