CN112382266A

CN112382266A - 一种语音合成方法、装置、电子设备及存储介质

Info

Publication number: CN112382266A
Application number: CN202011194165.9A
Authority: CN
Inventors: 顾宇
Original assignee: Beijing Youzhuju Network Technology Co Ltd
Current assignee: Beijing Youzhuju Network Technology Co Ltd
Priority date: 2020-10-30
Filing date: 2020-10-30
Publication date: 2021-02-19

Abstract

本申请公开了一种语音合成方法、装置、电子设备及存储介质。方法包括：通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据；根据样本数据对初始语音合成系统进行校准；将待合成文本输入校准完成的语音合成系统获得合成语音信号。根据采集的声音获取第一识别文本，并将采集的声音和第一识别文本作为样本数据，并通过无需人工检查核对的样本数据对初始语音合成系统进行自动校准，并通过校准完成的语音合成系统进行语音的合成，从而节省了人工成本并提高了语音合成的效率。

Description

一种语音合成方法、装置、电子设备及存储介质

技术领域

本公开实施例涉及数据处理技术领域，尤其涉及一种语音合成方法、装置、电子设备及存储介质。

背景技术

语音合成，又称文本转换(Text To Speech，TTS)技术，能够将文本转换成语音，即将文字信息转化为可听的声音信息，涉及声学、语音学、数字信号处理以及计算机科学。

目前在进行语音合成时，通常采用样本对语音合成系统进行训练，并采用训练完成的语音合成系统进行语音的合成，但是在进行训练时通常需要采用人工的方式对样本进行检查核对，以使样本中的文本和语音是匹配对应的，因此需要消耗大量的人工成本，并且影响语音合成的效率。

发明内容

本公开实施例提供了一种语音合成方法、装置、电子设备及存储介质，以实现语音的自动合成。

第一方面，本公开实施例提供了一种语音合成方法，包括：

通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据；

根据样本数据对初始语音合成系统进行校准；

将待合成文本输入校准完成的语音合成系统获得合成语音信号。

第二方面，本公开实施例还提供了一种语音合成装置，该装置包括：

样本数据获取模块，用于通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据；

校准模块，用于根据样本数据对初始语音合成系统进行校准；

语音合成模块，用于将待合成文本输入校准完成的语音合成系统获得合成语音信号。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本公开任意实施例的方法。

第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例的方法。

本公开实施例中，根据采集的声音获取第一识别文本，并将采集的声音和第一识别文本作为样本数据，并通过无需人工检查核对的样本数据对初始语音合成系统进行自动校准，并通过校准完成的语音合成系统进行语音的合成，从而节省了人工成本并提高了语音合成的效率。

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。

图1是本公开实施例一提供的一种语音合成方法的流程图；

图2是本公开实施例二提供的一种语音合成方法的流程图；

图3是本公开实施例三提供的一种语音合成装置的结构示意图；

图4是本公开实施例四提供的一种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。

实施例一

图1是本公开实施例提供的语音合成方法的流程图，本实施例可适用于端到端语音合成的情况，该方法可以由本公开实施例提供的语音合成装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在计算机设备中。本公开实施例的方法具体包括：

如图1所示，本公开实施例中的方法可以包括如下步骤：

步骤110，通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据。

可选的，通过语音识别系统对采集的声音进行识别获得第一识别文本之前，还可以包括：获取原始声音；对原始声音进行预处理获得采集的声音。

具体的说，本实施方式中的原始声音可以是网络上所收录的无文本数据，例如，从电台上所获取的指定播音员的声音数据，将所获取的声音数据作为原始声音，并对原始声音进行预处理获得采集的声音。其中，预处理的操作包括去噪和语音活动检测(VoiceActivity Detection,VAD)等，并且具体是通过自适应滤波器对原始声音进行去噪，滤除原始声音中的噪声，然后对去噪后的原始声音采用VAD检测去除静音期，以获得有效声音数据，并将VAD检测后的原始声音作为采集的声音。当然本实施方式中仅是以去噪和VAD检测为例对预处理进行说明，而并不限定预处理操作的具体类型。

其中，由于所采集的声音中仅有声音数据，例如声纹特征等信息，而并没有所对应的文本，因此通过语音识别系统对采集的声音进行识别获得第一识别文本。语音识别系统能够将输入的声音信号转换成所匹配的文本信息，由于关于语音识别系统的具体原理并不是本申请的重点，因此本实施方式中不再进行赘述。从而通过将采集的声音输入语音识别系统，可以获取第一识别文本，并将所采集的声音和第一识别文本构成样本数据，并且在第一识别文本中所包含的文本数量至少为两个。

需要说明的是，由于第一识别文本是通过语音识别系统自动进行转换的，并没有人工参与核对，因此所获取的样本数据中可能会存在不准确的情况。例如，采集的声音一个是：我要上学，经过语音识别系统进行识别所获得的文本是“我要上学”，由于语音和文本所表达的含义是相同的因此识别结果是准确的；采集的声音另一个是：我要做家务，经过语音识别系统进行识别所获得的文本是“他要去唱歌”，由于语音和文本所表达的含义是不同的因此识别结果是错误的；采集的声音最后一个是：今天下雨，经过语音识别系统进行识别所获得的文本是“今天下雨”，由于语音和文本所表达的含义是相同的因此识别结果是准确的。并将(声音1：我要上学，文本1：我要上学)、(声音2：我要做家务，文本2：他要去唱歌)和(声音3：今天下雨，文本3：今天下雨)作为样本数据。因此通过语音识别系统所获取的样本数据可能会由于语音识别系统的算法误差，在没有人工参与核对的情况下，可能会存在不准确的情况。当然，本实施方式中仅是以第一识别文本中包含三个文本进行的举例说明，而在实际应用中第一识别文本中所包含的文本的数量通常是大量的，因此样本数据中所包含的具体样本个数也会是大量的，本实施方式中并不对第一识别文本中所包含的文本的数量进行限定。

步骤120，根据样本数据对初始语音合成系统进行校准。

可选的，根据样本数据对初始语音合成系统进行校准，可以包括：根据样本数据对初始语音合成系统进行训练；将第一识别文本输入训练完成的语音合成系统获得合成的声音；根据合成的声音对训练完成的语音合成系统进行校准。

具体的说，根据上述所获取的样本数据：(声音1：我要上学，文本1：我要上学)、(声音2：我要做家务，文本2：他要去唱歌)和(声音3：今天下雨，文本3：今天下雨)对初始语音合成系统进行训练，以对初始语音合成系统的初始权值参数进行优化，由于上述的样本数据中的声音都是针对一个指定主播，从而使得训练完成的初始语音合成系统具备合成出指定主播声音的功能。但是由于所采用的样本没有经过人工核对，因此可能是不精准的，需要在初始语义合成系统训练完成后，从样本数据中筛选出第一文本通过训练完成的初始语音合成系统进行语音合成，根据合成结果剔除掉不精准的样本数据，并采用优化后的样本数据对语音合成系统进行训练，以完成系统的初始权值参数进一步校准完善的过程。

可选的，根据合成的声音对训练完成的语音合成系统进行校准，可以包括：通过语音识别系统对合成的声音进行识别获得第二识别文本；将第二识别文本与第一识别文本进行对比，确定第二识别文本的准确率；根据准确率对训练完成的语音合成系统进行校准。

可选的，第一识别文本和第二识别文本中所包含的文本数量至少为两个；将第二识别文本与第一识别文本进行对比，确定第二识别文本的准确率，可以包括：将第二识别文本中的每个文本与第一识别文本中所对应的文本分别进行对比，确定第二识别文本中每个文本的分数；当第二识别文本中每个文本的分数大于分数阈值时，则确定文本识别准确；计算第二识别文本中识别准确的文本数量，根据识别准确的文本数量确定第二识别文本的准确率。

其中，本实施方式中所设置的分数阈值为5，准确率阈值为0.9。在确定对初始语音合成系统进行训练时所采用的样本数据包括：(声音1：我要上学，文本1：我要上学)、(声音2：我要做家务，文本2：他要去唱歌)和(声音3：今天下雨，文本3：今天下雨)。因此第一识别文本包括3个文本：文本1：我要上学、文本2：他要去唱歌、文本3：今天下雨，将第一识别文本输入训练完成的语音合成系统分别获得合成的声音：声音1^、：我要上学、声音2^、：她要去餐厅、文本3^、：今天下雨。由于通过人工对声音进行判断不太准确，因此继续采用语音识别系统分别对合成的声音进行识别获得第二识别文本：文本1^、：我要上学、文本2^、：她要去餐厅、文本3^、：今天下雨。并将第二识别结果与第一识别结果进行对比，例如，将文本1与文本1^、进行文本向量距离比较，由于相同因此距离比较近，而距离越近则分数越高，因此确定文本1^、分数为9、文本3^、分数为9，但是由于文本2与文本2^、不相同，因此距离较远，则分数为2。因为所设置的分数阈值为5，即分数大于5则文本识别准确，从而得出第二识别文本的准确率为0.67。

可选的，根据准确率对训练完成的语音合成系统进行校准，可以包括：判断准确率是否大于准确率阈值，若是则确定语音合成系统校准完成，否则，删除第一识别文本中相对于第二识别文本中文本距离相差最大的指定数量的文本，从采集的声音中确定出与删除后的第一识别文本所匹配的声音，根据删除后的第一识别文本和匹配的声音对训练完成的语音合成系统继续进行训练，直到达到准确率阈值或达到预设训练次数。

需要说明的是，在确定准确率大于准确率阈值，则确定语音合成系统校准完成，即语音合成系统的权值参数校准完成，表示确定语音合成系统能够准确完成语音合成。而在确定准确率小于准确率阈值时，则表示语音合成系统的权值参数需要进一步完善。具体方式是删除样本数据中较差的样本，并采用优化后的样本对语音合成系统继续进行训练。例如，由于本实施方式中确定第二文本的准确率为0.67，小于准确率阈值0.9，而第一识别文本包括文本1：我要上学、文本2：他要去唱歌、文本3：今天下雨；而第二识别文本包括文本1^、：我要上学、文本2^、：她要去餐厅、文本3^、：今天下雨。则会删除第一识别文本中相对于第二识别文本中文本距离相差最大的指定数量的文本，设定指定数量为1，则将第一识别文本中的文本2进行删除，因此删除后的第一识别文本包括文本1：我要上学、文本3：今天下雨，并从采集的声音中确定出与删除后的第一识别文本所匹配的声音：声音1：我要上学、声音3：今天下雨。并获得更新后的样本数据(声音1：我要上学，文本1：我要上学)、(声音3：今天下雨，文本3：今天下雨)，从而采用更新后的样本数据对系统继续进行训练，由于所采用的数据将少量不匹配的进行了删除，因此在进行重新进行训练时语音合成系统的参数会得到优化。直到达到准确率阈值或达到预设训练次数则停止训练，如果所设置的预设训练次数为50，则经过50次训练时仍然无法达到准确率阈值，则说明初始所获取的样本数据指令较差，会提示用户重新进行样本数据的获取。

步骤130，将待合成文本输入校准完成的语音合成系统获得合成语音信号。

具体的说，在确定语音合成系统已经校准完成的情况下，则在输入待合成文本后，语音合成系统能够根据所输入的待合成文本，准确输出与待合成文本所对应的语音信号，并且所合成的语音信号是与指定播音员所匹配的，即使得收听者从听觉上感觉语音信号是指定播音员所发出的。

其中，本实施方式可以应用于电子设备，语音识别系统和语音合成系统分别设置在电子设备上，并且在电子设备上包含人机交互界面，用户通过在人机交互界面上进行操作手动写入待合成文本，例如“请注意道路安全”，电子设备会将所获取的待合成文本输入校准完成的语音合成系统。当然，待合成文本还可以是语音合成系统自动从第一识别文本中所选取的，本实施方式中并不限定待合成文本的具体获取方式。

实施例二

图2是本公开实施例二提供的语音合成方法的流程图，本公开实施例可以与上述实施例中各可选方案结合，本公开实施例中，根据样本数据对初始语音合成系统进行校准之前，还包括：获取标准样本，根据标准样本获取初始语音合成系统。

如图2所示，本公开实施例的方法具体包括：

步骤210，通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据。

步骤220，获取标准样本，根据标准样本获取初始语音合成系统。

其中，标准样本中包含经过核对匹配的标准声音和标准文本。

可选的，标准声音所对应的发音者与采集的声音所对应的发音者不相同。

具体的说，在采用未经人工核对的样本数据对初始语音合成系统进行校准之前，通常需要少量的标准样本进行训练获得初始语音合成系统，以确定初始语音合成系统的初始权值参数。由于经过用户核对匹配的样本数据要显著少于通过语音识别系统自动识别所获取的样本数据，因此不会过多的增加用户的工作量。需要说明的是标准声音对应的发音者与采集的声音所对应的发音者不相同，例如，标准声音所对应的发音者可以是张三和李四，而采集的声音所对应的发音者是指定播音员王五。

步骤230，根据样本数据对初始语音合成系统进行校准。

步骤240，将待合成文本输入校准完成的语音合成系统获得合成语音信号。

实施例三

图3是本公开实施例三提供的语音合成装置的结构示意图。该装置可采用软件和/或硬件的方式实现，并一般可集成在执行方法的电子设备中。如图3所示，该装置可以包括：

样本数据获取模块310，用于通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据；

校准模块320，用于根据样本数据对初始语音合成系统进行校准；

语音合成模块330，用于将待合成文本输入校准完成的语音合成系统获得合成语音信号。

本公开实施例中，根据采集的声音获取第一识别文本，并将采集的声音和第一识别文本作为样本数据，并通过无需人工检查核对的样本数据对初始语音合成系统进行自动校准，并通过校准完成的语音合成系统进行语音的合成，从而提高了语音合成的效率。

可选的，在上述技术方案的基础上，校准模块，包括：

初始语音合成系统训练子模块，用于根据样本数据对初始语音合成系统进行训练；

合成的声音获取子模块，用于将第一识别文本输入训练完成的语音合成系统获得合成的声音；

校准子模块，用于根据合成的声音对训练完成的语音合成系统进行校准可选的，在上述技术方案的基础上，校准子模块，包括：

第二识别文本获取子单元，用于通过语音识别系统对合成的声音进行识别获得第二识别文本；

准确率确定子单元，用于将第二识别文本与第一识别文本进行对比，确定第二识别文本的准确率；

校准子单元，用于根据准确率对训练完成的语音合成系统进行校准。

可选的，在上述技术方案的基础上，第一识别文本和第二识别文本中所包含的文本数量至少为两个；准确率确定单元，用于：

将第二识别文本中的每个文本与第一识别文本中所对应的文本分别进行对比，确定第二识别文本中每个文本的分数；

当第二识别文本中每个文本的分数大于分数阈值时，则确定文本识别准确；

计算第二识别文本中识别准确的文本数量，根据识别准确的文本数量确定第二识别文本的准确率。

可选的，在上述技术方案的基础上，校准子单元，用于：

判断准确率是否大于准确率阈值，若是则确定语音合成系统校准完成，

否则，删除第一识别文本中相对于第二识别文本中文本距离相差最大的指定数量的文本，从采集的声音中确定出与删除后的第一识别文本所匹配的声音，根据删除后的第一识别文本和匹配的声音对训练完成的语音合成系统继续进行训练，直到达到准确率阈值或达到预设训练次数。

可选的，在上述技术方案的基础上，装置还包括初始语音合成系统获取模块，用于：

获取标准样本，其中，标准样本中包含经过核对匹配的标准声音和标准文本；

根据标准样本获取初始语音合成系统。

可选的，在上述技术方案的基础上，述标准声音所对应的发音者与采集的声音所对应的发音者不相同。

可选的，在上述技术方案的基础上，装置还包括采集的声音获取模块，用于：

获取原始声音；

对原始声音进行预处理获得采集的声音。

本公开实施例提供的主旋律的生成装置，与上述各实施例提供的语音合成方法属于同一构思，未在本公开实施例中详尽描述的技术细节可参见上述各实施例，并且本公开实施例与上述各实施例具有相同的有益效果。

实施例四

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400的结构示意图。本公开实施例中的电子设备可以是应用程序的后端服务平台对应的设备，还可以是安装有应用程序客户端的移动终端设备。具体的，该电子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400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400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400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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，使得该电子设备内部进程执行：通过语音识别系统对采集的声音进行识别获得第一识别文本，并将采集的声音和第一识别文本构成样本数据；根据样本数据对初始语音合成系统进行校准；将待合成文本输入校准完成的语音合成系统获得合成语音信号。

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单元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，单元的名称在某种情况下并不构成对该单元本身的限定。

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：

通过语音识别系统对采集的声音进行识别获得第一识别文本，并将所述采集的声音和所述第一识别文本构成样本数据；

根据所述样本数据对初始语音合成系统进行校准；

根据本公开的一个或多个实施例，【实例2】提供了实例1的方法，还包括：

根据所述样本数据对所述初始语音合成系统进行训练；

将所述第一识别文本输入训练完成的语音合成系统获得合成的声音；

根据所述合成的声音对所述训练完成的语音合成系统进行校准。

根据本公开的一个或多个实施例，【实例3】提供了实例2的方法，还包括：

通过所述语音识别系统对所述合成的声音进行识别获得第二识别文本；

将所述第二识别文本与所述第一识别文本进行对比，确定所述第二识别文本的准确率；

根据所述准确率对所述训练完成的语音合成系统进行校准。

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，所述第一识别文本和所述第二识别文本中所包含的文本数量至少为两个；还包括：

将所述第二识别文本中的每个文本与所述第一识别文本中所对应的文本分别进行对比，确定所述第二识别文本中每个文本的分数；

当所述第二识别文本中每个文本的分数大于分数阈值时，则确定所述文本识别准确；

计算所述第二识别文本中识别准确的文本数量，根据所述识别准确的文本数量确定所述第二识别文本的准确率。

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，还包括：

判断所述准确率是否大于准确率阈值，若是则确定所述语音合成系统校准完成，

否则，删除所述第一识别文本中相对于所述第二识别文本中文本距离相差最大的指定数量的文本，从所述采集的声音中确定出与删除后的第一识别文本所匹配的声音，根据所述删除后的第一识别文本和所述匹配的声音对所述训练完成的语音合成系统继续进行训练，直到达到所述准确率阈值或达到预设训练次数。

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，还包括：

获取标准样本，其中，所述标准样本中包含经过核对匹配的标准声音和标准文本；

根据所述标准样本获取所述初始语音合成系统。

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，还包括：所述标准声音所对应的发音者与所述采集的声音所对应的发音者不相同。

根据本公开的一个或多个实施例，【示例8】提供了示例1至7任一项所述的方法，还包括：

获取原始声音；

对所述原始声音进行预处理获得所述采集的声音。

根据本公开的一个或多个实施例，【示例9】提供了一种语音合成装置，包括：

样本数据获取模块，用于通过语音识别系统对采集的声音进行识别获得第一识别文本，并将所述采集的声音和所述第一识别文本构成样本数据；

校准模块，用于根据所述样本数据对初始语音合成系统进行校准；

根据本公开的一个或多个实施例，【示例10】提供了实例9的装置，所述校准模块，包括：

初始语音合成系统训练子模块，用于根据所述样本数据对所述初始语音合成系统进行训练；

合成的声音获取子模块，用于将所述第一识别文本输入训练完成的语音合成系统获得合成的声音；

校准子模块，用于根据所述合成的声音对所述训练完成的语音合成系统进行校准

根据本公开的一个或多个实施例，【示例11】提供了实例10的装置，所述校准子模块，包括：

第二识别文本获取子单元，用于通过所述语音识别系统对所述合成的声音进行识别获得第二识别文本；

准确率确定子单元，用于将所述第二识别文本与所述第一识别文本进行对比，确定所述第二识别文本的准确率；

校准子单元，用于根据所述准确率对所述训练完成的语音合成系统进行校准。

根据本公开的一个或多个实施例，【示例12】提供了实例11的装置，所述第一识别文本和所述第二识别文本中所包含的文本数量至少为两个；所述准确率确定单元，用于：

根据本公开的一个或多个实施例，【示例13】提供了实例12的装置，所述校准子单元，用于：

根据本公开的一个或多个实施例，【示例14】提供了实例9的装置，装置还包括初始语音合成系统获取模块，用于：

根据所述标准样本获取所述初始语音合成系统。

根据本公开的一个或多个实施例，【示例15】提供了实例14的装置，所述标准声音所对应的发音者与所述采集的声音所对应的发音者不相同。

根据本公开的一个或多个实施例，【示例16】提供了实例9至15任一项所述的装置，还包括采集的声音获取模块，用于：

获取原始声音；

对所述原始声音进行预处理获得所述采集的声音。

根据本公开的一个或多个实施例，【示例17】提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

根据本公开的一个或多个实施例，【示例18】提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。

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。

Claims

1.一种语音合成方法，其特征在于，包括：

根据所述样本数据对初始语音合成系统进行校准；

2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据对初始语音合成系统进行校准，包括：

根据所述样本数据对所述初始语音合成系统进行训练；

3.根据权利要求2所述的方法，其特征在于，所述根据所述合成的声音对所述训练完成的语音合成系统进行校准，包括：

根据所述准确率对所述训练完成的语音合成系统进行校准。

4.根据权利要求3所述的方法，其特征在于，所述第一识别文本和所述第二识别文本中所包含的文本数量至少为两个；

所述将所述第二识别文本与所述第一识别文本进行对比，确定所述第二识别文本的准确率，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述准确率对所述训练完成的语音合成系统进行校准，包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据对初始语音合成系统进行校准之前，还包括：

根据所述标准样本获取所述初始语音合成系统。

7.根据权利要求6所述的方法，其特征在于，所述标准声音所对应的发音者与所述采集的声音所对应的发音者不相同。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述通过语音识别系统对采集的声音进行识别获得第一识别文本之前，还包括：

获取原始声音；

对所述原始声音进行预处理获得所述采集的声音。

9.一种语音合成装置，其特征在于，包括：

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8任一所述的方法。