CN112509552B - 语音合成方法、装置、电子设备和存储介质 - Google Patents

语音合成方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112509552B
CN112509552B CN202011360413.2A CN202011360413A CN112509552B CN 112509552 B CN112509552 B CN 112509552B CN 202011360413 A CN202011360413 A CN 202011360413A CN 112509552 B CN112509552 B CN 112509552B
Authority
CN
China
Prior art keywords
text
synthesized
candidate
prosodic
group
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
CN202011360413.2A
Other languages
English (en)
Other versions
CN112509552A (zh
Inventor
高占杰
陈昌滨
刘龙飞
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011360413.2A priority Critical patent/CN112509552B/zh
Publication of CN112509552A publication Critical patent/CN112509552A/zh
Application granted granted Critical
Publication of CN112509552B publication Critical patent/CN112509552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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

Abstract

本申请公开了语音合成方法、装置、电子设备和存储介质，涉及深度学习、语音技术等人工智能技术领域。具体实现方案为：在对待合成文本进行语音合成的过程中，结合语音合成请求中的用户标识，获取与该用户标识对应的音色特征，并结合根据用户标识，获取待合成文本的至少一组候选韵律特征，从至少一组候选韵律特征中选择出一组作为待合成文本的韵律特征；根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。由此，结合与用户标识对应的音色特征、待合成文本和韵律特征合成待合成文本的合成音频，从而使得所得到的合成音频具有与用户标识对应的用户声音特点，使得合成的音频更加真实，自然，提升了语音合成效果。

Description

语音合成方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及深度学习、语音技术等人工智能技术领域，尤其涉及语音合成方法、装置、电子设备和存储介质。
背景技术
语音合成(Text to Speech)是人工智能语音领域重要的技术和应用方向之一，是将用户或产品输入的文本转换为语音的过程，通过机器模仿人类“说话”的方式，输出拟人的声音，主要应用在有声阅读、人机对话、智能音箱、智能客服等场景中，是人与机器进行自然交互的主要方式之一。
在语音合成技术中，相关技术中所合成的音频通常字与字之间变化较小，从而导致所合成的音频的机械感较重，合成效果较差。
发明内容
本申请提供了一种用于语音合成方法、装置、电子设备和存储介质。
根据本申请的一方面，提供了一种语音合成方法，包括：接收语音合成请求，其中，所述语音合成请求包括待合成文本和用户标识；获取与所述用户标识对应的音色特征；根据所述用户标识，获取所述待合成文本的至少一组候选韵律特征；从所述至少一组候选韵律特征中选择出一组，作为所述待合成文本的韵律特征；以及根据所述音色特征、所述待合成文本和所述韵律特征进行语音合成，以得到所述待合成文本对应的合成音频。
根据本申请的另一方面，提供了一种语音合成装置，包括：接收模块，用于接收语音合成请求，其中，所述语音合成请求包括待合成文本和用户标识；第一获取模块，用于获取与所述用户标识对应的音色特征；第二获取模块，用于根据所述用户标识，获取所述待合成文本的至少一组候选韵律特征；选择模块，用于从所述至少一组候选韵律特征中选择出一组，作为所述待合成文本的韵律特征；以及语音合成模块，用于根据所述音色特征、所述待合成文本和所述韵律特征进行语音合成，以得到所述待合成文本对应的合成音频。
根据本申请的另一方面，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的语音合成方法。
根据本申请的另一方面，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实施例公开的语音合成方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请的语音合成方法。
上述申请中的一个实施例具有如下优点或有益效果：
在对待合成文本进行语音合成的过程中，结合语音合成请求中的用户标识，获取与该用户标识对应的音色特征，并结合根据用户标识，获取待合成文本的至少一组候选韵律特征，从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征；以及根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。由此，结合与用户标识对应的音色特征、待合成文本和韵律特征合成待合成文本的合成音频，从而使得所得到的合成音频具有与用户标识对应的用户声音特点，使得最终合成的音频更加真实，自然，提升了语音合成效果。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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提供的一种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一种语音合成方法的流程示意图；
图3是根据本申请的一个实施例中的韵律预测模型的结构示意图；
图4是训练声学子模型的细化流程示意图；
图5是根据本申请第三实施例提供的一种语音合成装置的结构示意图；
图6是根据本申请第四实施例提供的一种语音合成装置的结构示意图；
图7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。
下面参考附图描述本申请实施例的语音合成方法、装置、电子设备和存储介质。
图1是根据本申请第一实施例提供的一种语音合成方法的流程示意图。
如图1所示，该语音合成方法可以包括：
步骤101，接收语音合成请求，其中，语音合成请求包括待合成文本和用户标识。
其中，需要说明的是，上述语音合成方法的执行主体为语音合成装置，该语音合成装置可以由软件和/或硬件的方式实现，该实施例中的语音合成装置可以配置在电子设备中，本实施例中的电子设备可以包括终端设备和服务器等设备，该实施例对电子设备不作限定。
其中，语音合成请求的触发条件可以为用户对语音合成装置中预设按键的点击、预设控件的点击、预设区域的点击等，可以根据实际需求进行设定，在本申请不做限制。
作为一种可能的实现方式，在用户使用具有语音合成功能的应用软件的过程中，在用户上传完待合成文本后，可在应用软件对应的用户交互界面上为用户提供多个发音人，并获取用户从多个发音人选择的目标发音人，在检测到用户触发交互界面上的确认指令后，可获取目标发音人的用户标识，并根据用户标识以及待合成文本生成语音合成请求，对应地，将携带有用户标识以及待合成文本的语音合成请求发送至语音合成装置。
其中，可以理解的是，本实施例中的待合成文本可以是从语音合成装置所提供的多个候选文本中确定出的，也可以是用户上传的，在实际应用中，可结合业务需求进行处理，该实施例对此不作具体限定。
其中，需要说明的是，本实施例中的待合成文本的语言可以为任意类型的语言，可以为中文，英文等，该实施例对此不作具体限定。
在本实施例中，以上述待合成文本的语言类型为中文为例进行示例性说明。
步骤102，获取与用户标识对应的音色特征。
在不同的应用场景中，获取与用户标识对应的音色特征的方式不同，举例说明如下：
作为一种示例性的实施方式，在获取用户标识后，可基于预设的用户标识和音色特征之间的对应关系，获取与该用户标识对应的音色特征。
其中，音色特征可以包括但不限于音高、长度、音调等特征。
作为另一种示例性的实施方式，可获取与用户标识对应的真实音频数据，然后，根据真实音频数据进行音色特征分析，以得到该用户标识的音色特征。
作为一种可能的实现方式，可通过音色特征提取算法对真实音频数据进行音色特征提取，以得到该用户标识对应的音色特征。
作为另一种可能的实现方式，可将真实音频数据到预先训练的音色模型中，以通过该音色模型对真实音频数据进行分析，以得到该用户标识对应的音色特征。
步骤103，根据用户标识，获取待合成文本的至少一组候选韵律特征。
步骤104，从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征。
其中，从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征的实现方式有多种，举例说明如下：
作为一种可能的实现方式，在获取待合成文本的至少一组候选韵律特征后，可在显示界面上显示至少一组候选韵律特征，然后，根据用户操作，获取用户至少一组候选韵律特征中选择出一组，并将用户所选择出的一组韵律特征作为该待合成文本的韵律特征。
作为另一种可能的实现方式，可从至少一组候选韵律特征中随机选择出一组，作为待合成文本的韵律特征。
关于从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征的其他实现方式将在后续实施例中进行描述。
其中，本实施例中的韵律特征包括时长、基频以及能量等。
需要说明的是，本实施例中的韵律特征是文字级别的韵律特征。具体而，针对每个文字，可对该文字对应的音频帧进行帧级别的求均值或其他操作(例如高斯求和)，以得到文字级别的韵律特征。
其中，对于中文文字而言，文字可以为汉字或者音素。
步骤105，根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。
在本申请的一个实施例中，上述根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频的一种可能实现方式为：结合语音合成规则，利用音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。
在本申请的另一个实施例中，为了准确，且提高合成音频的自然度，上述根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频的一种可能实现方式为：可将音色特征、待合成文本和韵律特征输入至语音合成模型中，以得到待合成文本对应的合成音频。
其中，上述语音合成模型是基于训练数据而预先得到的，该训练好的语音合成模基于输入的音色特征、待合成文本和韵律特征输入，可准确合成待合成文本对应的合成音频。
本申请实施例的语音合成方法，在对待合成文本进行语音合成的过程中，结合语音合成请求中的用户标识，获取与该用户标识对应的音色特征，并结合根据用户标识，获取待合成文本的至少一组候选韵律特征，从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征；以及根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。由此，结合与用户标识对应的音色特征、待合成文本和韵律特征合成待合成文本的合成音频，从而使得所得到的合成音频具有与用户标识对应的用户声音特点，使得最终合成的音频更加真实，自然，提升了语音合成效果。
图2是根据本申请第二实施例提供的一种语音合成方法的流程示意图。该实施例对图1所实施例的进一步细化或者优化。
如图2所示，该语音合成方法可以包括：
步骤201，接收语音合成请求，其中，语音合成请求包括待合成文本和用户标识。
步骤202，获取与用户标识对应的音色特征。
步骤203，根据用户标识，获取待合成文本的至少一组候选韵律特征。
可以理解的是，对于一个文字而言，例如，文字为“小”，其可能“小明您好”，“小霸王”，“好小子”，“小小的一片云呀”等多个语句中出现，而用户在不同语句中说该文字的韵律特征可能是不同的。因此，在本申请的一个实施例中，为了可以准确获取与该待合成文本对应的至少一组候选韵律特征，上述根据用户标识，获取待合成文本的至少一组候选韵律特征的一种可能实现方式为：获取待合成文本对应的文字序列，其中，文字序列包括多个文字；根据用户标识，获取文字序列中每个文字对应的至少一个候选韵律特征；以及从每个文字对应的至少一个候选韵律特征中分别抽取一个，并按照文字序列中的文字顺序，对抽取到的至少一个候选韵律特征进行组合，以得到待合成文本一组候选韵律特征。
在本本申请的一个实施例中，根据用户标识，获取文字序列中每个文字对应的至少一个候选韵律特征的一种可能实现方式为：可基于预存的用户标识、文字以及韵律特征之间的对应关系，根据该用户标识，获取该文字序列中每个文字对应的至少一个候选韵律特征。
在本申请一个实施例中，在从上述对应关系中，未获取到目标文字的韵律特征的情况下，可将该待合成文本和用户标识输入至预先训练的韵律预测模型中，以通过该韵律预测模型得到待合成文本中每个文字的韵律特征，然后，从韵律预测模型输出每个文字的韵律特征中，获取目标文字的韵律特征。其中，目标文字为待合成文本中的一个文字或者多个文字。
作为一种可能的实现方式，韵律预测模型获取待合成文本的韵律特征的方式为，可将待合成文本对应的文本特征以及与用户标识对应的用户表征特征进行拼接，以得到用户文本特征，并将用户文本特征输入到韵律预测模型，韵律预测模型中的时长预测子网络，根据文本特征和用户表征特征，确定出该待合成文本对应的文本时长特征。韵律模型中的能量预测子网络，根据文本特征和用户表征特征，确定出该待合成文本对应的文本能量特征。韵律模型中的基频预测子网络，根据文本特征和用户表征特征，确定出该待合成文本的文本基频特征。
在本申请的一个实施例中，其中，如图3所示，为韵律预测模型的结构示意图。在图3中，可获取待合成文本的文本特征和用户标识对应的用户表征，并对文本特征和用户表征进行拼接，以得到用户文本表征，并将用户文本特征输入至韵律预测模型。对应地，韵律预测模型中的第一LSTM(Long Short-Term Memory，长短期记忆网络)子网络，基于文本特征和用户表征特征得到待合成文本的文本时长特征。对应地，韵律预测模型中的第二LSTM子网络，基于文本特征和用户表征特征得到待合成文本的文本基频特征。对应地，韵律预测模型中的第三LSTM子网络，基于文本特征和用户表征特征得到待合成文本的文本能量特征。
步骤204，获取每组候选韵律特征的概率。
在本申请的一个实施例中，为了可以准确确定出每组候选韵律特征的概率，上述获取每组候选韵律特征的概率的一种可能实现方式为：获取与用户标识对应的概率分析模型；以及将每组候选韵律特征分别输入到概率分析模型中，以得到每组候选韵律特征的概率。
其中，可以理解的是，对于不同发音人来说，其说话时文字对应的韵律特征是不同的，在本申请的一个实施例中，本实施例中的用户标识用于对不同发音人进行标识，不同用户标识所标识的发音人是不同的，不同用户标识其对应的概率分析模型是不同的。
在本实施例中，本实施例中的概率分析模型可以为HMM模型(Hidden MarkovModel,隐马尔科夫模型)。
其中，本实施例中的概率分析模型是基于对应用户标识对应的语音数据进行训练而得到的。
步骤205，根据每组候选韵律特征的概率值，从至少一组候选韵律特征中，选择出概率值最大的一组作为待合成文本对应的韵律特征。
其中，上述步骤205的具体实现方式，可参见上述实施例中的相关描述，此处不再赘述。
在本实施例中，结合每组候选韵律特征的概率，从待合成文本对应的至少一组候选韵律特征中，选择出概率值最大的一组作为所述待合成文本对应的韵律特征。由此，准确确定出了对应用户说待合成文本中每个子的韵律特征，进而可使得后续所合成的音频更加接近与该用户标识对应的真实音频，减少机械感。
步骤206，将音色特征、待合成文本和韵律特征输入至语音合成模型中，以得到待合成文本对应的合成音频。
在本实施例中，为了可以快速，且准确得到合成音频，在获取音色特征、待合成文本和韵律特征之后，可将音色特征、待合成文本和韵律特征输入至预先训练的语音合成模型，以通过语音合成模型得到待合成文本对应的合成音频。由此，将音色特征以及待合成文本的韵律特征直接输入到语音合成模型，从而使得语音合成模型无需对待合成的韵律特征进行预测，可使得通过该语音合成模型所得到的合成音频中字与字之间的韵律特征更加接近用户所说的真实声音，提高了所合成的合成音频的自然度。
其中，上述概率分析模型是基于训练数据而得到的。
在本申请一个实施例中，上述语音合成模型包括声学子模型和声码器，将音色特征、待合成文本和韵律特征输入至语音合成模型中，以得到待合成文本对应的合成音频的一种可能实现方式为：将音色特征、待合成文本和韵律特征输入至声学子模型，以得到待合成文本的梅尔频谱；以及通过声码器对梅尔频谱进行转换，以得到待合成文本对应的合成音频。
在本实施中，声学子模型结合音色特征、待合成文本和韵律特征准确确定出待合成文本的梅尔频谱，然后，通过与声学子模型连接的声码器对梅尔频谱进行转换，以得到待合成文本对应的合成音频。由此，结合待合成文本的梅尔频谱，准确得到了待合成文本的合成音频。
在本申请的一个实施例中，为了提高语音合成模型中的声学子模型的准确度，可结合训练数据对声学子模型进行训练，下面结合图4对声学子模型的训练过程进行描述，如图4所示，可以包括：
步骤401，获取训练数据，其中，训练数据包括音色特征以及与用户标识对应的样本数据，样本数据包括样本文本对应的梅尔样本频谱、声学样本特征。
步骤402，将样本文本、音色特征和声学样本特征到声学子模型，以得到样本文本的预测梅尔频谱。
步骤403，根据预测梅尔频谱和梅尔样本频谱对声学子模型进行训练。
在本申请的一个实施例中，可根据预测梅尔频谱和梅尔样本频谱，确定两者之间的差异度，然后，基于差异度对对声学子模型的模型参数进行调整，直至预测梅尔频谱和梅尔样本频谱之间的差异度小于预设差异度阈值，以方便后续可基于训练好的声学子模型，准确确定出待合成文本的梅尔频谱。
为了实现上述实施例，本申请实施例还提供一种语音合成装置。
图5是根据本申请第三实施例提供的一种语音合成装置的结构示意图。
如图5所示，该语音合成装置500可以包括接收模块501、第一获取模块502、第二获取模块503、选择模块504和语音合成模块505，其中：
接收模块501，用于接收语音合成请求，其中，语音合成请求包括待合成文本和用户标识。
第一获取模块502，用于获取与用户标识对应的音色特征。
第二获取模块503，用于根据用户标识，获取待合成文本的至少一组候选韵律特征。
选择模块504，用于从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征。以及
语音合成模块505，用于根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。
其中，需要说明的是，前述对语音合成方法实施例的解释说明也适用于本实施例，本实施对此不再赘述。
本申请实施例的语音合成装置，在对待合成文本进行语音合成的过程中，结合语音合成请求中的用户标识，获取与该用户标识对应的音色特征，并结合根据用户标识，获取待合成文本的至少一组候选韵律特征，从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征；以及根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。由此，结合与用户标识对应的音色特征、待合成文本和韵律特征合成待合成文本的合成音频，从而使得所得到的合成音频具有与用户标识对应的用户声音特点，使得最终合成的音频更加真实，自然，提升了语音合成效果。
在本申请的一个实施例中，如图6所示，该语音合成装置可以包括：接收模块601、第一获取模块602、第二获取模块603、选择模块604和语音合成模块605，其中，选择模块604可以包括获取单元6041和选择单元6042。
其中，关于接收模块601、第一获取模块602、第二获取模块603、选择模块604和语音合成模块605的详细描述可参见请参考图5所示实施例中接收模块501、第一获取模块502、第二获取模块503、选择模块504和语音合成模块605的说明，此处不再进行描述。
获取单元6041，用于获取每组候选韵律特征的概率。
选择单元6042，用于根据每组候选韵律特征的概率值，从至少一组候选韵律特征中，选择出概率值最大的一组作为待合成文本对应的韵律特征。
在本申请的一个实施例中，第二获取模块603，具体用于：获取待合成文本对应的文字序列，其中，文字序列包括多个文字；根据用户标识，获取文字序列中每个文字对应的至少一个候选韵律特征；以及从每个文字对应的至少一个候选韵律特征中分别抽取一个，并按照文字序列中的文字顺序，对抽取到的至少一个候选韵律特征进行组合，以得到待合成文本一组候选韵律特征。
在本申请的一个实施例中，上述获取单元6041，具体用于：获取与用户标识对应的概率分析模型；以及将每组候选韵律特征分别输入到概率分析模型中，以得到每组候选韵律特征的概率。
在本申请的一个实施例中，语音合成模块605，具体用于：将音色特征、待合成文本和韵律特征输入至语音合成模型中，以得到待合成文本对应的合成音频。
在本申请第一个实施例中，上述语音合成模型包括声学子模型和声码器，如图6所示，上述语音合成模块605，可以包括：
声学单元6051，用于将音色特征、待合成文本和韵律特征输入至声学子模型，以得到待合成文本的梅尔频谱；以及
转换单元6052，用于通过声码器对梅尔频谱进行转换，以得到待合成文本对应的合成音频。
在本申请的一个实施例中，如图6所示，该装置还包括：
第三获取模块606，用于获取训练数据，其中，训练数据包括音色特征以及与用户标识对应的样本数据，样本数据包括样本文本对应的梅尔样本频谱、声学样本特征；
第四获取模块607，用于将样本文本、音色特征和声学样本特征到声学子模型，以得到样本文本的预测梅尔频谱；以及
训练模块608，用于根据预测梅尔频谱和梅尔样本频谱对声学子模型进行训练。
其中，需要说明的是，前述对语音合成方法实施例的解释说明也适用于本实施例中的语音合成装置，此处不再赘述。
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7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，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7所示，该电子设备包括：一个或多个处理器701、存储器702，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)上显示图形用户界面(Graphical User Interface，简称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7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使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702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5所示的接收模块501、第一获取模块502、第二获取模块503、选择模块504和语音合成模块505)。处理器701通过运行存储在存储器702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702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的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701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。
语音合成的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与语音合成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704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(Application Specific Integrated Circuit，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，Programmable Logic Device))，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(Local Area Network，LAN)、广域网(Wide Area Network，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。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
根据本申请实施例的技术方案，在对待合成文本进行语音合成的过程中，结合语音合成请求中的用户标识，获取与该用户标识对应的音色特征，并结合根据用户标识，获取待合成文本的至少一组候选韵律特征，从至少一组候选韵律特征中选择出一组，作为待合成文本的韵律特征；以及根据音色特征、待合成文本和韵律特征进行语音合成，以得到待合成文本对应的合成音频。由此，结合与用户标识对应的音色特征、待合成文本和韵律特征合成待合成文本的合成音频，从而使得所得到的合成音频具有与用户标识对应的用户声音特点，使得最终合成的音频更加真实，自然，提升了语音合成效果。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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 (10)

1.一种语音合成方法，包括：
接收语音合成请求，其中，所述语音合成请求包括待合成文本和用户标识；
获取与所述用户标识对应的音色特征；
获取所述待合成文本对应的文字序列，其中，所述文字序列包括多个文字；
根据所述用户标识，获取所述文字序列中每个所述文字对应的至少一个候选韵律特征，所述韵律特征包括时长、基频以及能量；以及从每个所述文字对应的至少一个候选韵律特征中分别抽取一个，并按照所述文字序列中的文字顺序，对抽取到的至少一个候选韵律特征进行组合，以得到所述待合成文本的至少一组候选韵律特征；
获取与所述用户标识对应的概率分析模型；
将每组候选韵律特征分别输入到所述概率分析模型中，以得到每组候选韵律特征的概率；
根据每组所述候选韵律特征的概率值，从所述至少一组候选韵律特征中，选择出概率值最大的一组作为所述待合成文本对应的韵律特征；以及
根据所述音色特征、所述待合成文本和所述韵律特征进行语音合成，以得到所述待合成文本对应的合成音频。
2.根据权利要求1所述的方法，其中，所述根据所述音色特征、所述待合成文本和所述韵律特征进行语音合成，以得到所述待合成文本对应的合成音频，包括：
将所述音色特征、所述待合成文本和所述韵律特征输入至语音合成模型中，以得到所述待合成文本对应的合成音频。
3. 根据权利要求2所述的方法，其中，所述语音合成模型包括声学子模型和声码器，所述将所述音色特征、所述待合成文本和所述韵律特征输入至语音合成模型中，以得到所述待合成文本对应的合成音频，包括：
将音色特征、所述待合成文本和所述韵律特征输入至所述声学子模型，以得到所述待合成文本的梅尔频谱；以及
通过所述声码器对所述梅尔频谱进行转换，以得到所述待合成文本对应的合成音频。
4.根据权利要求3所述的方法，其中，所述声学子模型通过以下步骤训练得到：
获取训练数据，其中，所述训练数据包括所述音色特征以及与所述用户标识对应的样本数据，所述样本数据包括样本文本对应的梅尔样本频谱、声学样本特征；
将所述样本文本、所述音色特征和所述声学样本特征到所述声学子模型，以得到所述样本文本的预测梅尔频谱；以及
根据所述预测梅尔频谱和所述梅尔样本频谱对所述声学子模型进行训练。
5.一种语音合成装置，包括：
接收模块，用于接收语音合成请求，其中，所述语音合成请求包括待合成文本和用户标识；
第一获取模块，用于获取与所述用户标识对应的音色特征；
第二获取模块，用于根据所述用户标识，获取所述待合成文本的至少一组候选韵律特征；
选择模块，用于从所述至少一组候选韵律特征中选择出一组，作为所述待合成文本的韵律特征；以及
语音合成模块，用于根据所述音色特征、所述待合成文本和所述韵律特征进行语音合成，以得到所述待合成文本对应的合成音频；
所述第二获取模块，具体用于：
获取所述待合成文本对应的文字序列，其中，所述文字序列包括多个文字；
根据所述用户标识，获取所述文字序列中每个所述文字对应的至少一个候选韵律特征，所述韵律特征包括时长、基频以及能量；以及
从每个所述文字对应的至少一个候选韵律特征中分别抽取一个，并按照所述文字序列中的文字顺序，对抽取到的至少一个候选韵律特征进行组合，以得到所述待合成文本一组候选韵律特征；
所述选择模块，包括：
获取单元，用于获取与所述用户标识对应的概率分析模型；将每组候选韵律特征分别输入到所述概率分析模型中，以得到每组候选韵律特征的概率；
选择单元，用于根据每组所述候选韵律特征的概率值，从所述至少一组候选韵律特征中，选择出概率值最大的一组作为所述待合成文本对应的韵律特征。
6.根据权利要求5所述的装置，其中，所述语音合成模块，具体用于：
将所述音色特征、所述待合成文本和所述韵律特征输入至语音合成模型中，以得到所述待合成文本对应的合成音频。
7. 根据权利要求6所述的装置，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模块，包括：
声学单元，用于将音色特征、所述待合成文本和所述韵律特征输入至所述声学子模型，以得到所述待合成文本的梅尔频谱；以及
转换单元，用于通过所述声码器对所述梅尔频谱进行转换，以得到所述待合成文本对应的合成音频。
8.根据权利要求7所述的装置，其中，所述装置还包括：
第三获取模块，用于获取训练数据，其中，所述训练数据包括所述音色特征以及与所述用户标识对应的样本数据，所述样本数据包括样本文本对应的梅尔样本频谱、声学样本特征；
第四获取模块，用于将所述样本文本、所述音色特征和所述声学样本特征到所述声学子模型，以得到所述样本文本的预测梅尔频谱；以及
训练模块，用于根据所述预测梅尔频谱和所述梅尔样本频谱对所述声学子模型进行训练。
9. 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1-4中任一项所述的方法。
10.一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权利要求1-4中任一项所述的方法。
CN202011360413.2A 2020-11-27 2020-11-27 语音合成方法、装置、电子设备和存储介质 Active CN112509552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011360413.2A CN112509552B (zh) 2020-11-27 2020-11-27 语音合成方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360413.2A CN112509552B (zh) 2020-11-27 2020-11-27 语音合成方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112509552A CN112509552A (zh) 2021-03-16
CN112509552B true CN112509552B (zh) 2023-09-26

Family

ID=74966993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360413.2A Active CN112509552B (zh) 2020-11-27 2020-11-27 语音合成方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112509552B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327577B (zh) * 2021-06-07 2024-01-16 北京百度网讯科技有限公司 语音合成方法、装置和电子设备
CN113539237A (zh) * 2021-07-15 2021-10-22 思必驰科技股份有限公司 语音合成方法、电子设备及存储介质
CN113744713A (zh) * 2021-08-12 2021-12-03 北京百度网讯科技有限公司 一种语音合成方法及语音合成模型的训练方法
CN113808571B (zh) * 2021-08-17 2022-05-27 北京百度网讯科技有限公司 语音合成方法、装置、电子设备以及存储介质
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
CN114005428A (zh) * 2021-12-31 2022-02-01 科大讯飞股份有限公司 语音合成方法、装置、电子设备、存储介质和程序产品
CN114842827A (zh) * 2022-04-28 2022-08-02 腾讯音乐娱乐科技（深圳）有限公司 一种音频合成方法、电子设备及可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11259094A (ja) * 1998-03-10 1999-09-24 Hitachi Ltd 規則音声合成装置
JP2004139033A (ja) * 2002-09-25 2004-05-13 Nippon Hoso Kyokai <Nhk> 音声合成方法、音声合成装置および音声合成プログラム
WO2007028871A1 (fr) * 2005-09-07 2007-03-15 France Telecom Systeme de synthese vocale ayant des parametres prosodiques modifiables par un operateur
CN101192404A (zh) * 2006-11-28 2008-06-04 国际商业机器公司 用于识别被输入的语音的重音的系统和方法
JP2014038208A (ja) * 2012-08-16 2014-02-27 Toshiba Corp 音声合成装置、方法及びプログラム
CN104916284A (zh) * 2015-06-10 2015-09-16 百度在线网络技术（北京）有限公司 用于语音合成系统的韵律与声学联合建模的方法及装置
CN107705783A (zh) * 2017-11-27 2018-02-16 北京搜狗科技发展有限公司 一种语音合成方法及装置
WO2019139430A1 (ko) * 2018-01-11 2019-07-18 네오사피엔스 주식회사 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
CN110599998A (zh) * 2018-05-25 2019-12-20 阿里巴巴集团控股有限公司 一种语音数据生成方法及装置
CN111292720A (zh) * 2020-02-07 2020-06-16 北京字节跳动网络技术有限公司 语音合成方法、装置、计算机可读介质及电子设备
CN111627417A (zh) * 2019-02-26 2020-09-04 北京地平线机器人技术研发有限公司 播放语音的方法、装置及电子设备
CN111667812A (zh) * 2020-05-29 2020-09-15 北京声智科技有限公司 一种语音合成方法、装置、设备及存储介质
WO2020209647A1 (ko) * 2019-04-09 2020-10-15 네오사피엔스 주식회사 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8412528B2 (en) * 2005-06-21 2013-04-02 Nuance Communications, Inc. Back-end database reorganization for application-specific concatenative text-to-speech systems
JP4559950B2 (ja) * 2005-10-20 2010-10-13 株式会社東芝 韻律制御規則生成方法、音声合成方法、韻律制御規則生成装置、音声合成装置、韻律制御規則生成プログラム及び音声合成プログラム
JP5300975B2 (ja) * 2009-04-15 2013-09-25 株式会社東芝 音声合成装置、方法およびプログラム
CN106920547B (zh) * 2017-02-21 2021-11-02 腾讯科技（上海）有限公司 语音转换方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11259094A (ja) * 1998-03-10 1999-09-24 Hitachi Ltd 規則音声合成装置
JP2004139033A (ja) * 2002-09-25 2004-05-13 Nippon Hoso Kyokai <Nhk> 音声合成方法、音声合成装置および音声合成プログラム
WO2007028871A1 (fr) * 2005-09-07 2007-03-15 France Telecom Systeme de synthese vocale ayant des parametres prosodiques modifiables par un operateur
CN101192404A (zh) * 2006-11-28 2008-06-04 国际商业机器公司 用于识别被输入的语音的重音的系统和方法
JP2014038208A (ja) * 2012-08-16 2014-02-27 Toshiba Corp 音声合成装置、方法及びプログラム
CN104916284A (zh) * 2015-06-10 2015-09-16 百度在线网络技术（北京）有限公司 用于语音合成系统的韵律与声学联合建模的方法及装置
CN107705783A (zh) * 2017-11-27 2018-02-16 北京搜狗科技发展有限公司 一种语音合成方法及装置
WO2019139430A1 (ko) * 2018-01-11 2019-07-18 네오사피엔스 주식회사 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
CN110599998A (zh) * 2018-05-25 2019-12-20 阿里巴巴集团控股有限公司 一种语音数据生成方法及装置
CN111627417A (zh) * 2019-02-26 2020-09-04 北京地平线机器人技术研发有限公司 播放语音的方法、装置及电子设备
WO2020209647A1 (ko) * 2019-04-09 2020-10-15 네오사피엔스 주식회사 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템
CN111292720A (zh) * 2020-02-07 2020-06-16 北京字节跳动网络技术有限公司 语音合成方法、装置、计算机可读介质及电子设备
CN111667812A (zh) * 2020-05-29 2020-09-15 北京声智科技有限公司 一种语音合成方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Rule learning based Chinese prosodic phrase prediction;Jianhua Tao et al;International Conference on Natural Language Processing and Knowledge Engineering, 2003. Proceedings. 2003;全文 *
面向汉语统计参数语音合成的标注生成方法;郝东亮;杨鸿武;张策;张帅;郭立钊;杨静波;;计算机工程与应用(19);全文 *

Also Published As

Publication number Publication date
CN112509552A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112509552B (zh) 语音合成方法、装置、电子设备和存储介质
CN111667816B (zh) 模型训练方法、语音合成方法、装置、设备和存储介质
CN110473516B (zh) 语音合成方法、装置以及电子设备
CN112365880B (zh) 语音合成方法、装置、电子设备及存储介质
KR20210106397A (ko) 음성 전환 방법, 장치 및 전자 기기
CN110619867B (zh) 语音合成模型的训练方法、装置、电子设备及存储介质
CN112270920A (zh) 一种语音合成方法、装置、电子设备和可读存储介质
US11836837B2 (en) Video generation method, device and storage medium
KR102564689B1 (ko) 대화 감정 스타일의 예측 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품
CN110782871B (zh) 一种韵律停顿预测方法、装置以及电子设备
CN112365879A (zh) 语音合成方法、装置、电子设备和存储介质
CN112329451B (zh) 手语动作视频生成方法、装置、设备及存储介质
CN112397056B (zh) 语音评测方法及计算机存储介质
KR20220064940A (ko) 음성 생성 방법, 장치, 전자기기 및 저장매체
CN114141228B (zh) 语音合成模型的训练方法、语音合成方法和装置
CN113808571B (zh) 语音合成方法、装置、电子设备以及存储介质
JP2021114284A (ja) 句読点予測方法および装置
CN115312034A (zh) 基于自动机和字典树处理语音信号的方法、装置和设备
CN112910761B (zh) 即时通讯方法、装置、设备、存储介质以及程序产品
CN112559715B (zh) 态度的识别方法、装置、设备及存储介质
CN112289305A (zh) 韵律预测方法、装置、设备以及存储介质
KR20210058765A (ko) 음성　인식　방법, 장치, 전자기기 및 저장 매체
CN114758649B (zh) 一种语音识别方法、装置、设备和介质
JP7204861B2 (ja) 中国語と英語の混在音声の認識方法、装置、電子機器及び記憶媒体
CN112527105B (zh) 人机互动方法、装置、电子设备及存储介质

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