CN112786013A - 基于唱本的语音合成方法、装置、可读介质和电子设备 - Google Patents

基于唱本的语音合成方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN112786013A
CN112786013A CN202110032064.XA CN202110032064A CN112786013A CN 112786013 A CN112786013 A CN 112786013A CN 202110032064 A CN202110032064 A CN 202110032064A CN 112786013 A CN112786013 A CN 112786013A
Authority
CN
China
Prior art keywords
sequence
training
duration
phoneme
audio
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.)
Pending
Application number
CN202110032064.XA
Other languages
English (en)
Inventor
潘俊杰
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 Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju 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 Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110032064.XA priority Critical patent/CN112786013A/zh
Publication of CN112786013A publication Critical patent/CN112786013A/zh
Pending legal-status Critical Current

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
    • G10L13/08—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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
    • G10L13/0335—Pitch control
    • 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
    • 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
    • G10L2013/105—Duration

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种基于唱本的语音合成方法、装置、可读介质和电子设备，涉及电子信息处理技术领域，该方法包括：获取目标唱本中包括的目标文本和目标文本对应目标乐谱，提取目标文本对应的音素序列，和目标乐谱对应的音高序列，音高序列包括：音素序列中每个音素对应的音高，根据音素序列，通过预先训练的时长预测模型预测时长序列，时长序列包括：音素序列中每个音素对应的时长，根据音素序列、音高序列和时长序列，通过预先训练的语音合成模型合成目标文本对应的符合目标乐谱的目标音频，且目标音频与时长序列匹配。本公开能够根据唱本中包括的文本和乐谱，确定对应的音素序列、音高序列和时长序列，从而合成符合唱本的音频，提高了音频的表现力。

Description

基于唱本的语音合成方法、装置、可读介质和电子设备
技术领域
本公开涉及电子信息处理技术领域，具体地，涉及一种基于唱本的语音合成方法、装置、可读介质和电子设备。
背景技术
随着电子信息处理技术的不断发展，语音作为人们获取信息的重要载体，已经被广泛应用于日常生活和工作中。涉及语音的应用场景中，通常会包括语音合成的处理，语音合成是指将用户指定的文本，合成为音频。然而，仅根据文本合成的音频往往比较平淡，表现力也较弱，无法满足用户对多样化音频的需求。如果用户需要合成具有某种特色的音频，而日常说话的音频又不具有该特色，那么现有的语音合成的处理方式，无法合成满足该特色的音频。例如戏剧音频，由于戏剧音频中每个音素的时长差别非常大，时长最短的可能有几十毫秒，时长最长的可能达到十秒，与日常说话的音频中每个音素占一百毫秒左右的情况差别很大，因此很难合成戏剧音频。
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，本公开提供一种基于唱本的语音合成方法，所述方法包括：
获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；
提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；
根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；
根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
第二方面，本公开提供一种基于唱本的语音合成装置，所述装置包括：
获取模块，用于获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；
提取模块，用于提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；
预测模块，用于根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；
合成模块，用于根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
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，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取目标唱本中包括的目标文本和目标文本对应的目标乐谱，之后提取目标文本对应的音素序列，和由音素序列中每个音素对应的音高组成的音高序列，再利用预先训练的时长预测模型，预测音素序列对应的时长序列，其中包括了每个音素对应的时长，最后根据音素序列、音高序列和时长序列，利用预先训练的语音合成模型，合成目标文本对应的符合目标乐谱，且与时长序列匹配的目标音频。本公开能够根据唱本中包括的文本和乐谱，提取对应的音素序列和音高序列，并预测对应的时长序列，从而根据音素序列、音高序列和时长序列，合成符合唱本的音频，能够提高音频的表现力。
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基于唱本的语音合成方法的流程图；
图2是根据一示例性实施例示出的一种时长预测模型的处理流程图；
图3是根据一示例性实施例示出的一种语音合成模型的处理流程图；
图4是根据一示例性实施例示出的一种语音合成模型的框图；
图5是根据一示例性实施例示出的一种联合训练语音合成模型和时长预测模型的流程图；
图6是根据一示例性实施例示出的另一种联合训练语音合成模型和时长预测模型的流程图；
图7是根据一示例性实施例示出的另一种联合训练语音合成模型和时长预测模型的流程图；
图8是根据一示例性实施例示出的另一种语音合成模型的框图；
图9是根据一示例性实施例示出的另一种联合训练语音合成模型和时长预测模型的流程图；
图10是根据一示例性实施例示出的一种基于唱本的语音合成装置的框图；
图11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基于唱本的语音合成方法的流程图，如图1所示，该方法可以包括以下步骤：
步骤101，获取目标唱本中包括的目标文本和目标文本对应目标乐谱。
举例来说，首先可以获取需要进行合成的目标唱本。目标唱本可以理解为记录了一段歌曲或者戏曲的文件，其中包括了文本和对应的乐谱，文本可以理解为歌词、唱词或者戏词等，乐谱可以理解为文本对应的音乐符号，能够指示文本中每个音素(或者字、词)的音高。之后，可以从目标唱本中，确定目标文本，和目标文本对应的目标乐谱，目标文本可以是一句歌词(或者唱词、戏词)，也可以是一段歌词(或者唱词、戏词)，还可以是目标唱本中包括的全部歌词(或者唱词、戏词)，目标乐谱即为能够指示目标文本中每个音素的音高的乐谱。
步骤102，提取目标文本对应的音素序列，和目标乐谱对应的音高序列，音高序列包括：音素序列中每个音素对应的音高。
示例的，针对目标文本，可以将目标文本输入预先训练的识别模型，以得到识别模型输出的，目标文本对应的音素序列。也可以在预先建立的字典中，查找目标文本中的每个字对应的音素，然后将每个字对应的音素组成目标文本对应的音素序列。其中，音素可以理解为根据每个字的发音划分出的语音单位，也可以理解为每个字对应的拼音中的元音和辅音。音素序列中，包括了目标文本中每个字对应的音素(一个字可以对应一个或多个音素)。以目标唱本为记录的是一段京剧的文本来举例，目标文本为“儿行千里母担忧”。可以依次在字典中查找每个字对应的音素，从而确定音素序列为“erxingqianlimudanyou”，其中包括20个音素。在获得音素序列之后，可以将目标乐谱按照音素序列中每个音素进行划分，得到包括了每个音素对应的音高(英文：Pitch)的音高序列，以音素序列为“erxingqianlimudanyou”为例，那么音高序列中包括了20个音素对应的音高：“26621235552376506126”(此处以简谱记谱法来表示音高)。
步骤103，根据音素序列，通过预先训练的时长预测模型预测时长序列，时长序列包括：音素序列中每个音素对应的时长。
示例的，由于唱本记录的歌曲或者戏曲，每个音素的时长差别非常大，时长跨度范围可能达到几十毫秒到十秒，因此，要使合成的目标音频符合目标唱本，需要先预测时长序列，其中包括了音素序列中每个音素对应的时长(时长也可以理解为歌曲或者戏曲中的节拍)。可以将音素序列作为预先训练的时长预测模型的输入，得到时长预测模型输出的时长序列。时长预测模型，可以是预先根据大量的训练样本训练得到的，能够根据音素序列预测出其中每个音素对应的时长。时长预测模型的结构可以是RNN(英文：Recurrent NeuralNetwork，中文：循环神经网络)、CNN(英文：Convolutional Neural Networks，中文：卷积神经网络)、LSTM(英文：Long Short-Term Memory，中文：长短期记忆网络)等神经网络，本公开对此不作具体限定。以音素序列为“erxingqianlimudanyou”为例，时长序列中包括了20个音素对应的时长，例如可以是：“35 37 45 50 52 30 55 101 234 176 301 423 287 36087 191 322 291 432 511”(此处时长的单位均为ms)。
步骤104，根据音素序列、音高序列和时长序列，通过预先训练的语音合成模型合成目标文本对应的符合目标乐谱的目标音频，且目标音频与时长序列匹配。
示例的，可以预先训练一个语音合成模型，语音合成模型可以理解成一种TTS(英文：Text To Speech，中文：从文本到语音)模型，能够根据目标文本对应的音素序列、音高序列和时长序列，生成目标文本对应的，与目标乐谱匹配的目标音频。将音素序列、音高序列和时长序列作为语音合成模型的输入，语音合成模型的输出即为目标音频。具体的，语音合成模型可以是基于Tacotron模型、Deepvoice 3模型、Tacotron 2模型、Wavenet模型等训练得到的，本公开对此不作具体限定。这样，在对目标唱本进行语音合成的过程中，考虑了目标唱本中包括的目标文本和对应的目标乐谱，从而确定能够反映语义的音素序列，和能够反映声音特征的音高序列和时长序列，使得合成的目标音频符合目标唱本，丰富了语音合成能够合成的音频的类型，满足用户多样化的需求，也提高了音频的表现力。
综上所述，本公开首先获取目标唱本中包括的目标文本和目标文本对应的目标乐谱，之后提取目标文本对应的音素序列，和由音素序列中每个音素对应的音高组成的音高序列，再利用预先训练的时长预测模型，预测音素序列对应的时长序列，其中包括了每个音素对应的时长，最后根据音素序列、音高序列和时长序列，利用预先训练的语音合成模型，合成目标文本对应的符合目标乐谱，且与时长序列匹配的目标音频。本公开能够根据唱本中包括的文本和乐谱，提取对应的音素序列和音高序列，并预测对应的时长序列，从而根据音素序列、音高序列和时长序列，合成符合唱本的音频，能够提高音频的表现力。
图2是根据一示例性实施例示出的一种时长预测模型的处理流程图，如图2所示，时长预测模型可以用于执行以下步骤：
步骤A)预测音素序列对应的时长概率分布。
步骤B)按照时长概率分布进行随机采样，以确定音素序列中每个音素对应的时长。
举例来说，要预测音素序列对应的时长序列，可以先根据音素序列来预测时长概率分布，然后按照音素序列中包括的音素的个数，对时长概率分布进行随机采样，将采样结果作为每个音素对应的时长。例如，时长预测模型的结构可以为BLSTM(英文：Bidirectional Long Short-Term Memory，中文：双向长短期记忆网络)+MDN(英文：Mixture Density Network，中文：混合密度网络)的组合。可以先将音素序列输入BLSTM，以得到BLSTM输出的能够表征音素序列的一组向量，再将该组向量输入MDN，以得到MDN输出的，多组均值-方差对，其中，每组均值-方差对表征一种高斯分布，将多组均值-方差对表征的多种高斯分布进行组合，得到混合高斯分布，并将混合高斯分布作为时长概率分布，时长概率分布能够表征音素序列中每个音素对应的时长的概率分布。最后，可以先确定音素序列中包括的音素的音素数量，按照时长概率分布进行音素数量次随机采样，以得到音素序列中每个音素对应的时长。进一步的，在按照时长概率分布进行随机采样的过程中，还可以对时长概率分布按照[μ-3σ,μ+3σ]进行截断(其中μ为时长概率分布的均值，σ为时长概率分布的标准差)，以进一步提高预测时长序列的准确度。
图3是根据一示例性实施例示出的一种语音合成模型的处理流程图，如图3所示，语音合成模型可以用于执行以下步骤：
步骤C)根据音素序列确定目标文本对应的文本特征序列，文本特征序列包括音素序列中每个音素对应的文本特征。
步骤D)根据文本特征序列、音高序列和时长序列，生成目标音频。
示例的，语音合成模型合成目标音频的具体过程，可以是先根据音素序列，提取目标文本对应的文本特征序列(即Text Embedding)，文本特征序列中包括了音素序列中每个音素对应的文本特征，文本特征可以理解为能够表征该音素的文本向量。例如，音素序列中包括100个音素，每个音素对应的文本向量为1*80维的向量，那么文本特征序列可以为100*80维的向量。
在获得文本特征序列之后，可以将文本特征序列与音高序列、时长序列进行结合，以生成符合目标唱本的目标音频。例如，可以将文本特征序列与音高序列、时长序列进行拼接，得到一个组合序列，然后根据组合序列生成目标音频。例如，音素序列中包括100个音素，文本特征序列可以为100*80维的向量，相应的音高序列为100*1维的向量，时长序列为100*1维的向量，那么组合序列可以为100*82维的向量。可以根据这个100*82维的向量，生成目标音频。
以图4所示的语音合成模型来举例，语音合成模型为Tacotron模型，其中包括：编码器(即Encoder)、注意力网络(即Attention)、解码器(即Decoder)和后处理网络(即Post-processing)。编码器可以包括嵌入层(即Character Embedding层)、预处理网络(Pre-net)子模型和CBHG(英文：Convolution Bank+Highway network+bidirectional GatedRecurrent Unit，中文：卷积层+高速网络+双向递归神经网络)子模型。可以将音素序列输入编码器，首先，通过嵌入层将音素序列转换为词向量，然后将词向量输入至Pre-net子模型，以对词向量进行非线性变换，从而提升语音合成模型的收敛和泛化能力，最后，通过CBHG子模型根据非线性变换后的词向量，获得能够表征目标文本的文本特征序列。
之后可以将音高序列、时长序列，和编码器输出的文本特征序列进行拼接，得到组合序列，再将组合序列输入注意力网络，注意力网络可以为组合序列中的每个元素增加一个注意力权重。具体的，注意力网络可以为位置敏感注意力(英文：Locative SensitiveAttention)网络，也可以为GMM(英文：Gaussian Mixture Model，缩写GMM)attention网络，还可以是Multi-Head Attention网络，本公开对此不作具体限定。
再将注意力网络的输出作为解码器的输入。解码器可以包括预处理网络子模型(可以与编码器中包括的预处理网络子模型的相同)、Attention-RNN、Decoder-RNN。预处理网络子模型用于对输入进行非线性变换，Attention-RNN的结构为一层单向的、基于zoneout的LSTM(英文：Long Short-Term Memory，中文：长短期记忆网络)，能够将预处理网络子模型的输出作为输入，经过LSTM单元后输出到Decoder-RNN中。Decode-RNN为两层单向的、基于zoneout的LSTM，经过LSTM单元输出梅尔频谱信息，梅尔频谱信息中可以包括一个或多个梅尔频谱特征。最后将梅尔频谱信息输入后处理网络，后处理网络可以包括声码器(例如，Wavenet声码器、Griffin-Lim声码器等)，用于对梅尔频谱特征信息进行转换，以得到目标音频。
图5是根据一示例性实施例示出的一种联合训练语音合成模型和时长预测模型的流程图，如图5所示，语音合成模型和时长预测模型是通过如下方式联合训练获得的：
步骤201，获取训练唱本中包括的训练文本、训练文本对应的标注数据、总时长和训练乐谱。
步骤202，根据标注数据确定训练文本对应的训练音素序列和训练时长序列，并根据训练乐谱确定训练音高序列，训练音高序列包括：训练音素序列中每个训练音素对应的音高，训练时长序列包括：每个训练音素对应的时长。
步骤203，将训练音素序列输入时长预测模型，并根据时长预测模型的输出和总时长，训练时长预测模型。
步骤204，将训练音素序列、训练音高序列和训练时长序列，输入语音合成模型，并根据语音合成模型的输出与训练文本对应的训练音频，训练语音合成模型。
举例来说，由于合成目标语音的过程，同时使用了时长预测模型和语音合成模型，因此在训练阶段，可以将时长预测模型和语音合成模型进行联合训练，以提高时长预测模型和语音合成模型的准确度。联合训练的方式可以包括：首先获取训练唱本中包括的训练文本、训练文本对应的标注数据、总时长和训练乐谱，还可以获取训练文本对应的训练音频。训练文本可以有多个，相应的，训练音频也有多个。其中，训练文本可以是训练唱本中的一句、一段或者全部的歌词(或者唱词、戏词)，对应的训练音频可以为演唱者演唱训练文本的音频，对应的总时长可以理解为训练音频的总时长。训练文本对应的训练乐谱可以是能够指示训练文本的音高的乐谱。训练文本对应的标注数据，可以理解为，预先标注的训练文本中的每个训练音素和每个训练音素对应的时长。这样，可以根据标注数据确定训练文本对应的训练音素序列和训练时长序列，并根据训练乐谱确定训练音高序列。
之后，可以将训练音素序列作为时长预测模型的输入，并根据时长预测模型的输出和总时长，训练时长预测模型。例如，可以根据时长预测模型的输出和总时长的差(或者均方差)，作为时长预测模型的损失函数，以降低损失函数为目标，利用反向传播算法来修正时长预测模型中的神经元的参数，神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。重复上述步骤，直至损失函数满足预设条件，例如损失函数小于预设的损失阈值。
最后，将训练音素序列、训练音高序列和训练时长序列，作为语音合成模型的输入，并根据语音合成模型的输出与训练音频，训练语音合成模型。例如，可以根据语音合成模型的输出，与训练音频的差(或者均方差)作为语音合成模型的损失函数，以降低损失函数为目标，利用反向传播算法来修正语音合成模型中的神经元的参数。重复上述步骤，直至损失函数满足预设条件，例如损失函数小于预设的损失阈值。
图6是根据一示例性实施例示出的另一种联合训练语音合成模型和时长预测模型的流程图，如图6所示，步骤203的实现方式可以包括：
步骤2031，根据时长预测模型输出的，训练音素序列对应的初始时长概率分布，和每个训练音素对应的初始时长，确定训练音素序列对应的最大似然损失。
步骤2032，根据训练音素序列对应的最大似然损失、训练总时长和总时长，通过拉格朗日算子法，确定预测损失，训练总时长为根据每个训练音素对应初始时长确定的。
步骤2033，以降低预测损失为目标，利用反向传播算法更新时长预测模型。
举例来说，由于歌曲或者戏曲通常是由演唱者演绎的，可能存在由于个人演绎风格、处理方式的不同，导致不同的演唱者演绎同一个唱本时，每个音素的时长并不相同，但通常情况下，一句歌词的总时长是固定的(也可以理解为一句歌词所占的节拍数是固定的)。因此可以将总时长作为限制，以对时长预测模型进行训练。以时长预测模型为BLSTM+MDN来举例，可以先对时长预测模型输出的，训练音素序列对应的初始时长概率分布进行随机采样，得到每个训练音素对应的初始时长(可以理解为时长预测模型对该训练音素的时长的预测)。之后，根据初始时长概率分布和每个训练音素对应的初始时长，确定训练音素序列对应的最大似然损失。初始时长概率分布可以是由K种高斯分布的组合得到的，相应的，最大似然损失可以通过公式一来确定：
Figure BDA0002892854050000111
其中，L(di,λ)表示第i个训练音素的最大似然损失，k表示K种高斯分布中的第k种，
Figure BDA0002892854050000112
表示第i个训练音素对应的第k种高斯分布的权重，
Figure BDA0002892854050000113
表示第i个训练音素对应的第k种高斯分布的均值，
Figure BDA0002892854050000114
表示第i个训练音素对应的第k种高斯分布的标准差，N表示高斯分布函数，di表示第i个训练音素对应的初始时长，λ表示
Figure BDA0002892854050000121
和
Figure BDA0002892854050000122
的组合。
在确定最大似然损失之后，可以利用拉格朗日算子法，根据训练音素序列对应的最大似然损失、训练总时长和总时长，确定预测损失，其中，训练总时长为根据每个训练音素对应初始时长确定的。预测损失可以通过公式二来确定：
Figure BDA0002892854050000123
其中，Lpre表示包括M个训练音素的训练音素序列的预测损失，α表示拉格朗日乘子，
Figure BDA0002892854050000124
表示训练总时长，T表示总时长。相应的，以降低预测损失为目标，即令Lpre＝0，也就是说以训练总时长与总时长相同作为限制，求最大似然损失的极小值，最后利用反向传播算法更新时长预测模型。
图7是根据一示例性实施例示出的另一种联合训练语音合成模型和时长预测模型的流程图，如图7所示，步骤204的实现方式可以为：
步骤2041，根据语音合成模型输出的初始音频和训练音频，确定合成损失。
步骤2042，根据合成损失和预测损失，确定综合损失。
步骤2043，以降低综合损失为目标，利用反向传播算法更新语音合成模型。
在对语音合成模型进行训练的过程中，可以根据语音合成模型输出的初始音频和训练音频，确定合成损失，例如可以将初始音频和训练音频的差(或者均方差)作为合成损失，可以理解为语音合成模型在进行语音合成的过程中产生的损失。可以将合成损失和时长预测模型的预测损失结合起来，作为语音合成模型的综合损失，并以降低综合损失为目标，利用来反向传播算法来更新语音合成模型，以达到联合训练语音合成模型和时长预测模型的效果。具体的，综合损失可以是合成损失与预测损失的和，也可以是合成损失与预测损失进行加权求和的结果。
为了进一步提高语音合成模型的准确度，在训练语音合成模型的过程中，可以在图4示出的语音合成模型的基础上，再增加一组判别器D(英文：Discriminator)，如图8所示。
图9是根据一示例性实施例示出的另一种联合训练语音合成模型和时长预测模型的流程图，如图9所示，步骤204的实现方式还可以包括：
步骤2044，在初始音频中按照预设规则抽取第一数量个初始音频段，并在训练音频中抽取每个初始音频段对应的训练音频段，每个初始音频段包括初始音频中连续的不同数量个音频帧。
举例来说，在对语音合成模型进行训练的过程中，可以对语音合成模型输出的初始音频，按照预设规则进行抽取，得到第一数量个初始音频段，相应的，在对应的训练音频中抽取每个初始音频段对应的训练音频段，初始音频段在初始音频中的时序，与训练音频段在训练音频中的时序相同。并且，每个初始音频段内包括的是初始音频中连续的不同数量个音频帧，即每个初始音频段的时长不同。预设规则可以是在初始音频中随机采样连续的指定数量帧。例如，第一数量为5，5个初始音频段为，在初始音频中，随机抽取连续的5帧、10帧、15帧、20帧、25帧。5个初始音频段还可以为，在初始音频中，随机抽取连续的2s内的音频帧、4s内的音频帧、6内的音频帧、8内的音频帧、10内的音频帧。
进一步的，预设规则还可以先对初始音频进行筛选，再对筛选后的音频进行随机采样。由于歌曲或者戏曲，在高频或者低频范围内可能包括大量的细节，例如京剧，通常会在高频范围内有强烈且复杂的转音和颤音。如果按照日常说话的标准，来合成唱本对应的音频，往往会丢失高频或者低频范围内的细节。因此，可以先筛选出初始音频中符合指定频率范围的中间音频，指定频率范围例如可以是频率大于第一预设阈值(例如24kHz)，或者频率小于第二预设阈值(750Hz)。然后再在中间音频中随机采样连续的指定数量帧。例如，第一数量为3，先在初始音频中筛选出高于24kHz的中间音频，然后在中间音频中，随机抽取连续的5帧、10帧、15帧作为初始音频段。
步骤2045，将每个初始音频段输入对应的判别器，以得到判别器输出的初始判别结果，并将该初始音频段对应的训练音频段输入判别器，以得到判别器输出的训练判别结果。
示例的，可以为每个初始音频段设置一个判别器，然后将每个初始音频段输入对应的判别器(即设置第一数量个判别器)，以得到每个判别器输出的初始判别结果。还可以将该初始音频段对应的训练音频段，输入该初始音频段对应的判别器，以得到判别器输出的训练判别结果。
相应的，步骤2041可以通过以下方式来实现：
步骤1)根据初始音频和训练音频，确定第一损失。
步骤2)根据每个初始音频段对应的初始判别结果和训练判别结果，确定第二损失，第二损失用于训练判别器。
步骤3)根据第一损失和第二损失确定合成损失。
示例的，在增加了第一数量个判别器的基础上，合成损失可以分为根据初始音频和训练音频确定的第一损失，和根据每个初始音频段对应的初始判别结果和训练判别结果确定的第二损失。其中，第一损失可以理解为语音合成模型在进行语音合成的过程中产生的损失，例如可以是初始音频和训练音频的差(或者均方差)，第二损失可以理解为将语音合成模型作为生成器G(英文：Generator)，与判别器D组成的GAN(英文：GenerativeAdversarial Networks，中文：生成式对抗网络)的损失，既可以用于训练判别器，又可以用于训练语音合成模型。
具体的，第二损失种可以包括第一数量个判别损失(例如可以是第一数量个判别损失的和)，判别损失是根据每个初始音频段对应的初始判别结果和训练判别结果确定的，例如可以通过公式三来确定判别损失：
Figure BDA0002892854050000141
其中，x表示训练音素序列、训练音高序列和训练时长序列的组合，G(x)表示任一个初始音频段，Df(G(x))表示初始判别结果，y表示该初始音频段对应的训练音频段，Df(y)表示训练判别结果，G表示生成器(即语音合成模型)，D表示该初始音频段对应的判别器。
最后根据第一损失和第二损失确定合成损失。可以将第一损失和第二损失的和作为合成损失，也可以将第一损失和第二损失的加权求和的结果作为合成损失。也就是说，合成损失中包括了语音合成模型的损失，又包括了GAN的损失。进一步的，用于训练语音合成模型的综合损失中，包括了三部分：时长预测模型的预测损失、语音合成模型的第一损失，语音合成模型和判别器共同组成的GAN的第二损失，实现了联合训练语音合成模型、时长预测模型和判别器的效果，能够提高时语音合成模型、时长预测模型和判别器的准确度。
综上所述，本公开首先获取目标唱本中包括的目标文本和目标文本对应的目标乐谱，之后提取目标文本对应的音素序列，和由音素序列中每个音素对应的音高组成的音高序列，再利用预先训练的时长预测模型，预测音素序列对应的时长序列，其中包括了每个音素对应的时长，最后根据音素序列、音高序列和时长序列，利用预先训练的语音合成模型，合成目标文本对应的符合目标乐谱，且与时长序列匹配的目标音频。本公开能够根据唱本中包括的文本和乐谱，提取对应的音素序列和音高序列，并预测对应的时长序列，从而根据音素序列、音高序列和时长序列，合成符合唱本的音频，能够提高音频的表现力。
图10是根据一示例性实施例示出的一种基于唱本的语音合成装置的框图，如图10所示，该装置300包括：
获取模块301，用于获取目标唱本中包括的目标文本和目标文本对应目标乐谱。
提取模块302，用于提取目标文本对应的音素序列，和目标乐谱对应的音高序列，音高序列包括：音素序列中每个音素对应的音高。
预测模块303，用于根据音素序列，通过预先训练的时长预测模型预测时长序列，时长序列包括：音素序列中每个音素对应的时长。
合成模块304，用于根据音素序列、音高序列和时长序列，通过预先训练的语音合成模型合成目标文本对应的符合目标乐谱的目标音频，且目标音频与时长序列匹配。
在一种实现方式中，时长预测模型可以用于执行以下步骤：
步骤A)预测音素序列对应的时长概率分布。
步骤B)按照时长概率分布进行随机采样，以确定音素序列中每个音素对应的时长。
在另一种实现方式中，语音合成模型可以用于执行以下步骤：
步骤C)根据音素序列确定目标文本对应的文本特征序列，文本特征序列包括音素序列中每个音素对应的文本特征。
步骤D)根据文本特征序列、音高序列和时长序列，生成目标音频。
需要说明的是，上述实施例中的语音合成模型和时长预测模型是通过如下方式联合训练获得的：
步骤a)获取训练唱本中包括的训练文本、训练文本对应的标注数据、总时长和训练乐谱。
步骤b)根据标注数据确定训练文本对应的训练音素序列和训练时长序列，并根据训练乐谱确定训练音高序列，训练音高序列包括：训练音素序列中每个训练音素对应的音高，训练时长序列包括：每个训练音素对应的时长。
步骤c)将训练音素序列输入时长预测模型，并根据时长预测模型的输出和总时长，训练时长预测模型。
步骤d)将训练音素序列、训练音高序列和训练时长序列，输入语音合成模型，并根据语音合成模型的输出与训练文本对应的训练音频，训练语音合成模型。
在一种应用场景中，步骤c)的实现方式可以包括：
步骤c1)根据时长预测模型输出的，训练音素序列对应的初始时长概率分布，和每个训练音素对应的初始时长，确定训练音素序列对应的最大似然损失。
步骤c2)根据训练音素序列对应的最大似然损失、训练总时长和总时长，通过拉格朗日算子法，确定预测损失，训练总时长为根据每个训练音素对应初始时长确定的。
步骤c3)以降低预测损失为目标，利用反向传播算法更新时长预测模型。
在另一种应用场景中，步骤d)的实现方式可以为：
步骤d1)根据语音合成模型输出的初始音频和训练音频，确定合成损失。
步骤d2)根据合成损失和预测损失，确定综合损失。
步骤d3)以降低综合损失为目标，利用反向传播算法更新语音合成模型。
进一步的，步骤d)的实现方式还可以包括：
步骤d4)在初始音频中按照预设规则抽取第一数量个初始音频段，并在训练音频中抽取每个初始音频段对应的训练音频段，每个初始音频段包括初始音频中连续的不同数量个音频帧。
步骤d5)将每个初始音频段输入对应的判别器，以得到判别器输出的初始判别结果，并将该初始音频段对应的训练音频段输入判别器，以得到判别器输出的训练判别结果。
相应的，步骤d1)可以通过以下方式来实现：
步骤1)根据初始音频和训练音频，确定第一损失。
步骤2)根据每个初始音频段对应的初始判别结果和训练判别结果，确定第二损失，第二损失用于训练判别器。
步骤3)根据第一损失和第二损失确定合成损失。
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。
综上所述，本公开首先获取目标唱本中包括的目标文本和目标文本对应的目标乐谱，之后提取目标文本对应的音素序列，和由音素序列中每个音素对应的音高组成的音高序列，再利用预先训练的时长预测模型，预测音素序列对应的时长序列，其中包括了每个音素对应的时长，最后根据音素序列、音高序列和时长序列，利用预先训练的语音合成模型，合成目标文本对应的符合目标乐谱，且与时长序列匹配的目标音频。本公开能够根据唱本中包括的文本和乐谱，提取对应的音素序列和音高序列，并预测对应的时长序列，从而根据音素序列、音高序列和时长序列，合成符合唱本的音频，能够提高音频的表现力。
下面参考图11，其示出了适于用来实现本公开实施例的电子设备(可以理解为上述实施例中的执行主体)400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11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11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11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，终端设备、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：获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
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，获取模块还可以被描述为“获取目标文本和目标乐谱的模块”。
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提供了一种基于唱本的语音合成方法，包括：获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
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，所述时长预测模型用于：预测所述音素序列对应的时长概率分布；按照所述时长概率分布进行随机采样，以确定所述音素序列中每个音素对应的时长。
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，所述语音合成模型用于：根据所述音素序列确定所述目标文本对应的文本特征序列，所述文本特征序列包括所述音素序列中每个音素对应的文本特征；根据所述文本特征序列、所述音高序列和所述时长序列，生成所述目标音频。
根据本公开的一个或多个实施例，示例4提供了示例1至示例3的方法，所述语音合成模型和所述时长预测模型是通过如下方式联合训练获得的：获取训练唱本中包括的训练文本、所述训练文本对应的标注数据、总时长和训练乐谱；根据所述标注数据确定所述训练文本对应的训练音素序列和训练时长序列，并根据所述训练乐谱确定训练音高序列，所述训练音高序列包括：所述训练音素序列中每个训练音素对应的音高，所述训练时长序列包括：每个所述训练音素对应的时长；将所述训练音素序列输入所述时长预测模型，并根据所述时长预测模型的输出和所述总时长，训练所述时长预测模型；将所述训练音素序列、所述训练音高序列和所述训练时长序列，输入所述语音合成模型，并根据所述语音合成模型的输出与所述训练文本对应的训练音频，训练所述语音合成模型。
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，所述根据所述时长预测模型的输出和所述总时长，训练所述时长预测模型，包括：根据所述时长预测模型输出的，所述训练音素序列对应的初始时长概率分布，和每个所述训练音素对应的初始时长，确定所述训练音素序列对应的最大似然损失；根据所述训练音素序列对应的所述最大似然损失、训练总时长和所述总时长，通过拉格朗日算子法，确定预测损失，所述训练总时长为根据每个训练音素对应所述初始时长确定的；以降低所述预测损失为目标，利用反向传播算法更新所述时长预测模型。
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，所述根据所述语音合成模型的输出与所述训练文本对应的训练音频，训练所述语音合成模型，包括：根据所述语音合成模型输出的初始音频和所述训练音频，确定合成损失；根据所述合成损失和所述预测损失，确定综合损失；以降低所述综合损失为目标，利用反向传播算法更新所述语音合成模型。
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，所述根据所述语音合成模型的输出与所述训练文本对应的训练音频，训练所述语音合成模型，还包括：在所述初始音频中按照预设规则抽取第一数量个初始音频段，并在所述训练音频中抽取每个所述初始音频段对应的训练音频段，每个所述初始音频段包括所述初始音频中连续的不同数量个音频帧；将每个所述初始音频段输入对应的判别器，以得到所述判别器输出的初始判别结果，并将该初始音频段对应的所述训练音频段输入所述判别器，以得到所述判别器输出的训练判别结果；所述根据所述语音合成模型输出的初始音频和所述训练音频，确定合成损失，包括：根据所述初始音频和所述训练音频，确定第一损失；根据每个所述初始音频段对应的所述初始判别结果和所述训练判别结果，确定第二损失，所述第二损失用于训练所述判别器；根据所述第一损失和所述第二损失确定所述合成损失。
根据本公开的一个或多个实施例，示例8提供了一种基于唱本的语音合成装置，包括：获取模块，用于获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；提取模块，用于提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；预测模块，用于根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；合成模块，用于根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
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至示例7中所述方法的步骤。
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，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，以实现示例1至示例7中所述方法的步骤。
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)

1.一种基于唱本的语音合成方法，其特征在于，所述方法包括：
获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；
提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；
根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；
根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
2.根据权利要求1所述的方法，其特征在于，所述时长预测模型用于：
预测所述音素序列对应的时长概率分布；
按照所述时长概率分布进行随机采样，以确定所述音素序列中每个音素对应的时长。
3.根据权利要求1所述的方法，其特征在于，所述语音合成模型用于：
根据所述音素序列确定所述目标文本对应的文本特征序列，所述文本特征序列包括所述音素序列中每个音素对应的文本特征；
根据所述文本特征序列、所述音高序列和所述时长序列，生成所述目标音频。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述语音合成模型和所述时长预测模型是通过如下方式联合训练获得的：
获取训练唱本中包括的训练文本、所述训练文本对应的标注数据、总时长和训练乐谱；
根据所述标注数据确定所述训练文本对应的训练音素序列和训练时长序列，并根据所述训练乐谱确定训练音高序列，所述训练音高序列包括：所述训练音素序列中每个训练音素对应的音高，所述训练时长序列包括：每个所述训练音素对应的时长；
将所述训练音素序列输入所述时长预测模型，并根据所述时长预测模型的输出和所述总时长，训练所述时长预测模型；
将所述训练音素序列、所述训练音高序列和所述训练时长序列，输入所述语音合成模型，并根据所述语音合成模型的输出与所述训练文本对应的训练音频，训练所述语音合成模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述时长预测模型的输出和所述总时长，训练所述时长预测模型，包括：
根据所述时长预测模型输出的，所述训练音素序列对应的初始时长概率分布，和每个所述训练音素对应的初始时长，确定所述训练音素序列对应的最大似然损失；
根据所述训练音素序列对应的所述最大似然损失、训练总时长和所述总时长，通过拉格朗日算子法，确定预测损失，所述训练总时长为根据每个训练音素对应所述初始时长确定的；
以降低所述预测损失为目标，利用反向传播算法更新所述时长预测模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述语音合成模型的输出与所述训练文本对应的训练音频，训练所述语音合成模型，包括：
根据所述语音合成模型输出的初始音频和所述训练音频，确定合成损失；
根据所述合成损失和所述预测损失，确定综合损失；
以降低所述综合损失为目标，利用反向传播算法更新所述语音合成模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述语音合成模型的输出与所述训练文本对应的训练音频，训练所述语音合成模型，还包括：
在所述初始音频中按照预设规则抽取第一数量个初始音频段，并在所述训练音频中抽取每个所述初始音频段对应的训练音频段，每个所述初始音频段包括所述初始音频中连续的不同数量个音频帧；
将每个所述初始音频段输入对应的判别器，以得到所述判别器输出的初始判别结果，并将该初始音频段对应的所述训练音频段输入所述判别器，以得到所述判别器输出的训练判别结果；
所述根据所述语音合成模型输出的初始音频和所述训练音频，确定合成损失，包括：
根据所述初始音频和所述训练音频，确定第一损失；
根据每个所述初始音频段对应的所述初始判别结果和所述训练判别结果，确定第二损失，所述第二损失用于训练所述判别器；
根据所述第一损失和所述第二损失确定所述合成损失。
8.一种基于唱本的语音合成装置，其特征在于，所述装置包括：
获取模块，用于获取目标唱本中包括的目标文本和所述目标文本对应目标乐谱；
提取模块，用于提取所述目标文本对应的音素序列，和所述目标乐谱对应的音高序列，所述音高序列包括：所述音素序列中每个音素对应的音高；
预测模块，用于根据所述音素序列，通过预先训练的时长预测模型预测时长序列，所述时长序列包括：所述音素序列中每个音素对应的时长；
合成模块，用于根据所述音素序列、所述音高序列和所述时长序列，通过预先训练的语音合成模型合成所述目标文本对应的符合所述目标乐谱的目标音频，且所述目标音频与所述时长序列匹配。
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，以实现权利要求1-7中任一项所述方法的步骤。
CN202110032064.XA 2021-01-11 2021-01-11 基于唱本的语音合成方法、装置、可读介质和电子设备 Pending CN112786013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110032064.XA CN112786013A (zh) 2021-01-11 2021-01-11 基于唱本的语音合成方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110032064.XA CN112786013A (zh) 2021-01-11 2021-01-11 基于唱本的语音合成方法、装置、可读介质和电子设备

Publications (1)

Publication Number Publication Date
CN112786013A true CN112786013A (zh) 2021-05-11

Family

ID=75756500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110032064.XA Pending CN112786013A (zh) 2021-01-11 2021-01-11 基于唱本的语音合成方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN112786013A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436591A (zh) * 2021-06-24 2021-09-24 广州酷狗计算机科技有限公司 音高信息生成方法、装置、计算机设备及存储介质
CN113707122A (zh) * 2021-08-11 2021-11-26 北京搜狗科技发展有限公司 一种语音合成模型的构建方法、装置和用于语音合成模型的构建装置
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
CN114267375A (zh) * 2021-11-24 2022-04-01 北京百度网讯科技有限公司 音素检测方法及装置、训练方法及装置、设备和介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035235A (zh) * 2011-09-30 2013-04-10 西门子公司 一种将语音转换为旋律的方法和装置
CN106898340A (zh) * 2017-03-30 2017-06-27 腾讯音乐娱乐（深圳）有限公司 一种歌曲的合成方法及终端
US20180247636A1 (en) * 2017-02-24 2018-08-30 Baidu Usa Llc Systems and methods for real-time neural text-to-speech
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
CN109801608A (zh) * 2018-12-18 2019-05-24 武汉西山艺创文化有限公司 一种基于神经网络的歌曲生成方法和系统
CN110364140A (zh) * 2019-06-11 2019-10-22 平安科技（深圳）有限公司 歌声合成模型的训练方法、装置、计算机设备以及存储介质
US20190371292A1 (en) * 2018-06-04 2019-12-05 Baidu Online Network Technology (Beijing) Co., Ltd. Speech synthesis method and apparatus, computer device and readable medium
US20190392798A1 (en) * 2018-06-21 2019-12-26 Casio Computer Co., Ltd. Electronic musical instrument, electronic musical instrument control method, and storage medium
CN111599343A (zh) * 2020-05-14 2020-08-28 北京字节跳动网络技术有限公司 用于生成音频的方法、装置、设备和介质
CN111754976A (zh) * 2020-07-21 2020-10-09 中国科学院声学研究所 一种韵律控制语音合成方法、系统及电子装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035235A (zh) * 2011-09-30 2013-04-10 西门子公司 一种将语音转换为旋律的方法和装置
US20180247636A1 (en) * 2017-02-24 2018-08-30 Baidu Usa Llc Systems and methods for real-time neural text-to-speech
CN106898340A (zh) * 2017-03-30 2017-06-27 腾讯音乐娱乐（深圳）有限公司 一种歌曲的合成方法及终端
US20190371292A1 (en) * 2018-06-04 2019-12-05 Baidu Online Network Technology (Beijing) Co., Ltd. Speech synthesis method and apparatus, computer device and readable medium
US20190392798A1 (en) * 2018-06-21 2019-12-26 Casio Computer Co., Ltd. Electronic musical instrument, electronic musical instrument control method, and storage medium
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
CN109801608A (zh) * 2018-12-18 2019-05-24 武汉西山艺创文化有限公司 一种基于神经网络的歌曲生成方法和系统
CN110364140A (zh) * 2019-06-11 2019-10-22 平安科技（深圳）有限公司 歌声合成模型的训练方法、装置、计算机设备以及存储介质
CN111599343A (zh) * 2020-05-14 2020-08-28 北京字节跳动网络技术有限公司 用于生成音频的方法、装置、设备和介质
CN111754976A (zh) * 2020-07-21 2020-10-09 中国科学院声学研究所 一种韵律控制语音合成方法、系统及电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAJAN, RAGESH M ET, AL.: "《Singing Voice Synthesis System for Carnatic Music》", 《5TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING AND INTEGRATED NETWORKS (SPIN)》, 25 October 2018 (2018-10-25), pages 831 - 835 *
WU YUSONG ET, AL.: "《Peking Opera Synthesis via Duration Informed Attention Network》", 《INTERSPEECH CONFERENCE》, 29 October 2020 (2020-10-29), pages 1226 - 1229 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436591A (zh) * 2021-06-24 2021-09-24 广州酷狗计算机科技有限公司 音高信息生成方法、装置、计算机设备及存储介质
CN113436591B (zh) * 2021-06-24 2023-11-17 广州酷狗计算机科技有限公司 音高信息生成方法、装置、计算机设备及存储介质
CN113707122A (zh) * 2021-08-11 2021-11-26 北京搜狗科技发展有限公司 一种语音合成模型的构建方法、装置和用于语音合成模型的构建装置
CN113707122B (zh) * 2021-08-11 2024-04-05 北京搜狗科技发展有限公司 一种语音合成模型的构建方法、装置和用于语音合成模型的构建装置
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
CN114267375A (zh) * 2021-11-24 2022-04-01 北京百度网讯科技有限公司 音素检测方法及装置、训练方法及装置、设备和介质
CN114267375B (zh) * 2021-11-24 2022-10-28 北京百度网讯科技有限公司 音素检测方法及装置、训练方法及装置、设备和介质

Similar Documents

Publication Publication Date Title
CN111583900B (zh) 歌曲合成方法、装置、可读介质及电子设备
CN111292720B (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN111369967B (zh) 基于虚拟人物的语音合成方法、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
CN111369971B (zh) 语音合成方法、装置、存储介质和电子设备
CN112786013A (zh) 基于唱本的语音合成方法、装置、可读介质和电子设备
CN111899719A (zh) 用于生成音频的方法、装置、设备和介质
CN111402843B (zh) 说唱音乐生成方法、装置、可读介质及电子设备
CN112309366B (zh) 语音合成方法、装置、存储介质及电子设备
CN112489621B (zh) 语音合成方法、装置、可读介质及电子设备
WO2022105861A1 (zh) 用于识别语音的方法、装置、电子设备和介质
CN111951780B (zh) 语音合成的多任务模型训练方法及相关设备
CN111899720A (zh) 用于生成音频的方法、装置、设备和介质
CN112786007A (zh) 语音合成方法、装置、可读介质及电子设备
CN111951779B (zh) 语音合成的前端处理方法及相关设备
CN112927674B (zh) 语音风格的迁移方法、装置、可读介质和电子设备
CN111292719A (zh) 语音合成方法、装置、计算机可读介质及电子设备
CN113327580A (zh) 语音合成方法、装置、可读介质及电子设备
CN111782576B (zh) 背景音乐的生成方法、装置、可读介质、电子设备
CN111489735B (zh) 语音识别模型训练方法及装置
CN111798821A (zh) 声音转换方法、装置、可读存储介质及电子设备
CN111354343B (zh) 语音唤醒模型的生成方法、装置和电子设备
CN112786008A (zh) 语音合成方法、装置、可读介质及电子设备
CN112309367B (zh) 语音合成方法、装置、存储介质及电子设备
CN112489606A (zh) 旋律生成方法、装置、可读介质及电子设备

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