CN113096636A - 语音合成装置、方法、电子设备和存储介质 - Google Patents
语音合成装置、方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113096636A CN113096636A CN202110634092.9A CN202110634092A CN113096636A CN 113096636 A CN113096636 A CN 113096636A CN 202110634092 A CN202110634092 A CN 202110634092A CN 113096636 A CN113096636 A CN 113096636A
- Authority
- CN
- China
- Prior art keywords
- speech synthesis
- text
- features
- attention
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 77
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 77
- 238000001308 synthesis method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000007246 mechanism Effects 0.000 claims abstract description 38
- 230000007704 transition Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000001755 vocal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种语音合成装置、方法、电子设备和计算机存储介质，所述语音合成装置包括语音合成处理模块和语音增强模块，所述语音合成处理模块的输出与所述语音增强模块的输入相连；其中，所述语音合成处理模块包括：文本编码器、韵律控制模块、位置敏感注意力模块、注意力过渡机制模块、解码器和声码器。利用本申请的实施例能够得到携带风格韵律的清晰的合成语音。
Description
技术领域
本申请涉及语音合成技术领域，尤其涉及一种语音合成装置、方法、电子设备和计算机存储介质。
背景技术
关于语音合成，也可称为文语转换（Text To Speech，TTS），是指可以将输入的文本转换为相应语音的技术，语音合成是人机语音交互中最为重要的技术之一。传统的语音合成技术采用前端-后端模型的架构，实现过程需分别对前端模型和后端模型进行详细设计，需引入大量专家知识（例如语言学、声学等方面的知识支撑），实现过程的逻辑较为复杂，在效果上传统的合成语音在自然度上与真人语音有较大差距。目前已出现了端到端语音合成技术，端到端的语音合成可得到高度自然的语音，且模型的设计和实现不需要特定领域的专家知识，可应用于多种语言、多种场景的语音合成需求。
目前，基于端到端语音合成技术的语音合成方法，使用构建的经过训练的模型生成语音时，只能生成特定说话人的语音且韵律感较差，而实际上不同人声的语音具有语速快慢、喜怒哀乐等的韵律风格，目前模拟中文的语音韵律仍属于较难实现的功能，因此为中文语音增加韵律的机制还需要继续优化提升；此外，模型训练时，大多使用来自安静环境中录制的音频用以合成训练，然而实际中更普遍的情况是，训练用音频很多是来自人工录制的音频，例如，在教育教学场景下、课堂上录制的教学音频，难以避免会录入嘈杂的背景噪声，会对模型训练的质量以及后续合成音频的质量产生影响。
发明内容
为了解决现有技术中上述至少一个问题，本申请实施例提供一种语音合成装置、方法、电子设备和计算机存储介质，用以解决至少一个技术问题。
第一方面，本申请实施例提供一种语音合成装置，其包括语音合成处理模块和语音增强模块，所述语音合成处理模块的输出与所述语音增强模块的输入相连；其中，所述语音合成处理模块包括：文本编码器、韵律控制模块、位置敏感注意力模块、注意力过渡机制模块、解码器和声码器；其中，
所述文本编码器用于基于输入的文本提取文本特征；
所述韵律控制模块用于对所述文本编码器输出的文本特征增加韵律特征，将得到的包含文本特征和韵律特征的特征数据输入所述位置敏感注意力模块；
所述位置敏感注意力模块用于根据位置敏感注意力机制获取所述特征数据中预设时间步长的对齐特征，将所述对齐特征输入所述注意力过渡机制模块；
所述注意力过渡机制模块用于根据所述对齐特征计算各个预设时间步长对应的修正注意概率，并将所述修正注意概率输入所述解码器；
所述解码器用于基于所述包含文本特征和韵律特征的特征数据生成频谱图，其中在生成频谱图过程中所述解码器根据所述对齐特征和所述修正注意概率确定在各时间步长上移动或者停留；
所述声码器用于将所述频谱图转换为音频；
所述语音增强模块用于对所述音频提取音频特征，对所述音频特征进行增强处理，并输出增强处理后的合成语音。
第二方面，本申请实施例提供一种语音合成方法，所述语音合成方法基于如上所述的语音合成装置，所述语音合成方法包括：
将目标文本输入所述语音合成装置的所述文本编码器，将目标音频输入所述语音合成装置的所述韵律控制模块；
接收所述语音合成装置输出的经过增强处理的合成语音，所述合成语音携带有所述目标音频的韵律特征。
第三方面，本申请实施例提供一种语音合成方法，所述语音合成方法基于如上所述的语音合成装置，所述语音合成方法包括：
提取目标文本的文本特征；
对所述文本特征增加目标音频的韵律特征，得到包含文本特征和韵律特征的特征数据；
根据位置敏感注意力机制获取所述特征数据中预设时间步长的对齐特征；
根据所述对齐特征计算各个预设时间步长对应的修正注意概率，所述修正注意概率能够使位置敏感注意力机制确定在各个时间步长上移动或者停留；
在所述位置敏感注意力机制下根据所述包含文本特征和韵律特征的特征数据生成频谱图；
将所述频谱图转换为音频；
对所述音频提取音频特征，对所述音频特征进行增强处理，输出增强处理后的合成语音。
第四方面，本申请实施例提供一种电子设备，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任意一项实施例所提供的方法。
第五方面，本申请实施例提供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任意一项实施例所提供的方法。
利用本申请的实施例能够获得经过风格韵律控制及语音增强处理的合成语音，并能够在一定程度上避免由于文本较长而出现的漏读现象，尤其适用于嘈杂教育场景下生成具有风格韵律的去噪语音的语音合成处理，能够获得高质量的合成语音。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1是根据本申请实施例的一种语音合成装置的结构示意图；
图2是根据本申请实施例的一种语音合成方法的流程示意图；
图3是根据本申请实施例的另一种语音合成方法的流程示意图；
图4是根据本申请实施例的又一种语音合成方法的流程示意图；
图5是根据本申请实施例的电子设备组成结构示意图。
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。
本文中术语"和/或"，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语"至少一种"表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语"第一"、"第二"表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。另外，为更好的说明本申请，在下文具体实施方式中给出了具体细节。本领域技术人员应当理解，没有某些具体细节本申请同样可以实施。在一些实例中对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
下面结合附图对本申请实施例进行详细阐述，所附附图仅供参考说明，并非用来限定本申请。
图1示意性地示出了本申请实施例的一种语音合成装置100的结构框图，该语音合成装置100包括语音合成处理模块110和语音增强模块120，所述语音合成处理模块110的输出与所述语音增强模块120的输入相连；其中，所述语音合成处理模块110包括：文本编码器111、韵律控制模块112、位置敏感注意力模块113、注意力过渡机制模块114、解码器115和声码器116；其中，
所述文本编码器111用于基于输入的文本提取文本特征；
所述韵律控制模块112用于对所述文本编码器111输出的文本特征增加韵律特征，将得到的包含文本特征和韵律特征的特征数据输入所述位置敏感注意力模块113；
所述位置敏感注意力模块113用于根据位置敏感注意力机制获取所述特征数据中预设时间步长的对齐特征，将所述对齐特征输入所述注意力过渡机制模块114；
所述注意力过渡机制模块114用于根据所述对齐特征计算各个预设时间步长对应的修正注意概率，并将所述修正注意概率输入所述解码器115；
所述解码器115用于基于所述包含文本特征和韵律特征的特征数据生成频谱图，其中在生成频谱图过程中所述解码器115根据所述对齐特征和所述修正注意概率确定在各时间步长上移动或者停留；
所述声码器116用于将所述频谱图转换为音频；
所述语音增强模块120用于对所述音频提取音频特征，对所述音频特征进行增强处理，并输出增强处理后的合成语音。
根据本申请的实施例，在语音合成装置100中包含韵律控制模块112，韵律控制模块112能够对文本编码器111输出的文本特征增加韵律特征，也就是说，对于输入的文本，在经过文本编码器111提取文本特征后，还需经过韵律控制模块112增加韵律特征（例如增加张老师的人声的韵律特征），从而可得到包含文本特征和韵律特征的特征数据，为后续处理做准备。如此，韵律特征能够与文本特征共同生成具有特定风格韵律（例如特定语速快慢、特定喜怒哀乐的情感等的特定风格韵律）的合成语音，使合成语音更符合用户的听觉习惯，改善使用体验；
进一步，根据本申请的实施例，在语音合成装置100中还包含注意力过渡机制模块114，其与位置敏感注意力模块113相连，注意力过渡机制模块114能够根据位置敏感注意力模块113输出的特征数据中预设步长的对齐特征，来计算各预设步长的修正注意概率，该修正注意概率能够辅助后续解码器115生成频谱图时的操作准确度，通过该注意力过渡机制模块114可有效解决因为文本较长而容易出现的漏读问题，尤其适合于教育教学场景或者其他需要对长文本进行语音合成的场景；
再进一步，根据本申请的实施例，在语音合成装置100中，语音合成处理模块110的输出与语音增强模块120的输入相连，也就是说，本申请实施例的语音合成装置100是在完成前期语音合成流程之后才对得到的合成语音进行增强处理，如此，可对音频中的人声做进一步增益，对背景噪声做进一步降噪，能够在最大限度上改善用户听觉感知，提升语音合成效果；
可见，利用本申请的实施例能够获得经过风格韵律控制及语音增强处理的合成语音，并能够在一定程度上避免由于文本较长而出现的漏读现象，尤其适用于嘈杂教育场景下生成具有风格韵律的去噪语音的语音合成处理，能够获得高质量的合成语音。
在本申请的实施例中，可选地，所述语音合成装置是通过对神经网络进行训练而生成的，采用的训练数据包括文本以及阅读所述文本的语音。
在进行语音合成之前，可以先对基于各个模块（语音合成处理模块110以及语音增强模块120）构建的神经网络模型进行训练，从而对模型的参数调优，训练完成后得到语音合成装置100，训练时使用的训练数据可为文本以及人声阅读该文本的语音（即音频文件），训练过程中模型能够学习到文本与语音的特征关系，训练样本越多，得到的语音合成装置的合成效果越好。
在本申请的实施例中，可选地，所述韵律控制模块包括韵律控制编码器，所述韵律控制编码器用于对接收到的音频进行处理以输出所述音频的韵律特征，所述韵律特征包括所述音频的梅尔普特征。
在进行语音合成之前，可先对韵律控制模块进行处理，目的是使其能够输出不同人的人声韵律特征，例如该韵律控制模块可以是神经网络模型中的特征提取层，用于提取人声音频中的梅尔普特征。那么，在语音合成过程中，如果希望合成的语音具有特定人（例如张老师）的人声风格韵律，则可将张老师的一段语音输入韵律控制模块，则韵律控制模块可输出张老师的人声的梅尔普特征，然后与文本特征一起参与后续步骤的处理，使得合成语音能够携带张老师的人声风格韵律，达到生成特定风格韵律的语音的目的。其中，关于梅尔普特征，是一种声学特征，也称为梅尔频率倒谱系数（Mel Frequency CepstrumCoefficient, MFCC），本申请实施例中提取人声音频中的梅尔普特征的操作，可按照已知的处理方式实现，本申请实施例对此不作特殊要求或限制。
在本申请的实施例中，可选地，所述在生成频谱图过程中所述解码器根据所述对齐特征和所述修正注意概率确定在各时间步长上移动或者停留，可包括以下两种处理方式：
(1)如果第k个时间步长对应的修正注意概率大于或等于第一阈值，所述解码器确定在所述第k个时间步长上向前移动至第k-1个时间步长；
(2)如果第k个时间步长对应的修正注意概率小于所述第一阈值，所述解码器确定在所述第k个时间步长上停留至第k+1个时间步长到达；其中，所述第一阈值介于0至1之间。
通过上述修正，即使待合成语音的文本长度较长，仍能够较好地维持文本与语音之间的对齐关系，可在一定程度上避免合成的语音中出现漏读的情况，提升合成语音的质量。
基于本申请实施例的语音合成装置，参考图2，还提供一种语音合成方法，该方法基于上述的语音合成装置，所述语音合成方法包括：
S101，将目标文本输入所述语音合成装置的所述文本编码器，将目标音频输入所述语音合成装置的所述韵律控制模块；
S102，接收所述语音合成装置输出的经过增强处理的合成语音，所述合成语音携带有所述目标音频的韵律特征。
使用本申请实施例的语音合成装置时，可将待处理的文本输入文本编码器，并将一段音频输入韵律控制模块，该段音频中包含人声语音，自然也就包含人声的韵律特征，例如前文提到的张老师（或其他人）的人声风格韵律；经过语音合成装置中各模块的一系列处理，可输出经过增强处理的合成语音，且合成语音中携带有该段音频的韵律特征。
基于本申请实施例的语音合成装置，参考图3，还提供一种语音合成方法，该方法基于上述的语音合成装置，所述语音合成方法包括：
S201，提取目标文本的文本特征；
S202，对所述文本特征增加目标音频的韵律特征，得到包含文本特征和韵律特征的特征数据；
S203，根据位置敏感注意力机制获取所述特征数据中预设时间步长的对齐特征；
S204，根据所述对齐特征计算各个预设时间步长对应的修正注意概率，所述修正注意概率能够使位置敏感注意力机制确定在各个时间步长上移动或者停留；
S205，在所述位置敏感注意力机制下根据所述包含文本特征和韵律特征的特征数据生成频谱图；
S206，将所述频谱图转换为音频；
S207，对所述音频提取音频特征，对所述音频特征进行增强处理，输出增强处理后的合成语音。
利用本申请的以上至少一个实施例，能够实现基于风格韵律控制及语音增强的端到端语音合成，能够减少由于文本较长而出现的漏读现象，尤其适用于嘈杂教育场景下生成特定风格韵律的去噪语音的语音合成处理，能够获得高质量的合成语音。
在语音合成阶段，可通过韵律模块加入特定的韵律特征，使韵律特征和文本特征一起共同生成具有特定语速快慢和/或喜怒哀乐情感等特定风格韵律的语音，并且通过位置敏感注意力模块和注意力过渡机制模块构成的前向过渡注意力机制，可有效解决文本较长情况下的漏读问题，在语音合成模型后加入语音增强模块，能够对于音频中的背景噪声进行进一步的去除，得到清晰的高质量语音。
以上描述了本申请实施例的语音合成装置及方法的实施方式以及取得的优势。以下通过具体的例子详细描述本申请实施例的具体处理过程。
作为一个示例，图4示意性地示出了本申请一个实施例中的语音合成装置的处理流程框图，以下描述该示例的具体处理过程。
首先，一方面，将目标文本输入文本编码器，文本编码器提取文本特征后，输出文本特征；另一方面，将具有风格韵律的参考音频输入韵律控制模块，风格控制编码器（或称：韵律控制编码器、风格韵律编码器）可输出音频的梅尔普特征；
其次，将文本特征和韵律特征依次输入位置敏感注意力模块和注意力过渡机制模块进行处理，注意力过渡机制模块可输出修正注意概率，进入解码器；
再次，解码器利用文本特征和韵律特征可生成频谱图，例如生成并输出梅尔频谱，在生成频谱图的过程中，在各个时间步长上，解码器利用修正注意概率确定是否在各个时间步长上移动；
然后，生成的频谱图进入声码器，声码器可将频谱图转换为音频，得到输出的合成音频，该合成音频为输入的目标文本对应的语音且携带有参考音频的风格韵律，至此完成了语音合成的大部分处理，得到合成音频；
之后，对得到的合成音频进行特征提取，并通过语音增强模块进行增强去噪，经过一系列必要的处理，可输出降噪后的语音。
作为一种示例，本申请实施例中的风格韵律编码器可采用变分自编码器（Variational AutoEncoder，VAE）推理网络，其可将参考音频编码为一个固定长度的潜在表示的短向量（或风格表示的潜在变量），例如可采用6个二维卷积神经网络（Convolutional Neural Networks，CNN）2D CNN层和1个门控循环神经网络（GatedRecurrent Unit，GRU）层。
作为一种示例，本申请实施例中的文本编码器可将汉字做character embedding和参考编码器输出reference embedding相加再输入BLSTM。
作为一种示例，本申请实施例中的解码器可包括初始的网络（Pre-Net）、注意力机制循环神经网络（Attention Recurrent Neural Network，Attention-RNN）、解码器循环神经网络（Decoder-RNN），其中，Decoder-RNN为两层残差residual GRU，它的输出为输入与经过GRU单元的输出之和。
作为一种示例，本申请实施例中的注意力机制采用位置敏感注意力（positionsensitive attention）得到对齐特征，输入过渡机制中进一步计算。通常，注意力机制（attention mechanism）可使神经网络具备专注于输入（或特征）子集的能力。
作为一种示例，本申请实施例中的注意力过渡机制模块可利用正向算法递归计算每个时间步长的修正注意概率，使得注意机制在每个解码器的时间步长决定向前移动或者停留。
举例来说，解码器在第k个时间步长上的修正注意概率大于或等于预设的门限值，则当前的音速应前进到下一个音素，也就是向前移动至第k-1个时间步长；反之，解码器在第k个时间步长上的修正注意概率小于预设的门限值，则当前的音素应停留，等待第k+1个时间步长到达再继续处理。
作为一种示例，用户可将文本或称文本序列输入文本编码器，经过文本正则（TextNormalization）处理和/或字音转换（Grapheme-to-Phoneme）处理，可将文本序列转换为音素序列；将音素序列作为特征向量（character embedding，例如512维）输入到编码器中，编码器结构可采用3层1维卷积层（5卷积核，512单元）以及1层256单元的双向长短期记忆网络Bi-directional LSTM层，生成中间隐变量；具有人声风格韵律的音频经过韵律控制编码器可输出音频梅尔普特征；位置敏感注意力（position sensitive attention）模块可采用一层包含128个GRU的RNN，将Pre-Net的输出和Attention-RNN的输出作为输入，经过GRU单元后输出到Decoder-RNN中；注意力过渡机制模块利用正向算法递归计算每个时间步长的修正注意概率，使得注意机制在每个解码器的时间步长做出是向前移动还是停留的决定；解码器（decoder）生成频谱图，decoder模块包括pre-net、Attention-RNN、Decoder-RNN，decode-RNN为两层residual GRU，它的输出为输入与经过GRU单元的输出之和，每层包含256 GRU单元，可按照帧级别生成频谱图；经过声码器（例如griffin-lim或神经声码器）将频谱图转换为音频；最后，通过语音增强模块提取音频特征，输入先验信噪比估计器，经过估计先验信噪比模块，估计后验信噪比模块，计算增益模块，估计干净音频幅谱，经过音频重构模块，得到增益合成语音。
语音增强一般指当语音信号被各种各样的噪声干扰后，从噪声背景尽可能中提取有用的语音信号，抑制、降低噪声干扰。作为本申请的一种示例，对于语音增强模块的具体处理，可按照如下过程实现：
1)将带噪声音频提取音频的幅度谱
输入先验信噪比估计器。根据语音和噪声的统计特性，由先验信噪比估计器估计出先验信噪比
；
其中，先验信噪比估计器结构包括一个输入层FC、N个膨胀残差卷积自注意力网络以及一个输出层O。其中FC是一个全连接的层单元，其中层归一化应用于FC的输出，然后，依次经过修正线性（Rectified Linear Units，ReLU）激活函数、残差网络和自注意力层，最后经过输出层O，是具有Sigmoid激活单元的全连接层。
2)由先验信噪比得到后验信噪比，如式（1）：
3)进而由先验信噪比和后验信噪比得到增益函数，如式（2）：
4)用带噪语音的幅度谱乘增益函数得到降噪后语音的幅度谱，如式（3）：
其中，带噪语音频谱分量的先验信噪比如式（4）：
其中，
是干净语音频谱分量的方差；
是噪声频谱分量的方差；
表示期望算子，即先验信噪比是干净语音频谱分量与噪声频谱分量的比值。
后验信噪比函数如式（5）：
其中，
是带噪语音幅度谱的平方，即后验信噪比是带噪语音频谱分量与噪声频谱分量的比值。
这里，为了加大网络的收敛效率，将先验信噪比先经过一个累积分布函数，再输入网络。增益方程是指干净语音频谱分量占带噪语音频谱分量的比值，采用基于最小均方误差的对数幅度谱估计的增益函数，如式（6）所示：
最后，对语音进行重构，由于人耳对相位的不敏感性以及相位没有固定结构难以估计，因此采用原始的带噪语音的相位与修复后的干净语音的幅度谱相结合，经过逆傅里叶变换后，可得到干净语音。
本申请提供的语音合成装置和方法可以用于语音合成处理、音频处理或自动生成音频等项目中。示例性地，方法的执行主体可以是电子设备，该电子设备可以是终端，还可以是服务器。
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5所示，是根据本申请实施例的电子设备的框图。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5所示，该电子设备包括：一个或多个处理器501、存储器502，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5中以一个处理器501为例。
存储器502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502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。处理器501通过运行存储在存储器502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502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电子设备的使用所创建的数据等。此外，存储器502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502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与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504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。
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 (8)
1.一种语音合成装置，其特征在于，其包括语音合成处理模块和语音增强模块，所述语音合成处理模块的输出与所述语音增强模块的输入相连；其中，所述语音合成处理模块包括：文本编码器、韵律控制模块、位置敏感注意力模块、注意力过渡机制模块、解码器和声码器；其中，
所述文本编码器用于基于输入的文本提取文本特征；
所述韵律控制模块用于对所述文本编码器输出的文本特征增加韵律特征，将得到的包含文本特征和韵律特征的特征数据输入所述位置敏感注意力模块；
所述位置敏感注意力模块用于根据位置敏感注意力机制获取所述特征数据中预设时间步长的对齐特征，将所述对齐特征输入所述注意力过渡机制模块；
所述注意力过渡机制模块用于根据所述对齐特征计算各个预设时间步长对应的修正注意概率，并将所述修正注意概率输入所述解码器；
所述解码器用于基于所述包含文本特征和韵律特征的特征数据生成频谱图，其中在生成频谱图过程中所述解码器根据所述对齐特征和所述修正注意概率确定在各时间步长上移动或者停留；
所述声码器用于将所述频谱图转换为音频；
所述语音增强模块用于对所述音频提取音频特征，对所述音频特征进行增强处理，并输出增强处理后的合成语音。
2.根据权利要求1所述的语音合成装置，其中，所述语音合成装置是通过对神经网络进行训练而生成的，采用的训练数据包括文本以及阅读所述文本的语音。
3.根据权利要求1或2所述的语音合成装置，其中，所述韵律控制模块包括韵律控制编码器，所述韵律控制编码器用于对接收到的音频进行处理以输出所述音频的韵律特征，所述韵律特征包括所述音频的梅尔普特征。
4.根据权利要求1或2所述的语音合成装置，其中，所述在生成频谱图过程中所述解码器根据所述对齐特征和所述修正注意概率确定在各时间步长上移动或者停留，包括：
如果第k个时间步长对应的修正注意概率大于或等于第一阈值，所述解码器确定在所述第k个时间步长上向前移动至第k-1个时间步长；
如果第k个时间步长对应的修正注意概率小于所述第一阈值，所述解码器确定在所述第k个时间步长上停留至第k+1个时间步长到达；其中，所述第一阈值介于0至1之间。
5.一种语音合成方法，其特征在于，所述语音合成方法基于权利要求1-4中任一项所述的语音合成装置，所述语音合成方法包括：
将目标文本输入所述语音合成装置的所述文本编码器，将目标音频输入所述语音合成装置的所述韵律控制模块；
接收所述语音合成装置输出的经过增强处理的合成语音，所述合成语音携带有所述目标音频的韵律特征。
6.一种语音合成方法，其特征在于，所述语音合成方法基于权利要求1-4中任一项所述的语音合成装置，所述语音合成方法包括：
提取目标文本的文本特征；
对所述文本特征增加目标音频的韵律特征，得到包含文本特征和韵律特征的特征数据；
根据位置敏感注意力机制获取所述特征数据中预设时间步长的对齐特征；
根据所述对齐特征计算各个预设时间步长对应的修正注意概率，所述修正注意概率能够使位置敏感注意力机制确定在各个时间步长上移动或者停留；
在所述位置敏感注意力机制下根据所述包含文本特征和韵律特征的特征数据生成频谱图；
将所述频谱图转换为音频；
对所述音频提取音频特征，对所述音频特征进行增强处理，输出增强处理后的合成语音。
7.一种电子设备，其特征在于，所述电子设备包括：
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如权利要求6所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如权利要求6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110634092.9A CN113096636B (zh) | 2021-06-08 | 2021-06-08 | 语音合成装置、方法、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110634092.9A CN113096636B (zh) | 2021-06-08 | 2021-06-08 | 语音合成装置、方法、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113096636A true CN113096636A (zh) | 2021-07-09 |
| CN113096636B CN113096636B (zh) | 2022-02-11 |
Family
ID=76666044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110634092.9A Active CN113096636B (zh) | 2021-06-08 | 2021-06-08 | 语音合成装置、方法、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113096636B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999440A (zh) * | 2022-05-24 | 2022-09-02 | 北京百度网讯科技有限公司 | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1815552A (zh) * | 2006-02-28 | 2006-08-09 | 安徽中科大讯飞信息科技有限公司 | 基于线谱频率及其阶间差分参数的频谱建模与语音增强方法 |
| US20070260461A1 (en) * | 2004-03-05 | 2007-11-08 | Lessac Technogies Inc. | Prosodic Speech Text Codes and Their Use in Computerized Speech Systems |
| CN110299131A (zh) * | 2019-08-01 | 2019-10-01 | 苏州奇梦者网络科技有限公司 | 一种可控制韵律情感的语音合成方法、装置、存储介质 |
| CN110853616A (zh) * | 2019-10-22 | 2020-02-28 | 武汉水象电子科技有限公司 | 一种基于神经网络的语音合成方法、系统与存储介质 |
| CN112687258A (zh) * | 2021-03-11 | 2021-04-20 | 北京世纪好未来教育科技有限公司 | 语音合成方法、装置和计算机存储介质 |
-
2021
- 2021-06-08 CN CN202110634092.9A patent/CN113096636B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070260461A1 (en) * | 2004-03-05 | 2007-11-08 | Lessac Technogies Inc. | Prosodic Speech Text Codes and Their Use in Computerized Speech Systems |
| CN1815552A (zh) * | 2006-02-28 | 2006-08-09 | 安徽中科大讯飞信息科技有限公司 | 基于线谱频率及其阶间差分参数的频谱建模与语音增强方法 |
| CN110299131A (zh) * | 2019-08-01 | 2019-10-01 | 苏州奇梦者网络科技有限公司 | 一种可控制韵律情感的语音合成方法、装置、存储介质 |
| CN110853616A (zh) * | 2019-10-22 | 2020-02-28 | 武汉水象电子科技有限公司 | 一种基于神经网络的语音合成方法、系统与存储介质 |
| CN112687258A (zh) * | 2021-03-11 | 2021-04-20 | 北京世纪好未来教育科技有限公司 | 语音合成方法、装置和计算机存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999440A (zh) * | 2022-05-24 | 2022-09-02 | 北京百度网讯科技有限公司 | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 |
| CN114999440B (zh) * | 2022-05-24 | 2024-07-26 | 北京百度网讯科技有限公司 | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113096636B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Akbari et al. | Lip2audspec: Speech reconstruction from silent lip movements video | |
| Tu et al. | Speech enhancement based on teacher–student deep learning using improved speech presence probability for noise-robust speech recognition | |
| CN112466275B (zh) | 语音转换及相应的模型训练方法、装置、设备及存储介质 | |
| CN112382271B (zh) | 语音处理方法、装置、电子设备和存储介质 | |
| CN112634856A (zh) | 语音合成模型训练方法和语音合成方法 | |
| CN108172238A (zh) | 一种语音识别系统中基于多个卷积神经网络的语音增强算法 | |
| JP2017538137A (ja) | 音声転写用のシステム及び方法 | |
| CN109147763B (zh) | 一种基于神经网络和逆熵加权的音视频关键词识别方法和装置 | |
| CN112309365B (zh) | 语音合成模型的训练方法、装置、存储介质以及电子设备 | |
| CN112365874B (zh) | 语音合成模型的属性注册、装置、电子设备与介质 | |
| CN112509552B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN110853670A (zh) | 音乐驱动的舞蹈生成方法 | |
| Pandey et al. | Liptype: A silent speech recognizer augmented with an independent repair model | |
| CN111968658A (zh) | 语音信号的增强方法、装置、电子设备和存储介质 | |
| CN112420014A (zh) | 虚拟人脸构建方法、装置、计算机设备及计算机可读介质 | |
| CN111933164B (zh) | 语音处理模型的训练方法、装置、电子设备和存储介质 | |
| Granell et al. | Multimodal crowdsourcing for transcribing handwritten documents | |
| Mehta et al. | Diff-TTSG: Denoising probabilistic integrated speech and gesture synthesis | |
| CN113096636B (zh) | 语音合成装置、方法、电子设备和存储介质 | |
| Saleem et al. | NSE-CATNet: deep neural speech enhancement using convolutional attention transformer network | |
| Park et al. | Unsupervised speech domain adaptation based on disentangled representation learning for robust speech recognition | |
| Saleem et al. | Multi-attention bottleneck for gated convolutional encoder-decoder-based speech enhancement | |
| WO2021229643A1 (ja) | 音声信号変換モデル学習装置、音声信号変換装置、音声信号変換モデル学習方法及びプログラム | |
| CN117012177A (zh) | 语音合成方法、电子设备和存储介质 | |
| CN114999440B (zh) | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 |
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 |