CN113255313A - 音乐生成方法、装置、电子设备和存储介质 - Google Patents
音乐生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113255313A CN113255313A CN202110610759.1A CN202110610759A CN113255313A CN 113255313 A CN113255313 A CN 113255313A CN 202110610759 A CN202110610759 A CN 202110610759A CN 113255313 A CN113255313 A CN 113255313A
- Authority
- CN
- China
- Prior art keywords
- music
- template
- text information
- duration
- character
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 235000006025 Durio zibethinus Nutrition 0.000 description 2
- 240000000716 Durio zibethinus Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000002194 synthesizing 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
- G10H2210/031—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal
- G10H2210/041—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal based on mfcc [mel -frequency spectral coefficients]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
- G10H2210/101—Music Composition or musical creation; Tools or processes therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electrophonic Musical Instruments (AREA)
Abstract
本发明涉及语音领域,提供了一种音乐生成方法、装置、电子设备和存储介质,通过获取与目标音乐模板对应的文本信息,然后依据目标音乐模板,确定文字信息中每个文字的发音时长;根据文本信息、每个文字的发音时长和预设声学模型,得到文本信息对应的语音频谱;再根据语音频谱和目标音乐匹配的音乐伴奏,生成音乐音频。从而实现了根据文字生成音乐,简化了生成音乐的操作,可以使用户制作出具有个性化风格的音乐。
Description
技术领域
本发明涉及语音领域,具体而言,涉及一种音乐生成方法、装置、电子设备和存储介质。
背景技术
随着用户对个性元素的追求,通过原创文字创作自己的专属音乐歌曲,越来越流行,例如说唱音乐,由于其具有节奏感强、文字押韵的特点,广受用户的喜爱。
目前,音乐歌曲的制作通常需要用户具有一定的乐理知识,并且还需要使用专业的音频处理软件,其制作的过程复杂,对于非专业人员是有一定难度。
发明内容
有鉴于此,本发明的目的在于提供一种音乐生成方法、装置、电子设备和存储介质。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明提供一种音乐生成方法,应用于电子设备,所述电子设备预设有多个音乐模板;所述方法包括:
获取与目标音乐模板对应的文本信息;所述目标音乐模板为所述多个音乐模板中的一个;所述文本信息包括多个文字;
根据所述目标音乐模板,确定每个文字的发音时长;
根据所述文本信息、所述每个文字的发音时长和预设声学模型,获得所述文本信息对应的语音频谱;
根据所述语音频谱和与所述目标音乐模板匹配的音乐伴奏,生成音乐音频。
在可选的实施方式中,所述根据所述目标音乐模板,确定每个文字的发音时长的步骤,包括:
根据所述目标音乐模板,确定每个音节的音节时长;所述每个音节与所述每个文字一一对应;所述每个音节至少包括一个音素;
根据每个音节时长,确定所述每个音节中每个音素的音素时长;所述每个文字的发音时长为所述每个文字的全部音素时长。
在可选的实施方式中,所述根据所述文本信息、所述每个文字的发音时长和预设声学模型,获得所述文本信息对应的语音频谱步骤,包括:
根据所述文本信息、所述每个文字的全部音素时长和预设声学模型,获得所述文本信息对应的梅尔频谱;所述语音频谱为所述梅尔频谱。
在可选的实施方式中,所述根据所述语音频谱和与所述目标音乐模板匹配的音乐伴奏,生成音乐音频的步骤,包括:
根据预设声码器和所述语音频谱,获得所述文本信息对应的语音波形;
根据所述语音波形和所述与目标音乐模板匹配的音乐伴奏,生成音乐音频。
在可选的实施方式中,所述获取与目标音乐模板对应的文本信息的步骤,包括:
响应用户在音乐生成界面的模板区域的选择操作,确定与所述选择操作对应的目标音乐模板;所述音乐生成界面包括文本区域;
响应用户在所述文本区域的交互操作,获取与所述目标音乐模板对应的文本信息。
在可选的实施方式中,所述音乐生成界面还包括播放区域,所述方法还包括:
响应用户在所述播放区域的确认操作,播放所述音乐音频。
第二方面,本发明提供一种音乐生成装置,应用于电子设备,所述电子设备预设有多个音乐模板;所述装置包括:
获取模块,用于获取与目标音乐模板对应的文本信息;所述目标音乐模板为所述多个音乐模板中的一个;所述文本信息包括多个文字;
处理模块,用于根据所述目标音乐模板,确定每个文字的发音时长;
根据所述文本信息、所述每个文字的发音时长和预设声学模型,获得所述文本信息对应的语音频谱;
根据所述语音频谱和与所述目标音乐模板匹配的音乐伴奏,生成音乐音频。
在可选的实施方式中,所述处理模块还用于:
根据所述目标音乐模板,确定每个音节的音节时长;所述每个音节与所述每个文字一一对应;所述每个音节至少包括一个音素;
根据每个音节时长,确定所述每个音节中每个音素的音素时长;所述每个文字的发音时长为所述每个文字的全部音素时长。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现前述实施方式中任一项所述的方法。
第四方面,本发明提供一种存储介质,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现前述实施方式中任一项所述的方法。
本发明实施例提供的音乐生成方法、装置、电子设备和存储介质,通过获取与目标音乐模板对应的文本信息,然后依据目标音乐模板,确定文字信息中每个文字的发音时长;根据文本信息、每个文字的发音时长和预设声学模型,得到文本信息对应的语音频谱;再根据语音频谱和目标音乐匹配的音乐伴奏,生成音乐音频。从而实现了根据文字生成音乐,提供了更简易的音乐生成的方式,可以使用户创作出自己的专属音乐歌曲,更具有个性化风格的音乐歌曲。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的电子设备方框示意图;
图2示出了本发明实施例提供的音乐生成方法的一种流程示意图;
图3示出了本发明实施例提供的音乐生成方法的又一种流程示意图;
图4示出了本发明实施例提供的音乐生成方法的又一种流程示意图;
图5示出了本发明实施例提供的音乐生成方法的又一种流程示意图;
图6示出了本发明实施例提供的音乐生成方法的一个示例图;
图7示出了本发明实施例提供的音乐生成方法的又一个示例图;
图8示出了本发明实施例提供的音乐生成方法的又一个示例图;
图9示出了本发明实施例提供的音乐生成方法的又一个示例图;
图10示出了本发明实施例提供的音乐生成装置的一种功能模块图。
图标:100-电子设备;110-总线;120-处理器;130-存储器;150-I/O模块;170-通信接口;300-音乐生成装置;310-获取模块;330-处理模块;350-播放模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,是本发明实施例提供的一种电子设备100的方框示意图。电子设备100包括总线110、处理器120、存储器130、I/O模块150、通信接口170。
总线110可以是将上述元件相互连接并在上述元件之间传递通信(例如控制消息)的电路。
处理器120可以通过总线110从上述其它元件(例如存储器130、I/O模块150、通信接口170等)接收命令,可以解释接收到的命令,并可以根据所解释的命令来执行计算或数据处理。
处理器120可能是一种集成电路芯片,具有信号处理能力。该处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器130可以存储从处理器120或其它元件(例如I/O模块150、通信接口170等)接收的命令或数据或者由处理器120或其它元件产生的命令或数据。
存储器130可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
I/O模块150可以接收经由输入-输出手段(例如,传感器、键盘、触摸屏等)从用户输入的命令或数据,并可以通过总线110向处理器120或存储器130传送接收到的命令或数据。并且用于显示从上述元件接收、存储、处理的各种信息(例如多媒体数据、文本数据),可以向用户显示视频、图像、数据等。
通信接口170可用于与其他节点设备进行信令或数据的通信。
可以理解的是,图1所示的结构仅为电子设备100的结构示意图,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例提供的电子设备可以是智能手机、个人计算机、平板电脑、可穿戴设备、超级移动个人计算机(ultra-mobilepersonalcomputer,UMPC)、上网本、个人数字助理(personaldigitalassistant,PDA)等。本发明实施例对此不作任何限制。
下面将以上述的电子设备100作为执行主体,执行本发明实施例提供的各个方法中的各个步骤,并实现对应技术效果。
请参阅图2,图2是本发明实施例提供的一种音乐生成方法的流程示意图。
步骤S202,获取与目标音乐模板对应的文本信息;
可以理解的是,电子设备中预先设置有多个音乐模块。目标音乐模板是多个音乐模板中的一个。文本信息包括多个文字。
可选地,目标音乐模板可以是根据用户的选择操作获取到的,也可以是设置的默认音乐模板。文本信息可以是根据用户的交互操作获取到,例如用户直接输入文本、或者是用户输入语音,然后经过语音识别得到的文本。
可以理解的是,获取到目标音乐模板和文本信息的顺序不做限制,即可以先获取到目标音乐模块,再获取目标音乐模块对应的文本信息;也可以先获得文本信息,在获取目标音乐模块。但需要说明的是,目标音乐模板与文本信息具有对应关系。
步骤S204,根据目标音乐模板,确定每个文字的发音时长;
可以理解的是,每个音乐模板都包括该音乐的歌词信息、乐谱信息、以及伴奏信息等。
可选地,可以根据目标音乐模块的歌词信息、乐谱信息,确定出文本信息中每个文字的发音时长。如乐谱信息包括节拍,每个节拍有对应的时长,根据每个节拍的时长,可以确定出每个文字的发音时长。
步骤S206,根据文本信息、每个文字的发音时长和预设声学模型,获得文本信息对应的语音频谱;
其中,预设声学模型为预先训练好的声学模型;该声学模型是基于语音合成技术,可以将文本的语言特征转换为语音的声学特征。
可选地,可以根据文本信息提取语言特征,将语言特征和每个文字的发音时长作为预设声学模型的输入,可以得到该预设声学模型的输出,即文本信息对应的语音频谱。
可以理解的是,每个文字的发音时长是依据目标音乐模板得到,通过预设声学模型得到的语音频谱,其也包含目标音乐模板中音乐的乐谱信息。
例如,对于是说唱音乐的音乐模板,由于说唱音乐是一种基于节奏说出一连串文字的音乐类型,其乐谱信息包括音律、停顿等,这些可以根据发音时长来获得。
可选地,预设声学模型的训练样本可以采用人声说话的语音数据;而不采用人声说唱的语音数据。这是由于说唱音乐的节奏变化较为多样复杂,且说唱的语音数据较少,会使得模型训练的效果不好。
步骤S208,根据语音频谱和与目标音乐模板匹配的音乐伴奏,生成音乐音频;
可以理解的是,目标音乐模版包括伴奏信息,与目标音乐模板匹配的音乐伴奏可以是目标音乐模版本身的音乐伴奏,也可以与其乐谱信息匹配的其他伴奏。
可选地,可以根据语音频谱,获得语音波形,将语音波形与音乐伴奏进行合成,得到音乐频。
可见,基于上述步骤,通过获取与目标音乐模板对应的文本信息,然后依据目标音乐模板,确定文字信息中每个文字的发音时长;根据文本信息、每个文字的发音时长和预设声学模型,得到语音频谱;再根据语音频谱和目标音乐匹配的音乐伴奏,生成音乐音频。从而实现了根据文本生成音乐,相比现有技术,用户不需要学习乐理知识和使用专业音频处理软件,简化了生成音乐的操作,用户可以创作出更具有个性化的音乐。
为了提高音乐的生成效果,本发明实施例针对上述步骤S204,提供了一种可能的实现方式。请参阅图3,图3是本发明实施例提供的一种音乐生成方法的流程示意图。其中,步骤S204还包括以下步骤:
步骤S204-1,根据目标音乐模板,确定每个音节的音节时长;
可以理解的是,每个文字都有其对应的音节,音节是语音的基本单位。例如:文字“我”对应的音节是“wo”。
每个音乐模板都有模板文件,其模板文件中包括音乐的歌词信息,乐谱信息和伴奏信息等。其中,歌词信息中包括每个歌词文字的演唱时长。可选地,该模板文件可以是MusicXML文件。
可选地,对目标音乐伴奏的模板文件进行解析,将每个文字与歌词信息中的歌词文字进行一一匹配,可以确定出每个音节的音节时长。
例如:歌词信息中第一句的歌词文字是“我是差不多先生”,文本信息中对应该句的文字是“你是差不多小姐”,其对应的音节是“ni/shi/cha/bu/duo/xiao/jie”。根据歌词信息中每个歌词文字的演唱时长,确定出每个音节的音节时长,即歌词文字“我”的演唱时长,是音节“ni”的音节时长,其他的歌词文字与音节类似。
可以理解的是,为了使生成的音乐效果更好,可以使歌词信息中歌词文字的文字字数,与文字信息中的字数一致。
步骤S204-3,根据每个音节时长,确定每个音节中每个音素的音素时长;
可以理解的是,每个音节由音素组成,音素是最小的语音单位。例如:音节“wo”由音素“w”和音素“o”组成。每个音节至少包括一个音素。
可选地,可以预先训练一个用于预测音素时长的模型,通过该预设时长预测模型,可以根据每个音节时长,确定出每个音节中每个音素的音素时长,可以对每个音素的音素时长进行调整。根据每个音素的音素时长,可以得到每个文字的发音时长。
例如,音节“wo”的音节时长是60ms,通过预设时长预测模型,可以得到音素“w”的音素时长是20ms,音素“o”的音素时长是40ms。
预设时长预测模型是基于人声说话的语音数据训练得到的。可以通过获取大量的人声说话语音数据样本,并对说话语音数据样本中每个字的音素进行标注,然后对模型进行训练。
可以理解是,相比人声说唱的语音数据,人声说话的语音数据更容易获取;并且说唱音乐的节奏变化复杂多样,若采用说唱语言数据作为样本对模型进行训练,其得到效果并不佳。
对于说唱音乐,从音乐模板可以获取到每个文字的演唱时长即音节时长,再根据预设时长预测模型确定出每个音节中音素的时长,可以是使合成的人声语音音频与音乐模板的匹配度更好。
每个文字的音素时长会影响得到语音频谱,语音频谱会影响最终生成的音乐。通过预设时长预测模型和音节时长,可以确定出每个文字的音素时长,从而提高生成的音乐的效果。
可以理解的是,在声学领域,可以用多种语音频谱反应语音信号。为了进一步提高生成的音乐的效果,可以采用梅尔频谱,进而本发明实施例提供了一种可能的实现方式。请参阅图4,其中,步骤S206还包括以下步骤:
步骤S206A,根据文本信息、每个文字的全部音素时长和预设声学模型,获得文本信息对应的梅尔频谱;
其中,可以将文本信息和每个文字的全部音素时长理解为文本的音素序列。预设声学模型可以采用DurIAN模型,该模型包括编码器、对齐网络、自回归解码器网络和Post-net网络。
可选地,可以将文本的音素序列输入到DurIAN模型中,编码器对其进行编码;然后对齐网络用于将文本的音素序列与输出的梅尔频谱进行对齐;再通过自回归解码器网络通过多帧预测的方式,生成中间量即线性的语音频谱,然后通过Post-net网络将该中间量转换为梅尔频谱。
可以理解的是,人耳能听的频率范围是20-20000Hz,但是人耳对以赫兹(Hz)这种标度单位并不是线性感知的,人耳对低频变化的感知要优于对高频变化的感知。如果将普通的频率标度转化为梅尔频率标度,可以使得人耳对频率的感知是线性的。由于人耳在梅尔频域内,对音调的感知是线性关系,因此,使用梅尔频谱生成音乐,可以使音乐具有更好的听觉效果。
基于上述步骤S208,本发明实施例提供一种可能的实现方式。如图5,其中,步骤S208包括以下步骤:
步骤S208-1,根据预设声码器和语音频谱,获得所述文本信息对应的语音波形;
可以理解的是,语音合成技术中,声码器可以根据语音的声学特征合成可播放的语音波形。
可选地,当语音频谱为梅尔频谱时,预设声码器可以是HIFI-Gan声码器,或者WaveRNN声码器。通过预设声码器和梅尔频谱,可以重构出语音波形。
步骤S208-3,根据语音波形和与目标音乐模板匹配的音乐伴奏,生成音乐音频;
可选地,语音波形是仅有人声的音频,将语音波形与音乐伴奏进行合成,可以得到音乐音频。
基于上述实施例中的各个步骤,可以基于文字生成音乐,为了使用户可以根据原创文字,得到专属于自己的音乐歌曲,实现与用户的交互。本发明实施例提供了一种可能实现的方式。
如图6所示,是本发明实施例提供的一个音乐生成界面的示例图。其中,该音乐生成界面包括模板区域、文本区域和播放区域。
模板区域用于展示可供用户选择的音乐模板。模板区域可以包括音色子区域和音乐模板子区域。
文本区域用于显示与音乐模板对应的歌词信息,在该区域可以获取到用户输入的文本信息。文本区域可以包括文本获取子区域和音乐生成子区域。
播放区域用于播放生成音乐音频,可选地,还可以播放语音波形。播放区域可以包括语音播放子区域和音乐播放子区域。
下面将以上述图6为例,对本发明实施例提供的音乐生成方法进行介绍。
如图7中的(a1),响应用户在音色子区域的选择操作,确定与选择操作对应的目标音色即“虎妹”;响应用户在音乐模板子区域的选择操作,确定与选择操作对应的目标音乐模板,即“差不多先生”;并且在文本获取子区域显示与目标音乐模板对应的歌词信息。
如图7中的(a2),响应用户在文本获取子区域的交互操作,如直接输入文本信息,或者输入语音通过语音识别等交互方式,获得到目标音乐模板对应的文本信息。
可以理解的是,为了使生成的音乐的效果更好,可以在文本获取子区域限制文本信息的字数,保持文本信息的文字字数与歌词信息的歌词字数一致。
响应用户在音乐生成子区域的确认操作,执行上述步骤生成音乐音频的步骤,即根据目标音乐模板,确定每个文字的发音时长;根据文本信息、每个文字的发音时长和预设声学模型,得到语音频谱;根据语音频谱和与目标音乐模板匹配的音乐伴奏,生成音乐音频。
如图8中的(b1),用户在语音播放子区域的播放控件执行确认操作;然后响应用户在语音播放子区域的确认操作,播放语音波形,即仅有人声的语音音频,如图8中的(b2)所示,在语音播放子区域显示语音音频播放的进度。
可选地,用户还可以在语音播放子区域的音量控件执行调节操作;然后响应该调整操作,控制语音音频的音量大小。
如图9中的(c1),用户在音乐播放子区域的播放控件执行确认操作;然后响应用户在音乐播放子区域的确认操作,播放音乐音频,即人声的语音音频和音乐伴奏合成的音乐音频,如图9中的(c2)所示,在音乐播放子区域显示音乐音频播放的进度。
可选地,用户还可以在语音播放子区域的音量控件执行调节操作;然后响应该调整操作,控制音乐音频的音量大小。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种音乐生成装置的实现方式。请参阅图10,图10为本发明实施例提供的一种音乐生成装置300的功能模块图。需要说明的是,本实施例所提供的音乐生成装置300,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该音乐生成装置300包括:获取模块310,处理模块330,播放模块350。
获取模块310,用于获取与目标音乐模板对应的文本信息;目标音乐模板为多个音乐模板中的一个;文本信息包括多个文字。
处理模块330,用于根据目标音乐模板,确定每个文字的发音时长;
根据文本信息、每个文字的发音时长和预设声学模型,获得文本信息对应的语音频谱;
根据语音频谱和与目标音乐模板匹配的音乐伴奏,生成音乐音频。
可选地,处理模块330还用于:根据目标音乐模板,确定每个音节的音节时长;每个音节与每个文字一一对应;每个音节至少包括一个音素;
根据每个音节时长,确定每个音节中每个音素的音素时长;每个文字的发音时长为每个文字的全部音素时长。
可选地,处理模块330还用于:根据文本信息、每个文字的全部音素时长和预设声学模型,获得文本信息对应的梅尔频谱;语音频谱为梅尔频谱。
可选地,处理模块330还用于:根据预设声码器和语音频谱,获得文本信息对应的语音波形;
根据语音波形和与目标音乐模板匹配的音乐伴奏,生成音乐音频。
可选地,获取模块310还用于:响应用户在音乐生成界面的模板区域的选择操作,确定与选择操作对应的目标音乐模板;音乐生成界面包括文本区域;
响应用户在文本区域的交互操作,获取与目标音乐模板对应的文本信息。
可选地,音乐生成装置还包括播放模块350,播放模块350用于响应用户在播放区域的确认操作,播放音乐音频。
本发明还提供了一种电子设备,包括处理器120和存储器130,存储器130存储有计算机程序,处理器执行计算机程序时,实现上述实施例揭示的音乐生成方法。
本发明实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器120执行时实现本发明实施例揭示的音乐生成方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种音乐生成方法,其特征在于,应用于电子设备,所述电子设备预设有多个音乐模板;所述方法包括:
获取与目标音乐模板对应的文本信息;所述目标音乐模板为所述多个音乐模板中的一个;所述文本信息包括多个文字;
根据所述目标音乐模板,确定每个文字的发音时长;
根据所述文本信息、所述每个文字的发音时长和预设声学模型,获得所述文本信息对应的语音频谱;
根据所述语音频谱和与所述目标音乐模板匹配的音乐伴奏,生成音乐音频。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标音乐模板,确定每个文字的发音时长的步骤,包括:
根据所述目标音乐模板,确定每个音节的音节时长;所述每个音节与所述每个文字一一对应;所述每个音节至少包括一个音素;
根据每个音节时长,确定所述每个音节中每个音素的音素时长;所述每个文字的发音时长为所述每个文字的全部音素时长。
3.根据权利要求2所述的方法,其特征在于,所述根据所述文本信息、所述每个文字的发音时长和预设声学模型,获得所述文本信息对应的语音频谱步骤,包括:
根据所述文本信息、所述每个文字的全部音素时长和预设声学模型,获得所述文本信息对应的梅尔频谱;所述语音频谱为所述梅尔频谱。
4.根据权利要求1所述的方法,其特征在于,所述根据所述语音频谱和与所述目标音乐模板匹配的音乐伴奏,生成音乐音频的步骤,包括:
根据预设声码器和所述语音频谱,获得所述文本信息对应的语音波形;
根据所述语音波形和所述与目标音乐模板匹配的音乐伴奏,生成音乐音频。
5.根据权利要求1所述的方法,其特征在于,所述获取与目标音乐模板对应的文本信息的步骤,包括:
响应用户在音乐生成界面的模板区域的选择操作,确定与所述选择操作对应的目标音乐模板;所述音乐生成界面包括文本区域;
响应用户在所述文本区域的交互操作,获取与所述目标音乐模板对应的文本信息。
6.根据权利要求5所述的方法,其特征在于,所述音乐生成界面还包括播放区域,所述方法还包括:
响应用户在所述播放区域的确认操作,播放所述音乐音频。
7.一种音乐生成装置,其特征在于,应用于电子设备,所述电子设备预设有多个音乐模板;所述装置包括:
获取模块,用于获取与目标音乐模板对应的文本信息;所述目标音乐模板为所述多个音乐模板中的一个;所述文本信息包括多个文字;
处理模块,用于根据所述目标音乐模板,确定每个文字的发音时长;
根据所述文本信息、所述每个文字的发音时长和预设声学模型,获得所述文本信息对应的语音频谱;
根据所述语音频谱和与所述目标音乐模板匹配的音乐伴奏,生成音乐音频。
8.根据权利要求7所述的装置,其特征在于,所述处理模块还用于:
根据所述目标音乐模板,确定每个音节的音节时长;所述每个音节与所述每个文字一一对应;所述每个音节至少包括一个音素;
根据每个音节时长,确定所述每个音节中每个音素的音素时长;所述每个文字的发音时长为所述每个文字的全部音素时长。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至6中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610759.1A CN113255313B (zh) | 2021-06-01 | 2021-06-01 | 音乐生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610759.1A CN113255313B (zh) | 2021-06-01 | 2021-06-01 | 音乐生成方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255313A true CN113255313A (zh) | 2021-08-13 |
CN113255313B CN113255313B (zh) | 2024-05-03 |
Family
ID=77185854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610759.1A Active CN113255313B (zh) | 2021-06-01 | 2021-06-01 | 音乐生成方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255313B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788589A (zh) * | 2016-05-04 | 2016-07-20 | 腾讯科技(深圳)有限公司 | 一种音频数据的处理方法及装置 |
CN111402843A (zh) * | 2020-03-23 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 说唱音乐生成方法、装置、可读介质及电子设备 |
CN111445897A (zh) * | 2020-03-23 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 歌曲生成方法、装置、可读介质及电子设备 |
CN111445892A (zh) * | 2020-03-23 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 歌曲生成方法、装置、可读介质及电子设备 |
-
2021
- 2021-06-01 CN CN202110610759.1A patent/CN113255313B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788589A (zh) * | 2016-05-04 | 2016-07-20 | 腾讯科技(深圳)有限公司 | 一种音频数据的处理方法及装置 |
CN111402843A (zh) * | 2020-03-23 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 说唱音乐生成方法、装置、可读介质及电子设备 |
CN111445897A (zh) * | 2020-03-23 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 歌曲生成方法、装置、可读介质及电子设备 |
CN111445892A (zh) * | 2020-03-23 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 歌曲生成方法、装置、可读介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113255313B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10490181B2 (en) | Technology for responding to remarks using speech synthesis | |
US11468870B2 (en) | Electronic musical instrument, electronic musical instrument control method, and storage medium | |
US20210027753A1 (en) | Electronic musical instrument, electronic musical instrument control method, and storage medium | |
CN106920547B (zh) | 语音转换方法和装置 | |
US20190130894A1 (en) | Text-based insertion and replacement in audio narration | |
US10553240B2 (en) | Conversation evaluation device and method | |
JP2010009034A (ja) | 歌声合成パラメータデータ推定システム | |
JP5148026B1 (ja) | 音声合成装置および音声合成方法 | |
CN115485766A (zh) | 使用bert模型的语音合成韵律 | |
JP7228998B2 (ja) | 音声合成装置及びプログラム | |
JP2016161919A (ja) | 音声合成装置 | |
JP6127422B2 (ja) | 音声認識装置及び方法、並びに、半導体集積回路装置 | |
JP2011028130A (ja) | 音声合成装置 | |
CN112382270A (zh) | 语音合成方法、装置、设备以及存储介质 | |
JP2844817B2 (ja) | 発声練習用音声合成方式 | |
Delalez et al. | Vokinesis: syllabic control points for performative singing synthesis. | |
CN113255313B (zh) | 音乐生成方法、装置、电子设备和存储介质 | |
JP6578544B1 (ja) | 音声処理装置、および音声処理方法 | |
KR102168529B1 (ko) | 인공신경망을 이용한 가창음성 합성 방법 및 장치 | |
JP2006030609A (ja) | 音声合成データ生成装置、音声合成装置、音声合成データ生成プログラム及び音声合成プログラム | |
JP3437064B2 (ja) | 音声合成装置 | |
CN113555001A (zh) | 歌声合成方法、装置、计算机设备及存储介质 | |
JP2020204755A (ja) | 音声処理装置、および音声処理方法 | |
CN112382274A (zh) | 音频合成方法、装置、设备以及存储介质 | |
JP2020134920A (ja) | 音声処理装置、および音声処理方法 |
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 |