CN114220415A - 一种音频合成方法、装置、电子设备及存储介质 - Google Patents

一种音频合成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114220415A
CN114220415A CN202111398062.9A CN202111398062A CN114220415A CN 114220415 A CN114220415 A CN 114220415A CN 202111398062 A CN202111398062 A CN 202111398062A CN 114220415 A CN114220415 A CN 114220415A
Authority
CN
China
Prior art keywords
audio
training
emotion
feature vectors
phoneme
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
CN202111398062.9A
Other languages
English (en)
Inventor
梁芸铭
赵情恩
张银辉
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 CN202111398062.9A priority Critical patent/CN114220415A/zh
Publication of CN114220415A publication Critical patent/CN114220415A/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
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G10L13/047—Architecture of 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/18—Artificial neural networks; Connectionist approaches
    • 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
    • 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
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种音频合成方法、装置、电子设备及存储介质，涉及数据处理技术领域，尤其涉及语音技术技术领域，包括：获取待合成文本；从待合成文本中提取多个第一音素特征向量；对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；采集用户情绪为特定情绪的音频作为参考音频，并从参考音频中提取情绪特征向量和说话人特征向量；将情绪特征向量和说话人特征向量拼接在多个第一音素特征向量上，得到多个第二音素特征向量；基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。

Description

一种音频合成方法、装置、电子设备及存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及语音技术领域，具体涉及一种音频合成方法、装置、电子设备及存储介质。
背景技术
相关技术中的音频合成方法，主要是对合成好的目标说话人的某一特定情绪的音频或音频特征进行情绪转换，或者，对合成好的某一特定说话人的目标情绪的音频或音频特征进行音色转换，以实现音频合成。
发明内容
本公开提供了一种音频合成方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种音频合成方法，包括：
获取待合成文本；
从所述待合成文本中提取多个第一音素特征向量；
对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；
采集用户情绪为特定情绪的音频作为参考音频，并从所述参考音频中提取情绪特征向量和说话人特征向量；
将所述情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量；
基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。
根据本公开的另一方面，提供了一种音频合成装置，包括：
采集模块，用于获取待合成文本；
提取模块，用于从所述待合成文本中提取多个第一音素特征向量；
计算模块，用于对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；
所述提取模块，还用于采集用户情绪为特定情绪的音频作为参考音频，并从所述参考音频中提取情绪特征向量和说话人特征向量；
所述计算模块，还用于将所述情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量；
合成模块，用于基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。
根据本公开的另一方面，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上述任一项所述的方法。
根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述任一项所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
在本公开上述方法中，通过将从参考音频提取的情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上使得最后合成的目标音频具有用户的音色特征和与文本相符的情绪特征，提高了最后合成的音频的质量，而基于预测对齐信息和多个第二音素特征向量合成目标音频，进一步提升了目标音频合成的效果和目标音频的质量。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的音频合成方法的流程示意图；
图2是根据本公开实施例提供的一种音频合成模型训练方法的流程示意图；
图3是根据本公开实施例提供的另一种音频合成模型训练方法的流程示意图；
图4是根据本公开实施例提供的音频合成具体方法的流程示意图；
图5是根据本公开实施例提供的音频合成装置的结构示意图；
图6是用来实现本公开实施例的音频合成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
为了提高合成的音频的质量和合成音频的速度，如图1所示，本公开一实施例提供了一种音频合成方法，该方法包括：
步骤101，获取待合成文本。
获取用户需要合成的音频的文本作为待合成文本。
步骤102，从所述待合成文本中提取多个第一音素特征向量。
从待合成文本中提取多个第一音素特征向量。
步骤103，对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息。
利用音频合成模型中的时长预测模块对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息，对齐信息是指每个第一音素特征向量的帧数，时长预测模块由多个CNN(卷积神经网络层)和全连接层组成；
例如，提取的3个第一音素特征向量为[a1，a2，a3]，对这三个第一音素特征向量预测出的预测对齐信息为[2，3，1]，则证明第一个第一音素特征向量预测的帧数为2，第二个第一音素特征向量预测的帧数为3，第三个第一音素特征向量预测的帧数为1。
步骤104，采集用户情绪为特定情绪的音频作为参考音频，并从所述参考音频中提取情绪特征向量和说话人特征向量。
采集用户的音频作为参考音频，参考音频的情绪为特定情绪；
例如，用户需要合成的音频的情绪是开心的，那么就采集该用户情绪为开心的一段音频作为参考音频，若预先采集过该用户情绪为开心的音频，可以直接使用，不用重新进行采集；
从参考音频中提取参考音频的音频特征，利用音频合成模型中的情绪识别模块从参考音频的音频特征中提取一个情绪特征向量，情绪识别模块由多个CNN、一个pooling(池化)层、一个全连接层和softmax(逻辑回归)组成；
利用音频合成模型中的声纹识别模块从参考音频的音频特征中提取一个说话人特征向量，声纹识别模块由多个TDNN(时延神经网络)、pooling层、一个全连接层和softmax组成。
步骤105，将所述情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量。
将情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，使得得到的多个第二音素特征向量带有说话人特征和情绪特征，得到第二音素特征向量的数量与第一音素特征向量的数量相同。
步骤106，基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。
在本实施例提供的上述方法中，通过将从参考音频提取的情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上使得最后合成的目标音频具有用户的音色特征和与文本相符的情绪特征，而不是通过对说话人特征或者情绪特征进行转换实现，提高了最后合成的音频的质量，而基于预测对齐信息和多个第二音素特征向量合成目标音频，进一步提升了目标音频合成的效果和目标音频的质量。
在步骤102中，从所述待合成文本中提取多个第一音素特征向量，在一可实施方式中，从所述待合成文本中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
从待合成文本中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码，多个第三音素特征向量为固定长度的向量，每个位置编码表征对应的第三音素特征向量的位置信息。
根据所述位置编码从所述多个第三音素特征向量中提取所述多个第一音素特征向量。
利用音频合成模型中的AM－encoder(声学模型编码器)模块根据多个位置编码从多个第三音素特征向量中进一步提取多个第一音素特征向量，第一音素特征向量的携带的信息量要比第三音素特征向量要多，并且携带有多个位置编码中的位置信息，提高了后续识别的准确度，AM－encoder模块由多个块组成，每个块包含自注意力层和全连接层，通过根据多个位置编码从多个第三音素特征向量中进一步提取多个第一音素特征向量，进一步提取出携带更多信息的音素特征，使得最后合成的目标音频更加符合用户要求，质量更高。
在步骤106中，基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频，在一可实施方式中，基于所述预测对齐信息对所述多个第二音素特征向量进行调整，得到调整后的多个第二音素特征向量；
根据预测对齐信息对对应的多个第二音素特征向量进行调整，调整后的第二音素特征向量可能会比调整前的第二音素特征向量的数量要多；
例如，提取的3个第二音素特征向量为[a1，a2，a3]，对这三个第二音素特征向量预测出的预测对齐信息为[2，3，1]，则调整后的多个第二音素特征向量为[a1，a1，a2，a2，a2，a3]。
基于所述调整后的多个第二音素特征向量，合成所述目标音频。
调整后的多个第三音素特征向量增加了时长的信息，基于调整后的多个第二音素特征向量合成目标音频，进一步提升了目标音频合成的效果和目标音频的质量。
基于所述调整后的多个第二音素特征向量，合成所述目标音频，在一可实施方式中，将所述调整后的多个第二音素特征向量转换成预测梅尔频谱；
利用音频合成模型中的AM－decoder(声学模型解码器)模块对调整后的多个第二音素特征向量的梅尔频谱进行预测，得到预测梅尔频谱，AM－decoder模块与AM－encoder模块相似，也是由多个块组成，每个块包含自注意力层和全连接层，但是由于根据预测对齐信息对对应的多个第二音素特征向量进行调整后，AM－decoder模块中的自注意力层的当前输出不再与输入的每一个第三音素特征向量都相关，而是只与当前输入音素的第二音素特征向量、当前输入的前一个音素的第二音素特征向量和当前输入的后一个音素的第二音素特征向量相关。
根据所述预测梅尔频谱合成所述目标音频。
本公开一实施例提供了一种音频合成模型的训练方法，该方法包括：
步骤201，采集训练音频集，所述训练音频集中包含多个训练音频和各训练音频对应的文本内容、情绪标签和说话人标签。
收集大量不同说话人且带情绪的音频组成训练音频集，每条音频标注其文本内容、情绪标签和说话人标签，用于对音频合成模型进行训练，使模型在训练后提高各种识别能力和合成能力。
步骤202，根据每个训练音频样本，从训练音频集中选取与该训练音频样本的情绪标签和说话人标签都相同的训练音频样本作为该训练音频样本的参考音频。
步骤203，根据每个训练音频样本对应的音频对齐信息和预测对齐信息计算对齐信息损失值。
步骤204，根据每个训练音频样本对应的音频频谱特征和预测频谱特征，计算得到频谱损失值。
步骤205，根据每个训练音频样本对应的参考音频的情绪识别结果、每个训练音频样本的预测情绪识别结果和参考音频的情绪标签，计算得到情绪损失值。
步骤206，根据每个训练音频样本对应的对齐信息损失值、频谱损失值和情绪损失值计算得到所述训练音频样本对应的损失值。
步骤207，根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新。
训练音频样本对应的损失值由该训练音频样本对应的对齐信息损失值、频谱损失值和情绪损失值计算得到，那么通过使用训练音频样本对应的损失值对音频合成模型的参数进行更新，能够大大提升音频合成模型提取音素特征、说话人特征和情绪特征的能力，提高音频合成模型对音频的特征中的说话人和情绪的识别能力。
在一可实施方式中，通过以下方式获取所述音频对齐信息和音频频谱特征：
从所述每个训练音频样本中提取对应的音频对齐信息和音频频谱特征。
在一可实施方式中，通过以下方式获取所述预测对齐信息：
从所述每个训练音频样本的文本内容中提取多个第一音素特征向量；
对每个训练音频样本对应的多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息。
利用音频合成模型中的时长预测模块对每个训练音频样本对应的多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息，对齐信息是指每个第一音素特征向量的帧数。
在一可实施方式中，通过以下方式获取所述参考音频的情绪识别结果：
从每个训练音频样本对应的参考音频中提取情绪特征向量和说话人特征向量；
从每个训练音频样本对应的参考音频中提取参考音频的音频特征，利用音频合成模型中的情绪识别模块从每个训练音频样本对应的参考音频的音频特征中提取一个情绪特征向量；
利用音频合成模型中的声纹识别模块从每个训练音频样本对应的参考音频的音频特征中提取一个说话人特征向量。
根据所述情绪特征向量，计算得到所述参考音频的情绪识别结果。
利用音频合成模型中的情绪识别模块对情绪特征向量进行识别，得到参考音频的情绪识别结果。
在一可实施方式中，通过以下方式获取所述预测频谱特征：
将每个训练音频样本对应的情绪特征向量和说话人特征向量拼接在与该训练音频样本对应的各个第一音素特征向量上，得到多个第二音素特征向量。
将每个训练音频样本对应的情绪特征向量和说话人特征向量拼接在与该训练音频样本对应的各个第一音素特征向量上，使得得到的与该训练音频样本对应的多个第二音素特征向量带有说话人特征和情绪特征。
基于每个训练音频样本对应的预测对齐信息对该训练音频样本对应的多个第二音素特征向量进行调整，得到每个训练音频样本对应的调整后的多个第二音素特征向量。
根据每个训练音频样本对应的预测对齐信息对该训练音频样本对应的多个第二音素特征向量进行调整，调整后的第二音素特征向量可能会比调整前的第二音素特征向量的数量要多。
将每个训练音频样本对应的调整后的多个第二音素特征向量转换成预测梅尔频谱，以得到所述预测频谱特征。
在一可实施方式中，通过以下方式获取所述预测情绪识别结果：
根据每个训练音频样本对应的预测梅尔频谱计算得到所述预测情绪识别结果。
对每个训练音频样本对应的预测梅尔频谱进行情绪识别，得到预测情绪识别结果。
从所述每个训练音频样本的文本内容中提取多个第一音素特征向量，在一可实施方式中，从所述每个训练音频样本的文本内容中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
从每个训练音频样本的文本内容中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码，多个第三音素特征向量为固定长度的向量，每个位置编码表征对应的第三音素特征向量的位置信息。
根据每个训练音频样本对应的多个位置编码从该训练音频样本对应的多个第三音素特征向量中提取所述多个第一音素特征向量。
利用音频合成模型中的AM－encoder(声学模型编码器)模块根据每个训练音频样本对应的多个位置编码从该训练音频样本对应的多个第三音素特征向量中进一步提取多个第一音素特征向量，第一音素特征向量携带的信息量要比第三音素特征向量多。
在步骤205中，根据每个训练音频样本对应的参考音频情绪识别结果、预测情绪识别结果和参考音频的情绪标签计算情绪损失值，在一可实施方式中，根据每个训练音频样本对应的参考音频情绪识别结果和该训练音频样本的预测情绪识别结果计算第一子情绪损失值；
根据每个训练音频样本对应的参考音频情绪识别结果和该参考音频的情绪标签计算第二子情绪损失值；
根据每个训练音频样本对应的第一子情绪损失值和第二子情绪损失值计算情绪损失值。
情绪损失值不止要考虑参考音频情绪识别结果和预测的梅尔音频的情绪识别结果之间的差异，也要考虑参考音频情绪识别结果和参考音频的真实情绪标签之间的差异，根据最后计算出的情绪损失值计算损失值并用于对音频合成模型的参数进行更新，能够进一步提高音频合成模型的情绪识别能力和提取情绪特征的能力。
在步骤207中，根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新，在一可实施方式中，根据各个所述训练音频样本对应的损失值，计算整体损失总值。
将各个训练音频样本对应的损失值相加，计算得到整体损失总值。
根据所述整体损失总值，对音频合成模型的参数进行更新。
如图2所示，在步骤207中，根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新之后，在一可实施方式中，步骤301，判断对音频合成模型的训练次数是否等于预设次数；
步骤302，若是，则停止对音频合成模型训练；
步骤303，若否，则继续对音频合成模型训练。
根据预估对音频合成模型设置训练的预设次数，第一次训练选取好多个训练音频样本和对应的参考音频后，后续训练不再重新选取，直接使用第一次训练选取好的多个训练音频样本和对应的参考音频，所以后续执行一次步骤203到步骤207为对音频合成模型的一次训练，每次训练完之后判断对音频合成模型的训练次数是否达到了预设次数，如果未达到则继续训练，如果达到了则完成对音频合成模型的训练，停止继续训练，只要根据预估对音频合成模型设置训练的预设次数即可实现对音频合成模型的自动化训练，无需人工参与，节省了大量的人力成本。
如图3所示，在根据所述整体损失总值，对音频合成模型的参数进行更新之后，在一可实施方式中，步骤401，将所述整体损失总值记录为历史整体损失总值；
步骤402，根据所述多个训练音频样本和对应的参考音频重新计算整体损失总值；
步骤403，判断重新计算得到的整体损失总值与所述历史整体损失总值的差是否小于等于预设阈值；
步骤404，若是，则停止对音频合成模型训练；
步骤405，若否，则继续将所述重新计算得到的整体损失总值记录为历史整体损失总值并对音频合成模型继续训练。
将整体损失总值记录为历史整体损失总值，第一次训练选取好多个训练音频样本和对应的参考音频后，后续训练不再重新选取，直接使用第一次训练选取好的多个训练音频样本和对应的参考音频，所以后续训练只需执行步骤203到步骤207，重新计算得到整体损失总值，判断重新计算得到的整体损失总值与历史整体损失总值的差是否小于等于预设阈值，如果是则训练完成，如果不是则将重新计算得到的整体损失总值记录为新的历史整体损失总值，并重新执行步骤203到步骤207重新计算整体损失总值，直到整体损失总值与历史整体损失总值的差小于等于预设阈值为止，设置预设阈值除了实现对音频合成模型的自动化训练，无需人工参与，节省大量的人力成本之外，还可以防止音频合成模型训练次数不足或者过拟合导致性能不符合要求，提高音频合成模型的稳定性。
如图4所示，本公开一实施例提供了一种音频合成具体方法，该方法包括：
从待合成文本中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
利用AM－encoder模块根据位置编码从多个第三音素特征向量中提取多个第一音素特征向量；
利用时长预测模块对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；
利用情绪识别模块从参考音频中提取提取情绪特征向量；
利用声纹识别模块从参考音频中提取说话人特征向量；
将情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量；
基于预测对齐信息对多个第二音素特征向量进行LR(逻辑回归)，得到调整后的多个第二音素特征向量；
利用AM－decoder模块将所述调整后的多个第二音素特征向量经过一层线性层后转换成预测梅尔频谱；
利用声码器根据预测梅尔频谱合成目标音频。
本公开一实施例提供了一种音频合成装置，如图5所示，该装置包括：
采集模块10，用于获取待合成文本；
提取模块20，用于从所述待合成文本中提取多个第一音素特征向量；
计算模块30，用于对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；
所述提取模块20，还用于采集用户情绪为特定情绪的音频作为参考音频，并从所述参考音频中提取情绪特征向量和说话人特征向量；
所述计算模块30，还用于将所述情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量；
合成模块40，用于基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。
其中，所述提取模块20，还用于从所述待合成文本中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
所述提取模块20，还用于根据所述位置编码从所述多个第三音素特征向量中提取所述多个第一音素特征向量。
其中，所述计算模块30，还用于基于所述预测对齐信息对所述多个第二音素特征向量进行调整，得到调整后的多个第二音素特征向量；
所述合成模块40，还用于基于所述调整后的多个第二音素特征向量，合成所述目标音频。
其中，所述计算模块30，还用于将所述调整后的多个第二音素特征向量转换成预测梅尔频谱；
所述合成模块40，还用于根据所述预测梅尔频谱合成所述目标音频。
其中，所述采集模块10，还用于采集训练音频样本集，所述训练音频样本集中包含多个训练音频样本和各训练音频样本对应的文本内容、情绪标签和说话人标签；
所述提取模块20，还用于根据每个训练音频样本，从训练音频样本集中选取与该训练音频样本的情绪标签和说话人标签都相同的训练音频样本作为该训练音频样本的参考音频；
所述计算模块30，还用于根据每个训练音频样本对应的音频对齐信息和预测对齐信息计算对齐信息损失值；
所述计算模块30，还用于根据每个训练音频样本对应的音频频谱特征和预测频谱特征，计算得到频谱损失值；
所述计算模块30，还用于根据每个训练音频样本对应的参考音频的情绪识别结果、每个训练音频样本的预测情绪识别结果和参考音频的情绪标签，计算得到情绪损失值；
所述计算模块30，还用于根据每个训练音频样本对应的对齐信息损失值、频谱损失值和情绪损失值计算得到所述训练音频样本对应的损失值；
所述计算模块30，还用于根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新。
其中，所述提取模块20，还用于从所述每个训练音频样本中提取对应的音频对齐信息和音频频谱特征。
其中，所述提取模块20，还用于从所述每个训练音频样本的文本内容中提取多个第一音素特征向量；
所述计算模块30，还用于对每个训练音频样本对应的多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息。
其中，所述提取模块20，还用于从每个训练音频样本对应的参考音频中提取情绪特征向量和说话人特征向量；
所述计算模块30，还用于根据所述情绪特征向量，计算得到所述参考音频的情绪识别结果。
其中，所述计算模块30，还用于将每个训练音频样本对应的情绪特征向量和说话人特征向量拼接在与该训练音频样本对应的各个第一音素特征向量上，得到多个第二音素特征向量；
所述计算模块30，还用于基于每个训练音频样本对应的预测对齐信息对该训练音频样本对应的多个第二音素特征向量进行调整，得到每个训练音频样本对应的调整后的多个第二音素特征向量；
所述计算模块30，还用于将每个训练音频样本对应的调整后的多个第二音素特征向量转换成预测梅尔频谱，以得到所述预测频谱特征。
其中，所述计算模块30，还用于根据每个训练音频样本对应的预测梅尔频谱计算得到所述预测情绪识别结果。
其中，所述提取模块20，还用于从所述每个训练音频样本的文本内容中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
所述提取模块20，还用于根据每个训练音频样本对应的多个位置编码从该训练音频样本对应的多个第三音素特征向量中提取所述多个第一音素特征向量。
其中，所述计算模块30，还用于根据每个训练音频样本对应的参考音频情绪识别结果和该训练音频样本的预测情绪识别结果计算第一子情绪损失值；
所述计算模块30，还用于根据每个训练音频样本对应的参考音频情绪识别结果和该参考音频的情绪标签计算第二子情绪损失值；
所述计算模块30，还用于根据每个训练音频样本对应的第一子情绪损失值和第二子情绪损失值计算情绪损失值。
其中，所述计算模块30，还用于根据各个所述训练音频样本对应的损失值，计算整体损失总值；
所述计算模块30，还用于根据所述整体损失总值，对音频合成模型的参数进行更新。
其中，所述计算模块30，还用于判断对音频合成模型的训练次数是否达到预设次数；
所述计算模块30，还用于若是，则停止对音频合成模型训练；
所述计算模块30，还用于若否，则继续对音频合成模型训练。
其中，所述计算模块30，还用于将所述整体损失总值记录为历史整体损失总值；
所述计算模块30，还用于根据所述多个训练音频样本和对应的参考音频重新计算整体损失总值；
所述计算模块30，还用于判断重新计算得到的整体损失总值与所述历史整体损失总值的差是否小于等于预设阈值；
所述计算模块30，还用于若是，则停止对音频合成模型训练；
所述计算模块30，还用于若否，则继续将所述重新计算得到的整体损失总值记录为历史整体损失总值并对音频合成模型训练。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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/或者要求的本公开的实现。
如图6所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如音频合成方法。例如，在一些实施例中，音频合成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的音频合成方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行音频合成方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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、音频输入或者、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。服务器可以是云服务器，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。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种音频合成方法，包括：
获取待合成文本；
从所述待合成文本中提取多个第一音素特征向量；
对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；
采集用户情绪为特定情绪的音频作为参考音频，并从所述参考音频中提取情绪特征向量和说话人特征向量；
将所述情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量；
基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。
2.根据权利要求1所述的方法，所述从所述待合成文本中提取多个第一音素特征向量，包括：
从所述待合成文本中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
根据所述位置编码从所述多个第三音素特征向量中提取所述多个第一音素特征向量。
3.根据权利要求1所述的方法，所述基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频，包括：
基于所述预测对齐信息对所述多个第二音素特征向量进行调整，得到调整后的多个第二音素特征向量；
基于所述调整后的多个第二音素特征向量，合成所述目标音频。
4.根据权利要求3所述的方法，所述基于所述调整后的多个第二音素特征向量，合成所述目标音频，包括：
将所述调整后的多个第二音素特征向量转换成预测梅尔频谱；
根据所述预测梅尔频谱合成所述目标音频。
5.一种音频合成模型的训练方法，包括：
采集训练音频样本集，所述训练音频样本集中包含多个训练音频样本和各训练音频样本对应的文本内容、情绪标签和说话人标签；
根据每个训练音频样本，从训练音频样本集中选取与该训练音频样本的情绪标签和说话人标签都相同的训练音频样本作为该训练音频样本的参考音频；
根据每个训练音频样本对应的音频对齐信息和预测对齐信息计算对齐信息损失值；
根据每个训练音频样本对应的音频频谱特征和预测频谱特征，计算得到频谱损失值；
根据每个训练音频样本对应的参考音频的情绪识别结果、每个训练音频样本的预测情绪识别结果和参考音频的情绪标签，计算得到情绪损失值；
根据每个训练音频样本对应的对齐信息损失值、频谱损失值和情绪损失值计算得到所述训练音频样本对应的损失值；
根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新。
6.根据权利要求5所述的方法，通过以下方式获取所述音频对齐信息和音频频谱特征：
从所述每个训练音频样本中提取对应的音频对齐信息和音频频谱特征。
7.根据权利要求5所述的方法，通过以下方式获取所述预测对齐信息：
从所述每个训练音频样本的文本内容中提取多个第一音素特征向量；
对每个训练音频样本对应的多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息。
8.根据权利要求5所述的方法，通过以下方式获取所述参考音频的情绪识别结果：
从每个训练音频样本对应的参考音频中提取情绪特征向量和说话人特征向量；
根据所述情绪特征向量，计算得到所述参考音频的情绪识别结果。
9.根据权利要求7所述的方法，通过以下方式获取所述预测频谱特征：
将每个训练音频样本对应的情绪特征向量和说话人特征向量拼接在与该训练音频样本对应的各个第一音素特征向量上，得到多个第二音素特征向量；
基于每个训练音频样本对应的预测对齐信息对该训练音频样本对应的多个第二音素特征向量进行调整，得到每个训练音频样本对应的调整后的多个第二音素特征向量；
将每个训练音频样本对应的调整后的多个第二音素特征向量转换成预测梅尔频谱，以得到所述预测频谱特征。
10.根据权利要求9所述的方法，通过以下方式获取所述预测情绪识别结果：
根据每个训练音频样本对应的预测梅尔频谱计算得到所述预测情绪识别结果。
11.根据权利要求7所述的方法，所述从所述每个训练音频样本的文本内容中提取多个第一音素特征向量，包括：
从所述每个训练音频样本的文本内容中提取多个第三音素特征向量和各第三音素特征向量对应的位置编码；
根据每个训练音频样本对应的多个位置编码从该训练音频样本对应的多个第三音素特征向量中提取所述多个第一音素特征向量。
12.根据权利要求5所述的方法，所述根据每个训练音频样本对应的参考音频的情绪识别结果、每个训练音频样本的预测情绪识别结果和参考音频的情绪标签，计算得到情绪损失值，包括：
根据每个训练音频样本对应的参考音频情绪识别结果和该训练音频样本的预测情绪识别结果计算第一子情绪损失值；
根据每个训练音频样本对应的参考音频情绪识别结果和该参考音频的情绪标签计算第二子情绪损失值；
根据每个训练音频样本对应的第一子情绪损失值和第二子情绪损失值计算情绪损失值。
13.根据权利要求5所述的方法，所述根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新，包括：
根据各个所述训练音频样本对应的损失值，计算整体损失总值；
根据所述整体损失总值，对音频合成模型的参数进行更新。
14.根据权利要求5所述的方法，所述根据各个所述训练音频样本对应的损失值，对音频合成模型的参数进行更新之后，还包括：
判断对音频合成模型的训练次数是否达到预设次数；
若是，则停止对音频合成模型训练；
若否，则继续对音频合成模型训练。
15.根据权利要求13所述的方法，所述根据所述整体损失总值，对音频合成模型的参数进行更新之后，还包括：
将所述整体损失总值记录为历史整体损失总值；
根据所述多个训练音频样本和对应的参考音频重新计算整体损失总值；
判断重新计算得到的整体损失总值与所述历史整体损失总值的差是否小于等于预设阈值；
若是，则停止对音频合成模型训练；
若否，则继续将所述重新计算得到的整体损失总值记录为历史整体损失总值并对音频合成模型继续训练。
16.一种音频合成装置，包括：
采集模块，用于获取待合成文本；
提取模块，用于从所述待合成文本中提取多个第一音素特征向量；
计算模块，用于对多个第一音素特征向量的对齐信息进行预测，得到预测对齐信息；
所述提取模块，还用于采集用户情绪为特定情绪的音频作为参考音频，并从所述参考音频中提取情绪特征向量和说话人特征向量；
所述计算模块，还用于将所述情绪特征向量和说话人特征向量拼接在各个第一音素特征向量上，得到多个第二音素特征向量；
合成模块，用于基于所述预测对齐信息和所述多个第二音素特征向量合成目标音频。
17.一种电子设备，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1－15中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1－15中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1－15中任一项所述的方法。
CN202111398062.9A 2021-11-23 2021-11-23 一种音频合成方法、装置、电子设备及存储介质 Pending CN114220415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111398062.9A CN114220415A (zh) 2021-11-23 2021-11-23 一种音频合成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111398062.9A CN114220415A (zh) 2021-11-23 2021-11-23 一种音频合成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114220415A true CN114220415A (zh) 2022-03-22

Family

ID=80698127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111398062.9A Pending CN114220415A (zh) 2021-11-23 2021-11-23 一种音频合成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114220415A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822495A (zh) * 2022-06-29 2022-07-29 杭州同花顺数据开发有限公司 声学模型训练方法、装置及语音合成方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822495A (zh) * 2022-06-29 2022-07-29 杭州同花顺数据开发有限公司 声学模型训练方法、装置及语音合成方法

Similar Documents

Publication Publication Date Title
CN110648658B (zh) 一种语音识别模型的生成方法、装置及电子设备
CN111883110B (zh) 语音识别的声学模型训练方法、系统、设备及介质
CN111429889A (zh) 基于截断注意力的实时语音识别的方法、装置、设备以及计算机可读存储介质
CN112466288A (zh) 语音识别方法、装置、电子设备及存储介质
CN114360557B (zh) 语音音色转换方法、模型训练方法、装置、设备和介质
CN112800782A (zh) 融合文本语义特征的语音翻译方法、系统、设备
CN113539240B (zh) 动画生成方法、装置、电子设备和存储介质
CN112885336B (zh) 语音识别系统的训练、识别方法、装置、电子设备
CN113674732B (zh) 语音置信度检测方法、装置、电子设备和存储介质
CN114141228B (zh) 语音合成模型的训练方法、语音合成方法和装置
CN108877779B (zh) 用于检测语音尾点的方法和装置
CN115132209B (zh) 语音识别方法、装置、设备和介质
JP7314450B2 (ja) 音声合成方法、装置、機器、及びコンピュータ記憶媒体
CN113793599B (zh) 语音识别模型的训练方法和语音识别方法及装置
CN114495977A (zh) 语音翻译和模型训练方法、装置、电子设备以及存储介质
CN114220415A (zh) 一种音频合成方法、装置、电子设备及存储介质
CN113327596B (zh) 语音识别模型的训练方法、语音识别方法和装置
CN114267376B (zh) 音素检测方法及装置、训练方法及装置、设备和介质
CN113409792B (zh) 一种语音识别方法及其相关设备
CN113516964B (zh) 语音合成方法及可读存储介质
CN114512121A (zh) 语音合成方法、模型训练方法及装置
CN113763968B (zh) 用于识别语音的方法、装置、设备、介质和产品
CN114067793A (zh) 音频处理方法和装置、电子设备及可读存储介质
CN113889087A (zh) 语音识别及模型建立方法、装置、设备和存储介质
CN113689844B (zh) 语音合成模型的确定方法、装置、设备和存储介质

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