CN114255738A - 语音合成方法、装置、介质及电子设备 - Google Patents
语音合成方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN114255738A CN114255738A CN202111653397.0A CN202111653397A CN114255738A CN 114255738 A CN114255738 A CN 114255738A CN 202111653397 A CN202111653397 A CN 202111653397A CN 114255738 A CN114255738 A CN 114255738A
- Authority
- CN
- China
- Prior art keywords
- sequence
- text
- target
- audio information
- laughter
- 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
Links
- 238000001308 synthesis method Methods 0.000 title abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 91
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 94
- 239000013598 vector Substances 0.000 claims description 36
- 238000002372 labelling Methods 0.000 claims description 21
- 230000003434 inspiratory effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 210000001260 vocal cord Anatomy 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000989913 Gunnera petaloidea Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001672694 Citrus reticulata Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation Methods 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
- G10L13/08—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
-
- 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
- G10L13/06—Elementary speech units used in speech synthesisers; Concatenation rules
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)
- Machine Translation (AREA)
Abstract
本公开涉及一种语音合成方法、装置、介质及电子设备,所述方法包括:根据接收到的待处理文本,确定待处理文本中的目标文本,目标文本为用于表示进行笑声合成的文本;根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;根据目标音频信息序列和语音合成模型,生成目标文本的笑声音频信息,以获得待处理文本的音频信息,使得可以采用多种发声方式和组成结构进行语音合成,降低语音合成笑声与真人形成的语音之间的差异,提高语音合成的拟真度。
Description
技术领域
本公开涉及语音处理领域,具体地,涉及一种语音合成方法、装置、介质和电子设备。
背景技术
目前,语音合成技术为人们的生活带来了极大的便利,如TTS(Text To Speech,从文本到语音)可以通过神经网络,把文字智能地转化为自然语音流。
在上述文本到语言的转换过程中,针对笑声的合成通常是基于文本的拼音音素对其进行标注,进而实现笑声的语音合成。然而在实际应用场景中,针对文本中的不同类型的文字,其采用发声方式和组成结构等可能与语音存在较大差异,相关技术中的语音合成与真人朗读的语音仍存在较大差异。
发明内容
提供该部分内容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。该部分内容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,本公开提供一种语音合成方法,所述方法包括:
根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
第二方面,本公开提供一种语音合成装置,所述装置包括:
第一确定模块,用于根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
第二确定模块,用于根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
生成模块,用于根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
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,其上存储有一个或多个计算机程序;
一个或多个处理装置,用于执行所述存储装置中的所述一个或多个计算机程序,以实现第一方面所述方法的步骤。
在上述技术方案中,根据接收到的待处理文本,确定所述待处理文本中用于表示进行笑声合成的目标文本,从而可以根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,进而根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。由此,通过上述技术方案,可以在文本进行语音合成的过程中,针对笑声等副语言进行个性化的语音合成,可以在进行笑声合成时,针对笑声合成对应的目标文本,从预标注的多种笑声类型中选择相应的音频信息序列,使得在进行笑声合成时,可以采用多种发声方式和组成结构进行合成,降低语音合成中所得的笑声与真人形成的语音之间的差异,有效提高语音合成的拟真度。同时,通过对多种笑声类型进行预标注的方式,可以在提高笑声标注多样性的同时,提高笑声合成的多样性,提高语音合成方法的准确性,贴合真实应用场景。
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为根据本公开的一种实施方式提供的语音合成方法的流程图;
图2为根据目标文本和待处理文本,确定目标文本对应的目标音频信息序列的示例性实现方式的流程图;
图3为一训练音频序列的示意图;
图4为根据本公开的一种实施方式提供的语音合成装置的框图;
图5示出了适于用来实现本公开实施例的电子设备的结构示意图。
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所示,为根据本公开的一种实施方式提供的语音合成方法的流程图,如图1所示,所述方法包括:
在步骤11中,根据接收到的待处理文本,确定待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本。
其中,待处理文本可以是用于进行语音合成的文本,如一篇文章或者一组对话等。
作为示例,可以通过关键字匹配的方式确定待处理文本中的目标文本,如在实际应用场景中,在文本中,通常是以“哈”、“呵”、“嘻”、“嘿”等的多字连续排序表示笑声,则可以通过关键字进行检测,在识别到连续的关键字后,确定识别出的连续关键字为该目标文本。
作为另一示例,可以通过文本预测模型以确定待处理文本中的目标文本。示例地,可以预先对文本进行标注,即对文本中对应于笑声的部分进行标注,从而基于该标注的样本对神经网络进行训练,从而获得训练好的预测文本预测模型,其中该神经网络可以采用本领域中的常用的网络模型,训练方式在此不再赘述。通过该文本预测模型可以预测出输入的待处理文本中需要进行笑声合成的位置对应的目标文本。
在步骤12中,根据目标文本和待处理文本,确定目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列。
在该实施例中可以根据实际场景中可能出现的笑声的发声方式预先进行多种笑声类型标注,即预先标注多种笑声类型下的音素序列、声调序列和韵律序列,从而可以在进行笑声合成时,从预标注的多种笑声类型中选择相应的音频信息序列,提高笑声标注多样性的同时,还可以提高笑声合成的多样性以及与实际应用场景的匹配程度。
其中,音素是根据语音的自然属性划分出来的最小语音单位,依据音节里的发音动作来分析,一个动作构成一个音素。音素分为元音与辅音两大类。对于中文普通话来说,音素包括声母(声母是使用在韵母前面的辅音,跟韵母一齐构成的一个完整的音节)和韵母(即元音),示例地如“你好”对应的音素即为“nihao”。声调用于表示声音的高低升降的变化。韵律用于指示在阅读文本时应该在哪些地方进行停顿。
在步骤13中,根据目标音频信息序列和语音合成模型,生成目标文本的笑声音频信息,以获得待处理文本的音频信息。
示例地,针对所述待处理文本中的目标文本,可以通过上述方式获得目标音频信息序列,从而获得目标文本的笑声音频信息;针对待处理文本中除所述目标文本外的其他文本,则可以根据如相关技术中的TTS技术进行语音合成,以获得该其他文本对应的音频信息,进而结合笑声音频信息获得该待处理文本整体对应的音频信息。
在上述技术方案中,根据接收到的待处理文本,确定所述待处理文本中用于表示进行笑声合成的目标文本,从而可以根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,进而根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。由此,通过上述技术方案,可以在文本进行语音合成的过程中,针对笑声等副语言进行个性化的语音合成,可以在进行笑声合成时,针对笑声合成对应的目标文本,从预标注的多种笑声类型中选择相应的音频信息序列,使得在进行笑声合成时,可以采用多种发声方式和组成结构进行合成,降低语音合成中所得的笑声与真人形成的语音之间的差异,有效提高语音合成的拟真度。同时,通过对多种笑声类型进行预标注的方式,可以在提高笑声标注多样性的同时,提高笑声合成的多样性,提高语音合成方法的准确性,贴合真实应用场景。
在一种可能的实施例中,所述根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列的示例性实现方式如下,如图2所示,该步骤可以包括:
在步骤21中,确定待处理文本中与目标文本对应的上下文文本。
其中,目标文本对应的上下文文本可以是该目标文本所属的完整语句,在获得待处理文本后通常需要对其进行分句处理,从而在确定出对应的目标文本后,则可以获取该目标文本所属的完整语句,以作为该上下文文本,从而对该目标文本对应的场景类型进行分析。
在步骤22中,根据上下文文本确定与目标文本对应的场景类型,其中,每一所述场景类型下对应有至少一种候选音频信息序列,所述候选音频信息序列包含至少一种笑声类型下的音频信息序列。
其中,所述场景类型可以用于表征进行语言合成的语言场景,例如场景类型可以包括但不限于尴尬、勉强、无奈、无情感倾向、一般开心、非常开心、得意中的多种类型,其可以根据实际应用场景进行设置,本公开对此不进行限定。需要说明的是,在每一场景类型下设置其对应的候选音频信息序列,所述候选音频信息序列用于表示该场景类型下进行笑声合成的音频特征,示例地,可以基于预标注的多种笑声类型下的音频信息序列中的一者或多者进行组合,以获得一场景类型下的候选音频信息序列。
作为示例,可以预先对多种语句进行场景类型的标注,以基于标注后的语句作为训练样本对分类模型进行训练,进而获得训练后的场景分类模型。其中,该分类模型可以是本领域中的常用的多分类模型,则可以以训练样本中的语句作为输入,该语句对应的场景类型的标注作为目标输出对多分类模型进行训练,具体训练的流程在此不再赘述。由此,可以将该上下文文本输入该场景分类模型,从而将该场景分类模型输出的分类作为该场景类型。
作为另一示例,所述根据所述上下文文本确定与所述目标文本对应的场景类型的实现方式如下,该步骤可以包括:
确定所述上下文文本对应的讲述者角色信息。其中,在实际应用场景中包含笑声合成的上下文通常是文本中人物的对话,示例地,该文本可以是小说文本或者剧本台词文本等。因此,在该实施例中,可以确定所述上下文文本对应的讲述者角色信息,即说出该上下文文本的人物的特征信息,其中,文本中所述的各个人物的特征信息可以通过人物简介获得,例如可以通过小说文本中的人物说明或剧本中的人物介绍等信息获得,从而在确定出上下文文本对应的讲述者后,可以直接根据该讲述者的特征信息获得该讲述者角色信息,例如,该讲述者角色信息可以用于表征该讲述者为正派或者反派等。
之后,根据所述上下文文本和所述讲述者角色信息进行场景分类,并将确定出的分类确定为所述场景类型。
同样地,在该步骤中,可以预先对多种语句以及该语句对应的人物特征进行场景类型的标注,以基于标注后的语句作为训练样本对分类模型进行训练,获得训练后的场景分类模型。其中,该分类模型可以是本领域中的常用的多分类模型,则可以以训练样本中的语句和其对应的人物特征作为输入,该语句对应的场景类型的标注作为目标输出对多分类模型进行训练,具体训练的流程在此不再赘述。由此,可以将该上下文文本和讲述者角色信息输入该场景分类模型,从而将该场景分类模型输出的分类作为该场景类型。
由此,在该实施例中,可以同时结合上下文文本中的内容和该上下文文本对应的讲述者角色信息(即人物特征)确定该目标文本对应的场景类型,提高确定出的场景类型的准确性,为后续对目标文本对应的笑声进行语音合成提供准确的数据支持。同时可以在一定程度上提高合成出的笑声与文本内容的场景的匹配性,进一步提高语音合成的拟真度。
在步骤23中,根据场景类型下的候选音频信息序列生成目标文本对应的目标音频信息序列。
由此,通过上述技术方案,可以基于目标文本对应的上下文信息对该目标文本所属场景进行预测,从而可以基于确定出的场景类型下的候选音频信息序列生成目标文本对应的目标音频信息序列,使得该目标文本对应的目标音频信息序列与该目标文本所属场景相匹配,在对目标文本进行个性化语音合成的同时,进一步提高笑声合成的多样性,贴合实际应用场景中口语对话的副语言发音,提高语音合成对文本内容的表现程度。
作为示例,对实际应用场景中出现的笑声音频进行分析,申请人有如下发现:
1、位于句首或句中的笑声末尾一般会包含一个复原式的吸气段(发声是声带可能振动,也可能不振动),即下表中的offset,通过该吸气段保证发音人换气后继续说话,而句末的笑声一般不会有吸气段。
2、笑声的开始可能会存在一个元音启动段,即下表中的onset。
3、前一个笑声单位中的元音段往往会受到后一个笑声单位的辅音段的影响,后半段送气且共振峰发生变化;笑声的开始可能会像爆破音一样有个除阻的阶段,产生冲直条。
因此,在本公开实施例中,基于上述笑声特征预先设置的多种场景类型下的候选音频信息序列的部分设置如下:
场景类型 | 候选音频信息序列 | 笑声音节数量 |
尴尬 | hn>、he>、ha> | 单、双 |
勉强 | he-、ha> | 单、双 |
无奈 | hx | 单 |
无情感倾向 | hn>、he>、ha>、ha-、h | 单、双 |
一般开心 | hn>、hn-、he>、ha>、hx、hy> | 单、双、多 |
非常开心 | hn>、hn<、he>、he<、ha>、hx、hy> | 多 |
得意 | hy-、hy< | 单、双、多 |
其中,预标注的多种笑声类型下的音频信息序列各音素序列表征如下:
如上表格所示,所述多种笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,
其中,吸气段的笑声类型包括对应于声带振动的第一笑声类型(如上表中标注vd的类型)和对应的声带不振动的第二笑声类型(如上表中标注uvd的类型);
呼气段的笑声类型包括对应于笑声发声阶段的发声笑声类型和对应于笑声启动阶段的启动笑声类型,发声笑声类型下的音素序列中每一音节为基于辅音和元音构成的,启动笑声类型下的音素序列中每一音节为基于元音构成的。其中,发声笑声类型可以如上表中类型1-类型8所示,启动笑声类型可以如上表中的变体1和变体2所示,即变体1和变体2对应的笑声类型用于表示笑声开始时存在的元音启动段。
需要进行说明的是,上表中所示的笑声类型的划分为示例性说明,不对本公开进行限定,可以基于上述分类基于实际应用场景确定其他的笑声类型和标注,提高笑声类型的精细度和多样性,从而提高笑声合成的多样化,提高合成的笑声的拟人化和真实性。
其中,在确定出的目标音频信息序列中,对应于同一音节的不同音素具有相同的声调和韵律,所述声调包括上升调、平调和下降调。在音频信息序列中音素序列后的符号用于表示声调信息,其中,“>”用于表示下降调,“-”用于表示平调,“<”用于表示上升调。由此,在确定出场景类型后,则可以根据该场景类型下的候选音频信息序列确定目标文本对应的目标音频信息序列。示例地看,确定出的场景类型为“勉强”,则可以根据“勉强”对应的候选音频信息序列“he-、ha>”确定目标文本对应的目标音频信息序列,目标文本为“哈哈”,则可以从候选音频信息序列“he-、ha>”选择“ha>”以进一步确定音素序列和声调序列,从而获得目标音素序列和目标声调序列“ha>ha>”。
同时根据其对应的笑声音节数量包括“单、双”进一步确定韵律特征,其可以根据该场景类型的默认模式或者根据实际音节数量进行生成,示例地,目标文本可以视为一个韵律短语,在目标文本后需进行韵律短语层级的停顿。由此,可以通过多种音素序列和声调序列对笑声进行表征,获得多种场景下对应的笑声特征,使得笑声语音的合成可以更加符合真人的发音方式,提高语音合成的准确性。
在一种可能的实施例中,所述根据场景类型下的候选音频信息序列生成目标文本对应的目标音频信息序列的示例性实现方式如下,步骤可以包括:
根据所述场景类型下对应的候选音频信息序列确定所述目标文本包含的每一音节对应的音素序列和声调序列。其中,该步骤中确定音素序列和声调序列的方式与上文类似,在此不再赘述。
根据所述目标文本包含的每一音节对应的音素序列和声调序列、以及所述目标文本中的音节数量,确定所述目标文本对应的目标音频信息序列。
作为示例,在目标文本中的音节数量小于预设阈值时,可以根据候选音频信息序列中确定出的、与该目标文本中的每一音节对应的音素序列和声调序列,确定目标文本对应的目标音频信息序列。例如,在该步骤中,根据候选音频信息序列确定出的目标文本包含的每一音节对应的音素序列和声调序列为“ha>”、“ha>”、“uvd”,此时音节数量小于阈值,则可以将上述每一音节对应的序列进行拼接,获得的目标文本对应的目标音素序列和目标声调表示如下,“ha>ha>uvd”。其中韵律序列的确定方式与上文所述类似在此不再赘述。
作为另一示例,在目标文本中的音节数量大于或等于预设阈值时,可以将确定出的目标文本中的每一音节对应的音素序列和声调序列基于音节数量进行序列选择,确定目标文本对应的目标音频信息序列。例如,在小说文本中可以以文本“哈哈哈哈哈哈哈哈哈哈哈”表示放声大笑,在实际语音合成并不会根据该文本中音节数量进行发声,针对此类较长的文本,可以根据每一音节对应的音素序列和声调序列,结合该目标文本中音节数量进行选择,例如在该场景下可以设置预设阈值为6,则针对此类较长的文本,其可以选择包含3个音节、4个音节或5个音节作为该目标音频信息序列中的音节数量,具体地目标音素序列和目标声调可以根据其中每一音节对应的音素序列和声调确定。
由此,通过上述技术方案,在对目标文本进行多样性音频信息序列生成的同时,可以进一步结合该目标文本中包含的音节数量,从而能够进一步提高确定出的目标文本对应的目标音频信息序列的准确性以及与实际应用场景的适应性,进一步提高语音合成的拟真度,提升用户使用体验。
在一种可能的实施例中,所述语音合成模型通过以下方式获得:
获取训练样本,其中,每一所述训练样本包括训练音频序列以及所述训练音频序列的标注序列,所述标注序列包括与所述训练音频序列对应的训练音素序列、训练声调序列和训练韵律序列。
其中,所述训练音素序列、训练声调序列和训练韵律序列可以是基于上文所述的笑声特征以及音素序列进行人工标注获得的。
作为示例,每一所述训练样本中的训练音频序列的标注序列是基于所述训练音频的语谱图和所述预标注的多种笑声类型下的音频信息序列确定出的,所述笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,其中,基于所述语谱图确定出的吸气段中标注有对应于吸气段的笑声类型下的音频信息序列,基于所述语谱图确定出的呼气段中标注有对应于呼气段的笑声类型下的音频信息序列。其中,预标注的多种笑声类型已在上文进行详述,需要进行说明的是,上文所述表中对应的笑声类型为示例性说明,不对本公开笑声类型的数量等进行限定。
示例地,如图3所示为一训练音频序列的语谱图示意图,在图3所述示例中,其包含3个音频波形,其中每一音频波形对应于一个音节,通过上述音节序列,可以对训练文本进行标注,获得其对应的训练音素序列、训练声调序列和训练韵律序列“ha>ha>uvd、韵律短语停顿”,其中,可以通过上述表格信息中的预标注的多种笑声类型进行人工标注以获得标注信息,第一层呼气段标注音近汉字“哈哈”,吸气段标sp表示句中短停顿,第二层呼气段标注训练音素序列和训练声调序列,吸气段标注uvd表示声带不振动。
针对每一训练音频序列,将所述训练音频序列的各个标注序列对应的向量进行拼接获得拼接向量,并将所述拼接向量输入预设模型的编码器,获得所述训练音频序列对应的特征向量。其中可以通过对训练音频序列对应的训练音素序列、训练声调序列和训练韵律序列进行向量化(embedding)处理以将标注序列转换为向量。示例地可以采用顺序拼接的方式,如基于concat()函数进行拼接,以获得该拼接向量。其中,该预设模型可以是Tacotron模型,该模型为端到端的语音合成框架,该预设模型中包括编码器、注意力模块和解码器。
将所述特征向量输入所述预设模型的注意力模块,获得所述特征向量对应的上下文向量;将所述上下文向量输入预设模型的解码器,获得所述训练音频序列对应的合成音频信息,示例地,该合成音频信息可以为梅尔频谱Mel)的帧序列。
其中,将特征向量输入注意力模块进行计算使得在语音合成的过程中可以更加关注笑声相关的特征,从而在基于上下文向量进行解码时,可以在一定程度上提高该合成音频信息的准确性。其中,该注意力模块和编码器的具体处理方式可以采用本领域中Tacotron模型中常用的计算方式,在此不再赘述。
根据所述合成音频信息和所述训练音频序列中提取的目标音频信息,确定所述预设模型的目标损失,并根据所述目标损失对所述预设模型进行训练,以获得所述语音合成模型。
示例地,可以对训练音频序列进行特征提取,如将从训练音频序列中提取的Mel谱作为该目标音频信息,从而可以基于该合成音频信息和该目标音频信息进行MSE(MeanSquare Error,均方误差)计算,获得该预设模型的目标损失。作为示例,可以在该目标损失大于损失阈值的情况下,根据该目标损失通过Adam优化器对预设模型的参数进行优化更新,以实现对预设模型的训练。
由此,通过上述技术方案,通过结合训练音频序列对应的音素序列、声调序列和韵律序列进行语音合成,可以在一定程度上提高语音合成的准确度,可以拓宽该语音合成模型的使用范围,以及对笑声对应的多发音方式的适配和支持。
相应地,根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,则可以是将该目标音频信息序列输入该语音合成模型,以通过该语音合成模型进行计算处理输出音频信息。
在一种可能的实施例中,所述方法还可以包括:
将所述待处理文本的音频信息输入声码器(vocoder),以获得所述待处理文本对应的语音信息,并输出该语音信息。示例地,该声码器可以用于根据预测的梅尔频谱帧序列产生时域波形,即语音信息。由此,可以进一步生成语音信息以输出给用户,为用户提供阅读便利,并且使得输出的语音信息贴合用户真实的朗读方式,提升用户使用体验。
基于同样的发明构思,本公开还提供一种语音合成装置,如图4所示,所述装置10包括:
第一确定模块100,用于根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
第二确定模块200,用于根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
生成模块300,用于根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
可选地,所述语音合成模型通过以下方式获得:
获取训练样本,其中,每一所述训练样本包括训练音频序列以及所述训练音频序列的标注序列,所述标注序列包括与所述训练音频序列对应的训练音素序列、训练声调序列和训练韵律序列;
针对每一训练音频序列,将所述训练音频序列的各个标注序列对应的向量进行拼接获得拼接向量,并将所述拼接向量输入预设模型的编码器,获得所述训练音频序列对应的特征向量;
将所述特征向量输入所述预设模型的注意力模块,获得所述特征向量对应的上下文向量;
将所述上下文向量输入预设模型的解码器,获得所述训练音频序列对应的合成音频信息;
根据所述合成音频信息和从所述训练音频序列中提取的目标音频信息,确定所述预设模型的目标损失,并根据所述目标损失对所述预设模型进行训练,以获得所述语音合成模型。
可选地,每一所述训练样本中的训练音频序列的标注序列是基于所述训练音频的语谱图和所述预标注的多种笑声类型下的音频信息序列确定出的,所述笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,其中,基于所述语谱图确定出的吸气段中标注有对应于吸气段的笑声类型下的音频信息序列,基于所述语谱图确定出的呼气段中标注有对应于呼气段的笑声类型下的音频信息序列。
可选地,在所述目标音频信息序列中,对应于同一音节的不同音素具有相同的声调和韵律,所述声调包括上升调、平调和下降调。
可选地,所述第二确定模块包括:
第一确定子模块,用于确定所述待处理文本中与所述目标文本对应的上下文文本;
第二确定子模块,用于根据所述上下文文本确定与所述目标文本对应的场景类型,其中,每一所述场景类型下对应有至少一种候选音频信息序列,所述候选音频信息序列包含至少一种笑声类型下的音频信息序列;
生成子模块,用于根据所述场景类型下的候选音频信息序列生成所述目标文本对应的目标音频信息序列。
可选地,所述第二确定子模块包括:
第三确定子模块,用于确定所述上下文文本对应的讲述者角色信息;
第四确定子模块,用于根据所述上下文文本和所述讲述者角色信息进行场景分类,并将确定出的分类确定为所述场景类型。
可选地,所述生成子模块包括:
第五确定子模块,用于根据所述场景类型下对应的候选音频信息序列确定所述目标文本包含的每一音节对应的音素序列和声调序列;
第六确定子模块,用于根据所述目标文本包含的每一音节对应的音素序列和声调序列、以及所述目标文本中的音节数量,确定所述目标文本对应的目标音频信息序列。
可选地,所述多种笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,
其中,吸气段的笑声类型包括对应于声带振动的第一笑声类型和对应的声带不振动的第二笑声类型;
呼气段的笑声类型包括对应于笑声发声阶段的发声笑声类型和对应于笑声启动阶段的启动笑声类型,发声笑声类型下的音素序列中每一音节为基于辅音和元音构成的,启动笑声类型下的音素序列中每一音节为基于元音构成的。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备600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5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5所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600,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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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,客户端、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:根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
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,第一确定模块还可以被描述为“根据接收到的待处理文本,确定所述待处理文本中的目标文本的模块”。
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提供了一种语音合成方法,其中,所述方法包括:
根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
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,其中,所述语音合成模型通过以下方式获得:
获取训练样本,其中,每一所述训练样本包括训练音频序列以及所述训练音频序列的标注序列,所述标注序列包括与所述训练音频序列对应的训练音素序列、训练声调序列和训练韵律序列;
针对每一训练音频序列,将所述训练音频序列的各个标注序列对应的向量进行拼接获得拼接向量,并将所述拼接向量输入预设模型的编码器,获得所述训练音频序列对应的特征向量;
将所述特征向量输入所述预设模型的注意力模块,获得所述特征向量对应的上下文向量;
将所述上下文向量输入预设模型的解码器,获得所述训练音频序列对应的合成音频信息;
根据所述合成音频信息和从所述训练音频序列中提取的目标音频信息,确定所述预设模型的目标损失,并根据所述目标损失对所述预设模型进行训练,以获得所述语音合成模型。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,其中,每一所述训练样本中的训练音频序列的标注序列是基于所述训练音频的语谱图和所述预标注的多种笑声类型下的音频信息序列确定出的,所述笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,其中,基于所述语谱图确定出的吸气段中标注有对应于吸气段的笑声类型下的音频信息序列,基于所述语谱图确定出的呼气段中标注有对应于呼气段的笑声类型下的音频信息序列。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,其中,在所述目标音频信息序列中,对应于同一音节的不同音素具有相同的声调和韵律,所述声调包括上升调、平调和下降调。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,其中,
所述根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,包括:
确定所述待处理文本中与所述目标文本对应的上下文文本;
根据所述上下文文本确定与所述目标文本对应的场景类型,其中,每一所述场景类型下对应有至少一种候选音频信息序列,所述候选音频信息序列包含至少一种笑声类型下的音频信息序列;
根据所述场景类型下的候选音频信息序列生成所述目标文本对应的目标音频信息序列。
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,其中,所述根据所述上下文文本确定与所述目标文本对应的场景类型,包括:
确定所述上下文文本对应的讲述者角色信息;
根据所述上下文文本和所述讲述者角色信息进行场景分类,并将确定出的分类确定为所述场景类型。
根据本公开的一个或多个实施例,示例7提供了示例5的方法,其中,所述根据所述场景类型下的候选音频信息序列生成所述目标文本对应的目标音频信息序列,包括:
根据所述场景类型下对应的候选音频信息序列确定所述目标文本包含的每一音节对应的音素序列和声调序列;
根据所述目标文本包含的每一音节对应的音素序列和声调序列、以及所述目标文本中的音节数量,确定所述目标文本对应的目标音频信息序列。
根据本公开的一个或多个实施例,示例8提供了示例1的方法,其中,所述多种笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,
其中,吸气段的笑声类型包括对应于声带振动的第一笑声类型和对应的声带不振动的第二笑声类型;
呼气段的笑声类型包括对应于笑声发声阶段的发声笑声类型和对应于笑声启动阶段的启动笑声类型,发声笑声类型下的音素序列中每一音节为基于辅音和元音构成的,启动笑声类型下的音素序列中每一音节为基于元音构成的。
根据本公开的一个或多个实施例,示例9提供了一种语音合成装置,其中,所述装置包括:
第一确定模块,用于根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
第二确定模块,用于根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
生成模块,用于根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
根据本公开的一个或多个实施例,示例10提供了一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理装置执行时实现示例1-8中任一示例所述方法的步骤。
根据本公开的一个或多个实施例,示例11提供了一种电子设备,其中,包括:
存储装置,其上存储有一个或多个计算机程序;
一个或多个处理装置,用于执行所述存储装置中的所述一个或多个计算机程序,以实现示例1-8中任一示例所述方法的步骤。
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 (11)
1.一种语音合成方法,其特征在于,所述方法包括:
根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
2.根据权利要求1所述的方法,其特征在于,所述语音合成模型通过以下方式获得:
获取训练样本,其中,每一所述训练样本包括训练音频序列以及所述训练音频序列的标注序列,所述标注序列包括与所述训练音频序列对应的训练音素序列、训练声调序列和训练韵律序列;
针对每一训练音频序列,将所述训练音频序列的各个标注序列对应的向量进行拼接获得拼接向量,并将所述拼接向量输入预设模型的编码器,获得所述训练音频序列对应的特征向量;
将所述特征向量输入所述预设模型的注意力模块,获得所述特征向量对应的上下文向量;
将所述上下文向量输入预设模型的解码器,获得所述训练音频序列对应的合成音频信息;
根据所述合成音频信息和从所述训练音频序列中提取的目标音频信息,确定所述预设模型的目标损失,并根据所述目标损失对所述预设模型进行训练,以获得所述语音合成模型。
3.根据权利要求2所述的方法,其特征在于,每一所述训练样本中的训练音频序列的标注序列是基于所述训练音频的语谱图和所述预标注的多种笑声类型下的音频信息序列确定出的,所述笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,其中,基于所述语谱图确定出的吸气段中标注有对应于吸气段的笑声类型下的音频信息序列,基于所述语谱图确定出的呼气段中标注有对应于呼气段的笑声类型下的音频信息序列。
4.根据权利要求1所述的方法,其特征在于,在所述目标音频信息序列中,对应于同一音节的不同音素具有相同的声调和韵律,所述声调包括上升调、平调和下降调。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,包括:
确定所述待处理文本中与所述目标文本对应的上下文文本;
根据所述上下文文本确定与所述目标文本对应的场景类型,其中,每一所述场景类型下对应有至少一种候选音频信息序列,所述候选音频信息序列包含至少一种笑声类型下的音频信息序列;
根据所述场景类型下的候选音频信息序列生成所述目标文本对应的目标音频信息序列。
6.根据权利要求5所述的方法,其特征在于,所述根据所述上下文文本确定与所述目标文本对应的场景类型,包括:
确定所述上下文文本对应的讲述者角色信息;
根据所述上下文文本和所述讲述者角色信息进行场景分类,并将确定出的分类确定为所述场景类型。
7.根据权利要求5所述的方法,其特征在于,所述根据所述场景类型下的候选音频信息序列生成所述目标文本对应的目标音频信息序列,包括:
根据所述场景类型下对应的候选音频信息序列确定所述目标文本包含的每一音节对应的音素序列和声调序列;
根据所述目标文本包含的每一音节对应的音素序列和声调序列、以及所述目标文本中的音节数量,确定所述目标文本对应的目标音频信息序列。
8.根据权利要求1所述的方法,其特征在于,所述多种笑声类型包括对应于吸气段的笑声类型和对应于呼气段的笑声类型,
其中,吸气段的笑声类型包括对应于声带振动的第一笑声类型和对应的声带不振动的第二笑声类型;
呼气段的笑声类型包括对应于笑声发声阶段的发声笑声类型和对应于笑声启动阶段的启动笑声类型,发声笑声类型下的音素序列中每一音节为基于辅音和元音构成的,启动笑声类型下的音素序列中每一音节为基于元音构成的。
9.一种语音合成装置,其特征在于,所述装置包括:
第一确定模块,用于根据接收到的待处理文本,确定所述待处理文本中的目标文本,其中,所述目标文本为用于表示进行笑声合成的文本;
第二确定模块,用于根据所述目标文本和所述待处理文本,确定所述目标文本对应的目标音频信息序列,其中,所述目标音频信息序列是基于预标注的多种笑声类型下的音频信息序列确定的,每一所述笑声类型下的音频信息序列包括目标音素序列、目标声调序列和韵律序列;
生成模块,用于根据所述目标音频信息序列和语音合成模型,生成所述目标文本的笑声音频信息,以获得所述待处理文本的音频信息。
10.一种计算机可读介质,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1-8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储装置,其上存储有一个或多个计算机程序;
一个或多个处理装置,用于执行所述存储装置中的所述一个或多个计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653397.0A CN114255738A (zh) | 2021-12-30 | 2021-12-30 | 语音合成方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653397.0A CN114255738A (zh) | 2021-12-30 | 2021-12-30 | 语音合成方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114255738A true CN114255738A (zh) | 2022-03-29 |
Family
ID=80798926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653397.0A Pending CN114255738A (zh) | 2021-12-30 | 2021-12-30 | 语音合成方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255738A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937104A (zh) * | 2022-06-24 | 2022-08-23 | 北京有竹居网络技术有限公司 | 虚拟对象面部信息生成方法、装置和电子设备 |
CN117894294A (zh) * | 2024-03-14 | 2024-04-16 | 暗物智能科技(广州)有限公司 | 拟人化的副语言语音合成方法及系统 |
-
2021
- 2021-12-30 CN CN202111653397.0A patent/CN114255738A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937104A (zh) * | 2022-06-24 | 2022-08-23 | 北京有竹居网络技术有限公司 | 虚拟对象面部信息生成方法、装置和电子设备 |
CN117894294A (zh) * | 2024-03-14 | 2024-04-16 | 暗物智能科技(广州)有限公司 | 拟人化的副语言语音合成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899719B (zh) | 用于生成音频的方法、装置、设备和介质 | |
CN112309366B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
CN111489734B (zh) | 基于多说话人的模型训练方法以及装置 | |
CN108899009B (zh) | 一种基于音素的中文语音合成系统 | |
CN111369967B (zh) | 基于虚拟人物的语音合成方法、装置、介质及设备 | |
CN112786011B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
CN111292720A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
US11361753B2 (en) | System and method for cross-speaker style transfer in text-to-speech and training data generation | |
CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
TWI721268B (zh) | 用於語音合成的系統和方法 | |
CN112331176B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
CN109036377A (zh) | 一种语音合成方法及装置 | |
JP7228998B2 (ja) | 音声合成装置及びプログラム | |
CN112309367B (zh) | 语音合成方法、装置、存储介质及电子设备 | |
WO2023035261A1 (en) | An end-to-end neural system for multi-speaker and multi-lingual speech synthesis | |
CN114255738A (zh) | 语音合成方法、装置、介质及电子设备 | |
CN113808571B (zh) | 语音合成方法、装置、电子设备以及存储介质 | |
WO2023160553A1 (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
CN113421550A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN115101046A (zh) | 一种特定说话人语音合成方法和装置 | |
Li et al. | End-to-end mongolian text-to-speech system | |
CN112802447A (zh) | 一种语音合成播报方法及装置 | |
US20070055524A1 (en) | Speech dialog method and device | |
CN116129859A (zh) | 韵律标注方法、声学模型训练方法、语音合成方法及装置 | |
CN114242035A (zh) | 语音合成方法、装置、介质以及电子设备 |
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 |