CN114373445A - 语音生成方法、装置、电子设备及存储介质 - Google Patents

语音生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114373445A
CN114373445A CN202111593297.3A CN202111593297A CN114373445A CN 114373445 A CN114373445 A CN 114373445A CN 202111593297 A CN202111593297 A CN 202111593297A CN 114373445 A CN114373445 A CN 114373445A
Authority
CN
China
Prior art keywords
processed
text
features
feature
prosodic
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
Application number
CN202111593297.3A
Other languages
English (en)
Other versions
CN114373445B (zh
Inventor
周芯永
张君腾
孙涛
贾磊
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 CN202111593297.3A priority Critical patent/CN114373445B/zh
Publication of CN114373445A publication Critical patent/CN114373445A/zh
Application granted granted Critical
Publication of CN114373445B publication Critical patent/CN114373445B/zh
Priority to US18/086,004 priority patent/US20230131494A1/en
Priority to EP22215866.9A priority patent/EP4156174A3/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G10L13/06—Elementary speech units used in speech synthesisers; Concatenation rules
    • G10L13/07—Concatenation rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1807—Speech classification or search using natural language modelling using prosody or stress
    • 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
    • G10L25/18—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 spectral information of each sub-band
    • 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—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
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G10L13/10—Prosody rules derived from text; Stress or intonation
    • G10L2013/105—Duration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种语音生成方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体为语音合成和自然语言处理技术领域。具体实现方案为：获取待处理文本，并确定待处理文本的关联文本，获取关联文本的关联韵律特征，根据待处理文本，确定关联文本的关联文本特征，根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征，以及根据待处理频谱特征，生成与待处理文本对应的目标语音。可以实现确定出待处理文本的关联文本，并充分联合关联文本的关联韵律特征对待处理文本的韵律特征进行调整，有效提升待处理频谱特征对待处理文本的频谱表征准确性，从而有效提升所合成目标语音的表征效果，提升目标语音在应用场景中的实用性和适用性。

Description

语音生成方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，具体涉及语音合成和自然语言处理技术领域，尤其涉及一种语音生成方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术，以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中，通常是从文本中提取韵律相关特征，以合成语音。
发明内容
本公开提供了一种语音生成方法、装置、电子设备、存储介质及计算机程序产品。
根据本公开的第一方面，提供了一种语音生成方法，包括：获取待处理文本，并确定所述待处理文本的关联文本；获取所述关联文本的关联韵律特征；根据所述待处理文本，确定所述关联文本的关联文本特征；根据所述关联韵律特征和所述关联文本特征，确定所述待处理文本的待处理频谱特征；以及根据所述待处理频谱特征，生成与所述待处理文本对应的目标语音。
根据本公开的第二方面，提供了一种语音生成装置，包括：第一获取模块，用于获取待处理文本，并确定所述待处理文本的关联文本；第二获取模块，用于获取所述关联文本的关联韵律特征；第一确定模块，用于根据所述待处理文本，确定所述关联文本的关联文本特征；第二确定模块，用于根据所述关联韵律特征和所述关联文本特征，确定所述待处理文本的待处理频谱特征；以及生成模块，用于根据所述待处理频谱特征，生成与所述待处理文本对应的目标语音。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一方面实施例的语音生成方法。
根据本公开的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开第一方面实施例的语音生成方法。
根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，当计算机程序由处理器执行时实现本公开第一方面实施例的语音生成方法。
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。
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是根据本公开第一实施例的示意图；
图2是本公开实施例中的语音生成流程示意图；
图3是根据本公开第二实施例的示意图；
图4是本公开实施例中的韵律特征提取流程示意图；
图5是本公开实施例中的关联文本特征生成流程示意图；
图6是根据本公开第三实施例的示意图；
图7是本公开实施例中的韵律特征预测流程示意图；
图8是本公开实施例中的频谱特征生成流程示意图；
图9是根据本公开第四实施例的示意图；
图10是根据本公开第五实施例的示意图；
图11示出了可以用来实施本公开的实施例的语音生成方法的示例电子设备的示意性框图。
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。
图1是根据本公开第一实施例的示意图。
其中，需要说明的是，本实施例的语音生成方法的执行主体为语音生成装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及人工智能技术领域，具体涉及语音识别和自然语言处理技术领域。
其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
语音合成，是指通过机械的、电子的方法产生人造语音的技术，它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利口语输出的技术，能将任意文字信息实时转化为标准流畅的语音朗读出来。
自然语言处理(Natural Language Processing，NLP)，即计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。是以语言为对象，利用计算机技术来分析、理解和处理自然语言，即把计算机作为语言研究工具，在计算机的支持下对语言信息进行定量化的研究处理，并提供可供人与计算机之间能共同使用的语言描写。
如图1所示，该语音生成方法，包括：
S101：获取待处理文本，并确定待处理文本的关联文本。
其中，待处理文本是指待对其进行语音生成的文本，该待处理文本例如可以为新闻播报文稿文本或者小说文本，或者也可以为其他任意类型的待对其进行语音生成的文本，对此不做限制。
其中，关联文本是指待处理文本的上下文文本，该上下文文本可以为待处理文本的上文文本，待处理文本的上文文本例如可以为待处理文本的上一句文本或者上一段落文本，或者还可以是当前对其进行语音生成的待处理文本的上一帧语音对应的文本，对此不做限制。
本公开实施例中，关联文本可以为已对其完成语音生成的文本，关联文本具有与其文本对应的已合成语音段。
本公开实施例中，在获取待处理文本时，可以预先在语音生成装置上配置文本采集装置，用于采集待对其进行语音生成的新闻播报文稿文本等文本作为待处理文本，或者也可以预先在语音生成装置上配置数据传输接口，经由该数据传输接口接收待处理文本，对此不做限制。
本公开实施例在确定待处理文本的关联文本时，可以在获取待处理文本之后，选取待处理文本的上一句文本或者上一段落文本作为待处理文本的关联文本，或者获取当前对其进行语音生成的文本的上一帧语音对应的文本作为关联文本，对此不做限制。
S102：获取关联文本的关联韵律特征。
其中，韵律特征是指文本的语调、时域分布和重音等语言学特征，韵律特征具体例如可以为长短音等音长变化特征、高低音等音高变化特征以及轻重音等音强变化特征，或者还可以是语音停顿以及其他语调相关的语言学特征，对此不做限制。
其中，关联韵律特征是指关联文本的音长、音高以及音强等语言学特征，关联韵律特征可以用于描述关联文本的语境氛围以及语音情绪表达氛围。
本公开实施例在上述获取待处理文本，并确定待处理文本的关联文本之后，可以获取关联文本的关联韵律特征。
本公开实施例中，在获取关联文本的关联韵律特征时，可以获取关联文本对应的语音段，利用语音解析模型对关联文本对应的语音段进行解析以得到关联文本对应的关联频谱特征，而后将关联频谱特征输入至韵律特征提取器中，利用韵律特征提取器对关联文本的关联韵律特征进行提取，韵律特征提取器的输出结果作为关联文本对应的关联韵律特征。
S103：根据待处理文本，确定关联文本的关联文本特征。
其中，关联文本特征是指关联文本的语义信息特征，关联文本特征可以用于辅助对待处理文本的韵律特征进行预测处理，辅助对待处理文本的当前语句进行语音生成处理。
本公开实施例中，在上述获取待处理文本，并确定待处理文本的关联文本之后，可以根据待处理文本，确定关联文本的关联文本特征。
本公开实施例中，在根据待处理文本，确定关联文本的关联文本特征时，可以将关联文本输入至上下文特征提取器中，利用上下文特征提取器对关联文本进行分析处理，以提取得到关联文本的关联文本特征。
S104：根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征。
其中，待处理频谱特征是指可以将待处理文本转换为音频的声学信息特征，该待处理频谱特征可以为待处理文本对应的梅尔频谱，根据待处理频谱特征，可以将待处理文本的声学特征转换为对应的合成语音。
本公开实施例在上述确定关联文本的关联韵律特征和关联文本特征之后，可以根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征。
本公开实施例中，在根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征时，可以将待处理频谱特征的生成过程分为编码模块和解码模块，在待处理频谱特征生成的编码模块中，可以将待处理文本输入至字符嵌入处理模型中，将待处理文本处理为字符向量，而后将字符向量输入至卷积神经网络中，利用卷积层对字符向量进行处理，并将卷积层的输出输入至双向长短期记忆人工神经网络(Long short-term memory，LSTM)中进行处理，以得到待处理文本的语言特征，而后可以对待处理文本的语言特征、关联韵律特征以及关联文本特征进行拼接处理，得到拼接处理后的特征。
本公开实施例在上述经过编码阶段，对关联文本特征的关联韵律特征和关联文本特征以及待处理文本进行编码处理之后，可以对待处理文本的当前时刻的声音频谱进行预测处理，以得到预测的当前时刻的声音频谱，而后可以将编码阶段获取的拼接处理后的特征输入至注意力机制处理模型中进行权重计算，而后依据得到的权重对拼接后的特征进行权重分配处理，以得到权重分配处理后的特征，并将权重分配处理后的特征输入至长短期记忆人工神经网络层中进行预测处理，并将长短期记忆人工神经网络的输出的声音频谱作为待处理文本的待处理频谱特征，或者可以采用其他任意可能的方式根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征，对此不做限制。
S105：根据待处理频谱特征，生成与待处理文本对应的目标语音。
其中，目标语音是指对待处理文本进行语音合成处理后，生成的文本对应的音频片段。
本公开实施例在上述根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征之后，可以根据待处理频谱特征，生成与待处理文本对应的目标语音。
本公开实施例中，在根据待处理频谱特征生成与待处理文本对应的目标语音时，可以将待处理频谱特征输入至声码器中，将表征待处理文本声学特征的待处理频谱特征转换为待处理文本对应的语音片段，并将转换生成的语音片段作为待处理文本对应的目标语音。
另一些实施例中，在根据待处理频谱特征生成与待处理文本对应的目标语音时，还可以利用发声器算法对待处理频谱进行处理，实现将频谱转换为语音，以生成与待处理文本对应的目标语音，或者也可以采用其他任意可能的方式根据待处理频谱特征，生成与待处理文本对应的目标语音，对此不做限制。
举例而言，如图2所示，图2是本公开实施例中的语音生成流程示意图，获取待处理文本和待处理文本的关联文本，利用韵律特征提取器对关联文本的关联韵律特征进行提取，并利用预训练的语言表征模型(Bidirectional Encoder Representation fromTransformers，BERT)对关联文本进行表征处理，得到关联文本对应的BERT字向量，以提取关联文本对应的关联文本特征，而后可以根据关联韵律特征和关联文本特征对待处理文本的待处理频谱特征进行预测处理，并根据待处理频谱特征，生成与待处理文本对应的目标语音。
本实施例中，通过获取待处理文本，并确定待处理文本的关联文本，获取关联文本的关联韵律特征，根据待处理文本，确定关联文本的关联文本特征，根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征，以及根据待处理频谱特征，生成与待处理文本对应的目标语音，实现确定出待处理文本的关联文本，并充分联合关联文本的关联韵律特征对待处理文本的韵律特征进行调整，有效提升待处理频谱特征对待处理文本的频谱表征准确性，从而有效提升所合成目标语音的表征效果，提升目标语音在应用场景中的实用性和适用性。
图3是根据本公开第二实施例的示意图。
如图3所示，该语音生成方法，包括：
S301：获取待处理文本，并确定待处理文本的关联文本。
S301的描述说明可以示例参见上述实施例，在此不再赘述。
S302：确定关联文本的关联频谱特征和关联语音特征。
其中，关联频谱特征是指关联文本对应的已合成语音片段对应的声学特征。
其中，关联语音特征，可以是指关联文本对应的文本语言特征和文本语义特征，其中，关联文本对应的文本语言特征用于指示关联文本中对应的字以及词汇的发音方式，关联文本对应的文本语言特征例如可以为关联文本中的字词音调发音，其中，关联文本对应的文本语义特征用于表征关联文本对应的文本内容含义。
本公开实施例中，在确定关联文本的关联频谱特征时，可以将关联文本对应的语音片段输入至语义解析模型中，利用语义解析模型对语音片段进行解析处理，以得到语义解析模型的输出结果，并将语义解析模型的输出结果作为关联文本的关联频谱特征。
本公开实施例中，在确定关联文本的关联语音特征时，可以分别对关联文本对应的文本语言特征和文本语义特征进行提取。
本公开实施例中，在获取关联文本对应的文本语言特征时，可以首先将关联文本输入至字符嵌入处理模型中，将关联文本处理为字符向量，而后将字符向量输入至卷积神经网络中，利用卷积层对字符向量进行处理，并将卷积层的输出结果输入至双向长短期记忆人工神经网络(Long short-termmemory，LSTM)中进行处理，以得到关联文本对应的文本语言特征。
本公开实施例中，在确定关联文本对应的文本语义特征时，可以将关联文本输入至预训练的语言表征模型(Bidirectional Encoder Representation fromTransformers，BERT)中，利用预训练的语言表征模型对关联文本进行处理，以得到关联文本对应的字向量，而后将处理得到的关联文本对应的字向量输入至序列特征提取模块(Conv Bank Highway GRU_RNN，CBHG)中进行处理，以得到关联文本对应的文本语义特征。
本公开实施例在上述获取关联文本对应的文本语言特征和文本语义特征之后，可以将关联文本对应的文本语言特征和文本语义特征作为关联文本的关联语音特征。
S303：根据关联频谱特征处理关联语音特征，以得到与关联文本的关联音素序列对应的韵律特征。
其中，音素是指影响发音的最小语音单位，该音素例如可以为中文字词的拼音，或者可以为英文词汇中的英文字母，或者可以是其他任意语种的最小语音单位，对此不做限制。
其中，关联文本对应的关联音素序列是指构成关联文本的字词对应的所有音素组成的序列，举例而言，当关联文本的内容为“你好”时，关联文本对应的音素序列可以为“nihao”。
本公开实施例中，在根据关联频谱特征处理关联语音特征，以得到与关联文本的关联音素序列对应的韵律特征时，可以将关联频谱特征输入至卷积神经网络中，利用卷积层对关联频谱特征进行处理，并将卷积神经网络的输出结果输入至双向门控循环单元(Gate Recurrent Unit，GRU)层中，双向GRU层可以对经过卷积神经网络处理后的关联频谱特征进行从前至后以及从后至前的双向特征建模，以得到双向GRU层的输出结果，并将输出结果与关联文本的关联语音特征输入至注意力模型中进行权重计算，以得到注意力模型输出的音素级别的细粒度韵律特征，并将该音素级别的细粒度韵律特征作为与关联文本的关联音素序列对应的韵律特征。
举例而言，如图4所示，图4是本公开实施例中的韵律特征提取流程示意图，可以将关联频谱特征依次输入至卷积层和双向GRU层中，利用双向GRU层对关联频谱特征进行双向特征建模处理，以得到双向GRU层的输出结果，而后将输出结果与关联文本的文本语言特征共同输入至注意力模型中进行计算，得到注意力模型输出的音素级别的细粒度韵律特征，并将该音素级别的细粒度韵律特征作为与关联文本的关联音素序列对应的韵律特征。
S304：将对应的韵律特征作为关联韵律特征。
本公开实施例在上述根据关联频谱特征处理关联语音特征，以得到与关联文本的关联音素序列对应的韵律特征之后，可以将对应的韵律特征作为关联韵律特征，关联韵律特征可以用于辅助确定待处理文本的文本韵律特征，辅助对待处理文本进行语音生成，具体可见后续实施例。
本实施例中，通过确定关联文本的关联频谱特征和关联语音特征，根据关联频谱特征处理关联语音特征，以得到与关联文本的关联音素序列对应的韵律特征，并将对应的韵律特征作为关联韵律特征，从而可以根据关联频谱特征与关联语音特征提取关联文本对应的关联韵律特征，关联韵律特征可以用于辅助确定待处理文本的文本韵律特征，从而可以实现获取待处理文本中丰富的、准确的文本韵律特征，由于关联韵律特征是关联音素序列对应的韵律特征，可以实现对韵律特征的细粒度提取，有效提升韵律变化检测的准确性，辅助生成携带丰富韵律的目标语音。
S305：确定待处理文本的待处理句特征。
其中，待处理句特征是指待处理文本中以语句为单位的向量特征。
本公开实施例中，在确定待处理文本的待处理句特征时，可以将待处理文本输入至预训练的语言表征模型中，利用预训练的语言表征模型对待处理文本进行分析处理，以获取到语句级别的句子向量以及对应的向量特征，并将获取的对应的向量特征作为待处理文本的待处理句特征。
S306：确定关联文本的关联句特征。
其中，关联句特征是指关联文本中以语句为单位的向量特征。
本公开实施例中，在确定关联文本的关联句特征时，可以将关联文本输入至预训练的语言表征模型中，利用预训练的语言表征模型对关联文本进行分析处理，以获取到语句级别的句子向量以及对应的向量特征，并将获取的对应的向量特征作为关联文本的关联句特征。
S307：根据关联句特征，预测与关联文本对应的上下文特征。
其中，上下文特征是指关联文本所在的文本段落的上下文语义信息特征。
本公开实施例中，在上述确定关联文本的关联句特征之后，可以根据关联句特征，预测与关联文本对应的上下文特征。
本公开实施例中，在根据关联句特征，预测与关联文本对应的上下文特征时，可以将关联句特征输入至线性层中，利用线性层对关联句特征进行映射处理，而后对关联句特征按照时间顺序进行拆分处理，以得到关联句的相关特征和当前句的相关特征，并将拆分处理后得到的关联句的相关特征输入至单向门控循环单元(Gate Recurrent Unit，GRU)层中进行预测处理，利用单向GRU层对关联句的相关特征进行单向特征建模处理，以得到与关联文本对应的上下文特征。
S308：对上下文特征和待处理句特征进行拼接处理，以得到第二拼接特征。
其中，第二拼接特征是指对上下文特征和待处理句特征进行拼接处理后的句子特征，第二拼接特征可以用于生成关联文本的关联文本特征。
本公开实施例中，在对上下文特征和待处理句特征进行拼接处理时，可以将上下文特征和待处理句特征进行拼接处理，并将拼接处理后特征作为第二拼接特征。
S309：根据第二拼接特征，生成关联文本的关联文本特征。
本公开实施例中，在对上下文特征和待处理句特征进行拼接处理，以得到第二拼接特征之后，可以将第二拼接特征输入至线性层中进行预测处理，以得到处理后的第二拼接特征，并将处理后的第二拼接特征作为关联文本的关联文本特征。
举例而言，如图5所示，图5是本公开实施例中的关联文本特征生成流程示意图，可以将关联文本输入至预训练的语言表征模型中，利用预训练的语言表征模型对关联文本进行分析处理，得到关联句特征，将关联句特征输入至线性层中进行映射处理，而后对线性层的映射处理结果按照时间顺序进行拆分处理，得到关联文本相关的特征和当前句子对应的特征，由于拆分处理后的关联文本相关的特征和当前句子对应的特征为按照时间顺序的拆分处理结果，将关联文本相关的特征输入至单向GRU层中进行单向特征建模处理以得到与关联文本对应的上下文特征，并将上下文特征与待处理句特征进行拼接处理以得到第二拼接特征，而后将第二拼接特征输入至线性层中进行预测处理以生成关联文本的关联文本特征。
本实施例中，通过确定待处理文本的待处理句特征，确定关联文本的关联句特征，根据关联句特征，预测与关联文本对应的上下文特征，对上下文特征和待处理句特征进行拼接处理，以得到第二拼接特征，并根据第二拼接特征，生成关联文本的关联文本特征，从而可以实现对关联文本的上下文特征进行预测，并生成关联文本的关联文本特征，关联文本特征可以辅助生成待处理文本的待处理频谱特征，实现获取较为丰富的待处理频谱特征进行语音生成，有效地丰富生成的待处理文本对应的语音片段中韵律变化。
S310：确定待处理文本的待处理词特征。
其中，待处理词特征是指待处理文本中字词级别的向量特征，可以用于对待处理文本中的字词语义特征。
本公开实施例中，在确定待处理文本的待处理词特征时，可以将待处理文本输入至预训练的语言表征模型中，利用预训练的语言表征模型对待处理文本进行处理，以得到预训练的语言表征模型输出的字词级别的向量特征，并将输出的字词级别的向量特征作为待处理词特征。
S311：根据关联韵律特征、关联文本特征，以及待处理词特征生成待处理文本的待处理频谱特征。
本公开实施在上述确定关联文本的关联韵律特征、关联文本特征以及待处理词特征之后，可以根据关联韵律特征、关联文本特征以及待处理词特征生成待处理文本的待处理频谱特征。
本公开实施例中，在根据关联韵律特征、关联文本特征以及待处理词特征生成待处理文本的待处理频谱特征时，可以根据关联韵律特征、关联文本特征以及待处理词特征对待处理频谱特征进行预测，并将预测处理得到的频谱特征作为待处理文本对应的待处理频谱特征。
本实施例中，通过确定待处理文本的待处理词特征，并根据关联韵律特征、关联文本特征，以及待处理词特征生成待处理文本的待处理频谱特征，从而可以实现对待处理文本进行细粒度的字词处理，以得到更为细致处理后的待处理文本的待处理频谱特征，从而辅助对根据待处理频谱特征生成的语音片段的韵律变化的精细化控制。
S312：根据待处理频谱特征，生成与待处理文本对应的目标语音。
S312的描述说明可以示例参见上述实施例，在此不再赘述。
本实施例中，通过确定关联文本的关联频谱特征和关联语音特征，根据关联频谱特征处理关联语音特征，以得到与关联文本的关联音素序列对应的韵律特征，并将对应的韵律特征作为关联韵律特征，从而可以根据关联频谱特征与关联语音特征提取关联文本对应的关联韵律特征，关联韵律特征可以用于辅助确定待处理文本的文本韵律特征，从而可以实现获取待处理文本中丰富的、准确的文本韵律特征，由于关联韵律特征是关联音素序列对应的韵律特征，可以实现对韵律特征的细粒度提取，有效提升韵律变化检测的准确性，辅助生成携带丰富韵律特征的目标语音，通过确定待处理文本的待处理句特征，确定关联文本的关联句特征，根据关联句特征，预测与关联文本对应的上下文特征，对上下文特征和待处理句特征进行拼接处理，以得到第二拼接特征，并根据第二拼接特征，生成关联文本的关联文本特征，从而可以实现对关联文本的上下文特征进行预测，并生成关联文本的关联文本特征，关联文本特征可以辅助生成待处理文本的待处理频谱特征，实现获取较为丰富的待处理频谱特征进行语音生成，有效地丰富生成的待处理文本对应的语音片段中韵律变化，通过确定待处理文本的待处理词特征，并根据关联韵律特征、关联文本特征，以及待处理词特征生成待处理文本的待处理频谱特征，从而可以实现对待处理文本进行细粒度的字词处理，以得到更为细致处理后的待处理文本的待处理频谱特征，从而辅助对根据待处理频谱特征生成的语音片段的韵律变化的精细化控制。
图6是根据本公开第三实施例的示意图。
如图6所示，该语音生成方法，包括：
S601：获取待处理文本，并确定待处理文本的关联文本。
S602：获取关联文本的关联韵律特征。
S603：根据待处理文本，确定关联文本的关联文本特征。
S604：确定待处理文本的待处理词特征。
S601-S604的描述说明可以示例参见上述实施例，在此不再赘述。
S605：根据待处理词特征，预测待处理文本的待处理语音特征。
其中，待处理语音特征是指待处理文本对应的语言学相关特征和语义学相关特征，可以用于对待处理文本的语法结构以及文本内容语义信息进行描述。
本公开实施例中，在根据待处理词特征预测待处理文本的待处理语音特征时，可以利用特征提取模型和卷积神经网络对待处理词特征进行预测处理，以得到待处理文本对应的语言学相关特征和语义学相关特征，并将该语言学相关特征和语义学相关特征作为待处理文本的待处理语音特征。
可选地，一些实施例中，在根据待处理词特征，预测待处理文本的待处理语音特征时，可以根据待处理词特征，预测待处理文本的待处理语言特征和待处理语义特征，将待处理语言特征和待处理语义特征共同作为待处理语音特征，从而可以获取待处理语言特征和待处理语义特征作为待处理语音特征，实现获取较为丰富的待处理文本对应的待处理语音特征，实现联合待处理文本的语言学特征和语义特征对待处理文本进行语音生成，有效改善生成的语音片段的语调一致性和自然度。
其中，待处理语音特征是指待处理文本对应的文本语言特征和文本语义特征，其中，待处理文本对应的文本语言特征用于指示待处理文本中对应的字以及词汇的发音方式，待处理文本对应的文本语言特征例如可以为待处理文本中的字词音调发音，其中，待处理文本对应的文本语义特征用于表征待处理文本对应的文本内容含义。
本公开实施例中，在根据待处理词特征，预测待处理文本的待处理语音特征时，可以分别对待处理文本对应的文本语言特征和文本语义特征进行提取。
本公开实施例中，在获取待处理文本对应的文本语言特征时，可以首先将待处理文本输入至字符嵌入处理模型中，将待处理文本处理为字符向量，而后将字符向量输入至卷积神经网络中，利用卷积层对字符向量进行处理，并将卷积层的输出结果输入至双向长短期记忆人工神经网络中进行预测处理，以得到待处理文本对应的文本语言特征。
本公开实施例中，在确定待处理文本对应的文本语义特征时，可以将待处理文本输入至预训练的语言表征模型中，利用预训练的语言表征模型对待处理文本进行处理，以得到待处理文本对应的字向量，而后将处理得到的待处理文本对应的字向量输入至序列特征提取模块中进行预测处理，以得到待处理文本对应的文本语义特征。
本公开实施例在上述获取待处理文本对应的文本语言特征和文本语义特征之后，可以将待处理文本对应的文本语言特征和文本语义特征作为待处理文本的待处理语音特征。
S606：根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征。
其中，待处理韵律特征是指待处理文本的音长、音高以及音强等语言学特征，待处理韵律特征可以用于描述待处理文本的语境氛围以及语音情绪表达氛围。
本公开实施例中，在根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征时，可以将待处理词特征输入两层线性层进行映射处理，将关联韵律特征输入至前处理神经网络中进行处理，并将线性层的输出和前处理神经网络的输出进行拼接处理，并利用长短期记忆人工神经网络对拼接后的输出结果进行预测处理，以预测得到待处理文本的待处理韵律特征。
可选地，一些实施例中，在根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征时，可以确定与待处理文本对应的待处理音素序列，根据待处理音素序列对待处理词特征进行对齐处理，以得到目标词特征，以及根据目标词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征，从而可以通过根据待处理音素序列对待处理词特征进行对齐处理，实现当文本长度较短时，待处理词特征和关联韵律特征可以进行拼接，拼接后的特征可以用于预测得到待处理文本的待处理韵律特征，从而实现对待处理文本在音素级别上的细粒度韵律控制，辅助提升生成的待处理文本对应的语音的韵律变化丰富度。
其中，待处理文本对应的待处理音素序列是指构成待处理文本的字词对应的所有音素组成的序列。
其中，目标词特征是指对齐处理后的待处理词特征，目标词特征可以是包含完整语音的字词特征，目标词特征可以用于对待处理文本的待处理韵律特征进行预测。
本公开实施例中，在根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征时，可以根据待处理词特征对待处理文本进行音素分解处理，可以将待处理词特征输入至两层线性层进行映射降维表示，以确定待处理文本对应的待处理音素序列，而后可以采用上采样网络对待处理词特征进行上采样处理，使得待处理词特征与音素序列对齐，并将对齐处理后的待处理词特征作为目标词特征。
本公开实施例在上述根据待处理音素序列对待处理词特征进行对齐处理，以得到目标词特征之后，可以根据目标词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征，可以将关联韵律特征输入至前处理神经网络中，得到前处理神经网络的输出结果与目标词特征进行拼接，并将拼接处理后的特征输入至长短期记忆人工神经网络中进行预测处理，以预测得到待处理文本的待处理韵律特征。
可选地，一些实施例中，在根据目标词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征时，可以对目标词特征和关联韵律特征进行拼接处理，以得到第一拼接特征，根据第一拼接特征，预测得到待处理文本的待处理韵律特征，从而可以根据第一拼接特征对待处理文本的待处理韵律特征进行预测，由于是联合关联韵律特征对待处理韵律特征进行预测，从而可以在对待处理文本的全局韵律特征进行获取的同时，获取较为细致和丰富的待处理文本中字词等细致韵律特征。
本公开实施例中，在根据目标词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征时，可以对目标词特征和关联韵律特征进行特征向量拼接处理，并将拼接处理后的特征作为第一拼接特征，而后可以将第一拼接处理特征输入至长短期记忆人工神经网络中进行处理，并将长短期记忆人工神经网络的输出结果输入至线性层中进行预测，以得到待处理文本的待处理韵律特征。
举例而言，如图7所示，图7是本公开实施例中的韵律特征预测流程示意图，在根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征时，可以将待处理词特征输入至两层线性层进行映射降维表示，而后将线性层的输出结果输入至上采样网络中进行对齐处理以得到目标词特征，而后将目标词特征与关联文本的关联韵律特征进行拼接处理，得到第一拼接特征，而后将第一拼接特征输入至长短期记忆人工神经网络中进行处理，将长短期记忆人工神经网络的输出结果输入至线性层进行预测，得到待处理文本的待处理韵律特征。
S607：对关联文本特征、待处理韵律特征，以及待处理语音特征进行融合处理，以得到待处理融合特征。
本公开实施例中，在上述确定关联文本特征、待处理韵律特征，以及待处理语音特征之后，可以对关联文本特征、待处理韵律特征，以及待处理语音特征进行特征向量拼接处理，并将拼接处理后的特征向量输入至注意力模型中进行权重计算和特征向量权重分配，以得到处理后的特征作为待处理融合特征。
S608：根据待处理融合特征，生成待处理频谱特征。
本公开实施例在上述对对关联文本特征、待处理韵律特征，以及待处理语音特征进行融合处理，以得到待处理融合特征之后，可以根据待处理融合特征，生成待处理频谱特征。
本公开实施例中，在根据待处理融合特征，生成待处理频谱特征时，可以将待处理融合特征输入至长短期记忆人工神经网络中进行处理，而后进入线性层进行预测处理，以得到初步预测的声音频谱特征，将声音频谱输入至后处理神经网络进行残差预测处理，将初步预测的声音频谱与经过后处理神经网络预测处理得到的残差相加，得到最终预测的声音频谱特征，并将最终预测的声音频谱作为待处理文本的待处理频谱特征。
本公开实施例中，通过根据待处理词特征，预测待处理文本的待处理语音特征，根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征，对关联文本特征、待处理韵律特征，以及待处理语音特征进行融合处理，以得到待处理融合特征，并根据待处理融合特征，生成待处理频谱特征，从而可以实现充分联合关联文本的关联韵律特征和关联文本特征以及待处理语音特征，对待处理文本的韵律特征进行调整，丰富了待处理文本的待处理频谱特征，有效提升生成的目标语音中韵律变化的丰富性，提升目标语音的语音表达效果。
举例而言，如图8所示，图8是本公开实施例中的频谱特征生成流程示意图，在确定关联文本特征、待处理韵律特征，以及确定待处理文本的文本语言特征和文本语义特征作为待处理语音特征之后，可以将关联文本特征、待处理韵律特征、待处理文本的文本语言特征以及待处理文本的文本语义特征进行融合处理，得到待处理融合特征，并将待处理融合特征输入至注意力模型中进行权重计算处理，并利用后处理神经网络进行残差计算，并将计算得到的残差与预测的声音频谱特征进行相加，以得到最终预测的声音频谱作为待处理文本对应的待处理频谱特征。
S609：根据待处理频谱特征，生成与待处理文本对应的目标语音。
S609的描述说明可以示例参见上述实施例，在此不再赘述。
本实施例中，通过根据待处理词特征，预测待处理文本的待处理语音特征，根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征，对关联文本特征、待处理韵律特征，以及待处理语音特征进行融合处理，以得到待处理融合特征，并根据待处理融合特征，生成待处理频谱特征，从而可以实现充分联合关联文本的关联韵律特征和关联文本特征以及待处理语音特征，对待处理文本的韵律特征进行调整，丰富了待处理文本的待处理频谱特征，有效提升生成的目标语音中韵律变化的丰富性，提升目标语音的语音表达效果，通过获取待处理文本，并确定待处理文本的关联文本，获取关联文本的关联韵律特征，根据待处理文本，确定关联文本的关联文本特征，根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征，以及根据待处理频谱特征，生成与待处理文本对应的目标语音。由此，可以实现充分联合关联文本的关联韵律特征对待处理文本的韵律特征进行调整，丰富了待处理文本的待处理频谱特征，有效提升生成的目标语音的表现力，提升目标语音在应用场景中的实用性和适用性。
图9是根据本公开第四实施例的示意图。
如图9所示，该语音生成装置90，包括：
第一获取模块901，用于获取待处理文本，并确定待处理文本的关联文本；
第二获取模块902，用于获取关联文本的关联韵律特征；
第一确定模块903，用于根据待处理文本，确定关联文本的关联文本特征；
第二确定模块904，用于根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征；以及
生成模块905，用于根据待处理频谱特征，生成与待处理文本对应的目标语音。
在本公开的一些实施例中，如图10所示，图10是根据本公开第五实施例的示意图，该语音生成装置100，包括：第一获取模块1001，第二获取模块1002，第一确定模块1003，第二确定模块1004，生成模块1005，其中，第二确定模块1004，包括：
第一确定子模块10041，用于确定待处理文本的待处理词特征；
第一生成子模块10042，用于根据关联韵律特征、关联文本特征，以及待处理词特征生成待处理文本的待处理频谱特征。
在本公开的一些实施例中，其中，第一生成子模块10042，具体用于：
根据待处理词特征，预测待处理文本的待处理语音特征；
根据待处理词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征；
对关联文本特征、待处理韵律特征，以及待处理语音特征进行融合处理，以得到待处理融合特征；以及
根据待处理融合特征，生成待处理频谱特征。
在本公开的一些实施例中，其中，第一生成子模块10042，还用于：
确定与待处理文本对应的待处理音素序列；
根据待处理音素序列对待处理词特征进行对齐处理，以得到目标词特征；以及
根据目标词特征和关联韵律特征，预测得到待处理文本的待处理韵律特征。
在本公开的一些实施例中，其中，第一生成子模块10042，还用于：
对目标词特征和关联韵律特征进行拼接处理，以得到第一拼接特征；
根据第一拼接特征，预测得到待处理文本的待处理韵律特征。
在本公开的一些实施例中，其中，第一确定模块1003，包括：
第二确定子模块10031，用于确定待处理文本的待处理句特征；
第三确定子模块10032，用于确定关联文本的关联句特征；
预测子模块10033，用于根据关联句特征，预测与关联文本对应的上下文特征；
处理子模块10034，用于对上下文特征和待处理句特征进行拼接处理，以得到第二拼接特征；以及
第二生成子模块10035，用于根据第二拼接特征，生成关联文本的关联文本特征。
在本公开的一些实施例中，其中，第二获取模块1002，具体用于：
确定关联文本的关联频谱特征和关联语音特征；
根据关联频谱特征处理关联语音特征，以得到与关联文本的关联音素序列对应的韵律特征；以及
将对应的韵律特征作为关联韵律特征。
在本公开的一些实施例中，其中，第一生成子模块10042，还用于：
根据待处理词特征，预测待处理文本的待处理语言特征和待处理语义特征；
将待处理语言特征和待处理语义特征共同作为待处理语音特征。
需要说明的是，前述对语音生成方法的解释说明也适用于本实施例的语音生成装置，在此不再赘述。
本实施例中，通过获取待处理文本，并确定待处理文本的关联文本，获取关联文本的关联韵律特征，根据待处理文本，确定关联文本的关联文本特征，根据关联韵律特征和关联文本特征，确定待处理文本的待处理频谱特征，以及根据待处理频谱特征，生成与待处理文本对应的目标语音，实现确定出待处理文本的关联文本，并充分联合关联文本的关联韵律特征对待处理文本的韵律特征进行调整，有效提升待处理频谱特征对待处理文本的频谱表征准确性，从而有效提升所合成目标语音的表征效果，提升目标语音在应用场景中的实用性和适用性。
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11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行关联所描述的各个方法和处理，例如语音生成方法。例如，在一些实施例中，语音生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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行关联描述的语音生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1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音生成方法。
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、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)、互联网及区块链网络。
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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)

1.一种语音生成方法，包括：
获取待处理文本，并确定所述待处理文本的关联文本；
获取所述关联文本的关联韵律特征；
根据所述待处理文本，确定所述关联文本的关联文本特征；
根据所述关联韵律特征和所述关联文本特征，确定所述待处理文本的待处理频谱特征；以及
根据所述待处理频谱特征，生成与所述待处理文本对应的目标语音。
2.根据权利要求1所述的方法，其中，所述根据所述关联韵律特征和所述关联文本特征，确定所述待处理文本的待处理频谱特征，包括：
确定所述待处理文本的待处理词特征；
根据所述关联韵律特征、所述关联文本特征，以及所述待处理词特征生成所述待处理文本的待处理频谱特征。
3.根据权利要求2所述的方法，其中，所述根据所述关联韵律特征、所述关联文本特征，以及所述待处理词特征生成所述待处理文本的待处理频谱特征，包括：
根据所述待处理词特征，预测所述待处理文本的待处理语音特征；
根据所述待处理词特征和所述关联韵律特征，预测得到所述待处理文本的待处理韵律特征；
对所述关联文本特征、所述待处理韵律特征，以及所述待处理语音特征进行融合处理，以得到待处理融合特征；以及
根据所述待处理融合特征，生成所述待处理频谱特征。
4.根据权利要求3所述的方法，其中，所述根据所述待处理词特征和所述关联韵律特征，预测得到所述待处理文本的待处理韵律特征，包括：
确定与所述待处理文本对应的待处理音素序列；
根据所述待处理音素序列对所述待处理词特征进行对齐处理，以得到目标词特征；以及
根据所述目标词特征和所述关联韵律特征，预测得到所述待处理文本的待处理韵律特征。
5.根据权利要求4所述的方法，其中，所述根据所述目标词特征和所述关联韵律特征，预测得到所述待处理文本的待处理韵律特征，包括：
对所述目标词特征和所述关联韵律特征进行拼接处理，以得到第一拼接特征；
根据所述第一拼接特征，预测得到所述待处理文本的待处理韵律特征。
6.根据权利要求1所述的方法，其中，所述根据所述待处理文本，确定所述关联文本的关联文本特征，包括：
确定所述待处理文本的待处理句特征；
确定所述关联文本的关联句特征；
根据所述关联句特征，预测与所述关联文本对应的上下文特征；
对所述上下文特征和所述待处理句特征进行拼接处理，以得到第二拼接特征；以及
根据所述第二拼接特征，生成所述关联文本的关联文本特征。
7.根据权利要求1所述的方法，其中，所述获取所述关联文本的关联韵律特征，包括：
确定所述关联文本的关联频谱特征和关联语音特征；
根据所述关联频谱特征处理所述关联语音特征，以得到与所述关联文本的关联音素序列对应的韵律特征；以及
将所述对应的韵律特征作为所述关联韵律特征。
8.根据权利要求3所述的方法，其中，所述根据所述待处理词特征，预测所述待处理文本的待处理语音特征，包括：
根据所述待处理词特征，预测所述待处理文本的待处理语言特征和待处理语义特征；
将所述待处理语言特征和待处理语义特征共同作为所述待处理语音特征。
9.一种语音生成装置，包括：
第一获取模块，用于获取待处理文本，并确定所述待处理文本的关联文本；
第二获取模块，用于获取所述关联文本的关联韵律特征；
第一确定模块，用于根据所述待处理文本，确定所述关联文本的关联文本特征；
第二确定模块，用于根据所述关联韵律特征和所述关联文本特征，确定所述待处理文本的待处理频谱特征；以及
生成模块，用于根据所述待处理频谱特征，生成与所述待处理文本对应的目标语音。
10.根据权利要求9所述的装置，其中，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的待处理词特征；
第一生成子模块，用于根据所述关联韵律特征、所述关联文本特征，以及所述待处理词特征生成所述待处理文本的待处理频谱特征。
11.根据权利要求10所述的装置，其中，所述第一生成子模块，具体用于：
根据所述待处理词特征，预测所述待处理文本的待处理语音特征；
根据所述待处理词特征和所述关联韵律特征，预测得到所述待处理文本的待处理韵律特征；
对所述关联文本特征、所述待处理韵律特征，以及所述待处理语音特征进行融合处理，以得到待处理融合特征；以及
根据所述待处理融合特征，生成所述待处理频谱特征。
12.根据权利要求11所述的装置，其中，所述第一生成子模块，还用于：
确定与所述待处理文本对应的待处理音素序列；
根据所述待处理音素序列对所述待处理词特征进行对齐处理，以得到目标词特征；以及
根据所述目标词特征和所述关联韵律特征，预测得到所述待处理文本的待处理韵律特征。
13.根据权利要求12所述的装置，其中，所述第一生成子模块，还用于：
对所述目标词特征和所述关联韵律特征进行拼接处理，以得到第一拼接特征；
根据所述第一拼接特征，预测得到所述待处理文本的待处理韵律特征。
14.根据权利要求9所述的装置，其中，所述第一确定模块，包括：
第二确定子模块，用于确定所述待处理文本的待处理句特征；
第三确定子模块，用于确定所述关联文本的关联句特征；
预测子模块，用于根据所述关联句特征，预测与所述关联文本对应的上下文特征；
处理子模块，用于对所述上下文特征和所述待处理句特征进行拼接处理，以得到第二拼接特征；以及
第二生成子模块，用于根据所述第二拼接特征，生成所述关联文本的关联文本特征。
15.根据权利要求9所述的装置，其中，所述第二获取模块，具体用于：
确定所述关联文本的关联频谱特征和关联语音特征；
根据所述关联频谱特征处理所述关联语音特征，以得到与所述关联文本的关联音素序列对应的韵律特征；以及
将所述对应的韵律特征作为所述关联韵律特征。
16.根据权利要求11所述的装置，其中，所述第一生成子模块，还用于：
根据所述待处理词特征，预测所述待处理文本的待处理语言特征和待处理语义特征；
将所述待处理语言特征和待处理语义特征共同作为所述待处理语音特征。
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1-8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1-8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1-8中任一项所述方法的步骤。
CN202111593297.3A 2021-12-23 2021-12-23 语音生成方法、装置、电子设备及存储介质 Active CN114373445B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111593297.3A CN114373445B (zh) 2021-12-23 2021-12-23 语音生成方法、装置、电子设备及存储介质
US18/086,004 US20230131494A1 (en) 2021-12-23 2022-12-21 Voice generating method and apparatus, electronic device and storage medium
EP22215866.9A EP4156174A3 (en) 2021-12-23 2022-12-22 Voice generating method and apparatus, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111593297.3A CN114373445B (zh) 2021-12-23 2021-12-23 语音生成方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114373445A true CN114373445A (zh) 2022-04-19
CN114373445B CN114373445B (zh) 2022-10-25

Family

ID=81141740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111593297.3A Active CN114373445B (zh) 2021-12-23 2021-12-23 语音生成方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20230131494A1 (zh)
EP (1) EP4156174A3 (zh)
CN (1) CN114373445B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074468A1 (en) * 2012-09-07 2014-03-13 Nuance Communications, Inc. System and Method for Automatic Prediction of Speech Suitability for Statistical Modeling
CN106297766A (zh) * 2015-06-04 2017-01-04 科大讯飞股份有限公司 语音合成方法及系统
JP2018141915A (ja) * 2017-02-28 2018-09-13 国立研究開発法人情報通信研究機構 音声合成システム、音声合成プログラムおよび音声合成方法
CN108962217A (zh) * 2018-07-28 2018-12-07 华为技术有限公司 语音合成方法及相关设备
CN112365880A (zh) * 2020-11-05 2021-02-12 北京百度网讯科技有限公司 语音合成方法、装置、电子设备及存储介质
CN112487804A (zh) * 2020-11-25 2021-03-12 合肥三恩信息科技有限公司 一种基于语义上下文场景的中文小说语音合成系统
CN112802444A (zh) * 2020-12-30 2021-05-14 科大讯飞股份有限公司 语音合成方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9865247B2 (en) * 2014-07-03 2018-01-09 Google Inc. Devices and methods for use of phase information in speech synthesis systems
EP4143820A1 (en) * 2020-06-03 2023-03-08 Google LLC Method and system for user-interface adaptation of text-to-speech synthesis

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074468A1 (en) * 2012-09-07 2014-03-13 Nuance Communications, Inc. System and Method for Automatic Prediction of Speech Suitability for Statistical Modeling
CN106297766A (zh) * 2015-06-04 2017-01-04 科大讯飞股份有限公司 语音合成方法及系统
JP2018141915A (ja) * 2017-02-28 2018-09-13 国立研究開発法人情報通信研究機構 音声合成システム、音声合成プログラムおよび音声合成方法
CN108962217A (zh) * 2018-07-28 2018-12-07 华为技术有限公司 语音合成方法及相关设备
CN112365880A (zh) * 2020-11-05 2021-02-12 北京百度网讯科技有限公司 语音合成方法、装置、电子设备及存储介质
CN112487804A (zh) * 2020-11-25 2021-03-12 合肥三恩信息科技有限公司 一种基于语义上下文场景的中文小说语音合成系统
CN112802444A (zh) * 2020-12-30 2021-05-14 科大讯飞股份有限公司 语音合成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP4156174A3 (en) 2023-06-14
CN114373445B (zh) 2022-10-25
US20230131494A1 (en) 2023-04-27
EP4156174A2 (en) 2023-03-29

Similar Documents

Publication Publication Date Title
JP7464621B2 (ja) 音声合成方法、デバイス、およびコンピュータ可読ストレージ媒体
CN107464559B (zh) 基于汉语韵律结构和重音的联合预测模型构建方法及系统
US11488577B2 (en) Training method and apparatus for a speech synthesis model, and storage medium
US11289083B2 (en) Electronic apparatus and method for controlling thereof
CN112309366B (zh) 语音合成方法、装置、存储介质及电子设备
CN111667816A (zh) 模型训练方法、语音合成方法、装置、设备和存储介质
CN113808571B (zh) 语音合成方法、装置、电子设备以及存储介质
CN112309367B (zh) 语音合成方法、装置、存储介质及电子设备
JP7314450B2 (ja) 音声合成方法、装置、機器、及びコンピュータ記憶媒体
CN115620699B (zh) 语音合成方法、语音合成系统、语音合成设备及存储介质
JP2024505076A (ja) 多様で自然なテキスト読み上げサンプルを生成する
CN112802446A (zh) 音频合成方法及装置、电子设备和计算机可读存储介质
CN114360557A (zh) 语音音色转换方法、模型训练方法、装置、设备和介质
CN116343747A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
López-Ludeña et al. LSESpeak: A spoken language generator for Deaf people
CN113744713A (zh) 一种语音合成方法及语音合成模型的训练方法
Hamad et al. Arabic text-to-speech synthesizer
CN114373445B (zh) 语音生成方法、装置、电子设备及存储介质
CN114974218A (zh) 语音转换模型训练方法及装置、语音转换方法及装置
JP7012935B1 (ja) プログラム、情報処理装置、方法
CN112086086B (zh) 语音合成方法、装置、设备及计算机可读存储介质
Anand et al. Email access by visually impaired
CN117316139A (zh) 训练语音合成模型及语音合成的方法和装置
KR20230026241A (ko) 음성 처리 방법, 장치, 기기 및 컴퓨터 기록 매체
CN114267330A (zh) 语音合成方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant