CN116343747A - 语音合成方法、语音合成装置、电子设备及存储介质 - Google Patents
语音合成方法、语音合成装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116343747A CN116343747A CN202310313160.0A CN202310313160A CN116343747A CN 116343747 A CN116343747 A CN 116343747A CN 202310313160 A CN202310313160 A CN 202310313160A CN 116343747 A CN116343747 A CN 116343747A
- Authority
- CN
- China
- Prior art keywords
- text
- vector
- voice
- network
- data
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 86
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 86
- 238000001308 synthesis method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 376
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims description 41
- 230000004913 activation Effects 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 15
- 238000000605 extraction Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000003058 natural language processing Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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
- G10L13/02—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
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/0017—Lossless audio signal coding; Perfect reconstruction of coded audio signal by transmission of coding error
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/008—Multichannel audio signal coding or decoding using interchannel correlation to reduce redundancy, e.g. joint-stereo, intensity-coding or matrixing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本申请提供了一种语音合成方法、语音合成装置、电子设备及存储介质，属于人工智能技术领域。方法包括：获取待处理的原始文本数据、参考说话对象的参考语音数据；将原始文本数据和参考语音数据输入至语音合成模型，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量；通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量；通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量、文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据。本申请提高了语音合成的准确性。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种语音合成方法、语音合成装置、电子设备及存储介质。
背景技术
语音合成是指从文本中合成出可理解的、自然的语音，又称文本转语音(Text-To-Speech,TTS)。常见的语音合成方法大多是基于固定标签的样本语音数据进行模型训练，再利用经过训练的语音合成模型来合成具有目标语音特点的语音数据，而这一方式往往较大程度地依赖样本语音数据中含有的语音特点，无法很好地满足用户的实际需求，会导致语音合成的准确性不高，因此，如何提高语音合成的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种语音合成方法、语音合成装置、电子设备及存储介质，旨在提高语音合成的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种语音合成方法，所述方法包括：
获取待处理的原始文本数据以及参考说话对象的参考语音数据；
将所述原始文本数据和所述参考语音数据输入至预设的语音合成模型中，所述语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；
通过所述文本编码网络对所述原始文本数据进行编码处理，得到原始文本嵌入向量；
通过所述语音编码网络对所述参考语音数据进行编码处理，得到参考语音嵌入向量，其中，所述参考语音嵌入向量用于表征所述参考说话对象的语音风格特点；
通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；
通过所述解码网络对所述目标文本嵌入向量进行解耦处理，得到合成语音数据。
在一些实施例，所述通过所述文本编码网络对所述原始文本数据进行编码处理，得到原始文本嵌入向量，包括：
通过所述文本编码网络和预设的参考词典对所述原始文本数据进行数据转换，得到原始音素数据；
通过所述文本编码网络对所述原始音素数据进行编码处理，得到所述原始文本嵌入向量。
在一些实施例，所述语音合成模型还包括风格编码网络，所述通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量之前，所述方法包括：
获取参考文本风格标签；
将所述参考文本风格标签输入至所述风格编码网络中，所述风格编码网络包括语言表征层和激活层；
通过所述语言表征层对所述参考文本风格标签进行筛选处理，得到目标文本风格标签；
通过所述激活层的对所述目标文本风格标签进行激活处理，得到所述文本风格嵌入向量。
在一些实施例，所述语音编码网络包括第一全连接层、残差块、注意力层以及池化层，所述通过所述语音编码网络对所述参考语音数据进行编码处理，得到参考语音嵌入向量，包括：
通过所述第一全连接层将所述参考语音数据映射到预设的向量空间，得到参考语音特征向量；
通过所述残差块对所述参考语音特征向量进行特征提取，得到目标语音特征向量；
通过所述注意力层对所述目标语音特征向量进行注意力计算，得到初始语音嵌入向量；
通过所述池化层对所述初始语音嵌入向量进行采样处理，得到所述参考语音嵌入向量和参考梅尔倒谱特征。
在一些实施例，所述语音对齐网络包括编码层和归一化层，所述通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量，包括：
通过所述编码层对所述原始文本嵌入向量进行编码处理，得到文本编码向量，并通过所述编码层对所述参考梅尔倒谱特征进行编码处理，得到频谱编码向量；
对所述原始文本嵌入向量、所述参考语音嵌入向量和所述文本风格嵌入向量进行向量连接，得到初步文本嵌入向量；
对所述文本编码向量和所述频谱编码向量进行距离计算，得到特征距离值；
基于所述归一化层的激活函数和所述特征距离值对所述初步文本嵌入向量进行归一化处理，得到中间文本嵌入向量；
基于预设算法对所述文本编码向量和所述频谱编码向量进行路径识别，得到目标路径数据，并根据所述目标路径数据对所述中间文本嵌入向量进行特征对齐，得到候选文本嵌入向量；
对所述候选文本嵌入向量进行微调处理，得到所述目标文本嵌入向量。
在一些实施例，所述语音合成模型包括时间预测网络，所述对所述候选文本嵌入向量进行微调处理，得到所述目标文本嵌入向量，包括：
获取持续时间参数，其中，所述持续时间参数来源于所述时间预测网络对所述参考语音嵌入向量和所述文本风格嵌入向量的时间预测处理；
根据所述持续时间参数对所述候选文本嵌入向量进行长度调整，得到所述目标文本嵌入向量。
在一些实施例，所述解码网络包括预测层、第二全连接层、LSTM层以及卷积层，所述通过所述解码网络对所述目标文本嵌入向量进行解耦处理，得到合成语音数据，包括：
通过所述预测层对所述目标文本嵌入向量进行预测处理，得到预测梅尔倒谱特征；
通过所述第二全连接层对所述预测梅尔倒谱特征进行激活处理，得到激活梅尔倒谱特征；
对所述激活梅尔倒谱特征、所述参考语音嵌入向量和所述文本风格嵌入向量进行拼接处理，得到目标拼接向量；
通过所述LSTM层对所述目标拼接向量进行线性投影，得到目标梅尔谱图帧；
通过所述卷积层对所述目标梅尔谱图帧进行合成处理，得到目标梅尔频谱；
对所述目标梅尔频谱进行声码转换，得到所述合成语音数据。
为实现上述目的，本申请实施例的第二方面提出了一种语音合成装置，所述装置包括：
数据获取模块，用于获取待处理的原始文本数据以及参考说话对象的参考语音数据；
输入模块，用于将所述原始文本数据和所述参考语音数据输入至预设的语音合成模型中，所述语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；
文本编码模块，用于通过所述文本编码网络对所述原始文本数据进行编码处理，得到原始文本嵌入向量；
语音编码模块，用于通过所述语音编码网络对所述参考语音数据进行编码处理，得到参考语音嵌入向量，其中，所述参考语音嵌入向量用于表征所述参考说话对象的语音风格特点；
向量对齐模块，用于通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；
解耦模块，用于通过所述解码网络对所述目标文本嵌入向量进行解耦处理，得到合成语音数据。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，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上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的语音合成方法、语音合成装置、电子设备及存储介质,其通过获取待处理的原始文本数据以及参考说话对象的参考语音数据；将原始文本数据和参考语音数据输入至预设的语音合成模型中，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量，能够有效地提高文本的规范性。通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量，能够加强对参考语音数据中重要特征信息的提取，提高参考语音嵌入向量的准确性。通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量，能够较为方便地将文本风格信息、参考对象的语音特点融入原始文本嵌入向量，使得目标文本嵌入向量符合当前的文本风格需求与参考对象的语音特点。最后，通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据，能够实现跨说话人风格的语音合成，使得原始文本数据对应的合成语音数据中含有参考对象的语音特点，提高了语音合成的准确性。
附图说明
图1是本申请实施例提供的语音合成方法的流程图；
图2是图1中的步骤S103的流程图；
图3是图1中的步骤S104的流程图；
图4是本申请实施例提供的语音合成方法的另一流程图；
图5是图1中的步骤S105的流程图；
图6是图5中的步骤S506的流程图；
图7是图1中的步骤S106的流程图；
图8是本申请实施例提供的语音合成装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：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；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
梅尔倒频谱系数(Mel-Frequency Cipstal Coefficients,MFCC)：是一组用来建立梅尔倒频谱的关键系数。由音乐信号当中的片段，可以得到一组足以代表此音乐信号的倒频谱，而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同，梅尔倒频谱最大的特色在于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的，也就是说，相较于一般所看到、线性的倒频谱表示方法，这样的频带会和人类非线性的听觉系统(Audio System)更为接近。例如：在音讯压缩的技术中，常常使用梅尔倒频谱来处理。
音素(Phone)：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。
激活函数(Activation Function)：就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。
编码(Encoder)：将输入序列转化成一个固定长度的向量。
解码(Decoder)：就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
语音合成是指从文本中合成出可理解的、自然的语音，又称文本转语音(Text-To-Speech,TTS)。常见的语音合成方法大多是基于固定标签的样本语音数据进行模型训练，再利用经过训练的语音合成模型来合成具有目标语音特点的语音数据，而这一方式往往较大程度地依赖样本语音数据中含有的语音特点，无法很好地满足用户的实际需求，会导致语音合成的准确性不高，因此，如何提高语音合成的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种语音合成方法、语音合成装置、电子设备及存储介质，旨在提高语音合成的准确性。
本申请实施例提供的语音合成方法、语音合成装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的语音合成方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的语音合成方法，涉及人工智能技术领域。本申请实施例提供的语音合成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现语音合成方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的语音合成方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，获取待处理的原始文本数据以及参考说话对象的参考语音数据；
步骤S102，将原始文本数据和参考语音数据输入至预设的语音合成模型中，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；
步骤S103，通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量；
步骤S104，通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量，其中，参考语音嵌入向量用于表征参考说话对象的语音风格特点；
步骤S105，通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；
步骤S106，通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据。
本申请实施例所示意的步骤S101至步骤S106，通过获取待处理的原始文本数据以及参考说话对象的参考语音数据；将原始文本数据和参考语音数据输入至预设的语音合成模型中，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量，能够有效地提高文本的规范性。通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量，能够加强对参考语音数据中重要特征信息的提取，提高参考语音嵌入向量的准确性。通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量，能够较为方便地将文本风格信息、参考对象的语音特点融入原始文本嵌入向量，使得目标文本嵌入向量符合当前的文本风格需求与参考对象的语音特点。最后，通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据，能够实现跨说话人风格的语音合成，使得原始文本数据对应的合成语音数据中含有参考对象的语音特点，提高了语音合成的准确性。
在一些实施例的步骤S101中，可以从公开数据集中获取原始文本数据，也可以从已有的文本数据库或者网络平台等获取待处理的原始文本数据，不做限制。例如，公开数据集可以是LJSpeech数据集等等。同时，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到参考说话对象的参考语音数据，其中，数据源可以是各种类型的网络平台、社交媒体也可以是某些特定的音频数据库等，参考语音数据可以是参考说话对象的音乐素材、演讲汇报、聊天对话等。通过上述方式能够较为方便地获取参考语音数据和原始文本数据，提高数据获取效率。
在一些实施例的步骤S102中，可以通过预设的脚本程序或者其他计算机程序将原始文本数据和参考语音数据输入至预设的语音合成模型中，其中，语音合成模型可以基于Tacotron2网络构建而成，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络，文本编码网络主要用于对输入的原始文本数据进行编码处理，提取原始文本数据的音素特征，得到原始文本嵌入向量。语音编码网络主要用于对参考语音数据进行编码处理，提取参考语音数据的频谱特征以及参考对象的语音特性，得到表征语音内容的梅尔倒谱特征以及表征参考对象的语音特点的参考语音嵌入特征。语音对齐网络主要用于基于参考语音嵌入特征对原始文本嵌入向量和梅尔倒谱特征进行对齐处理，使得生成的目标文本嵌入向量具备更好的连贯性。解码网络主要用于对目标文本嵌入向量进行解码处理，得到对应的目标梅尔频谱，并对该目标梅尔频谱进行声码转换，得到原始文本数据对应的合成语音数据。该语音合成模型能够较好地实现梅尔倒谱特征与原始文本数据之间的匹配对齐，并将预设的文本风格信息嵌入至合成语音数据中，使得合成语音数据能够包含所需要的情感特征和韵律特征，提高语音合成的准确性。
请参阅图2，在一些实施例中，步骤S103可以包括但不限于包括步骤S201至步骤S202：
步骤S201，通过文本编码网络和预设的参考词典对原始文本数据进行数据转换，得到原始音素数据；
步骤S202，通过文本编码网络对原始音素数据进行编码处理，得到原始文本嵌入向量。
在一些实施例的步骤S201中，预设的参考词典可以是CMUSphinx数据词典，参考词典包含多个单词。通过文本编码网络和参考词典能够构建出单词列表，单词列表的格式为每行一个单词或者文字，通过该单词列表能够对原始文本数据中的文本内容进行数据转换，将文本内容对应的单词或者文字转换为音素序列，从而形成原始文本数据对应的原始音素数据。
在一些实施例的步骤S202中，通过文本编码网络对原始音素数据进行编码处理，将原始音素数据这一文本形式的音素序列转换为向量形式，得到原始文本嵌入向量。
通过上述步骤S201至步骤S202对原始文本数据进行格式转换和数据转换，能够有效地提高文本的规范性，也能够较为方便地提取原始文本数据里的音素特征，将原始文本数据处理成向量形式的原始文本嵌入向量。
请参阅图3，在一些实施例中，语音编码网络包括第一全连接层、残差块、注意力层以及池化层，步骤S104可以包括但不限于包括步骤S301至步骤S304：
步骤S301，通过第一全连接层将参考语音数据映射到预设的向量空间，得到参考语音特征向量；
步骤S302，通过残差块对参考语音特征向量进行特征提取，得到目标语音特征向量；
步骤S303，通过注意力层对目标语音特征向量进行注意力计算，得到初始语音嵌入向量；
步骤S304，通过池化层对初始语音嵌入向量进行采样处理，得到参考语音嵌入向量和参考梅尔倒谱特征。
在一些实施例的步骤S301中，通过第一全连接层将参考语音数据映射到预设的向量空间，实现对参考语音数据从频谱空间到向量空间的转换，得到参考语音特征向量。
在一些实施例的步骤S302中，通过残差块对参考语音特征向量进行特征提取，尽可能全面地获取参考语音特征向量中的语音内容和语音特点，得到目标语音特征向量。同时，采取残差块进行特征提取，能够较好地解决在特征提取过程中的梯度消失的问题，提高特征提取的稳定性。
在一些实施例的步骤S303中，通过注意力层对目标语音特征向量进行注意力计算时，计算出目标语音特征向量的键矩阵、值矩阵以及查询矩阵，通过softmax函数对键矩阵、值矩阵以及查询矩阵进行加权计算，得到初始语音嵌入向量，其中，键矩阵可以表示为K1＝X1*W1，值矩阵可以表示为V1＝X1*W2，查询矩阵可以表示为Q1＝X1*W3，其中，X1为目标语音特征向量，W1、W2、W3为可训练参数。初始语音嵌入向量Z1可以表示如公式(1)所示，其中，d1是目标语音特征向量的特征维度，T表示对键矩阵K1进行转置运算：
通过上述注意力计算的过程可以加强对目标语音特征向量中重要特征信息的映射，而减少对第一中间语音特征中次要特征信息的映射。
在一些实施例的步骤S304中，通过池化层对初始语音嵌入向量进行下采样处理，该下采样过程可以是最大池化处理也可以是平均池化处理，通过这一方式能够较好地剔除初始语音嵌入向量的冗杂信息，获取更为准确的语音内容和参考对象的语音特点，得到表征参考说话对象的语音风格特点的参考语音嵌入向量和表征语音内容的参考梅尔倒谱特征，其中，语音风格特征包括音高、音色、发声频率等等。
通过上述步骤S301至步骤S304能够加强对参考语音数据中重要特征信息的提取，得到用于语音合成的参考梅尔倒谱特征和参考语音嵌入向量，使得后续生成的合成语音数据能够包含较多的参考说话对象的语音风格特点，提高语音合成的准确性。
请参阅图4，在一些实施例的步骤S105之前，语音合成模型还包括风格编码网络，该语音合成方法可以包括但不限于包括步骤S401至步骤S404：
步骤S401，获取参考文本风格标签；
步骤S402，将参考文本风格标签输入至风格编码网络中，风格编码网络包括语言表征层和激活层；
步骤S403，通过语言表征层对参考文本风格标签进行筛选处理，得到目标文本风格标签；
步骤S404，通过激活层的对目标文本风格标签进行激活处理，得到文本风格嵌入向量。
在一些实施例的步骤S401中，可以从预设的标签库或者其他数据平台获取参考文本风格标签，其中，参考文本风格标签是指是说话风格的简短描述，包括有关情绪、意图、语气和速度等信息。
在一些实施例的步骤S402中，可以通过预设的脚本程序或者其他计算机程序将参考文本风格标签输入到风格编码网络中，其中，风格编码网络包括语言表征层和激活层，语言表征层主要用于根据当前的语音合成需求对参考文本风格标签进行筛选处理，激活层主要用于将经过筛选处理得到的目标文本风格标签映射到预设的向量空间，得到文本风格嵌入向量。
在一些实施例的步骤S403中，在通过语言表征层对参考文本风格标签进行筛选处理时，语言表征层可以基于参考语音嵌入向量对参考文本风格标签进行筛选，通过余弦相似度算法等计算参考语音嵌入向量与每一参考文本风格标签之间的相似度，选取相似度最高的参考文本风格标签作为目标文本风格标签。
在一些实施例的步骤S404中，通过激活层的激活函数对目标文本风格标签进行激活处理，将目标文本风格标签映射到预设的向量空间，得到文本风格嵌入向量。其中，激活函数可以是Rule函数等等，不做限制。
通过上述步骤S401至步骤S404能够从多个参考文本风格标签中筛选出符合当前语音合成需求的标签，即目标文本风格标签，并将目标文本风格标签转化为能够有助于语音合成的文本风格嵌入向量，使得在后续的语音合成中能将文本风格信息嵌入至合成的语音数据，提高语音合成的准确性。
请参阅图5，在一些实施例中，语音对齐网络包括编码层和归一化层，步骤S105可以包括但不限于包括步骤S501至步骤S506：
步骤S501，通过编码层对原始文本嵌入向量进行编码处理，得到文本编码向量，并通过编码层对参考梅尔倒谱特征进行编码处理，得到频谱编码向量；
步骤S502，对原始文本嵌入向量、参考语音嵌入向量和文本风格嵌入向量进行向量连接，得到初步文本嵌入向量；
步骤S503，对文本编码向量和频谱编码向量进行距离计算，得到特征距离值；
步骤S504，基于归一化层的激活函数和特征距离值对初步文本嵌入向量进行归一化处理，得到中间文本嵌入向量；
步骤S505，基于预设算法对文本编码向量和频谱编码向量进行路径识别，得到目标路径数据，并根据目标路径数据对中间文本嵌入向量进行特征对齐，得到候选文本嵌入向量；
步骤S506，对候选文本嵌入向量进行微调处理，得到目标文本嵌入向量。
在一些实施例的步骤S501中，通过编码层对原始文本嵌入向量进行编码处理，对原始文本嵌入向量的特征维度进行调整，得到文本编码向量，并通过编码层对参考梅尔倒谱特征进行编码处理，对参考梅尔倒谱特征的特征维度进行调整，得到频谱编码向量，通过这一方式使得频谱编码向量和文本编码向量处于相同的特征维度。
在一些实施例的步骤S502中，对原始文本嵌入向量、参考语音嵌入向量和文本风格嵌入向量进行向量连接，得到有一个向量长度更长的向量，即初步文本嵌入向量。
在一些实施例的步骤S503中，采用欧式距离或者曼哈顿距离的计算方式对文本编码向量和频谱编码向量进行距离计算，将计算得到的欧式距离或者曼哈顿距离作为特征距离值。
在一些实施例的步骤S504中，激活函数包括softmax函数等等，通过归一化层的激活函数将初始文本嵌入向量固定至预设的向量区域，并在该向量区域中根据特征距离值对初始文本嵌入向量进行特征对齐。具体地，对文本编码向量中每一音素特征与频谱编码向量的特征距离值进行求平均，得到距离均值，在该向量区域将初始文本嵌入向量的每一音素特征与频谱编码向量之间的特征距离调整至距离均值，得到中间文本嵌入向量。
在一些实施例的步骤S505中，预设算法包括Dijkstra算法、Bellman-Ford算法、Floyd算法和SPFA算法等最短路径算法，通过最短路径算法对文本编码向量和频谱编码向量进行路径识别，获取文本编码向量和频谱编码向量之间的最短路径，得到目标路径数据，根据最短路径对中间文本嵌入向量进行特征对齐，使得中间文本嵌入向量和频谱编码向量之间的路径与该最短路径一致，得到候选文本嵌入向量。
在一些实施例的步骤S506中，由于不同的参考对象的说话风格会影响因素的持续时间，因此需要根据不同的参考对象的语音特点对候选文本嵌入向量进行调整。首先需要基于语音合成模型的时间预测网络对参考语音嵌入向量和文本风格嵌入向量进行时间预测处理，得到持续时间参数，该持续时间参数可以表征每个音素的帧数。这一预测过程可以包括对参考语音嵌入向量和文本风格嵌入向量的卷积处理、归一化处理等操作。进而，根据持续时间参数对候选文本嵌入向量进行长度调整，得到目标文本嵌入向量，使得目标文本嵌入向量的长度与参考语音嵌入向量的长度基本一致。
通过上述步骤S501至步骤S506能够较为方便地将文本风格信息、参考对象的语音特点融入原始文本嵌入向量，使得目标文本嵌入向量符合当前的文本风格需求与参考对象的语音特点。
请参阅图6，在一些实施例，语音合成模型包括时间预测网络，步骤S506包括但不限于包括步骤S601至步骤S602：
步骤S601，获取持续时间参数，其中，持续时间参数来源于时间预测网络对参考语音嵌入向量和文本风格嵌入向量的时间预测处理；
步骤S602，根据持续时间参数对候选文本嵌入向量进行长度调整，得到目标文本嵌入向量。
在一些实施例的步骤S601中，首先基于语音合成模型的时间预测网络对参考语音嵌入向量和文本风格嵌入向量进行时间预测处理，该过程包括对参考语音嵌入向量和文本风格嵌入向量的卷积处理、归一化处理等操作。
在一些实施例的步骤S602中，根据持续时间参数对候选文本嵌入向量进行长度调整，得到目标文本嵌入向量，使得目标文本嵌入向量的长度与参考语音嵌入向量的长度基本一致。
通过上述步骤S601至步骤S602能够使得目标文本嵌入向量中的音素的持续时间符合参考对象的语音特点，提高语音合成的准确性。
请参阅图7，在一些实施例中，解码网络包括预测层、第二全连接层、LSTM层以及卷积层，步骤S106可以包括但不限于包括步骤S701至步骤S706：
步骤S701，通过预测层对目标文本嵌入向量进行预测处理，得到预测梅尔倒谱特征；
步骤S702，通过第二全连接层对预测梅尔倒谱特征进行激活处理，得到激活梅尔倒谱特征；
步骤S703，对激活梅尔倒谱特征、参考语音嵌入向量和文本风格嵌入向量进行拼接处理，得到目标拼接向量；
步骤S704，通过LSTM层对目标拼接向量进行线性投影，得到目标梅尔谱图帧；
步骤S705，通过卷积层对目标梅尔谱图帧进行合成处理，得到目标梅尔频谱；
步骤S706，对目标梅尔频谱进行声码转换，得到合成语音数据。
在一些实施例的步骤S701中，通过预测层对目标文本嵌入向量进行解码处理，捕捉目标文本嵌入向量中的音素特征信息，输出预测梅尔倒谱特征。
在一些实施例的步骤S702中，通过第二全连接层对预测梅尔倒谱特征进行激活处理时，可以将预测梅尔倒谱特征移动至预设的激活空间，再通过Relu函数对处于激活区域的预测梅尔倒谱特征进行激活处理，得到激活梅尔倒谱特征。
在一些实施例的步骤S703中，可以先将激活梅尔倒谱特征、参考语音嵌入向量和文本风格嵌入向量处理至相同的向量维度，再对处于同一向量维度的激活梅尔倒谱特征、参考语音嵌入向量和文本风格嵌入向量处理进行向量相加或者向量拼接，得到目标拼接向量。
在一些实施例的步骤S704中，通过LSTM层对目标拼接向量进行线性投影，将目标拼接向量投影至预设的频域空间，从而预测出合成语音数据对应的目标梅尔倒谱图帧。
在一些实施例的步骤S705中，通过卷积层对目标梅尔谱图帧进行合成处理，将每一目标梅尔谱图帧进行依次拼接，得到目标梅尔频谱。其中，拼接顺序可以是根据原始文本数据的上下文顺序确定，还可以是其他方式确定，不做限制。
在一些实施例的步骤S706中，可以通过声码器对目标梅尔频谱进行声码转换，将频谱形式的目标梅尔频谱转换为波形形式的音频数据，得到合成语音数据。
通过上述步骤S701至步骤S706的解码处理以及线性投影能够方便地生成合成语音数据，实现跨说话人风格的语音合成，使得原始文本数据对应的合成语音数据中含有参考对象的语音特点，提高了语音合成的准确性。
本申请实施例的语音合成方法，其通过获取待处理的原始文本数据以及参考说话对象的参考语音数据；将原始文本数据和参考语音数据输入至预设的语音合成模型中，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量，能够有效地提高文本的规范性。通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量，能够加强对参考语音数据中重要特征信息的提取，提高参考语音嵌入向量的准确性。通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量，能够较为方便地将文本风格信息、参考对象的语音特点融入原始文本嵌入向量，使得目标文本嵌入向量符合当前的文本风格需求与参考对象的语音特点。最后，通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据，能够实现跨说话人风格的语音合成，使得原始文本数据对应的合成语音数据中含有参考对象的语音特点，提高了语音合成的准确性。
请参阅图8，本申请实施例还提供一种语音合成装置，可以实现上述语音合成方法，该装置包括：
数据获取模块801，用于获取待处理的原始文本数据以及参考说话对象的参考语音数据；
输入模块802，用于将原始文本数据和参考语音数据输入至预设的语音合成模型中，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；
文本编码模块803，用于通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量；
语音编码模块804，用于通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量，其中，参考语音嵌入向量用于表征参考说话对象的语音风格特点；
向量对齐模块805，用于通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；
解耦模块806，用于通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据。
在一些实施例中，文本编码模块803包括：
数据转换单元，用于通过文本编码网络和预设的参考词典对原始文本数据进行数据转换，得到原始音素数据；
编码单元，用于通过文本编码网络对原始音素数据进行编码处理，得到原始文本嵌入向量。
在一些实施例中，语音编码网络包括第一全连接层、残差块、注意力层以及池化层，语音编码模块804包括：
映射单元，用于通过第一全连接层将参考语音数据映射到预设的向量空间，得到参考语音特征向量；
特征提取单元，用于通过残差块对参考语音特征向量进行特征提取，得到目标语音特征向量；
注意力计算单元，用于通过注意力层对目标语音特征向量进行注意力计算，得到初始语音嵌入向量；
采样单元，用于通过池化层对初始语音嵌入向量进行采样处理，得到参考语音嵌入向量和参考梅尔倒谱特征。
在一些实施例中，语音合成模型还包括风格编码网络，语音合成方法还包括向量获取模块，具体包括：
标签获取单元，用于获取参考文本风格标签；
标签输入单元，用于将参考文本风格标签输入至风格编码网络中，风格编码网络包括语言表征层和激活层；
筛选单元，用于通过语言表征层对参考文本风格标签进行筛选处理，得到目标文本风格标签；
激活单元，用于通过激活层的对目标文本风格标签进行激活处理，得到文本风格嵌入向量。
在一些实施例中，语音对齐网络包括编码层和归一化层，向量对齐模块805包括：
特征编码单元，用于通过编码层对原始文本嵌入向量进行编码处理，得到文本编码向量，并通过编码层对参考梅尔倒谱特征进行编码处理，得到频谱编码向量；
向量连接单元，用于对原始文本嵌入向量、参考语音嵌入向量和文本风格嵌入向量进行向量连接，得到初步文本嵌入向量；
距离计算单元，用于对文本编码向量和频谱编码向量进行距离计算，得到特征距离值；
向量归一化单元，用于基于归一化层的激活函数和特征距离值对初步文本嵌入向量进行归一化处理，得到中间文本嵌入向量；
特征对齐单元，用于基于预设算法对文本编码向量和频谱编码向量进行路径识别，得到目标路径数据，并根据目标路径数据对中间文本嵌入向量进行特征对齐，得到候选文本嵌入向量；
微调单元，用于对候选文本嵌入向量进行微调处理，得到目标文本嵌入向量。
在一些实施例中，语音合成模型包括时间预测网络，微调单元包括：
参数获取子单元，用于获取持续时间参数，其中，持续时间参数来源于时间预测网络对参考语音嵌入向量和文本风格嵌入向量的时间预测处理；
调整子单元，用于根据持续时间参数对候选文本嵌入向量进行长度调整，得到目标文本嵌入向量。
在一些实施例中，解码网络包括预测层、第二全连接层、LSTM层以及卷积层，解耦模块806包括：
预测单元，用于通过预测层对目标文本嵌入向量进行预测处理，得到预测梅尔倒谱特征；
特征激活单元，用于通过第二全连接层对预测梅尔倒谱特征进行激活处理，得到激活梅尔倒谱特征；
拼接单元，用于对激活梅尔倒谱特征、参考语音嵌入向量和文本风格嵌入向量进行拼接处理，得到目标拼接向量；
投影单元，用于通过LSTM层对目标拼接向量进行线性投影，得到目标梅尔谱图帧；
合成单元，用于通过卷积层对目标梅尔谱图帧进行合成处理，得到目标梅尔频谱；
转换单元，用于对目标梅尔频谱进行声码转换，得到合成语音数据。
该语音合成装置的具体实施方式与上述语音合成方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述语音合成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的语音合成方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述语音合成方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的语音合成方法、语音合成装置、电子设备及计算机可读存储介质，其通过获取待处理的原始文本数据以及参考说话对象的参考语音数据；将原始文本数据和参考语音数据输入至预设的语音合成模型中，语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；通过文本编码网络对原始文本数据进行编码处理，得到原始文本嵌入向量，能够有效地提高文本的规范性。通过语音编码网络对参考语音数据进行编码处理，得到参考语音嵌入向量，能够加强对参考语音数据中重要特征信息的提取，提高参考语音嵌入向量的准确性。通过语音对齐网络对原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量，能够较为方便地将文本风格信息、参考对象的语音特点融入原始文本嵌入向量，使得目标文本嵌入向量符合当前的文本风格需求与参考对象的语音特点。最后，通过解码网络对目标文本嵌入向量进行解耦处理，得到合成语音数据，能够实现跨说话人风格的语音合成，使得原始文本数据对应的合成语音数据中含有参考对象的语音特点，提高了语音合成的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
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，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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，本申请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全部或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，包括多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)执行本申请各个实施例的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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (10)
1.一种语音合成方法，其特征在于，所述方法包括：
获取待处理的原始文本数据以及参考说话对象的参考语音数据；
将所述原始文本数据和所述参考语音数据输入至预设的语音合成模型中，所述语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；
通过所述文本编码网络对所述原始文本数据进行编码处理，得到原始文本嵌入向量；
通过所述语音编码网络对所述参考语音数据进行编码处理，得到参考语音嵌入向量，其中，所述参考语音嵌入向量用于表征所述参考说话对象的语音风格特点；
通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；
通过所述解码网络对所述目标文本嵌入向量进行解耦处理，得到合成语音数据。
2.根据权利要求1所述的方法，其特征在于，所述通过所述文本编码网络对所述原始文本数据进行编码处理，得到原始文本嵌入向量，包括：
通过所述文本编码网络和预设的参考词典对所述原始文本数据进行数据转换，得到原始音素数据；
通过所述文本编码网络对所述原始音素数据进行编码处理，得到所述原始文本嵌入向量。
3.根据权利要求1所述的方法，其特征在于，所述语音合成模型还包括风格编码网络，所述通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量之前，所述方法包括：
获取参考文本风格标签；
将所述参考文本风格标签输入至所述风格编码网络中，所述风格编码网络包括语言表征层和激活层；
通过所述语言表征层对所述参考文本风格标签进行筛选处理，得到目标文本风格标签；
通过所述激活层的对所述目标文本风格标签进行激活处理，得到所述文本风格嵌入向量。
4.根据权利要求1所述的方法，其特征在于，所述语音编码网络包括第一全连接层、残差块、注意力层以及池化层，所述通过所述语音编码网络对所述参考语音数据进行编码处理，得到参考语音嵌入向量，包括：
通过所述第一全连接层将所述参考语音数据映射到预设的向量空间，得到参考语音特征向量；
通过所述残差块对所述参考语音特征向量进行特征提取，得到目标语音特征向量；
通过所述注意力层对所述目标语音特征向量进行注意力计算，得到初始语音嵌入向量；
通过所述池化层对所述初始语音嵌入向量进行采样处理，得到所述参考语音嵌入向量和参考梅尔倒谱特征。
5.根据权利要求4所述的方法，其特征在于，所述语音对齐网络包括编码层和归一化层，所述通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量，包括：
通过所述编码层对所述原始文本嵌入向量进行编码处理，得到文本编码向量，并通过所述编码层对所述参考梅尔倒谱特征进行编码处理，得到频谱编码向量；
对所述原始文本嵌入向量、所述参考语音嵌入向量和所述文本风格嵌入向量进行向量连接，得到初步文本嵌入向量；
对所述文本编码向量和所述频谱编码向量进行距离计算，得到特征距离值；
基于所述归一化层的激活函数和所述特征距离值对所述初步文本嵌入向量进行归一化处理，得到中间文本嵌入向量；
基于预设算法对所述文本编码向量和所述频谱编码向量进行路径识别，得到目标路径数据，并根据所述目标路径数据对所述中间文本嵌入向量进行特征对齐，得到候选文本嵌入向量；
对所述候选文本嵌入向量进行微调处理，得到所述目标文本嵌入向量。
6.根据权利要求5所述的方法，其特征在于，所述语音合成模型包括时间预测网络，所述对所述候选文本嵌入向量进行微调处理，得到所述目标文本嵌入向量，包括：
获取持续时间参数，其中，所述持续时间参数来源于所述时间预测网络对所述参考语音嵌入向量和所述文本风格嵌入向量的时间预测处理；
根据所述持续时间参数对所述候选文本嵌入向量进行长度调整，得到所述目标文本嵌入向量。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述解码网络包括预测层、第二全连接层、LSTM层以及卷积层，所述通过所述解码网络对所述目标文本嵌入向量进行解耦处理，得到合成语音数据，包括：
通过所述预测层对所述目标文本嵌入向量进行预测处理，得到预测梅尔倒谱特征；
通过所述第二全连接层对所述预测梅尔倒谱特征进行激活处理，得到激活梅尔倒谱特征；
对所述激活梅尔倒谱特征、所述参考语音嵌入向量和所述文本风格嵌入向量进行拼接处理，得到目标拼接向量；
通过所述LSTM层对所述目标拼接向量进行线性投影，得到目标梅尔谱图帧；
通过所述卷积层对所述目标梅尔谱图帧进行合成处理，得到目标梅尔频谱；
对所述目标梅尔频谱进行声码转换，得到所述合成语音数据。
8.一种语音合成装置，其特征在于，所述装置包括：
数据获取模块，用于获取待处理的原始文本数据以及参考说话对象的参考语音数据；
输入模块，用于将所述原始文本数据和所述参考语音数据输入至预设的语音合成模型中，所述语音合成模型包括文本编码网络、语音编码网络、语音对齐网络以及解码网络；
文本编码模块，用于通过所述文本编码网络对所述原始文本数据进行编码处理，得到原始文本嵌入向量；
语音编码模块，用于通过所述语音编码网络对所述参考语音数据进行编码处理，得到参考语音嵌入向量，其中，所述参考语音嵌入向量用于表征所述参考说话对象的语音风格特点；
向量对齐模块，用于通过所述语音对齐网络对所述原始文本嵌入向量、参考语音嵌入向量以及预先获取的文本风格嵌入向量进行对齐处理，得到目标文本嵌入向量；
解耦模块，用于通过所述解码网络对所述目标文本嵌入向量进行解耦处理，得到合成语音数据。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，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7任一项所述的语音合成方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的语音合成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310313160.0A CN116343747A (zh) | 2023-03-15 | 2023-03-15 | 语音合成方法、语音合成装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310313160.0A CN116343747A (zh) | 2023-03-15 | 2023-03-15 | 语音合成方法、语音合成装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116343747A true CN116343747A (zh) | 2023-06-27 |
Family
ID=86875862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310313160.0A Pending CN116343747A (zh) | 2023-03-15 | 2023-03-15 | 语音合成方法、语音合成装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116343747A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131347A (zh) * | 2023-10-25 | 2023-11-28 | 上海为旌科技有限公司 | 司机动力画像的生成方法、装置、电子设备和存储介质 |
| 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 |
-
2023
- 2023-03-15 CN CN202310313160.0A patent/CN116343747A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131347A (zh) * | 2023-10-25 | 2023-11-28 | 上海为旌科技有限公司 | 司机动力画像的生成方法、装置、电子设备和存储介质 |
| CN117131347B (zh) * | 2023-10-25 | 2024-01-19 | 上海为旌科技有限公司 | 司机动力画像的生成方法、装置、电子设备和存储介质 |
| 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 |
|---|---|---|
| CN110797016B (zh) | 一种语音识别方法、装置、电子设备及存储介质 | |
| CN116343747A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
| CN116312463A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
| CN116386594A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
| CN116611459B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
| CN116543768A (zh) | 模型的训练方法、语音识别方法和装置、设备及存储介质 | |
| CN114255740A (zh) | 语音识别方法、装置、计算机设备和存储介质 | |
| CN116682411A (zh) | 语音合成方法、语音合成系统、电子设备及存储介质 | |
| CN113823259A (zh) | 将文本数据转换为音素序列的方法及设备 | |
| CN116665639A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
| CN116665642A (zh) | 语音合成方法、语音合成系统、电子设备及存储介质 | |
| CN116541551A (zh) | 音乐分类方法、音乐分类装置、电子设备及存储介质 | |
| CN116645961A (zh) | 语音识别方法、语音识别装置、电子设备及存储介质 | |
| CN116469370A (zh) | 目标语言语音合成方法和装置、电子设备、存储介质 | |
| CN116543797A (zh) | 基于语音的情感识别方法和装置、电子设备及存储介质 | |
| CN116631434A (zh) | 基于转换系统的视频语音同步方法、装置、电子设备 | |
| CN116580691A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
| CN114611529B (zh) | 意图识别方法和装置、电子设备及存储介质 | |
| CN115273805A (zh) | 基于韵律的语音合成方法和装置、设备、介质 | |
| CN115641860A (zh) | 模型的训练方法、语音转换方法和装置、设备及存储介质 | |
| CN115995225A (zh) | 模型训练方法和装置、语音合成方法、设备及存储介质 | |
| CN115424604A (zh) | 一种基于对抗生成网络的语音合成模型的训练方法 | |
| CN113948061A (zh) | 语音合成方法、系统、语音合成模型及其训练方法 | |
| Carson-Berndsen | Multilingual time maps: portable phonotactic models for speech technology | |
| CN116469372A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 |
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 |