CN116564274A - 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 PDF

Info

Publication number
CN116564274A
CN116564274A CN202310727623.8A CN202310727623A CN116564274A CN 116564274 A CN116564274 A CN 116564274A CN 202310727623 A CN202310727623 A CN 202310727623A CN 116564274 A CN116564274 A CN 116564274A
Authority
CN
China
Prior art keywords
vector
emotion
target
coding
text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310727623.8A
Other languages
English (en)
Inventor
郭洋
王健宗
程宁
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310727623.8A priority Critical patent/CN116564274A/zh
Publication of CN116564274A publication Critical patent/CN116564274A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Signal Processing (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，属于金融科技技术领域。方法包括：将目标文本、参考音频以及目标音素数据输入至语音合成模型，基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量；基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量；基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量；基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，得到合成语音数据。本申请能够提高合成语音的语音质量。

Description

语音合成方法、语音合成装置、电子设备及存储介质
技术领域
本申请涉及金融科技技术领域，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
随着人工智能技术的飞速发展，智能语音交互在被广泛应用于金融、物流、客服等领域，通过智能营销、智能催收、内容导航等功能提高了企业客服的服务水平。
目前，在智能客服、购物引导等金融服务场景中常常会采用对话机器人来为各个对象提供相应的服务支持。而这些对话机器人所采用的对话语音常常是基于语音合成的方式生成的。
相关技术在语音合成过程中，常常需要对对话情感进行控制，以提高合成语音的语音质量。相关技术中，大多数语音合成方法得到的合成语音往往只含有固定的一类情感信息，会导致生成的合成语音含有的情感信息较为单一，使得合成语音的语音质量较差。
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，旨在提高合成语音的语音质量。
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：
获取目标文本，并基于所述目标文本生成目标音素数据；
将所述目标文本、预设的参考音频以及所述目标音素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混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络；
基于所述混合情感控制网络对所述参考音频进行情感特征提取，得到目标情感编码向量；
基于所述音素编码网络对所述目标音素数据进行音素编码，得到目标音素编码向量；
基于所述文本编码网络对所述目标文本进行文本编码，得到目标文本编码向量；
基于所述语义编码网络对所述目标情感编码向量、所述目标音素编码向量、所述目标文本编码向量进行语义编码，得到目标语义编码向量；
基于所述语音合成网络对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行语音合成，得到合成语音数据。
在一些实施例，所述混合情感控制网络包括情感嵌入器和情感差异模块，所述基于所述混合情感控制网络对所述参考音频进行情感特征提取，包括：
基于所述情感嵌入器对所述参考音频进行嵌入处理，得到目标情感嵌入向量；
基于所述情感差异模块对所述参考音频进行情感识别，得到初步情感属性向量；
将所述初步情感属性向量映射到预设的向量空间，得到目标情感属性向量；
对所述目标情感嵌入向量和所述目标情感属性向量进行向量相加，得到所述目标情感编码向量。
在一些实施例，所述情感嵌入器包括卷积层、GRU层以及线性层，所述基于所述情感嵌入器对所述参考音频进行嵌入处理，得到目标情感嵌入向量，包括：
基于所述卷积层对所述参考音频进行音频特征提取，得到初步音频特征；
基于所述GRU层对所述初步音频特征进行情感嵌入，得到初步情感嵌入向量；
基于所述线性层对所述初步情感嵌入向量进行线性变换，得到所述目标情感嵌入向量。
在一些实施例，所述语义编码网络包括时间预测层和注意力层，所述基于所述语义编码网络对所述目标情感编码向量、所述目标音素编码向量、所述目标文本编码向量进行语义编码，得到目标语义编码向量，包括：
对所述目标音素编码向量进行特征提取，得到第一音素隐向量；
基于所述目标文本编码向量对所述第一音素隐向量进行池化处理，得到第二音素隐向量；
基于所述时间预测层对所述目标文本编码向量进行扩帧处理，得到目标词嵌入向量；
基于所述注意力层对所述目标词嵌入向量、所述目标情感编码向量、所述第一音素隐向量、所述第二音素隐向量进行上下文编码，得到所述目标语义编码向量。
在一些实施例，所述语音合成网络包括梅尔频谱预测器和声码器，所述基于所述语音合成网络对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行语音合成，得到合成语音数据，包括：
对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行向量相加，得到目标音频表征向量；
基于所述梅尔频谱预测器对所述目标音频表征向量进行频谱预测，得到预测频谱特征向量；
基于所述声码器对所述预测频谱特征向量进行语音合成，得到所述合成语音数据。
在一些实施例，在所述将所述目标文本、所述参考音频以及所述目标音素数据输入至预设的语音合成模型中之前，所述方法还包括预先训练所述语音合成模型，具体包括：
获取样本音频、所述样本音频的参考情感标签以及样本文本；其中，所述样本文本包括所述样本音频的音频内容；
将所述样本音频、所述参考情感标签以及所述样本文本输入至预设的原始模型中；
基于所述样本音频和所述参考情感标签，得到样本情感特征向量和情感损失值；
对所述样本文本对应的样本音素数据进行音素编码，得到样本音素编码向量；
对所述样本文本进行文本编码，得到样本文本编码向量；
对所述样本情感特征向量、所述样本音素编码向量、所述样本文本编码向量进行语义编码，得到样本语义编码向量；
对所述样本情感特征向量、所述样本语义编码向量、所述样本文本编码向量进行语音合成，得到样本合成语音；
基于所述样本合成语音和所述样本音频，构建模型损失值；
基于所述模型损失值和所述情感损失值对所述原始模型进行参数更新。
在一些实施例，所述基于所述样本音频和所述参考情感标签，得到样本情感特征向量和情感损失值，包括：
基于所述样本音频和所述参考情感标签，计算样本情感嵌入向量和情感嵌入损失值；
基于所述样本音频和所述参考情感标签，计算样本情感属性向量和情感差异度；
基于所述样本情感嵌入向量和所述样本情感属性向量，得到所述样本情感特征向量；
基于所述情感嵌入损失值和所述情感差异度，得到所述情感损失值。
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，用于获取目标文本，并基于所述目标文本生成目标音素数据；
输入模块，用于将所述目标文本、预设的参考音频以及所述目标音素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混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络；
情感特征提取模块，用于基于所述混合情感控制网络对所述参考音频进行情感特征提取，得到目标情感编码向量；
音素编码模块，用于基于所述音素编码网络对所述目标音素数据进行音素编码，得到目标音素编码向量；
文本编码模块，用于基于所述文本编码网络对所述目标文本进行文本编码，得到目标文本编码向量；
语义编码模块，用于基于所述语义编码网络对所述目标情感编码向量、所述目标音素编码向量、所述目标文本编码向量进行语义编码，得到目标语义编码向量；
语音合成模块，用于基于所述语音合成网络对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行语音合成，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，其通过获取目标文本，并基于目标文本生成目标音素数据；将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中，语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络。基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量，能够实现语音合成过程中的混合情感控制，使得目标情感编码向量能够包含混合情感信息。进一步地，基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量，能够较为方便地提取到目标文本的音素特征信息和文本内容信息。进一步地，基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量，最后，基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，得到合成语音数据，能够使得合成语音数据包含来源于参考音频的混合情感信息以及目标文本的音素特征信息和文本内容信息，从而有效地提高合成语音数据的语音质量，进而使得在保险产品、理财产品等智能对话的过程中，对话机器人表达的合成语音能够更贴合对话对象的对话风格偏好，通过采用对话对象更感兴趣的对话方式和对话风格进行会话交流，提高对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度。
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是本申请实施例提供的语音合成方法的另一流程图；
图3是图2中的步骤S203的流程图；
图4是图1中的步骤S103的流程图；
图5是图4中的步骤S401的流程图；
图6是图1中的步骤S106的流程图；
图7是图1中的步骤S107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，NER)：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(phoneme)：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。
GRU(Gate Recurrent Unit，门控循环单元)：GRU是循环神经网络(RecurrentNeural Network，RNN)的一种，类似于LSTM(Long-Short Term Memory)，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。
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)。
情感语音合成(Emotional TTS)旨在为合成的语音添加情感效果。
随着人工智能技术的飞速发展，智能语音交互在被广泛应用于金融、物流、客服等领域，通过智能营销、智能催收、内容导航等功能提高了企业客服的服务水平。
目前，在智能客服、购物引导等金融服务场景中常常会采用对话机器人来为各个对象提供相应的服务支持。而这些对话机器人所采用的对话语音常常是基于语音合成的方式生成的。
以保险服务机器人为例，常常需要将保险产品的描述文本和固定对象的说话风格进行融合，生成由该固定对象对保险产品的描述语音。当保险服务机器人与一些感兴趣的对象进行对话时，会自动调用这一描述语音为对象进行保险产品介绍。相关技术在语音合成过程中，常常需要对象情感进行控制，以提高合成语音的语音质量。相关技术中，大多数语音合成方法得到的合成语音往往只含有固定的一类情感信息，会导致生成的合成语音含有的情感信息较为单一，使得合成语音的语音质量较差。
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，旨在提高合成语音的语音质量。
本申请实施例提供的语音合成方法和装置、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。
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S107。
步骤S101，获取目标文本，并基于目标文本生成目标音素数据；
步骤S102，将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中，语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络；
步骤S103，基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量；
步骤S104，基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；
步骤S105，基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量；
步骤S106，基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量；
步骤S107，基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，得到合成语音数据。
本申请实施例所示意的步骤S101至步骤S107，通过获取目标文本，并基于目标文本生成目标音素数据；将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中，语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络。基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量，能够实现语音合成过程中的混合情感控制，使得目标情感编码向量能够包含混合情感信息。进一步地，基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量，能够较为方便地提取到目标文本的音素特征信息和文本内容信息。进一步地，基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量，最后，基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，得到合成语音数据，能够使得合成语音数据包含来源于参考音频的混合情感信息以及目标文本的音素特征信息和文本内容信息，从而有效地提高合成语音数据的语音质量。
在一些实施例的步骤S101中，获取目标文本包括但不限于以下方式：
(1)通过网络爬虫对预设数据源进行有目的地数据爬取，得到目标文本，其中，预设数据源包括预设的数据库或者其他能够提供用于语音合成的文本素材的网络平台等等。
(2)从公开数据集中获取原始文本。公开数据集可以是LJSpeech数据集，该数据集包含了多个由说话对象录制的英文语音数据以及这些英文语音数据对应的文本数据。
进一步地，在基于目标文本生成目标音素数据时，可以通过预设的文本转换模型和参考词典对目标文本进行数据转换，得到目标音素数据。具体地，预设的文本转换模型可以是开源的文本转音素模型，例如，g2p-seq2seq模型等等，参考词典可以是CMUSphinx数据词典，参考词典包含多个单词。通过文本转换模型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目标文本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，从而形成目标文本对应的目标音素数据。
需要说明的是，目标文本可以是含有金融领域的专有名词、金融业务模板词汇、也可以是含有保险产品的产品描述、理财产品的产品描述以及金融领域的常用对话话术等的文本数据。
通过上述方式能够较为方便地获取目标文本以及目标音素数据，能从多种信息渠道中提取所需要的信息，提高了数据获取效率。
请参阅图2，在一些实施例的步骤S102之前，语音合成方法还包括预先训练语音合成模型，具体可以包括但不限于包括步骤S201至步骤S209：
步骤S201，获取样本音频、样本音频的参考情感标签以及样本文本；其中，样本文本包括样本音频的音频内容；
步骤S202，将样本音频、参考情感标签以及样本文本输入至预设的原始模型中；
步骤S203，基于样本音频和参考情感标签，得到样本情感特征向量和情感损失值；
步骤S204，对样本文本对应的样本音素数据进行音素编码，得到样本音素编码向量；
步骤S205，对样本文本进行文本编码，得到样本文本编码向量；
步骤S206，对样本情感特征向量、样本音素编码向量、样本文本编码向量进行语义编码，得到样本语义编码向量；
步骤S207，对样本情感特征向量、样本语义编码向量、样本文本编码向量进行语音合成，得到样本合成语音；
步骤S208，基于样本合成语音和样本音频，构建模型损失值；
步骤S209，基于模型损失值和情感损失值对原始模型进行参数更新。
在一些实施例的步骤S201中，样本音频可以是从预设的音频数据库中提取到的，参考情感标签用于表征样本音频包含的情感类型，该参考情感标签可以基于人工标注等方式获取到。进一步地，利用ASR语音识别技术将样本音频识别成文本形式，得到包括样本音频的音频内容的样本文本。
在一些实施例的步骤S202中，可以利用计算机程序直接将样本音频、参考情感标签以及样本文本输入至预设的原始模型中。预设的原始模型可以是基于SyntaSpeech网络结构构建而成，与SyntaSpeech网络结构相同的是，原始模型包括音素编码网络、语义编码网络以及语音合成网络，与SyntaSpeech网络结构不同的是，原始模型还包括混合情感控制网络和文本编码网络。
在一些实施例的步骤S203中，基于样本音频和参考情感标签，计算样本情感嵌入向量和情感嵌入损失值；基于样本音频和参考情感标签，计算样本情感属性向量和情感差异度；基于样本情感嵌入向量和样本情感属性向量，得到样本情感特征向量；基于情感嵌入损失值和情感差异度，得到情感损失值。
在一些实施例的步骤S204中，首先提取样本文本对应的样本音素数据，该实现过程与上述步骤S101中从目标文本中提取目标音素数据的具体过程类似，此处不再赘述。进一步地，利用音素编码网络对样本音素数据的音素序列信息进行提取，得到样本音素编码向量。
在一些实施例的步骤S205中，采用RoBERTa模型作为文本编码网络，利用RoBERTa模型作为文本编码网络来对样本文本进行文本编码，提取样本文本的上下文信息，得到样本文本编码向量。
在一些实施例的步骤S206中，可以基于语义编码网络对样本情感特征向量、样本音素编码向量、样本文本编码向量进行语义编码，得到样本语义编码向量。具体地，语义编码网络包括时间预测层和注意力层，对样本音素编码向量进行特征提取，得到第一样本音素隐向量；基于样本文本编码向量对第一样本音素隐向量进行池化处理，得到第二样本音素隐向量；基于时间预测层对样本文本编码向量进行扩帧处理，得到样本词嵌入向量；基于注意力层对样本词嵌入向量、样本情感编码向量、第一样本音素隐向量、第二样本音素隐向量进行上下文编码，得到样本语义编码向量。该过程具体实现时与步骤S106的具体实现过程基本一致，在对步骤S106进行具体描述时会详细说明。
在一些实施例的步骤S207中，可以基于语音合成网络对样本情感特征向量、样本语义编码向量、样本文本编码向量进行语音合成，得到样本合成语音。该过程具体实现时与步骤S107的具体实现过程基本一致，在对步骤S107进行具体描述时会详细说明。
在一些实施例的步骤S208中，在基于样本合成语音和样本音频，构建模型损失值时，可以利用预设的余弦相似度算法、欧式距离、曼哈顿距离等等来计算样本合成语音和样本音频之间的相似程度，根据计算结果得到模型损失值。以余弦相似度算法为例，先将样本合成语音和样本音频转换成向量形式，再利用余弦相似度算法对向量形式的样本合成语音和样本音频进行相似度计算，将计算得到的相似度作为模型损失值。
在一些实施例的步骤S209中，由于样本合成语音数据是基于样本音频以及含有样本音频的音频内容的样本文本生成的，因此，样本合成语音数据语音与样本音频越接近，则说明语音合成模型的语音合成能力越好，即模型损失值越小，则语音合成模型的训练效果越好，语音合成模型学习到各种情感的混合信息的能力越强，语音合成的能力越好。基于此，在基于模型损失值和情感损失值对原始模型进行参数更新时，不断地调整原始模型中混合情感控制网络的模型参数，使得模型损失值尽可能地小，使得情感损失值最优化，在模型损失值满足最小化条件，且情感损失值满足最优化条件时，停止调整模型参数，将此时的原始模型作为训练得到的语音合成模型。
通过上述步骤S201至步骤S209能够较为方便地改善原始模型学习到各种情感的混合信息的能力，从而提高原始模型的语音合成能力，并采取参数调整的方式确定出使模型损失值满足最小化条件，且情感损失值满足最优化条件得模型参数，从而得到符合要求的语音合成模型，使得语音合成模型不再局限于合成单一情感的合成语音，使得语音合成模型能够学习到各种情感的混合信息，并合成出含有混合情感信息的合成语音数据，提高了基于语音合成模型生成的合成语音数据的语音质量。
请参阅图3，在一些实施例中，步骤S203可以包括但不限于包括步骤S301至步骤S304：
步骤S301，基于样本音频和参考情感标签，计算样本情感嵌入向量和情感嵌入损失值；
步骤S302，基于样本音频和参考情感标签，计算样本情感属性向量和情感差异度；
步骤S303，基于样本情感嵌入向量和样本情感属性向量，得到样本情感特征向量；
步骤S304，基于情感嵌入损失值和情感差异度，得到情感损失值。
在一些实施例的步骤S301中，在基于样本音频和参考情感标签，计算样本情感嵌入向量和情感嵌入损失值时，可以利用混合情感控制网络中的情感嵌入器对样本音频进行情感嵌入，得到样本情感嵌入向量。进一步地，利用预设的余弦相似度算法、欧式距离、曼哈顿距离等等来计算样本情感嵌入向量和参考情感标签之间的相似程度，根据计算结果得到情感嵌入损失值。
在一些实施例的步骤S302中，在基于样本音频和参考情感标签，计算样本情感属性向量和情感差异度时，可以利用混合情感控制网络中的情感差异模块对样本音频进行情感识别，得到第一情感属性向量，再将第一情感属性向量映射到预定的向量空间，得到样本情感属性向量，该预定的向量空间的特征维度根据样本情感嵌入向量的特征维度确定，即预定的向量空间的特征维度与样本情感嵌入向量的特征维度相同。例如，在原始模型的混合情感控制网络中预设有五种不同的情感，即开心Happy、生气Angry、敏锐Neural、悲伤Sad、惊喜Surprise，若当前的样本音频的参考情感标签为开心Happy，则样本音频的情感类型为Happy，则此时需要计算出该情感类型与其余四种情感类型的差异度，该计算过程可以通过不同的函数f1(x)、f2(x)、f3(x)、f4(x)所衡量，得到的第一情感属性向量是一个离散的5值情感属性向量。
进一步地，该情感差异模块旨在衡量样本音频的情感类型与其他情感类型之间的差异度，并最终将差异度归一化到0和1之间，归一化得到的数值越小代表差异度越小、相似度越高，归一化得到的数值越大代表差异度越大、相似度越小。其中，样本音频的情感类型可以根据参考情感标签确定。情感差异模块的训练过程是一个类似于SVM的最优化过程，情感差异度主要用于衡量情感差异模块的训练情况。最优化过程可以表示如公式(1)所示：
f(xn)＝Wxn 公式(1)
其中，W用于衡量不同情感类型之间的差异。xn表示第n条样本音频；f(xn)是用于衡量第n条样本音频的情感类型与其他情感类型的差异度的函数。
假设存在第i条样本音频xi与第j条样本音频xj，A和B分别为不同的情感集合，则该最优化过程应满足下述公式(2)和公式(3)。
其中，公式(2)表示依据样本音频的参考情感标签对样本音频进行分类时，若第i条样本音频xi属于情感集合A，第j条样本音频xj属于情感集合B时，第i条样本音频xi和第j条样本音频xj的差异度要尽可能地大，即属于不同情感集合的样本音频的差异度要尽可能地大。
其中，公式(2)表示依据样本音频的参考情感标签对样本音频进行分类时，若第i条样本音频xi和第j条样本音频xj均属于情感集合A，第i条样本音频xi和第j条样本音频xj均属于情感集合B时，第i条样本音频xi和第j条样本音频xj的差异度要尽可能地小；即属于相同情感集合的样本音频的差异度要尽可能地小。
基于此，上述求解W的问题可以转换为求解最优化问题，该最优化问题的求解结果可以作为步骤S302中需要计算的情感差异度。最优化问题可以表示如公式(4)所示，该公式(4)的约束条件包括公式(5)、公式(6)和公式(7)。
ξij≥0；γij≥0 公式(7)
其中，C是惩罚函数。C值越大，对分类的惩罚越大。ξij和γij为松弛变量，每个样本音频设置有一个对应的松弛变量，代表该样本音频不满足约束条件的程度。s.t.指的是subject to，subject to表示受限于，指的是公式(4)的约束条件包括公式(5)、公式(6)和公式(7)。
Wxi指样本音频xi经差异函数W映射后的结果，Wxj指样本音频xj经差异函数W映射后的结果，因此，W(xi-xj)指的是两个样本音频经差异函数W映射后的结果。由于此处xi和xj均来自同一个情感集合，所以它们之间的距离应该尽量小，即小于松弛变量γij。
在基于上述公式(1)至公式(7)求解出每个W后，能够较为方便地得到情感差异模块的输出结果。
在一些实施例的步骤S303中，由于样本情感嵌入向量和样本情感属性向量的特征维度相同，因此可以直接对样本情感嵌入向量和样本情感属性向量进行向量相加，得到样本情感特征向量。
在一些实施例的步骤S304中，可以对基于情感嵌入损失值和情感差异度，得到情感损失值进行加权和运算，得到情感损失值。具体地，设置情感嵌入损失值和情感差异度的权重占比，将情感嵌入损失值的权重占比确定为a，将情感差异值的权重占比确定为b，其中，a+b＝1。进一步地，情感损失值＝a*情感损失值+b*情感差异度。
通过上述步骤S301至步骤S304能够使得模型的混合情感控制模块学习到各种情感的混合信息，能有效地提高模型对混合情感的感知能力，从而提高语音合成模型的语音合成能力，使得语音合成模型能合成出含有混合情感信息的合成语音数据，提高了合成语音数据的语音质量。
在一些实施例的步骤S102中，可以利用计算机程序或者预设脚本将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中。其中，预设的参考音频可以是从各种数据库或者网络平台上采集到，并存储在固定存储库中的音频数据，参考音频可以是不同应用场景、不同语种、不同风格、不同流派的音频数据，不做限制。例如，在金融交易场景中，参考音频是包含金融领域常用对话话术的音频数据，在保险推销场景中，参考音频是包含某一保险产品的险种、费用、适用人群等描述内容的音频数据。语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络，混合情感控制网络主要用于基于输入的参考音频实现混合情感的控制，学习并提取不同种类的情感信息，从而生成用于语音合成的混合情感信息；音素编码网络主要用于对输入的音素数据进行编码处理，提取音素特征信息；文本编码网络主要用于对输入的文本数据进行编码处理，提取文本内容信息；语义编码网络主要用于提取到的文本内容信息、音素特征信息以及混合情感信息进行信息融合，形成融合语义信息；语音合成网络主要用于根据融合语义信息、混合情感信息以及文本内容信息进行语音合成，生成与输入文本对应的合成语音数据。
请参阅图4，在一些实施例中，混合情感控制网络包括情感嵌入器和情感差异模块，步骤S103可以包括但不限于包括步骤S401至步骤S404：
步骤S401，基于情感嵌入器对参考音频进行嵌入处理，得到目标情感嵌入向量；
步骤S402，基于情感差异模块对参考音频进行情感识别，得到初步情感属性向量；
步骤S403，将初步情感属性向量映射到预设的向量空间，得到目标情感属性向量；
步骤S404，对目标情感嵌入向量和目标情感属性向量进行向量相加，得到目标情感编码向量。
在一些实施例的步骤S401中，情感嵌入器包括卷积层、GRU层以及线性层。基于卷积层对参考音频进行音频特征提取，得到初步音频特征；基于GRU层对初步音频特征进行情感嵌入，得到初步情感嵌入向量；基于线性层对初步情感嵌入向量进行线性变换，得到目标情感嵌入向量。
在一些实施例的步骤S402中，在基于情感差异模块对参考音频进行情感识别，可以根据实际需求设定情感差异模块中每个种类的情感的占比情况，根据不同种类情感所占百分比来实现混合情感的控制，从而得到初步情感属性向量。例如，通过人工给定情感所占百分比，设置需要合成的音频的情感分别与开心Happy、生气Angry、敏锐Neural、悲伤Sad、惊喜Surprise的差异度为0.7、1、1、1、0，则得到的情感属性向量会表征合成的合成语音数据中的情感分布为30％Happy+100％Surprise。
在一些实施例的步骤S403中，为了匹配目标情感嵌入向量的维度，混合情感控制网络还包括一个全连接层，该全连接层连接情感差异模块。将情感差异模块输出的初步情感属性向量输入至全连接层，利用全连接层中预设的向量空间对初步情感属性向量进行特征映射，即将初步情感属性向量映射到该向量空间，得到目标情感属性向量，其中，预设的向量空间的特征维度与目标情感嵌入向量的维度相同。例如，目标情感嵌入向量是256维的向量，则预设的向量空间的特征维度为256维，经过预设的向量空间对初步情感属性向量进行特征映射，得到的目标情感属性向量是256维的向量。
在一些实施例的步骤S404中，由于目标情感嵌入向量和目标情感属性向量是同一维度的向量，因此，可以直接对目标情感嵌入向量和目标情感属性向量进行向量相加，得到目标情感编码向量。
通过上述步骤S401至步骤S404能够较为方便地通过情感差异模块来确定需要合成的合成语音数据的情感与预设的每种情感的差异度，从而确定需要合成的合成语音数据包含的情感类型以及每个类型的情感的占比情况，实现了对合成语音数据的混合情感信息的控制，并将基于参考音频得到的情感嵌入信息与混合情感信息进行信息融合，得到需要合成的合成语音数据的整体情感信息，能够实现生成混合情感音频的效果，提高了语音合成方法的适用范围和泛化性。
请参阅图5，在一些实施例中，情感嵌入器包括卷积层、GRU层以及线性层，步骤S401可以包括但不限于包括步骤S501至步骤S503：
步骤S501，基于卷积层对参考音频进行音频特征提取，得到初步音频特征；
步骤S502，基于GRU层对初步音频特征进行情感嵌入，得到初步情感嵌入向量；
步骤S503，基于线性层对初步情感嵌入向量进行线性变换，得到目标情感嵌入向量。
在一些实施例的步骤S501中，基于卷积层对参考音频进行音频特征提取，捕捉参考音频中的音频特征信息，得到初步音频特征。
在一些实施例的步骤S502中，在基于GRU层对初步音频特征进行情感嵌入时，将每个时刻的初步音频特征与上一时刻的初步音频特征的隐藏层状态特征一起输入至GRU层，基于GRU层对每个时刻的初步音频特征与上一时刻的初步音频特征的隐藏层状态特征进行特征提取，输出该时刻的初步音频特征的隐藏层状态特征和初步情感嵌入向量，该时刻的隐藏层状态特征用于提供给下一时刻的初步音频特征进行情感嵌入。
在一些实施例的步骤S503中，基于线性层对初步情感嵌入向量进行线性变换，改变初步情感嵌入向量的特征维度，将高维度的初步情感嵌入向量转换为低维向量，得到目标情感嵌入向量，使得目标情感嵌入向量能够包含更为丰富的情感特征信息。
通过上述步骤S501至步骤S503能够较为方便地实现对参考音频的情感嵌入，更为准确、全面地提取到参考音频的情感特征信息，从而提高目标情感嵌入向量的特征全面性和特征质量。
在一些实施例的步骤S104中，在基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量时，利用音素编码网络对目标音素数据的音素序列信息进行提取，能够获取更好的特征表达，得到特征质量较高的目标音素编码向量。
在一些实施例的步骤S105中，在基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量时，可以采用RoBERTa模型作为文本编码网络，利用RoBERTa模型作为文本编码网络来对目标文本进行文本编码，能够较为方便地提取目标文本的上下文信息，使得能够尽可能多地提取到目标文本的全部文本内容信息，从而提高生成的目标文本编码向量的特征质量。
请参阅图6，在一些实施例，语义编码网络包括时间预测层和注意力层，步骤S106包括但不限于包括步骤S601至步骤S604：
步骤S601，对目标音素编码向量进行特征提取，得到第一音素隐向量；
步骤S602，基于目标文本编码向量对第一音素隐向量进行池化处理，得到第二音素隐向量；
步骤S603，基于时间预测层对目标文本编码向量进行扩帧处理，得到目标词嵌入向量；
步骤S604，基于注意力层对目标词嵌入向量、目标情感编码向量、第一音素隐向量、第二音素隐向量进行上下文编码，得到目标语义编码向量。
在一些实施例的步骤S601中，对目标音素编码向量进行特征提取，获取目标音素编码向量中的音素隐特征信息，得到第一音素隐向量。
在一些实施例的步骤S602中，在基于目标文本编码向量对第一音素隐向量进行池化处理时，根据目标文本编码向量中的分字边界信息对第一音素隐向量中属于同一个字的音素信息进行池化处理，得到第二音素隐向量，该第二音素隐向量是字级别的隐向量。
在一些实施例的步骤S603中，在基于时间预测层对目标文本编码向量进行扩帧处理时，先利用时间预测层对目标文本编码向量中的每个字的时间进行预测，得到预测时间参数，并根据预测时间参数对目标文本编码向量进行扩帧处理，得到目标词嵌入向量。
在一些实施例的步骤S604中，将目标词嵌入向量、目标情感编码向量、第一音素隐向量、第二音素隐向量输入至注意力层，基于第一音频隐向量确定音频键向量和音频值向量，并基于目标词嵌入向量、目标情感编码向量和第二音素隐向量确定音频查询向量。进一步地，根据音频键向量、音频值向量以及音频查询向量进行注意力计算，实现对目标词嵌入向量、目标情感编码向量、第一音素隐向量、第二音素隐向量的上下文编码，得到目标语义编码向量。
通过上述步骤S601至步骤S604能够较为方便地对目标文本编码向量中的文本内容信息、目标情感编码向量中的混合情感信息以及目标音素编码向量中的音素序列信息进行信息融合，使得得到的目标语义编码向量含有用于语音合成的主要特征信息，能有效地提高语音合成的准确性和合成语音数据的语音质量。
请参阅图7，在一些实施例中，语音合成网络包括梅尔频谱预测器和声码器，步骤S107可以包括但不限于包括步骤S701至步骤S703：
步骤S701，对目标情感编码向量、目标语义编码向量、目标文本编码向量进行向量相加，得到目标音频表征向量；
步骤S702，基于梅尔频谱预测器对目标音频表征向量进行频谱预测，得到预测频谱特征向量；
步骤S703，基于声码器对预测频谱特征向量进行语音合成，得到合成语音数据。
在一些实施例的步骤S701中，在对目标情感编码向量、目标语义编码向量、目标文本编码向量进行向量相加时，可以是直接对目标情感编码向量、目标语义编码向量、目标文本编码向量进行向量相加，得到目标音频表征向量，能提高计算效率；也还可以是先将目标情感编码向量、目标语义编码向量、目标文本编码向量分别进行特征映射，将目标情感编码向量、目标语义编码向量、目标文本编码向量转换到同一维度的向量空间，使得目标情感编码向量、目标语义编码向量、目标文本编码向量的向量维度相同，再将处于同一维度的向量空间下的目标情感编码向量、目标语义编码向量、目标文本编码向量进行向量相加，从而得到目标音频表征向量，这一方式能够提高特征融合的合理性，改善目标音频表征向量的特征质量。
在一些实施例的步骤S702中，梅尔频谱预测器可以是Tacotron2模型或者相关技术中在语音合成中的常用模型，不做限制。以梅尔频谱预测器是Tacotron2模型为例，该梅尔频谱预测器是一个带有注意力机制的seq2seq网络。该梅尔频谱预测器包括编码器、解码器。该编码器是一个风格嵌入层、三层卷积层和一个双向LSTM层形成的模块，先通过风格嵌入层对目标音频表征向量进行词嵌入，得到音频字符序列，再将经过词嵌入的音频字符序列输入到三层卷积层进行上下文信息提取，得到音频上下文向量，再将音频上下文向量输入至双向LSTM层得到频谱隐状态向量。该解码器包括两个双向LSTM层和投影层，通过双向LSTM层对频谱隐状态向量进行新的上下文信息提取，得到频谱上下文向量，再基于投影层对频谱上下文向量进行预测，得到预测频谱特征向量。
进一步地，在另一些实施例中，为了提高频谱特征的特征质量，还可以将解码器的输出送入一系列的卷积层进行卷积处理，将最后一个卷积层的输出作为预测频谱特征向量。
在一些实施例的步骤S703中，该声码器可以是HiFi-GAN声码器，该声码器包括上采样模块和多感受野融合的残差模块，通过上采样模块能够对预测频谱特征向量进行上采样处理，实现对预测频谱特征向量的转置卷积，得到初始语音特征，并采用残差模块对初始语音特征进行重构处理，从而得到重建之后的语音波形，将该语音波形作为合成语音数据。
在一个具体示例中，合成语音数据是包含某个动画人物的说话风格、说话情感的、关于保险产品、理财产品的描述语音。这一合成语音数据能以动画人物的特有说话风格和说话情感来吸引潜在对象，使潜在对象更感兴趣于合成语音数据所推荐的保险产品或者理财产品。
通过上述步骤S701至步骤S703能够使得合成语音数据能够同时包含混合情感信息和目标文本的音素特征信息以及文本内容信息，从而有效地提高语音合成的准确性以及合成语音数据的语音质量。
本申请实施例的语音合成方法，其通过获取目标文本，并基于目标文本生成目标音素数据；将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中，语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络。基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量，能够实现语音合成过程中的混合情感控制，使得目标情感编码向量能够包含混合情感信息。进一步地，基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量，能够较为方便地提取到目标文本的音素特征信息和文本内容信息。进一步地，基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量，最后，基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，得到合成语音数据，能够使得合成语音数据包含来源于参考音频的混合情感信息以及目标文本的音素特征信息和文本内容信息，从而有效地提高合成语音数据的语音质量，进而使得在保险产品、理财产品等智能对话的过程中，对话机器人表达的合成语音能够更贴合对话对象的对话风格偏好，通过采用对话对象更感兴趣的对话方式和对话风格进行会话交流，提高对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度。
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，用于获取目标文本，并基于目标文本生成目标音素数据；
输入模块802，用于将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中，语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络；
情感特征提取模块803，用于基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量；
音素编码模块804，用于基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；
文本编码模块805，用于基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量；
语义编码模块806，用于基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量；
语音合成模块807，用于基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，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、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行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，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以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，其通过获取目标文本，并基于目标文本生成目标音素数据；将目标文本、预设的参考音频以及目标音素数据输入至预设的语音合成模型中，语音合成模型包括混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络。基于混合情感控制网络对参考音频进行情感特征提取，得到目标情感编码向量，能够实现语音合成过程中的混合情感控制，使得目标情感编码向量能够包含混合情感信息。进一步地，基于音素编码网络对目标音素数据进行音素编码，得到目标音素编码向量；基于文本编码网络对目标文本进行文本编码，得到目标文本编码向量，能够较为方便地提取到目标文本的音素特征信息和文本内容信息。进一步地，基于语义编码网络对目标情感编码向量、目标音素编码向量、目标文本编码向量进行语义编码，得到目标语义编码向量，最后，基于语音合成网络对目标情感编码向量、目标语义编码向量、目标文本编码向量进行语音合成，得到合成语音数据，能够使得合成语音数据包含来源于参考音频的混合情感信息以及目标文本的音素特征信息和文本内容信息，从而有效地提高合成语音数据的语音质量，进而使得在保险产品、理财产品等智能对话的过程中，对话机器人表达的合成语音能够更贴合对话对象的对话风格偏好，通过采用对话对象更感兴趣的对话方式和对话风格进行会话交流，提高对话质量和对话有效性，能实现智能语音对话服务，提高客户的服务质量以及客户满意度。
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1-7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：
获取目标文本，并基于所述目标文本生成目标音素数据；
将所述目标文本、预设的参考音频以及所述目标音素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混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络；
基于所述混合情感控制网络对所述参考音频进行情感特征提取，得到目标情感编码向量；
基于所述音素编码网络对所述目标音素数据进行音素编码，得到目标音素编码向量；
基于所述文本编码网络对所述目标文本进行文本编码，得到目标文本编码向量；
基于所述语义编码网络对所述目标情感编码向量、所述目标音素编码向量、所述目标文本编码向量进行语义编码，得到目标语义编码向量；
基于所述语音合成网络对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行语音合成，得到合成语音数据。
2.根据权利要求1所述的语音合成方法，其特征在于，所述混合情感控制网络包括情感嵌入器和情感差异模块，所述基于所述混合情感控制网络对所述参考音频进行情感特征提取，包括：
基于所述情感嵌入器对所述参考音频进行嵌入处理，得到目标情感嵌入向量；
基于所述情感差异模块对所述参考音频进行情感识别，得到初步情感属性向量；
将所述初步情感属性向量映射到预设的向量空间，得到目标情感属性向量；
对所述目标情感嵌入向量和所述目标情感属性向量进行向量相加，得到所述目标情感编码向量。
3.根据权利要求2所述的语音合成方法，其特征在于，所述情感嵌入器包括卷积层、GRU层以及线性层，所述基于所述情感嵌入器对所述参考音频进行嵌入处理，得到目标情感嵌入向量，包括：
基于所述卷积层对所述参考音频进行音频特征提取，得到初步音频特征；
基于所述GRU层对所述初步音频特征进行情感嵌入，得到初步情感嵌入向量；
基于所述线性层对所述初步情感嵌入向量进行线性变换，得到所述目标情感嵌入向量。
4.根据权利要求1所述的语音合成方法，其特征在于，所述语义编码网络包括时间预测层和注意力层，所述基于所述语义编码网络对所述目标情感编码向量、所述目标音素编码向量、所述目标文本编码向量进行语义编码，得到目标语义编码向量，包括：
对所述目标音素编码向量进行特征提取，得到第一音素隐向量；
基于所述目标文本编码向量对所述第一音素隐向量进行池化处理，得到第二音素隐向量；
基于所述时间预测层对所述目标文本编码向量进行扩帧处理，得到目标词嵌入向量；
基于所述注意力层对所述目标词嵌入向量、所述目标情感编码向量、所述第一音素隐向量、所述第二音素隐向量进行上下文编码，得到所述目标语义编码向量。
5.根据权利要求1所述的语音合成方法，其特征在于，所述语音合成网络包括梅尔频谱预测器和声码器，所述基于所述语音合成网络对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行语音合成，得到合成语音数据，包括：
对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行向量相加，得到目标音频表征向量；
基于所述梅尔频谱预测器对所述目标音频表征向量进行频谱预测，得到预测频谱特征向量；
基于所述声码器对所述预测频谱特征向量进行语音合成，得到所述合成语音数据。
6.根据权利要求1至5任一项所述的语音合成方法，其特征在于，在所述将所述目标文本、所述参考音频以及所述目标音素数据输入至预设的语音合成模型中之前，所述方法还包括预先训练所述语音合成模型，具体包括：
获取样本音频、所述样本音频的参考情感标签以及样本文本；其中，所述样本文本包括所述样本音频的音频内容；
将所述样本音频、所述参考情感标签以及所述样本文本输入至预设的原始模型中；
基于所述样本音频和所述参考情感标签，得到样本情感特征向量和情感损失值；
对所述样本文本对应的样本音素数据进行音素编码，得到样本音素编码向量；
对所述样本文本进行文本编码，得到样本文本编码向量；
对所述样本情感特征向量、所述样本音素编码向量、所述样本文本编码向量进行语义编码，得到样本语义编码向量；
对所述样本情感特征向量、所述样本语义编码向量、所述样本文本编码向量进行语音合成，得到样本合成语音；
基于所述样本合成语音和所述样本音频，构建模型损失值；
基于所述模型损失值和所述情感损失值对所述原始模型进行参数更新。
7.根据权利要求6所述的语音合成方法，其特征在于，所述基于所述样本音频和所述参考情感标签，得到样本情感特征向量和情感损失值，包括：
基于所述样本音频和所述参考情感标签，计算样本情感嵌入向量和情感嵌入损失值；
基于所述样本音频和所述参考情感标签，计算样本情感属性向量和情感差异度；
基于所述样本情感嵌入向量和所述样本情感属性向量，得到所述样本情感特征向量；
基于所述情感嵌入损失值和所述情感差异度，得到所述情感损失值。
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，用于获取目标文本，并基于所述目标文本生成目标音素数据；
输入模块，用于将所述目标文本、预设的参考音频以及所述目标音素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混合情感控制网络、音素编码网络、语义编码网络、文本编码网络以及语音合成网络；
情感特征提取模块，用于基于所述混合情感控制网络对所述参考音频进行情感特征提取，得到目标情感编码向量；
音素编码模块，用于基于所述音素编码网络对所述目标音素数据进行音素编码，得到目标音素编码向量；
文本编码模块，用于基于所述文本编码网络对所述目标文本进行文本编码，得到目标文本编码向量；
语义编码模块，用于基于所述语义编码网络对所述目标情感编码向量、所述目标音素编码向量、所述目标文本编码向量进行语义编码，得到目标语义编码向量；
语音合成模块，用于基于所述语音合成网络对所述目标情感编码向量、所述目标语义编码向量、所述目标文本编码向量进行语音合成，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中任一项所述的语音合成方法。
CN202310727623.8A 2023-06-16 2023-06-16 语音合成方法、语音合成装置、电子设备及存储介质 Pending CN116564274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310727623.8A CN116564274A (zh) 2023-06-16 2023-06-16 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
CN202310727623.8A CN116564274A (zh) 2023-06-16 2023-06-16 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
CN116564274A true CN116564274A (zh) 2023-08-08

Family

ID=87503705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310727623.8A Pending CN116564274A (zh) 2023-06-16 2023-06-16 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) CN116564274A (zh)

Similar Documents

Publication Publication Date Title
CN111968618B (zh) 语音合成方法、装置
US11727915B1 (en) Method and terminal for generating simulated voice of virtual teacher
CN116343747A (zh) 语音合成方法、语音合成装置、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
CN114492661A (zh) 文本数据分类方法和装置、计算机设备、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
CN116386594A (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
CN116580691A (zh) 语音合成方法、语音合成装置、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
CN116580704A (zh) 语音识别模型的训练方法、语音识别方法、设备及介质
CN114611529B (zh) 意图识别方法和装置、电子设备及存储介质
CN114373443A (zh) 语音合成方法和装置、计算设备、存储介质及程序产品
CN114974219A (zh) 语音识别方法、语音识别装置、电子设备及存储介质
CN116564274A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN116665639A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN116469372A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN116741141A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN116543780A (zh) 模型更新方法和装置、语音转换方法、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
CN115731944A (zh) 语音掩蔽方法、装置、电子设备及存储介质
CN115620702A (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
CN116645961A (zh) 语音识别方法、语音识别装置、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

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