CN116580698A - 基于人工智能的语音合成方法、装置、计算机设备及介质 - Google Patents

Abstract

本发明适用于语音合成技术领域，尤其涉及一种基于人工智能的语音合成方法、装置、计算机设备及介质。本发明通过特征提取模型提取目标文本的文本特征向量，将文本特征向量经重音预测器进行预测，输出重音预测向量，并与文本特征向量相加得到文本重音向量，将文本特征向量经停顿预测器进行预测，输出停顿预测向量，并与文本特征向量相加得到文本停顿向量，将文本重音向量和文本停顿向量经韵律预测器进行预测，输出文本韵律向量，将文本韵律向量与目标文本的音素序列进行匹配，得到具有韵律标签的音素序列，对具有韵律标签的音素序列进行语音转换，得到合成语音，通过进行重音、停顿以及韵律的预测，提高了合成语音的表现力、自然性和准确性。

Description

基于人工智能的语音合成方法、装置、计算机设备及介质

技术领域

本发明适用于语音合成技术领域，尤其涉及一种基于人工智能的语音合成方法、装置、计算机设备及介质。

背景技术

语音合成技术的目标是将文本信息转化为语音信号，文本-语音数据对之间是一对多的映射，语音数据中不仅包含对应的文本信息，还需要包含相应的韵律信息，对韵律信息进行建模对于合成自然和富有表现力的语音至关重要。

现有语音合成方法一般基于目标文本提取文本特征，并根据提取的文本特征预测待合成语音的音高、时长等韵律属性特征，然后将文本特征和韵律属性特征拼接后进行特征解码，最终合成目标语音。但是语音中存在停顿、重读等影响韵律属性特征的信息，而文本特征着重于表现文本内容信息，难以从文字形式的目标文本中准确地反映出语音中的停顿、重读等信息，上述方法直接从文本特征中提取韵律属性特征时，会导致韵律属性特征的准确性较低，使得合成语音的准确性较低。

因此，在语音合成技术领域，如何提高合成语音的准确性成为亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于人工智能的语音合成方法、装置、计算机设备及介质，以解决现有语音合成方法合成的语音的准确性较低的问题。

第一方面，本发明实施例提供一种基于人工智能的语音合成方法，所述语音合成方法包括：

获取目标文本，训练好的特征提取模型对所述目标文本进行特征提取，输出文本特征向量；

所述文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将所述重音预测向量和所述文本特征向量相加，得到文本重音向量；

所述文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将所述停顿预测向量和所述文本特征向量相加，得到文本停顿向量；

所述文本重音向量和所述文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量；

对所述目标文本进行音素转换，得到对应所述目标文本的音素序列，将所述文本韵律向量与所述音素序列进行匹配，得到具有韵律标签的音素序列，对所述具有韵律标签的音素序列进行语音转换，得到合成语音。

第二方面，本发明实施例提供一种基于人工智能的语音合成装置，所述语音合成装置包括：

特征提取模块，用于获取目标文本，训练好的特征提取模型对所述目标文本进行特征提取，输出文本特征向量；

重音预测模块，用于所述文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将所述重音预测向量和所述文本特征向量相加，得到文本重音向量；

停顿预测模块，用于所述文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将所述停顿预测向量和所述文本特征向量相加，得到文本停顿向量；

韵律预测模块，用于所述文本重音向量和所述文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量；

语音合成模块，用于对所述目标文本进行音素转换，得到对应所述目标文本的音素序列，将所述文本韵律向量与所述音素序列进行匹配，得到具有韵律标签的音素序列，对所述具有韵律标签的音素序列进行语音转换，得到合成语音。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的语音合成方法。

第四方面，本发明实施例提供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如第一方面所述的语音合成方法。

本发明实施例与现有技术相比存在的有益效果是：通过获取目标文本，训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量，文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将重音预测向量和文本特征向量相加，得到文本重音向量，文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将停顿预测向量和文本特征向量相加，得到文本停顿向量，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量，对目标文本进行音素转换，得到对应目标文本的音素序列，将文本韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，对具有韵律标签的音素序列进行语音转换，得到合成语音，通过训练好的重音预测器和停顿预测器对文本特征向量进行重音标签和停顿标签的预测，输出重音预测向量和停顿预测向量，用来预测表征待合成的语音中的重音特征和停顿特征，并将其作为韵律预测的基础预测得到文本韵律向量，通过提高韵律情感的表征准确性，提高了合成语音的表现力和自然性，进而提高了合成语音的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种基于人工智能的语音合成方法的一应用环境示意图；

图2是本发明实施例一提供的一种基于人工智能的语音合成方法的流程示意图；

图3是本发明实施例一提供的一种基于人工智能的语音合成方法的模型结构示意图；

图4是本发明实施例二提供的一种基于人工智能的语音合成装置的结构示意图；

图5是本发明实施例三提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本发明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。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明实施例一提供的一种基于人工智能的语音合成方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

参见图2，是本发明实施例一提供的一种基于人工智能的语音合成方法的流程示意图，上述语音合成方法可以应用于图1中的客户端，该语音合成方法可以包括以下步骤：

步骤S201，获取目标文本，训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量。

其中，目标文本可以是以文本形式表征的文本信息，也可以是以音素形式表征的文本信息，语音合成技术的目标是将文本信息转化为语音信号，合成的语音信号以文本信息为内容基础，并以提取预测的韵律信息为韵律基础，提供高度拟人、流畅自然的语音合成服务，广泛应用于如互联网、金融、医疗、教育等多个领域中。

参见图3，对于待进行语音合成的目标文本，训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量，作为语音合成的基础。

举例说明，由于金融业务复杂多样，大量的咨询业务、售后业务等简单任务会严重占据业务人员的精力和时间，降低业务人员的工作效率和工作质量，而采用基于自动语音合成的智能会话方式可以节省大量的人工成本，同时可以通过有效控制语音会话内容来提升对客户的服务质量，因此，语音合成技术可以在金融领域中起到重要的辅助作用。

本实施例以语音合成技术在金融领域中的应用为例，对应地，目标文本可以是与金融领域相关的目标话术，获取待合成语音的目标话术，训练好的特征提取模型首先对目标话术进行特征提取，输出对应的话术特征向量，作为语音合成的基础。

可选的是，训练好的特征提取模型包括嵌入层和第一频谱分析层；

训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量包括：

嵌入层对目标文本进行文本嵌入，输出文本嵌入特征；

频谱分析层对文本嵌入特征进行频谱分析，输出文本特征向量。

其中，训练好的特征提取模型包括嵌入层和第一频谱分析层，嵌入层可以对输入的目标文本进行文本嵌入，输出文本嵌入特征，以在高维空间捕捉文本词汇间的关系，频谱分析层可以对输入的文本嵌入特征进行频谱分析，输出文本特征向量，以在频域表征目标文本的文本特征。

本实施例根据嵌入层和频谱分析层对目标文本进行文本嵌入和频谱分析，提取出文本特征向量，以在高维空间和频域上表征目标文本的文本特征，提高了从目标文本中提取出的文本特征向量的准确性。

上述获取目标文本，训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量的步骤，提取了目标文本的文本特征向量作为语音合成的基础，提高了语音合成的合理性。

步骤S202，文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将重音预测向量和文本特征向量相加，得到文本重音向量。

其中，重音包括语法重音和逻辑重音，语法重音可以是按照句子语法结构而产生的某一成分重读；逻辑重音可以用来表现说话人的思想以及所要表达的意思和情感的重点，基于说话人的意图起到强调的作用，不受语法重音规则的约束。因此，保证合成语音中重音的正确性，对于目标语音的语音语法结构和语音韵律情感的准确表征具有十分重要的意义。

由于语法重音是基于句子的语法结构产生的，可以通过分析目标文本内容中的语法结构来确定，而逻辑重音不受语法规则的约束，无法通过分析目标文本内容中的语法结构来确定。

因此，参见图3，本实施例在得到目标文本的文本特征向量的基础上，训练好的重音预测器对文本特征向量进行重音标签的预测，并输出重音预测向量，用来预测表征待合成的语音中的重音特征，以提高待合成的语音中韵律情感的表征准确性。

然后，将重音预测向量和表征文本内容信息的文本特征向量相加，得到文本重音向量，来同时表征文本内容信息和重音特征信息，作为语音合成的基础，以提高待合成的语音中韵律情感的表征准确性。

本实施例以语音合成技术在金融领域中的应用为例，对应地，训练好的重音预测器对话术特征向量进行重音标签的预测，并输出话术重音预测向量，预测表征待合成的语音中的重音特征，以提高待合成的语音中韵律情感的表征准确性。然后将话术重音预测向量和表征话术内容信息的话术特征向量相加，得到话术重音向量，来同时表征话术内容信息和重音特征信息。

可选的是，训练好的重音预测器包括第一卷积层、第一全连接层、第一归一化层和第一特征转换层；

文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量包括：

第一卷积层对文本特征向量进行特征提取，输出重音特征向量；

第一全连接层对重音特征向量进行分类，输出第一重音概率向量；

第一归一化层对第一重音概率向量进行归一化，输出第二重音概率向量；

第一特征转换层对第二重音概率向量进行特征转换，输出重音预测向量。

其中，为了从文本特征向量中预测重音标签，本实施例获取训练好的重音预测器，包括第一卷积层、第一全连接层、第一归一化层和第一特征转换层。

具体地，第一卷积层对文本特征向量进行重音特征的提取，输出重音特征向量。第一全连接层对重音特征向量进行分类，输出第一重音概率向量，第一重音概率向量可以表征属于每个重音标签的第一概率。第一归一化层对第一重音概率向量进行归一化处理，将第一概率归一化在预设的概率范围内，输出第二重音概率向量，对应地，第二重音概率向量可以表征属于每个重音标签的第二概率。第一特征转换层对输入的第二重音概率向量进行特征转换，输出维度更低的重音预测向量，以减小模型中的数据维度，提高语音合成效率。

本实施例根据第一卷积层、第一全连接层、第一归一化层和第一特征转换层对文本特征向量进行重音标签的预测，输出重音预测向量来预测表征待合成的语音中的重音特征，提高了待合成的语音中韵律情感的表征准确性。

上述文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将重音预测向量和文本特征向量相加，得到文本重音向量的步骤，基于训练好的重音预测器对文本特征向量进行重音标签的预测，并输出重音预测向量，用来预测表征待合成的语音中的重音特征，以提高待合成的语音中韵律情感的表征准确性。

步骤S203，文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将停顿预测向量和文本特征向量相加，得到文本停顿向量。

其中，停顿语法停顿和逻辑停顿，语法停顿可以是有标点的停顿和按照句子语法结构而产生的句中停顿；逻辑停顿可以是说话人由于生理上的需要和语言表达的需要，为了强调某个词汇所表达的意义，在句中、句末、句群或者段落之间的停歇，不受语法停顿规则的约束。因此，保证合成语音中停顿的正确性，对于目标语音的语音语法结构和语音韵律情感的准确表征具有十分重要的意义。

由于语法停顿是基于句子的语法结构产生的，可以通过分析目标文本内容中的语法结构来确定，而逻辑停顿不受语法规则的约束，无法通过分析目标文本内容中的语法结构来确定。

因此，参见图3，本实施例在得到目标文本的文本特征向量的基础上，训练好的停顿预测器对文本特征向量进行停顿标签的预测，并输出停顿预测向量，用来预测表征待合成的语音中的停顿特征，以提高待合成的语音中韵律情感的表征准确性。

然后，将停顿预测向量和表征文本内容信息的文本特征向量相加，得到文本停顿向量，来同时表征文本内容信息和停顿特征信息，作为语音合成的基础，以提高待合成的语音中韵律情感的表征准确性。

本实施例以语音合成技术在金融领域中的应用为例，对应地，训练好的停顿预测器对话术特征向量进行停顿标签的预测，并输出话术停顿预测向量，预测表征待合成的语音中的停顿特征，以提高待合成的语音中韵律情感的表征准确性。然后将话术停顿预测向量和表征话术内容信息的话术特征向量相加，得到话术停顿向量，来同时表征话术内容信息和停顿特征信息。

可选的是，训练好的停顿预测器包括第二卷积层、第二全连接层、第二归一化层和第二特征转换层；

文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量包括：

第二卷积层对文本特征向量进行特征提取，输出停顿特征向量；

第二全连接层对停顿特征向量进行分类，输出第一停顿概率向量；

第二归一化层对第一停顿概率向量进行归一化，输出第二停顿概率向量；

第二特征转换层对第二停顿概率向量进行特征转换，输出停顿预测向量。

其中，为了从文本特征向量中预测停顿标签，本实施例获取训练好的停顿预测器，包括第二卷积层、第二全连接层、第二归一化层和第二特征转换层。

具体地，第二卷积层对文本特征向量进行停顿特征的提取，输出停顿特征向量。第二全连接层对停顿特征向量进行分类，输出第一停顿概率向量，第一停顿概率向量可以表征属于每个停顿标签的第一概率。第二归一化层对第一停顿概率向量进行归一化处理，将第一概率归一化在预设的概率范围内，输出第二停顿概率向量，对应地，第二停顿概率向量可以表征属于每个停顿标签的第二概率。第二特征转换层对输入的第二停顿概率向量进行特征转换，输出维度更低的停顿预测向量，以减小模型中的数据维度，提高语音合成效率。

本实施例根据第二卷积层、第二全连接层、第二归一化层和第二特征转换层对文本特征向量进行停顿标签的预测，输出停顿预测向量来预测表征待合成的语音中的停顿特征，提高了待合成的语音中韵律情感的表征准确性。

上述文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将停顿预测向量和文本特征向量相加，得到文本停顿向量的步骤，基于训练好的停顿预测器对文本特征向量进行停顿标签的预测，并输出停顿预测向量，用来预测表征待合成的语音中的停顿特征，以提高待合成的语音中韵律情感的表征准确性。

步骤S204，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量。

其中，在语音合成任务中，除了要提取文本信息作为内容基础之外，还需要提取韵律信息作为韵律基础，以提高合成语音的表现力和自然性。

文本重音向量和文本停顿向量可以分别预测合成语音对应的重音信息和停顿信息，预测说话人的意图和情感重点，因此，参见图3，在本实施例中，训练好的韵律预测器对文本重音向量和文本停顿向量进行韵律标签的预测，输出文本韵律向量，来提高合成语音的表现力和自然性。

其中，音高、能量、时长等韵律属性可以影响说话人所要表达的语气、思想和情感的不同，对于展现合成语音的表现力和自然性具有重要的意义。因此，本实施例中的韵律预测器可以根据实际情况进行设定，以对音高、能量或者时长等韵律属性中的一个或者多个韵律属性进行预测，以准确地表征合成语音的韵律属性信息，提高合成语音的准确性。

本实施例以语音合成技术在金融领域中的应用为例，对应地，训练好的韵律预测器对话术重音向量和话术停顿向量进行韵律标签的预测，输出话术韵律向量，来提高合成语音的表现力和自然性。

可选的是，韵律预测器包括音高预测器；

文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经音高预测器进行音高预测，输出文本音高向量作为文本韵律向量。

其中，可以通过对音高进行预测，来表征说话人的所要表达的语气、思想和情感信息，因此，本实施例中的韵律预测器包括音高预测器，对输入的文本重音向量和文本停顿向量进行音高预测，输出文本音高向量作为文本韵律向量。

本实施例采用音高预测器对输入的文本重音向量和文本停顿向量进行音高预测，输出文本音高向量作为文本韵律向量，有效地表征了说话人的所要表达的语气、思想和情感信息，提高了合成语音的自然性和准确性。

可选的是，韵律预测器还包括时长预测器，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经音高预测器进行音高预测，输出文本音高向量；

文本重音向量和文本停顿向量经时长预测器进行时长预测，输出文本时长向量；

对文本音高向量和文本时长向量进行融合，得到文本韵律向量。

其中，为了提高对说话人所要表达的语气、思想和情感信息的表征能力，本实施例中的韵律预测器还包括时长预测器。

对应地，音高预测器对文本重音向量和文本停顿向量进行音高预测，输出文本音高向量，时长预测器对文本重音向量和文本停顿向量进行时长预测，输出文本时长向量，然后对文本音高向量和文本时长向量进行融合，得到文本韵律向量，以综合音高和时长来提高合成语音的自然性和准确性。

本实施例综合文本音高向量和文本时长向量得到文本韵律向量，提高了合成语音的自然性和准确性。

可选的是，韵律预测器包括能量预测器，对应地，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经能量预测器进行音高预测，输出文本能量向量作为文本韵律向量。

可选的是，韵律预测器包括时长预测器，对应地，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经能量预测器进行时长预测，输出文本时长向量作为文本韵律向量。

可选的是，韵律预测器包括音高预测器和能量预测器，对应地，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经音高预测器进行音高预测，输出文本音高向量；

文本重音向量和文本停顿向量经能量预测器进行时长预测，输出文本能量向量；

对文本音高向量和文本能量向量进行融合，得到文本韵律向量。

可选的是，韵律预测器包括时长预测器和能量预测器，对应地，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经时长预测器进行音高预测，输出文本音高向量；

文本重音向量和文本停顿向量经能量预测器进行时长预测，输出文本能量向量；

对文本时长向量和文本能量向量进行融合，得到文本韵律向量。

可选的是，韵律预测器包括音高预测器、时长预测器和能量预测器，对应地，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

文本重音向量和文本停顿向量经音高预测器进行音高预测，输出文本音高向量；

文本重音向量和文本停顿向量经时长预测器进行音高预测，输出文本音高向量；

文本重音向量和文本停顿向量经能量预测器进行时长预测，输出文本能量向量；

对文本音高向量、文本时长向量和文本能量向量进行融合，得到文本韵律向量。

上述将文本重音向量和文本停顿向量经训练好的韵律预测器中进行韵律标签的预测，输出文本韵律向量的步骤，通过训练好的韵律预测器对文本重音向量和文本停顿向量进行韵律标签的预测，输出文本韵律向量，准确地表征了合成语音的韵律属性信息，提高了合成语音的表现力和自然性。

步骤S205，对目标文本进行音素转换，得到对应目标文本的音素序列，将文本韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，对具有韵律标签的音素序列进行语音转换，得到合成语音。

其中，音素是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作即可构成一个音素。

由于不同语言存在“同字不同音”的现象，因此需要将目标文本从文本形式转换为音素形式，参见图3，对目标文本进行音素转换，得到目标文本对应的音素序列，以提高目标文本与合成语音之间的一致性，从而提高合成语音的准确性。

该音素序列中包含了文本内容信息，因此，将文本韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，以同时表征目标文本的内容信息以及预测的合成语音的韵律信息，然后通过对具有韵律标签的音素序列进行语音转换，即可得到合成语音，完成语音合成任务。

本实施例以语音合成技术在金融领域中的应用为例，对应地，对目标话术进行音素转换，得到目标话术对应的音素序列，以提高目标话术与合成语音之间的一致性，将话术韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，以同时表征目标话术的内容信息以及预测的合成语音的韵律信息，然后通过对具有韵律标签的音素序列进行语音转换，即可得到合成语音，完成金融领域中的语音合成任务，以辅助业务人员提高工作效率和工作质量。

上述对目标文本进行音素转换，得到对应目标文本的音素序列，将文本韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，对具有韵律标签的音素序列进行语音转换，得到合成语音的步骤，将文本韵律向量与目标文本的音素序列进行匹配，得到具有韵律标签的音素序列，以同时表征目标文本的内容信息以及预测的合成语音的韵律信息，提高了合成语音的自然性和表现力，进而提高了合成语音的准确性。

本发明实施例获取目标文本，训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量，文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将重音预测向量和文本特征向量相加，得到文本重音向量，文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将停顿预测向量和文本特征向量相加，得到文本停顿向量，文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量，对目标文本进行音素转换，得到对应目标文本的音素序列，将文本韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，对具有韵律标签的音素序列进行语音转换，得到合成语音，通过训练好的重音预测器和停顿预测器对文本特征向量进行重音标签和停顿标签的预测，输出重音预测向量和停顿预测向量，用来预测表征待合成的语音中的重音特征和停顿特征，并将其作为韵律预测的基础预测得到文本韵律向量，通过提高韵律情感的表征准确性，提高了合成语音的表现力和自然性，进而提高了合成语音的准确性。

对应于上文实施例的语音合成方法，图4给出了本发明实施例二提供的基于人工智能的语音合成装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。

参见图4，该语音合成装置包括：

特征提取模块41，用于获取目标文本，训练好的特征提取模型对目标文本进行特征提取，输出文本特征向量；

重音预测模块42，用于文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将重音预测向量和文本特征向量相加，得到文本重音向量；

停顿预测模块43，用于文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将停顿预测向量和文本特征向量相加，得到文本停顿向量；

韵律预测模块44，用于文本重音向量和文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量；

语音合成模块45，用于对目标文本进行音素转换，得到对应目标文本的音素序列，将文本韵律向量与音素序列进行匹配，得到具有韵律标签的音素序列，对具有韵律标签的音素序列进行语音转换，得到合成语音。

可选的是，训练好的特征提取模型包括嵌入层和第一频谱分析层，上述特征提取模块41包括：

文本嵌入子模块，用于嵌入层对目标文本进行文本嵌入，输出文本嵌入特征；

频谱分析子模块，用于频谱分析层对文本嵌入特征进行频谱分析，输出文本特征向量。

可选的是，训练好的重音预测器包括第一卷积层、第一全连接层、第一归一化层和第一特征转换层，上述重音预测模块42包括：

重音特征提取子模块，用于第一卷积层对文本特征向量进行特征提取，输出重音特征向量；

第一分类子模块，用于第一全连接层对重音特征向量进行分类，输出第一重音概率向量；

第一归一化子模块，用于第一归一化层对第一重音概率向量进行归一化，输出第二重音概率向量；

第一特征转换子模块，用于第一特征转换层对第二重音概率向量进行特征转换，输出重音预测向量。

可选的是，训练好的停顿预测器包括第二卷积层、第二全连接层、第二归一化层和第二特征转换层，上述停顿预测模块43包括：

停顿特征提取子模块，用于第二卷积层对文本特征向量进行特征提取，输出停顿特征向量；

第二分类子模块，用于第二全连接层对停顿特征向量进行分类，输出第一停顿概率向量；

第二归一化子模块，用于第二归一化层对第一停顿概率向量进行归一化，输出第二停顿概率向量；

第二特征转换子模块，用于第二特征转换层对第二停顿概率向量进行特征转换，输出停顿预测向量。

可选的是，韵律预测器包括音高预测器，上述韵律预测模块44包括：

第一音高预测子模块，用于文本重音向量和文本停顿向量经音高预测器进行音高预测，输出文本音高向量作为文本韵律向量。

可选的是，韵律预测器还包括时长预测器，上述韵律预测模块44包括：

第二音高预测子模块，用于文本重音向量和文本停顿向量经音高预测器进行音高预测，输出文本音高向量；

时长预测子模块，用于文本重音向量和文本停顿向量经时长预测器进行时长预测，输出文本时长向量；

向量融合子模块，用于对文本音高向量和文本时长向量进行融合，得到文本韵律向量。

需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本发明实施例三提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个语音合成方法实施例中的步骤。

该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。

所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的语音合成方法，其特征在于，所述语音合成方法包括：

获取目标文本，训练好的特征提取模型对所述目标文本进行特征提取，输出文本特征向量；

所述文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将所述重音预测向量和所述文本特征向量相加，得到文本重音向量；

所述文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将所述停顿预测向量和所述文本特征向量相加，得到文本停顿向量；

所述文本重音向量和所述文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量；

对所述目标文本进行音素转换，得到对应所述目标文本的音素序列，将所述文本韵律向量与所述音素序列进行匹配，得到具有韵律标签的音素序列，对所述具有韵律标签的音素序列进行语音转换，得到合成语音。

2.根据权利要求1所述的语音合成方法，其特征在于，所述训练好的特征提取模型包括嵌入层和第一频谱分析层；

训练好的特征提取模型对所述目标文本进行特征提取，输出文本特征向量包括：

所述嵌入层对所述目标文本进行文本嵌入，输出文本嵌入特征；

所述频谱分析层对所述文本嵌入特征进行频谱分析，输出文本特征向量。

3.根据权利要求1所述的语音合成方法，其特征在于，所述训练好的重音预测器包括第一卷积层、第一全连接层、第一归一化层和第一特征转换层；

所述文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量包括：

所述第一卷积层对所述文本特征向量进行特征提取，输出重音特征向量；

所述第一全连接层对所述重音特征向量进行分类，输出第一重音概率向量；

所述第一归一化层对所述第一重音概率向量进行归一化，输出第二重音概率向量；

所述第一特征转换层对所述第二重音概率向量进行特征转换，输出重音预测向量。

4.根据权利要求1所述的语音合成方法，其特征在于，所述训练好的停顿预测器包括第二卷积层、第二全连接层、第二归一化层和第二特征转换层；

所述文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量包括：

所述第二卷积层对所述文本特征向量进行特征提取，输出停顿特征向量；

所述第二全连接层对所述停顿特征向量进行分类，输出第一停顿概率向量；

所述第二归一化层对所述第一停顿概率向量进行归一化，输出第二停顿概率向量；

所述第二特征转换层对所述第二停顿概率向量进行特征转换，输出停顿预测向量。

5.根据权利要求1所述的语音合成方法，其特征在于，所述韵律预测器包括音高预测器；

所述文本重音向量和所述文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

所述文本重音向量和所述文本停顿向量经所述音高预测器进行音高预测，输出文本音高向量作为文本韵律向量。

6.根据权利要求5所述的语音合成方法，其特征在于，所述韵律预测器还包括时长预测器；

所述文本重音向量和所述文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量包括：

所述文本重音向量和所述文本停顿向量经所述音高预测器进行音高预测，输出文本音高向量；

所述文本重音向量和所述文本停顿向量经所述时长预测器进行时长预测，输出文本时长向量；

对所述文本音高向量和所述文本时长向量进行融合，得到文本韵律向量。

7.一种基于人工智能的语音合成装置，其特征在于，所述语音合成装置包括：

特征提取模块，用于获取目标文本，训练好的特征提取模型对所述目标文本进行特征提取，输出文本特征向量；

重音预测模块，用于所述文本特征向量经训练好的重音预测器进行重音标签的预测，输出重音预测向量，将所述重音预测向量和所述文本特征向量相加，得到文本重音向量；

停顿预测模块，用于所述文本特征向量经训练好的停顿预测器进行停顿标签的预测，输出停顿预测向量，将所述停顿预测向量和所述文本特征向量相加，得到文本停顿向量；

韵律预测模块，用于所述文本重音向量和所述文本停顿向量经训练好的韵律预测器进行韵律标签的预测，输出文本韵律向量；

语音合成模块，用于对所述目标文本进行音素转换，得到对应所述目标文本的音素序列，将所述文本韵律向量与所述音素序列进行匹配，得到具有韵律标签的音素序列，对所述具有韵律标签的音素序列进行语音转换，得到合成语音。

8.根据权利要求7所述的语音合成装置，其特征在于，所述训练好的特征提取模型包括嵌入层和第一频谱分析层，所述特征提取模块包括：

文本嵌入子模块，用于所述嵌入层对所述目标文本进行文本嵌入，输出文本嵌入特征；

频谱分析子模块，用于所述频谱分析层对所述文本嵌入特征进行频谱分析，输出文本特征向量。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6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如权利要求1至6任一项所述的语音合成方法。