CN116665639A - 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
CN116665639A
CN116665639A CN202310715804.9A CN202310715804A CN116665639A CN 116665639 A CN116665639 A CN 116665639A CN 202310715804 A CN202310715804 A CN 202310715804A CN 116665639 A CN116665639 A CN 116665639A
Authority
CN
China
Prior art keywords
vector
target
emotion
audio
feature
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
CN202310715804.9A
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 CN202310715804.9A priority Critical patent/CN116665639A/zh
Publication of CN116665639A publication Critical patent/CN116665639A/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
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—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
    • 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
    • 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
    • G10L25/48—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)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (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。该方法包括：获取目标文本；对目标文本进行音素提取，得到目标音素数据；对参考梅尔倒谱进行情感预测，得到目标情感特征向量；对目标音素数据进行音素编码，得到目标音素编码向量；对目标情感特征向量和目标音素编码向量进行向量融合，得到目标音频表征向量；对目标音频表征向量进行语音合成，得到合成语音数据。本申请能够用于网络购物、电子交易等业务领域的语音通话场景，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，常常需要对对话机器人的音色和情感进行控制，以提高合成语音的语音质量。相关技术中，大多数方法会采取对参考说话人信息和情感信息分别建模的方式来控制合成语音中的情感特征和说话人特征的生成，这一方式往往会削弱合成语音中的情感信息，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；
对所述目标文本进行音素提取，得到目标音素数据；
对所述参考梅尔倒谱进行情感预测，得到目标情感特征向量；
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；
对所述目标情感特征向量和所述目标音素编码向量进行向量融合，得到目标音频表征向量；
对所述目标音频表征向量进行语音合成，得到合成语音数据。
在一些实施例，所述对所述参考梅尔倒谱进行情感预测，得到目标情感特征向量，包括：
对所述参考梅尔倒谱进行说话人编码处理，得到说话人编码特征；
对所述参考梅尔倒谱进行情感编码处理，得到音频情感编码特征；
对所述参考梅尔倒谱进行韵律增强，得到音频韵律特征；
对所述说话人编码特征、所述音频情感编码特征以及所述音频韵律特征进行特征相加，得到所述目标情感特征向量。
在一些实施例，所述对所述参考梅尔倒谱进行说话人编码处理，得到说话人编码特征，包括：
对所述参考梅尔倒谱进行特征提取，得到第一频谱特征向量；
对所述第一频谱特征向量进行说话人嵌入，得到说话人嵌入向量；
对所述说话人嵌入向量进行特征映射，得到所述说话人编码特征。
在一些实施例，所述对所述参考梅尔倒谱进行情感编码处理，得到音频情感编码特征，包括：
对所述参考梅尔倒谱进行特征提取，得到第二频谱特征向量；
对所述第二频谱特征向量进行情感嵌入，得到情感嵌入向量；
对所述情感嵌入向量进行特征映射，得到所述音频情感编码特征。
在一些实施例，所述对所述参考梅尔倒谱进行韵律增强，得到音频韵律特征，包括：
对所述参考梅尔倒谱进行特征提取，得到音频隐特征向量；
对所述音频隐特征向量进行韵律增强，得到所述音频韵律特征。
在一些实施例，所述对所述音频隐特征向量进行韵律增强，得到所述音频韵律特征，包括：
对所述音频隐特征向量进行特征提取，得到第三频谱特征向量；
对所述第三频谱特征向量进行上下文特征融合，得到融合音频特征向量；
对所述融合音频特征向进行韵律嵌入，得到韵律嵌入向量；
对所述韵律嵌入向量进行特征映射，得到所述音频韵律特征。
在一些实施例，所述对所述目标音频表征向量进行语音合成，得到合成语音数据，包括：
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；
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。
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：
获取模块，用于获取目标文本；
特征提取模块，用于对所述目标文本进行音素提取，得到目标音素数据；
情感预测模块，用于对所述参考梅尔倒谱进行情感预测，得到目标情感特征向量；
音素编码模块，用于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；
向量融合模块，用于对所述目标情感特征向量和所述目标音素编码向量进行向量融合，得到目标音频表征向量；
语音合成模块，用于对所述目标音频表征向量进行语音合成，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；对目标文本进行音素提取，得到目标音素数据，能够较为方便地获取到目标文本对应的音素序列信息。进一步地，对参考梅尔倒谱进行情感预测，得到目标情感特征向量，能够较为方便地实现对语音合成过程的情感控制，提高获取到的情感信息的全面性；对目标音素数据进行音素编码，得到目标音素编码向量；对目标情感特征向量和目标音素编码向量进行向量融合，得到目标音频表征向量，能够使得目标音频表征向量同时包含目标文本的音素特征信息和基于参考梅尔倒谱确定的合成语音情感信息。最后，对目标音频表征向量进行语音合成，得到合成语音数据，能够通过情感控制的方式减小情感信息的丢失风险，提高合成语音数据中的情感信息的准确性，从而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是图1中的步骤S103的流程图；
图3是图2中的步骤S201的流程图；
图4是图2中的步骤S202的流程图；
图5是图2中的步骤S203的流程图；
图6是图5中的步骤S502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，IE)：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 RecurrentUnit，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)。
多说话人情感控制语音合成模型是指能够对说话人音色与情感分别进行控制的TTS(Text-to-Speech)系统，模型能够通过指定的标签实现特定情形下的语音合成。
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，常常需要对对话机器人的音色和情感进行控制，以提高合成语音的语音质量。相关技术中，大多数方法为了使语音合成模型具备能够解耦说话人的音色和情感信息的能力，常常会采取对说话人信息和情感信息分别建模的方式来控制合成语音中的情感特征和说话人特征的生成，即在建模情感信息时剔除说话人信息，在建模说话人的音色信息时剔除情感信息，这一方式往往会削弱合成语音中的情感信息，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。
本申请的语音合成方法能够用于电子交易时的语音通话场景，也能够用于网络购物、电子商务等多种场景，不做限制。
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S106。
步骤S101，获取目标文本；
步骤S102，对目标文本进行音素提取，得到目标音素数据；
步骤S103，对参考梅尔倒谱进行情感预测，得到目标情感特征向量；
步骤S104，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，对目标情感特征向量和目标音素编码向量进行向量融合，得到目标音频表征向量；
步骤S106，对目标音频表征向量进行语音合成，得到合成语音数据。
本申请实施例所示意的步骤S101至步骤S106，通过获取目标文本；对目标文本进行音素提取，得到目标音素数据，能够较为方便地获取到目标文本对应的音素序列信息。对参考梅尔倒谱进行情感预测，得到目标情感特征向量，能够较为方便地实现对语音合成过程的情感控制，提高获取到的情感信息的全面性；对目标音素数据进行音素编码，得到目标音素编码向量；对目标情感特征向量和目标音素编码向量进行向量融合，得到目标音频表征向量，能够使得目标音频表征向量同时包含目标文本的音素特征信息和基于参考梅尔倒谱确定的合成语音情感信息。最后，对目标音频表征向量进行语音合成，得到合成语音数据，能够通过情感控制的方式减小情感信息的丢失风险，提高合成语音数据中的情感信息的准确性，从而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。
通过上述方式能够较为方便地获取目标文本，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。
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。
在一些实施例的步骤S102中，在对目标文本进行音素提取，得到目标音素数据时，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。这一方式能够提高生成的目标音素数据的准确性和效率。
在一些实施例的步骤S103之前，还需要获取预设的参考梅尔倒谱，其中，预设的参考梅尔倒谱可以是从各种数据库或者网络平台上采集到的参考音频中提取到，并存储在固定存储库中的频谱数据，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。
在一些实施例中，本申请的语音合成方法可以基于预设的语音合成模型实现，该语音合成模型包括情感控制网络、文本编码网络以及语音合成网络。情感控制网络主要用于基于输入的参考梅尔倒谱实现多说话人的风格提取、情感提取以及韵律增强控制，得到包含说话人风格信息、增强韵律信息以及情感信息的融合特征信息，从而弥补韵律信息在说话人音色与情感解耦过程中的丢失，提高融合特征信息的信息全面性；文本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；语音合成网络主要用于利用融合特征信息和音素特征信息进行语音合成，生成与输入文本对应的合成语音数据。该语音合成模型能够实现在语音合成过程中引入带有韵律增强的多说话人情感控制，能够有效补偿韵律信息在说话人音色与情感解耦过程中的丢失，达到说话人与情感高质量建模与控制的目的，从而提高生成的合成语音数据的语音质量。
请参阅图2，在一些实施例中，情感控制网络包括说话人编码模块、情感编码模块、韵律增强模块，步骤S103可以包括但不限于包括步骤S201至步骤S204：
步骤S201，对参考梅尔倒谱进行说话人编码处理，得到说话人编码特征；
步骤S202，对参考梅尔倒谱进行情感编码处理，得到音频情感编码特征；
步骤S203，对参考梅尔倒谱进行韵律增强，得到音频韵律特征；
步骤S204，对说话人编码特征、音频情感编码特征以及音频韵律特征进行特征相加，得到目标情感特征向量。
在一些实施例的步骤S201中，说话人编码模块可以包括第一卷积层、第一GRU层以及第一全连接层。具体地，基于第一卷积层对参考梅尔倒谱进行特征提取，得到第一频谱特征向量；基于第一GRU层对第一频谱特征向量进行说话人嵌入，得到说话人嵌入向量；基于第一全连接层对说话人嵌入向量进行特征映射，得到说话人编码特征。通过这一方式能够较为方便地提取参考梅尔倒谱中的说话人风格信息，得到包含说话人风格信息的说话人编码特征。说话人风格信息包括说话人的音色特点、语速特点、音调特点、音高特点等等。
在一些实施例的步骤S202中，情感编码模块包括第二卷积层、第二GRU层以及第二全连接层。具体地，基于第二卷积层对参考梅尔倒谱进行特征提取，得到第二频谱特征向量；基于第二GRU层对第二频谱特征向量进行情感嵌入，得到情感嵌入向量；基于第二全连接层对情感嵌入向量进行特征映射，得到音频情感编码特征。通过这一方式能够较为方便地提取参考梅尔倒谱中的情感特征信息，得到包含情感特征信息的音频情感编码特征。情感特征信息包括该参考梅尔倒谱包含的情感类型，情感类型包括开心、悲伤、平静等等，不做限制。
在一些实施例的步骤S203中，韵律增强模块可以包括语音识别器、韵律编码器。具体地，基于语音识别器对参考梅尔倒谱进行特征提取，得到音频隐特征向量；基于韵律编码器对音频隐特征向量进行韵律增强，得到音频韵律特征。
在一些实施例的步骤S204中，由于在模型训练时将说话人编码模块、情感编码模块以及韵律增强模块的输出设置为相同维度，因此，说话人编码特征、音频情感编码特征以及音频韵律特征是同一维度的特征向量，可以直接对说话人编码特征、音频情感编码特征以及音频韵律特征进行特征相加，得到目标情感特征向量。
通过上述步骤S201至步骤S204能够实现在语音合成过程中引入带有韵律增强的多说话人情感控制，能够有效地补偿韵律信息在说话人音色与情感解耦过程中的丢失，达到说话人与情感高质量建模与控制的目的，有助于提高语音合成过程中说话人风格信息和情感信息的全面提取，有利于提高合成语音数据的语音质量。
请参阅图3，在一些实施例中，说话人编码模块包括第一卷积层、第一GRU层以及第一全连接层，步骤S201可以包括但不限于包括步骤S301至步骤S303：
步骤S301，对参考梅尔倒谱进行特征提取，得到第一频谱特征向量；
步骤S302，对第一频谱特征向量进行说话人嵌入，得到说话人嵌入向量；
步骤S303，对说话人嵌入向量进行特征映射，得到说话人编码特征。
在一些实施例的步骤S301中，可以基于第一卷积层对参考梅尔倒谱进行特征提取，捕捉参考梅尔倒谱中的说话人风格信息，得到第一频谱特征向量。
在一些实施例的步骤S302中，可以基于第一GRU层对第一频谱特征向量进行说话人嵌入，得到说话人嵌入向量。将每个时刻的第一频谱特征向量与上一时刻的第一频谱特征向量的隐藏层状态特征一起输入至第一GRU层，基于第一GRU层对每个时刻的第一频谱特征向量与上一时刻的第一频谱特征向量的隐藏层状态特征进行特征提取，输出该时刻的第一频谱特征向量的隐藏层状态特征和说话人嵌入向量，该时刻的隐藏层状态特征用于提供给下一时刻的第一频谱特征向量进行说话人风格嵌入。
在一些实施例的步骤S303中，基于第一全连接层对说话人嵌入向量进行线性变换，改变说话人嵌入向量的特征维度，将高维度的说话人嵌入向量转换为低维向量，得到说话人编码特征，使得说话人编码特征能够包含更为丰富的说话人风格特征信息。
通过上述步骤S301至步骤S303能够较为方便地实现对参考梅尔倒谱的说话人风格嵌入，能更为准确地、全面地提取到参考梅尔倒谱的说话人风格特征信息，从而提高说话人编码特征的特征质量，有利于提高生成的合成语音数据的语音质量。
请参阅图4，在一些实施例中，情感编码模块包括第二卷积层、第二GRU层以及第二全连接层，步骤S202可以包括但不限于包括步骤S401至步骤S403：
步骤S401，对参考梅尔倒谱进行特征提取，得到第二频谱特征向量；
步骤S402，对第二频谱特征向量进行情感嵌入，得到情感嵌入向量；
步骤S403，对情感嵌入向量进行特征映射，得到音频情感编码特征。
在一些实施例的步骤S401中，基于第二卷积层对参考梅尔倒谱进行特征提取，捕捉参考梅尔倒谱中的情感特征信息，得到第二频谱特征向量。
在一些实施例的步骤S402中，在基于第二GRU层对第二频谱特征向量进行情感嵌入，得到情感嵌入向量时，将每个时刻的第二频谱特征向量与上一时刻的第二频谱特征向量的隐藏层状态特征一起输入至第二GRU层，基于第二GRU层对每个时刻的第二频谱特征向量与上一时刻的第二频谱特征向量的隐藏层状态特征进行特征提取，输出该时刻的第二频谱特征向量的隐藏层状态特征和情感嵌入向量，该时刻的隐藏层状态特征用于提供给下一时刻的第二频谱特征向量进行情感嵌入。
在一些实施例的步骤S403中，基于第二全连接层对情感嵌入向量进行线性变换，改变情感嵌入向量的特征维度，将高维度的情感嵌入向量转换为低维向量，得到音频情感编码特征，使得音频情感编码特征能够包含更为准确的情感特征信息。
通过上述步骤S401至步骤S403能够较为方便地实现对参考梅尔倒谱的情感嵌入，能更为准确地、全面地提取到参考梅尔倒谱的情感特征信息，从而提高音频情感编码特征的特征质量，有利于提高生成的合成语音数据的语音质量。
请参阅图5，在一些实施例，韵律增强模块包括语音识别器、韵律编码器，步骤S203包括但不限于包括步骤S501至步骤S502：
步骤S501，对参考梅尔倒谱进行特征提取，得到音频隐特征向量；
步骤S502，对音频隐特征向量进行韵律增强，得到音频韵律特征。
在一些实施例的步骤S501中，为了弥补说话人编码模块和情感编码模块进行解耦信息时所导致的韵律信息丢失，韵律增强模块中设置了基于自动语音识别技术ASR的语音识别器。具体地，基于语音识别器对参考梅尔倒谱进行特征提取，获取参考梅尔倒谱中的音频隐状态特征信息，得到音频隐特征向量，该音频隐特征向量蕴含着与说话人无关的韵律信息特征。因此，将音频隐特征向量作为韵律编码器的输入，能够较好地补偿整个情感控制模块的情绪信息，从而达到弥补语音合成过程中韵律信息的削弱和情感信息的丢失。
在一些实施例的步骤S502中，韵律编码器可以包括第三卷积层、全局上下文模块，第三GRU层以及第三全连接层。具体地，基于第三卷积层对音频隐特征向量进行特征提取，得到第三频谱特征向量；基于全局上下文模块对第三频谱特征向量进行上下文特征融合，得到融合音频特征向量；基于第三GRU层对融合音频特征向进行韵律嵌入，得到韵律嵌入向量；基于第三全连接层对韵律嵌入向量进行特征映射，得到音频韵律特征。在韵律编码器中设置全局上下文模块能实现上下文建模的效果，从而减小由于情感信息与说话人信息的纠缠而导致的情感嵌入所传达的情感信息在与说话人相关的信息解耦被削弱的风险。通过这一方式能够利用韵律编码器对音频隐特征向量进行全局上下文信息提取，能更为全面地提取到语音合成过程中的韵律信息和情感信息。
通过上述步骤S501至步骤S502能够较好地利用语音识别器产生的蕴含与说话人无关的韵律信息特征的音频隐特征向量，并利用韵律编码器对音频隐特征向量进行全局上下文信息提取，能更为全面地提取到语音合成过程中的韵律信息和情感信息，有效地弥补语音合成中的韵律信息在说话人音色与情感解耦过程中的丢失，从而提高合成语音数据的信息全面性和语音质量。
请参阅图6，在一些实施例中，韵律编码器包括第三卷积层、全局上下文模块，第三GRU层以及第三全连接层，步骤S502可以包括但不限于包括步骤S601至步骤S604：
步骤S601，对音频隐特征向量进行特征提取，得到第三频谱特征向量；
步骤S602，对第三频谱特征向量进行上下文特征融合，得到融合音频特征向量；
步骤S603，对融合音频特征向进行韵律嵌入，得到韵律嵌入向量；
步骤S604，对韵律嵌入向量进行特征映射，得到音频韵律特征。
在一些实施例的步骤S601中，基于第三卷积层对音频隐特征向量进行特征提取，捕捉参考梅尔倒谱中的韵律特征信息，得到第三频谱特征向量，该第三频谱特征向量中的韵律特征与说话人无关。
在一些实施例的步骤S602中，全局上下文模块主要用于实现全局上下文建模、捕捉通道间依赖和特征融合，基于全局上下文模块对第三频谱特征向量进行全局上下文特征融合得到融合音频特征向量的具体过程可以表示如公式(1)所示。
其中，xi表示输入全局上下文模块的第i个第三频谱特征向量；xj表示输入全局上下文模块的第j个第三频谱特征向量；xm表示输入全局上下文模块的第m个第三频谱特征向量；zi表示全局上下文模块输出的第i个融合音频特征向量。Np表示第三频谱特征向量的总数。表示对第j个第三频谱特征向量xi经过1×1卷积后进行exp计算的结果；/>表示对第m个第三频谱特征向量xm经过1×1卷积后进行exp计算的结果。/>表示全局注意力池化的权值。
由上述公式(1)可以知道，全局上下文模块对第i个第三频谱特征向量xi进行全局上下文特征融合得到融合音频特征向量zi的过程包括：首先对全局注意池化权值和第j个第三频谱特征向量xj进行点乘，再将点乘结果依次进行卷积处理、归一化处理、激活处理以及卷积处理，得到中间特征向量，最后，将中间特征向量与第i个第三频谱特征向量xi进行向量相加，得到融合音频特征向量zi。
在一些实施例的步骤S603中，在基于第三GRU层对融合音频特征向量进行韵律嵌入，得到韵律嵌入向量时，将每个时刻的融合音频特征向量与上一时刻的融合音频特征向量的隐藏层状态特征一起输入至第三GRU层，基于第三GRU层对每个时刻的融合音频特征向量与上一时刻的融合音频特征向量的隐藏层状态特征进行特征提取，输出该时刻的融合音频特征向量的隐藏层状态特征和韵律嵌入向量，该时刻的隐藏层状态特征用于提供给下一时刻的融合音频特征向量进行韵律嵌入。
在一些实施例的步骤S604中，基于第三全连接层对韵律嵌入向量进行线性变换，改变韵律嵌入向量的特征维度，将高维度的韵律嵌入向量转换为低维向量，得到音频韵律特征，使得音频韵律特征能够包含更为准确的韵律特征信息。
需要说明的是，韵律编码器中第三卷积层、全局上下文模块，第三GRU层以及第三全连接层的个数可以根据实际需求设置，不做限制。
例如，在一个具体实施例中，韵律编码器包括6个第三卷积层、3个全局上下文模块、1个第三GRU层以及1个第三全连接层。参考梅尔倒谱首先输入到第1个第三卷积层中，第1个第三卷积层的输出作为第1个全局上下文模块的输入，第1个全局上下文的输出作为第2个第三卷积层的输入，第2个第三卷积层的输出作为第3个第三卷积层的输入，第3个第三卷积层的输出作为第2个全局上下文模块的输入，第2个全局上下文模块的输出作为第4个第三卷积层的输入，第4个第三卷积层的输出作为第5个第三卷积层的输入，第5个第三卷积层的输出作为第3个全局上下文模块的输入，第3个全局上下文模块的输出作为第6个第三卷积层的输入，第6个第三卷积层的输出作为第三GRU层的输入，第三GRU层的输出作为第三全连接层的输入，将第三全连接层的输出作为最终的音频韵律特征。
通过上述步骤S601至步骤S604，在韵律编码器中设置全局上下文模块能实现上下文建模的效果，能够增强语音合成模型学习到的情感信息，基于上述的韵律编码器，该语音合成模型能够实现在语音合成过程中引入带有韵律增强的多说话人情感控制，能够有效补偿韵律信息在说话人音色与情感解耦过程中的丢失，达到说话人与情感高质量建模与控制的目的，减小由于情感信息与说话人信息的纠缠而导致的情感嵌入所传达的情感信息在与说话人相关的信息解耦被削弱的风险。通过这一方式能够利用韵律编码器对音频隐特征向量进行全局上下文信息提取，能更为全面地提取到语音合成过程中的韵律信息和情感信息，从而提高生成的合成语音数据的语音质量。
在一些实施例的步骤S104中，在基于文本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，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音素数据进行文本编码，能够较为方便地提取目标音素数据的上下文信息，使得能够尽可能多地提取到目标音素数据的全部特征信息，从而提高生成的目标音素编码向量的特征质量。
在一些实施例的步骤S105中，在对目标情感特征向量和目标音素编码向量进行向量融合时，可以是直接对目标情感特征向量和目标音素编码向量进行向量相加或者向量拼接，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特征向量和目标音素编码向量分别进行特征映射，将目标情感特征向量和目标音素编码向量转换到同一维度的向量空间，使得目标情感特征向量和目标音素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特征向量和目标音素编码向量进行向量相加或者向量拼接，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。
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S106可以包括但不限于包括步骤S701至步骤S702：
步骤S701，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S702，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，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S702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S702能够使得合成语音数据能够同时包含参考梅尔倒谱中的情感信息、说话人风格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；对目标文本进行音素提取，得到目标音素数据，能够较为方便地获取到目标文本对应的音素序列信息。进一步地，基于预设的语音合成模型的情感控制网络对参考梅尔倒谱进行情感预测，得到目标情感特征向量，能够较为方便地实现对语音合成过程的情感控制，提高获取到的情感信息的全面性。具体地，在情感控制网络中设置说话人编码模块、情感编码模块以及包含有全局上下文模块的韵律增强模块，能够有效地减小韵律信息的损失。基于文本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；对目标情感特征向量和目标音素编码向量进行向量相加，得到目标音频表征向量，能够使得目标音频表征向量同时包含目标文本的音素特征信息和基于参考梅尔倒谱确定的合成语音情感信息。最后，基于语音合成网络对目标音频表征向量进行语音合成，得到合成语音数据，能够实现在语音合成过程中引入带有韵律增强的多说话人情感控制，能够有效补偿韵律信息在说话人音色与情感解耦过程中的丢失，达到说话人与情感高质量建模与控制的目的，提高合成语音数据中的情感信息的准确性，从而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：
获取模块801，用于获取目标文本；
特征提取模块802，用于对目标文本进行音素提取，得到目标音素数据；
情感预测模块803，用于对参考梅尔倒谱进行情感预测，得到目标情感特征向量；
音素编码模块804，用于对目标音素数据进行音素编码，得到目标音素编码向量；
向量融合模块805，用于对目标情感特征向量和目标音素编码向量进行向量融合，得到目标音频表征向量；
语音合成模块806，用于对目标音频表征向量进行语音合成，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；对目标文本进行音素提取，得到目标音素数据，能够较为方便地获取到目标文本对应的音素序列信息。进一步地，基于预设的语音合成模型的情感控制网络对参考梅尔倒谱进行情感预测，得到目标情感特征向量，能够较为方便地实现对语音合成过程的情感控制，提高获取到的情感信息的全面性。具体地，在情感控制网络中设置说话人编码模块、情感编码模块以及包含有全局上下文模块的韵律增强模块，能够有效地减小韵律信息的损失。基于文本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；对目标情感特征向量和目标音素编码向量进行向量相加，得到目标音频表征向量，能够使得目标音频表征向量同时包含目标文本的音素特征信息和基于参考梅尔倒谱确定的合成语音情感信息。最后，基于语音合成网络对目标音频表征向量进行语音合成，得到合成语音数据，能够实现在语音合成过程中引入带有韵律增强的多说话人情感控制，能够有效补偿韵律信息在说话人音色与情感解耦过程中的丢失，达到说话人与情感高质量建模与控制的目的，提高合成语音数据中的情感信息的准确性，从而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；
对所述目标文本进行音素提取，得到目标音素数据；
对所述参考梅尔倒谱进行情感预测，得到目标情感特征向量；
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；
对所述目标情感特征向量和所述目标音素编码向量进行向量融合，得到目标音频表征向量；
对所述目标音频表征向量进行语音合成，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，所述对所述参考梅尔倒谱进行情感预测，得到目标情感特征向量，包括：
对所述参考梅尔倒谱进行说话人编码处理，得到说话人编码特征；
对所述参考梅尔倒谱进行情感编码处理，得到音频情感编码特征；
对所述参考梅尔倒谱进行韵律增强，得到音频韵律特征；
对所述说话人编码特征、所述音频情感编码特征以及所述音频韵律特征进行特征相加，得到所述目标情感特征向量。
3.根据权利要求2所述的语音合成方法，其特征在于，所述对所述参考梅尔倒谱进行说话人编码处理，得到说话人编码特征，包括：
对所述参考梅尔倒谱进行特征提取，得到第一频谱特征向量；
对所述第一频谱特征向量进行说话人嵌入，得到说话人嵌入向量；
对所述说话人嵌入向量进行特征映射，得到所述说话人编码特征。
4.根据权利要求2所述的语音合成方法，其特征在于，所述对所述参考梅尔倒谱进行情感编码处理，得到音频情感编码特征，包括：
对所述参考梅尔倒谱进行特征提取，得到第二频谱特征向量；
对所述第二频谱特征向量进行情感嵌入，得到情感嵌入向量；
对所述情感嵌入向量进行特征映射，得到所述音频情感编码特征。
5.根据权利要求2所述的语音合成方法，其特征在于，所述对所述参考梅尔倒谱进行韵律增强，得到音频韵律特征，包括：
对所述参考梅尔倒谱进行特征提取，得到音频隐特征向量；
对所述音频隐特征向量进行韵律增强，得到所述音频韵律特征。
6.根据权利要求5所述的语音合成方法，其特征在于，所述对所述音频隐特征向量进行韵律增强，得到所述音频韵律特征，包括：
对所述音频隐特征向量进行特征提取，得到第三频谱特征向量；
对所述第三频谱特征向量进行上下文特征融合，得到融合音频特征向量；
对所述融合音频特征向进行韵律嵌入，得到韵律嵌入向量；
对所述韵律嵌入向量进行特征映射，得到所述音频韵律特征。
7.根据权利要求1至6任一项所述的语音合成方法，其特征在于，所述对所述目标音频表征向量进行语音合成，得到合成语音数据，包括：
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；
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。
8.一种语音合成装置，其特征在于，所述装置包括：
获取模块，用于获取目标文本；
特征提取模块，用于对所述目标文本进行音素提取，得到目标音素数据；
情感预测模块，用于对所述参考梅尔倒谱进行情感预测，得到目标情感特征向量；
音素编码模块，用于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；
向量融合模块，用于对所述目标情感特征向量和所述目标音素编码向量进行向量融合，得到目标音频表征向量；
语音合成模块，用于对所述目标音频表征向量进行语音合成，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。
CN202310715804.9A 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 CN116665639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310715804.9A CN116665639A (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
CN202310715804.9A CN116665639A (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
CN116665639A true CN116665639A (zh) 2023-08-29

Family

ID=87710359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310715804.9A Pending CN116665639A (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) CN116665639A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877460A (zh) * 2024-01-12 2024-04-12 汉王科技股份有限公司 语音合成方法、装置、语音合成模型训练方法、装置
CN117877460B (zh) * 2024-01-12 2024-10-29 汉王科技股份有限公司 语音合成方法、装置、语音合成模型训练方法、装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877460A (zh) * 2024-01-12 2024-04-12 汉王科技股份有限公司 语音合成方法、装置、语音合成模型训练方法、装置
CN117877460B (zh) * 2024-01-12 2024-10-29 汉王科技股份有限公司 语音合成方法、装置、语音合成模型训练方法、装置

Similar Documents

Publication Publication Date Title
CN112687259B (zh) 一种语音合成方法、装置以及可读存储介质
CN111968618B (zh) 语音合成方法、装置
Mamyrbayev et al. End-to-end speech recognition in agglutinative languages
CN116386594A (zh) 语音合成方法、语音合成装置、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
CN117010907A (zh) 一种基于语音和图像识别的多模态客户服务方法及系统
CN116682411A (zh) 语音合成方法、语音合成系统、电子设备及存储介质
CN113823259B (zh) 将文本数据转换为音素序列的方法及设备
CN116631434A (zh) 基于转换系统的视频语音同步方法、装置、电子设备
Boulal et al. Amazigh CNN speech recognition system based on Mel spectrogram feature extraction method
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
CN116580704A (zh) 语音识别模型的训练方法、语音识别方法、设备及介质
CN116434730A (zh) 基于多尺度情感的语音合成方法、装置、设备、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
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
CN113948061A (zh) 语音合成方法、系统、语音合成模型及其训练方法
CN116665639A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
Carson-Berndsen Multilingual time maps: portable phonotactic models for speech technology
CN116564274A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
Yuan et al. Improving Voice Style Conversion via Self-attention VAE with Feature Disentanglement
CN116469372A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
Räsänen Context induced merging of synonymous word models in computational modeling of early language acquisition
Taneja et al. Speech Recognition
CN116741141A (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