CN116741141A - 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
CN116741141A
CN116741141A CN202310834904.3A CN202310834904A CN116741141A CN 116741141 A CN116741141 A CN 116741141A CN 202310834904 A CN202310834904 A CN 202310834904A CN 116741141 A CN116741141 A CN 116741141A
Authority
CN
China
Prior art keywords
speaker
sample
feature
features
voice 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
Application number
CN202310834904.3A
Other languages
English (en)
Inventor
涂必超
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 Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202310834904.3A priority Critical patent/CN116741141A/zh
Publication of CN116741141A publication Critical patent/CN116741141A/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
    • 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
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Telephonic Communication Services (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：对样本语音数据进行特征提取，得到参考说话人嵌入特征；将参考说话人嵌入特征、样本语音数据、样本文本数据输入至神经网络模型中，对样本语音数据进行特征提取，得到初步说话人嵌入特征；对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；基于目标说话人嵌入特征和样本文本数据，得到合成语音数据；基于合成语音数据和样本语音数据训练，得到语音合成模型；利用语音合成模型合成目标文本数据对应的目标语音数据。本申请能提高语音合成的准确性。

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、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。
相关技术的对话机器人的语音合成常常是依赖于多个参考说话人的说话风格特征的，而相关技术中在从语音数据中提取参考说话人的说话风格特征时，常常存在着特征提取准确性不高、特征提取不全面等问题，会导致对话机器人的语音合成的准确性不高。
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：
获取样本语音数据和所述样本语音数据对应的样本文本数据；
基于预设的特征提取模型对所述样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，所述参考说话人嵌入特征用于表征所述样本语音数据中样本对象的说话风格；
将所述参考说话人嵌入特征、样本语音数据、所述样本文本数据输入至预设的神经网络模型中，所述神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；
基于所述特征提取网络对所述样本语音数据进行特征提取，得到初步说话人嵌入特征；
基于所述全连接映射网络对所述初步说话人嵌入特征、所述参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；
基于所述多说话人分类网络对所述融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；
基于所述目标说话人嵌入特征和所述样本文本数据进行语音合成，得到合成语音数据；
基于所述合成语音数据和所述样本语音数据对所述神经网络模型进行参数更新，得到语音合成模型；
获取目标文本数据，并将所述目标文本数据输入至所述语音合成模型进行语音合成，得到目标语音数据。
在一些实施例，所述特征提取模型包括第一网络和第二网络，所述基于预设的特征提取模型对所述样本语音数据进行特征提取，得到参考说话人嵌入特征，包括：
基于所述第一网络对所述样本语音数据进行第一特征提取，得到第一说话人嵌入特征；
基于所述第二网络对所述样本语音数据进行第二特征提取，得到第二说话人嵌入特征；
基于所述第一说话人嵌入特征和所述第二说话人嵌入特征，得到所述参考说话人嵌入特征。
在一些实施例，所述基于所述第一网络对所述样本语音数据进行第一特征提取，得到第一说话人嵌入特征，包括：
基于所述第一网络对所述样本语音数据进行编码处理，得到说话人编码特征；
对所述说话人编码特征进行音色嵌入，得到中间说话人嵌入特征；
对所述中间说话人嵌入特征进行归一化处理，得到所述第一说话人嵌入特征。
在一些实施例，所述基于所述第二网络对所述样本语音数据进行第二特征提取，得到第二说话人嵌入特征，包括：
基于所述第二网络对所述样本语音数据进行帧级别特征提取，得到样本语音帧特征；
对所述样本语音帧特征进行特征编码，得到样本语音句子特征；
对所述样本语音句子特征进行降维处理，得到低维语音句子特征；
对所述低维语音句子特征进行归一化处理，得到所述第二说话人嵌入特征。
在一些实施例，所述基于所述全连接映射网络对所述初步说话人嵌入特征、所述参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征，包括：
基于所述全连接映射网络将所述初步说话人嵌入特征映射至预设维度的向量空间，得到初步说话人嵌入向量；
基于所述全连接映射网络将所述参考说话人嵌入特征映射至所述向量空间，得到参考说话人嵌入向量；
在所述向量空间中，对所述初步说话人嵌入向量和所述参考说话人嵌入向量进行向量融合，得到所述融合说话人嵌入特征。
在一些实施例，所述基于所述目标说话人嵌入特征和所述样本文本数据进行语音合成，得到合成语音数据，包括：
对所述样本文本数据进行数据转换，得到样本音素序列；
基于所述说话人嵌入特征和所述样本音素序列进行频谱生成，得到合成频谱特征；
对所述合成频谱特征进行特征转换，得到合成语音数据。
在一些实施例，所述基于所述合成语音数据和所述样本语音数据对所述神经网络模型进行参数更新，得到语音合成模型，包括：
基于预设的第一函数对所述合成语音数据和所述样本语音数据进行第一损失计算，得到频谱特征损失值；
基于预设的第二函数对所述合成语音数据和所述样本语音数据进行第二损失计算，得到音频参数损失值；
基于所述频谱特征损失值和所述音频参数损失值对所述神经网络模型进行参数更新，得到语音合成模型。
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：
样本数据获取模块，用于获取样本语音数据和所述样本语音数据对应的样本文本数据；
第一特征提取模块，用于基于预设的特征提取模型对所述样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，所述参考说话人嵌入特征用于表征所述样本语音数据中样本对象的说话风格；
输入模块，用于将所述参考说话人嵌入特征、样本语音数据、所述样本文本数据输入至预设的神经网络模型中，所述神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；
第二特征提取模块，用于基于所述特征提取网络对所述样本语音数据进行特征提取，得到初步说话人嵌入特征；
特征融合模块，用于基于所述全连接映射网络对所述初步说话人嵌入特征、所述参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；
特征分类模块，用于基于所述多说话人分类网络对所述融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；
第一语音合成模块，用于基于所述目标说话人嵌入特征和所述样本文本数据进行语音合成，得到合成语音数据；
参数更新模块，用于基于所述合成语音数据和所述样本语音数据对所述神经网络模型进行参数更新，得到语音合成模型；
第二语音合成模块，用于获取目标文本数据，并将所述目标文本数据输入至所述语音合成模型进行语音合成，得到目标语音数据。
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，其通过获取样本语音数据和样本语音数据对应的样本文本数据；基于预设的特征提取模型对样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，参考说话人嵌入特征用于表征样本语音数据中样本对象的说话风格；将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；基于特征提取网络对样本语音数据进行特征提取，得到初步说话人嵌入特征；基于全连接映射网络对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征，能够将不同来源的说话人嵌入特征包含的特征信息进行融合，提高融合说话人嵌入特征的特征丰富度和特征质量；基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；基于目标说话人嵌入特征和样本文本数据进行语音合成，得到合成语音数据；基于合成语音数据和样本语音数据对神经网络模型进行参数更新，得到语音合成模型，能提高模型对合成语音数据和样本语音数据中特征关联信息的学习能力，提高模型的语音合成性能。最后，获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据，能够提高语音合成的准确性，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S102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1中的步骤S105的流程图；
图6是图1中的步骤S107的流程图；
图7是图1中的步骤S108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。
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、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。
相关技术的对话机器人的语音合成常常是依赖于多个参考说话人的说话风格特征的，而相关技术中在从语音数据中提取参考说话人的说话风格特征时，常常存在着特征提取准确性不高、特征提取不全面等问题，会导致对话机器人的语音合成的准确性不高。
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。
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、用户语音数据、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S109。
步骤S101，获取样本语音数据和样本语音数据对应的样本文本数据；
步骤S102，基于预设的特征提取模型对样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，参考说话人嵌入特征用于表征样本语音数据中样本对象的说话风格；
步骤S103，将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；
步骤S104，基于特征提取网络对样本语音数据进行特征提取，得到初步说话人嵌入特征；
步骤S105，基于全连接映射网络对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；
步骤S106，基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；
步骤S107，基于目标说话人嵌入特征和样本文本数据进行语音合成，得到合成语音数据；
步骤S108，基于合成语音数据和样本语音数据对神经网络模型进行参数更新，得到语音合成模型；
步骤S109，获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据。
本申请实施例所示意的步骤S101至步骤S109，通过获取样本语音数据和样本语音数据对应的样本文本数据；基于预设的特征提取模型对样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，参考说话人嵌入特征用于表征样本语音数据中样本对象的说话风格；将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；基于特征提取网络对样本语音数据进行特征提取，得到初步说话人嵌入特征；基于全连接映射网络对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征，能够将不同来源的说话人嵌入特征包含的特征信息进行融合，提高融合说话人嵌入特征的特征丰富度和特征质量；基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；基于目标说话人嵌入特征和样本文本数据进行语音合成，得到合成语音数据；基于合成语音数据和样本语音数据对神经网络模型进行参数更新，得到语音合成模型，能提高模型对合成语音数据和样本语音数据中特征关联信息的学习能力，提高模型的语音合成性能。最后，获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据，能够提高语音合成的准确性。
在一些实施例的步骤S101中，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，得到样本对象的样本语音数据，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，样本对象可以是网络用户、演讲人员、歌手等等，样本语音数据可以是样本对象的音乐素材、演讲汇报、聊天对话等。同时，可以从公开数据集中获取样本语音数据对应的样本文本数据，也可以从已有的文本数据库或者网络平台等获取样本语音数据对应的样本文本数据，不做限制。通过上述方式能够较为方便地获取样本语音数据和样本文本数据，提高了数据获取效率。
例如，在金融交易场景中，样本语音数据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。
请参阅图2，在一些实施例中，特征提取模型包括第一网络和第二网络，步骤S102可以包括但不限于包括步骤S201至步骤S203：
步骤S201，基于第一网络对样本语音数据进行第一特征提取，得到第一说话人嵌入特征；
步骤S202，基于第二网络对样本语音数据进行第二特征提取，得到第二说话人嵌入特征；
步骤S203，基于第一说话人嵌入特征和第二说话人嵌入特征，得到参考说话人嵌入特征。
在一些实施例的步骤S201中，第一网络可以基于AdaIN-VC网络构建而成。在通过第一网络对样本语音数据进行第一特征提取时，基于第一网络中的内容编码器对样本语音数据进行编码，得到说话人编码特征，并对说话人编码特征进行音色嵌入，得到中间说话人嵌入特征。进一步地，为了减小中间说话人嵌入特征受到KL散度的限制，还可以对中间说话人嵌入特征进行归一化处理，得到第一说话人嵌入特征。
在一些实施例的步骤S202中，第二网络可以基于x-vector、d-vector、deep-speake网络构建而成。在通过第二网络对样本语音数据进行第二特征提取时，先基于第二网络对样本语音数据进行帧级别特征提取，得到样本语音帧特征，再对样本语音帧特征进行特征编码，将帧级别特征转换为句子级别特征，得到样本语音句子特征，最后，对样本语音句子特征进行降维处理和归一化处理，得到第二说话人嵌入特征。
在一些实施例的步骤S203中，将所有的第一说话人嵌入特征和第二说话人嵌入特征整合在一个特征集合，将该特征集合中的所有说话人嵌入特征作为参考说话人嵌入特征。
通过上述步骤S201至步骤S203能够以不同的神经网络分别对样本语音数据进行特征提取，得到特征信息不完全相同的说话人嵌入特征，使得对样本语音数据的特征提取过程更为多样化，使得说话人嵌入特征的来源更为丰富，能够有效地提高参考说话人嵌入特征的特征丰富性以及特征全面性，有助于改善语音合成的效果。
请参阅图3，在一些实施例中，步骤S201可以包括但不限于包括步骤S301至步骤S303：
步骤S301，基于第一网络对样本语音数据进行编码处理，得到说话人编码特征；
步骤S302，对说话人编码特征进行音色嵌入，得到中间说话人嵌入特征；
步骤S303，对中间说话人嵌入特征进行归一化处理，得到第一说话人嵌入特征。
在一些实施例的步骤S301中，基于第一网络对样本语音数据进行编码处理，提取样本语音数据中的说话人信息，得到说话人编码特征，该说话人信息包含样本对象的说话风格特点，该说话风格特点包含样本对象的语速、语调等等。
在一些实施例的步骤S302中，可以从预设的音色数据库中随机调用一个音色参数，基于调用的音色参数对说话人编码特征进行音色嵌入，使得说话人编码特征中包含音色信息，从而得到中间说话人嵌入特征。
在一些实施例的步骤S303中，为了减小中间说话人嵌入特征受到KL散度的限制，可以对中间说话人嵌入特征进行归一化处理，得到第一说话人嵌入特征，该归一化过程可以是零均值归一化或者最大最小值归一化等等，不做限制，
上述步骤S301至步骤S303能够较为方便地对样本语音数据进行编码，提取样本语音数据中的说话人信息，并对说话人信息进行音色嵌入和归一化，提高获取到的第一说话人嵌入特征中的说话人特征信息的全面性，也能够提高获取到的第一说话人嵌入特征的特征质量。
请参阅图4，在一些实施例中，步骤S202可以包括但不限于包括步骤S401至步骤S404：
步骤S401，基于第二网络对样本语音数据进行帧级别特征提取，得到样本语音帧特征；
步骤S402，对样本语音帧特征进行特征编码，得到样本语音句子特征；
步骤S403，对样本语音句子特征进行降维处理，得到低维语音句子特征；
步骤S404，对低维语音句子特征进行归一化处理，得到第二说话人嵌入特征。
在一些实施例的步骤S401中，基于第二网络中的ResCNN模块或GRU模块对样本语音数据进行帧级别特征提取，提取样本语音数据中的说话人信息，得到样本语音帧特征，该说话人信息包含样本对象的说话风格特点，该说话风格特点包含样本对象的音色、语调等等。
在一些实施例的步骤S402中，基于第二网络的时间平均层对样本语音帧特征进行特征编码，将帧级别特征转换为句子级别特征，得到样本语音句子特征。
在一些实施例的步骤S403中，基于第二网络的仿射变换层对样本语音句子特征进行降维处理，将高维度的样本语音句子特征转换为低维特征，得到低维语音句子特征。
在一些实施例的步骤S404中，基于第二网络的长度归一化层对低维语音句子特征进行归一化处理，使得低维语音句子特征的特征长度缩短，得到第二说话人嵌入特征。
上述步骤S401至步骤S404能够较为方便地得到样本语音数据的句子级别的特征信息，并通过降维处理和长度归一化的方式来降低句子级别的特征信息的特征维度和特征长度，使得最终得到的第二说话人嵌入特征更适合用于语音合成任务，能提高第二说话人嵌入特征的特征质量。
在一些实施例的步骤S103中，可以利用预设的脚本程序等将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，其中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络。特征提取网络主要用于提取输入语音数据的说话人嵌入特征；全连接映射网络主要用于对不同来源的说话人嵌入特征进行特征融合，得到融合所有说话人嵌入特征的特征信息的融合说话人嵌入特征；多说话人分类网络主要用于区分不同说话对象的融合说话人嵌入特征，即对融合说话人嵌入特征进行特征分类，得到每个说话对象对应的目标说话人嵌入特征，这一神经网络模型主要用于提高每个说话对象对应的目标说话人嵌入特征的特征质量，从而利用高质量的目标说话人嵌入特征来合成语音质量更好的合成语音数据，改善语音合成的准确性。
在一些实施例的步骤S104中，在基于特征提取网络对样本语音数据进行特征提取时，对样本语音数据进行卷积处理，提取样本语音数据中的说话人特征信息，得到初步说话人嵌入特征。
请参阅图5，在一些实施例中，步骤S105可以包括但不限于包括步骤S501至步骤S503：
步骤S501，基于全连接映射网络将初步说话人嵌入特征映射至预设维度的向量空间，得到初步说话人嵌入向量；
步骤S502，基于全连接映射网络将参考说话人嵌入特征映射至向量空间，得到参考说话人嵌入向量；
步骤S503，在向量空间中，对初步说话人嵌入向量和参考说话人嵌入向量进行向量融合，得到融合说话人嵌入特征。
由于不同来源的说话人嵌入特征的特征维度可能不同，需要将所有的说话人嵌入特征的特征维度统一到同一个维度才能够进行特征融合。
在一些实施例的步骤S501中，利用全连接映射网络将初步说话人嵌入特征映射至预设维度的向量空间，得到初步说话人嵌入向量，该向量空间可以是512维或者256维，不做限制。例如，初步说话人嵌入特征是256维的特征，预设维度的向量空间的特征维度是256维，再利用全连接映射网络将初步说话人嵌入特征映射至预设维度的向量空间，得到初步说话人嵌入向量的维度依旧是256维。
在一些实施例的步骤S502中，利用全连接映射网络将参考说话人嵌入特征映射至预设维度的向量空间，得到参考说话人嵌入向量，由于参考说话人嵌入特征包含第一说话人嵌入特征、第二说话人嵌入特征，需要分别对第一说话人嵌入特征、第二说话人嵌入特征进行映射处理。其中，第一说话人嵌入特征常常是128维的特征，第二说话人嵌入特征常常是256维的特征。因此，利用全连接映射网络将第一说话人嵌入特征映射至向量空间，对第一说话人嵌入特征进行特征升维；利用全连接映射网络将第二说话人嵌入特征映射至向量空间，对第二说话人嵌入特征进行特征维度不变的映射处理，从而使得得到的参考说话人嵌入向量均为256维。
在一些实施例的步骤S503中，在向量空间中，对初步说话人嵌入向量和参考说话人嵌入向量进行向量融合，得到融合说话人嵌入特征，该向量融合过程可以是将初步说话人嵌入向量和参考说话人嵌入向量进行向量相加或者向量拼接，不做限制。
上述步骤S501至步骤S503能够较为方便地将不同维度的说话人嵌入特征处理成同一维度的特征，使得这些处于同一维度的说话人嵌入特征能够进行特征融合，从而得到包含更为丰富的特征信息的融合说话人嵌入特征。进一步地，将融合说话人嵌入特征用于语音合成，更能提高语音合成的准确性。
在一些实施例的步骤S106中，在基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征时，利用多说话人分类网络中的分类函数来对每个融合说话人嵌入特征进行特征评分，根据评分结果确定每个样本对象的目标说话人嵌入特征。具体地，分类函数可以是softmax函数等等。利用分类函数计算每个融合说话人嵌入特征属于每个样本对象的概率，将概率作为评分结果，根据评分结果，将融合说话人嵌入特征确定为评分结果中概率最高的样本对象的目标说话人嵌入特征。这一方式能提高特征分类的准确性，有效地区分出不同样本对象的目标说话人嵌入特征。
请参阅图6，在一些实施例，步骤S107包括但不限于包括步骤S601至步骤S603：
步骤S601，对样本文本数据进行数据转换，得到样本音素序列；
步骤S602，基于说话人嵌入特征和样本音素序列进行频谱生成，得到合成频谱特征；
步骤S603，对合成频谱特征进行特征转换，得到合成语音数据。
在一些实施例的步骤S601中，对样本文本数据进行数据转换，将文本形式的样本文本数据转换为音素形式，得到样本音素序列。
在一些实施例的步骤S602中，在基于说话人嵌入特征和样本音素序列进行频谱生成，得到合成频谱特征时，先将说话人嵌入特征和样本音素序列进行融合，得到合成语音特征，再对合成语音特征进行解码处理，得到合成频谱特征。
在一些实施例的步骤S603中，在对合成频谱特征进行特征转换，得到合成语音数据时，可以利用预设的声码器对合成频谱特征进行特征转换，其中，该声码器可以是HiFi-Gan或者MelGan等等，不做限制，该声码器包括反卷积层和多感受野融合层。具体地，基于反卷积层对合成频谱特征进行上采样处理，实现对合成频谱特征的卷积转置，得到频谱特征内容更为丰富的目标频谱数据。多感受野融合层包含多个残差块，基于多感受野融合层对目标频谱数据进行多尺度特征融合时，可以利用每个残差块对目标频谱数据进行特征重构，得到多个尺度的语音波形特征，将所有尺度的语音波形特征进行融合，得到合成语音数据。
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对话机器人根据合成语音数据所推荐的保险产品或者理财产品。
上述步骤S601至步骤S603能够使得合成语音数据同时包含样本文本数据的文本内容特征和说话人嵌入特征的说话风格信息，从而有效地提高语音合成的准确性。
请参阅图7，在一些实施例中，步骤S108可以包括但不限于包括步骤S701至步骤S703：
步骤S701，基于预设的第一函数对合成语音数据和样本语音数据进行第一损失计算，得到频谱特征损失值；
步骤S702，基于预设的第二函数对合成语音数据和样本语音数据进行第二损失计算，得到音频参数损失值；
步骤S703，基于频谱特征损失值和音频参数损失值对神经网络模型进行参数更新，得到语音合成模型。
在一些实施例的步骤S701中，预设的第一函数可以是基于差的绝对值平均的损失函数，在基于预设的第一函数对合成语音数据和样本语音数据进行第一损失计算时，首先对合成语音数据进行特征提取得到合成语音数据的合成梅尔倒谱特征，并对样本语音数据进行特征提取得到样本语音数据的样本梅尔倒谱特征，再计算样本梅尔倒谱特征的特征尺寸，最后利用第一函数、样本梅尔倒谱特征、合成梅尔倒谱特征和特征尺寸进行第一损失计算，得到频谱特征损失值。其中，该计算过程可以表示为：
在一些实施例的步骤S702中，预设的第二函数可以是基于差的平方的平均的损失函数，在基于预设的第二函数对合成语音数据和样本语音数据进行第二损失计算时，首先对合成语音数据进行特征提取，得到合成语音数据的合成音高参数、合成能量参数、合成持续时间，对样本语音数据进行特征提取，得到样本语音数据的样本音高参数、样本能量参数、样本持续时间，再计算样本语音数据的特征尺寸，最后利用第二函数、合成语音数据和样本语音数据进行第二损失计算，得到音频参数损失值。其中，该计算过程可以表示为：
在一些实施例的步骤S703中，在基于频谱特征损失值和音频参数损失值对神经网络模型进行参数更新，得到语音合成模型时，将音频参数损失值和频谱特征损失值进行加权和计算，得到目标模型损失值。进一步地，根据目标模型损失值和预设的损失阈值的大小关系，不断地调整模型的模型参数，使得目标模型损失值小于损失阈值，停止对神经网络模型的训练，得到语音合成模型。
上述步骤S701至步骤S703能够基于语音数据的频谱特征和语音参数来实现模型训练，提高了神经网络模型对样本语音数据和合成语音数据之间的相关联信息的学习，能提高模型的训练效果，提高语音合成模型的语音合成性能。
在一些实施例的步骤S109中，获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据。该步骤的具体实现过程与上述步骤S101至步骤S107的具体实现过程基本一致，为节省篇幅，此处不再赘述。
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。
本申请实施例的语音合成方法，其通过获取样本语音数据和样本语音数据对应的样本文本数据；基于预设的特征提取模型对样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，参考说话人嵌入特征用于表征样本语音数据中样本对象的说话风格；将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；基于特征提取网络对样本语音数据进行特征提取，得到初步说话人嵌入特征；基于全连接映射网络对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征，能够将不同来源的说话人嵌入特征包含的特征信息进行融合，提高融合说话人嵌入特征的特征丰富度和特征质量；基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；基于目标说话人嵌入特征和样本文本数据进行语音合成，得到合成语音数据；基于合成语音数据和样本语音数据对神经网络模型进行参数更新，得到语音合成模型，能提高模型对合成语音数据和样本语音数据中特征关联信息的学习能力，提高模型的语音合成性能。最后，获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据，能够提高语音合成的准确性，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，从而提高金融交易的成功几率。
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：
样本数据获取模块801，用于获取样本语音数据和样本语音数据对应的样本文本数据；
第一特征提取模块802，用于基于预设的特征提取模型对样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，参考说话人嵌入特征用于表征样本语音数据中样本对象的说话风格；
输入模块803，用于将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；
第二特征提取模块804，用于基于特征提取网络对样本语音数据进行特征提取，得到初步说话人嵌入特征；
特征融合模块805，用于基于全连接映射网络对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；
特征分类模块806，用于基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；
第一语音合成模块807，用于基于目标说话人嵌入特征和样本文本数据进行语音合成，得到合成语音数据；
参数更新模块808，用于基于合成语音数据和样本语音数据对神经网络模型进行参数更新，得到语音合成模型；
第二语音合成模块809，用于获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据。
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，其通过获取样本语音数据和样本语音数据对应的样本文本数据；基于预设的特征提取模型对样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，参考说话人嵌入特征用于表征样本语音数据中样本对象的说话风格；将参考说话人嵌入特征、样本语音数据、样本文本数据输入至预设的神经网络模型中，神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；基于特征提取网络对样本语音数据进行特征提取，得到初步说话人嵌入特征；基于全连接映射网络对初步说话人嵌入特征、参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征，能够将不同来源的说话人嵌入特征包含的特征信息进行融合，提高融合说话人嵌入特征的特征丰富度和特征质量；基于多说话人分类网络对融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；基于目标说话人嵌入特征和样本文本数据进行语音合成，得到合成语音数据；基于合成语音数据和样本语音数据对神经网络模型进行参数更新，得到语音合成模型，能提高模型对合成语音数据和样本语音数据中特征关联信息的学习能力，提高模型的语音合成性能。最后，获取目标文本数据，并将目标文本数据输入至语音合成模型进行语音合成，得到目标语音数据，能够提高语音合成的准确性，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，从而提高金融交易的成功几率。
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：
获取样本语音数据和所述样本语音数据对应的样本文本数据；
基于预设的特征提取模型对所述样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，所述参考说话人嵌入特征用于表征所述样本语音数据中样本对象的说话风格；
将所述参考说话人嵌入特征、样本语音数据、所述样本文本数据输入至预设的神经网络模型中，所述神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；
基于所述特征提取网络对所述样本语音数据进行特征提取，得到初步说话人嵌入特征；
基于所述全连接映射网络对所述初步说话人嵌入特征、所述参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；
基于所述多说话人分类网络对所述融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；
基于所述目标说话人嵌入特征和所述样本文本数据进行语音合成，得到合成语音数据；
基于所述合成语音数据和所述样本语音数据对所述神经网络模型进行参数更新，得到语音合成模型；
获取目标文本数据，并将所述目标文本数据输入至所述语音合成模型进行语音合成，得到目标语音数据。
2.根据权利要求1所述的语音合成方法，其特征在于，所述特征提取模型包括第一网络和第二网络，所述基于预设的特征提取模型对所述样本语音数据进行特征提取，得到参考说话人嵌入特征，包括：
基于所述第一网络对所述样本语音数据进行第一特征提取，得到第一说话人嵌入特征；
基于所述第二网络对所述样本语音数据进行第二特征提取，得到第二说话人嵌入特征；
基于所述第一说话人嵌入特征和所述第二说话人嵌入特征，得到所述参考说话人嵌入特征。
3.根据权利要求2所述的语音合成方法，其特征在于，所述基于所述第一网络对所述样本语音数据进行第一特征提取，得到第一说话人嵌入特征，包括：
基于所述第一网络对所述样本语音数据进行编码处理，得到说话人编码特征；
对所述说话人编码特征进行音色嵌入，得到中间说话人嵌入特征；
对所述中间说话人嵌入特征进行归一化处理，得到所述第一说话人嵌入特征。
4.根据权利要求2所述的语音合成方法，其特征在于，所述基于所述第二网络对所述样本语音数据进行第二特征提取，得到第二说话人嵌入特征，包括：
基于所述第二网络对所述样本语音数据进行帧级别特征提取，得到样本语音帧特征；
对所述样本语音帧特征进行特征编码，得到样本语音句子特征；
对所述样本语音句子特征进行降维处理，得到低维语音句子特征；
对所述低维语音句子特征进行归一化处理，得到所述第二说话人嵌入特征。
5.根据权利要求1所述的语音合成方法，其特征在于，所述基于所述全连接映射网络对所述初步说话人嵌入特征、所述参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征，包括：
基于所述全连接映射网络将所述初步说话人嵌入特征映射至预设维度的向量空间，得到初步说话人嵌入向量；
基于所述全连接映射网络将所述参考说话人嵌入特征映射至所述向量空间，得到参考说话人嵌入向量；
在所述向量空间中，对所述初步说话人嵌入向量和所述参考说话人嵌入向量进行向量融合，得到所述融合说话人嵌入特征。
6.根据权利要求1所述的语音合成方法，其特征在于，所述基于所述目标说话人嵌入特征和所述样本文本数据进行语音合成，得到合成语音数据，包括：
对所述样本文本数据进行数据转换，得到样本音素序列；
基于所述说话人嵌入特征和所述样本音素序列进行频谱生成，得到合成频谱特征；
对所述合成频谱特征进行特征转换，得到合成语音数据。
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，所述基于所述合成语音数据和所述样本语音数据对所述神经网络模型进行参数更新，得到语音合成模型，包括：
基于预设的第一函数对所述合成语音数据和所述样本语音数据进行第一损失计算，得到频谱特征损失值；
基于预设的第二函数对所述合成语音数据和所述样本语音数据进行第二损失计算，得到音频参数损失值；
基于所述频谱特征损失值和所述音频参数损失值对所述神经网络模型进行参数更新，得到语音合成模型。
8.一种语音合成装置，其特征在于，所述装置包括：
样本数据获取模块，用于获取样本语音数据和所述样本语音数据对应的样本文本数据；
第一特征提取模块，用于基于预设的特征提取模型对所述样本语音数据进行特征提取，得到参考说话人嵌入特征，其中，所述参考说话人嵌入特征用于表征所述样本语音数据中样本对象的说话风格；
输入模块，用于将所述参考说话人嵌入特征、样本语音数据、所述样本文本数据输入至预设的神经网络模型中，所述神经网络模型包括特征提取网络、全连接映射网络以及多说话人分类网络；
第二特征提取模块，用于基于所述特征提取网络对所述样本语音数据进行特征提取，得到初步说话人嵌入特征；
特征融合模块，用于基于所述全连接映射网络对所述初步说话人嵌入特征、所述参考说话人嵌入特征进行特征融合，得到融合说话人嵌入特征；
特征分类模块，用于基于所述多说话人分类网络对所述融合说话人嵌入特征进行特征分类，得到目标说话人嵌入特征；
第一语音合成模块，用于基于所述目标说话人嵌入特征和所述样本文本数据进行语音合成，得到合成语音数据；
参数更新模块，用于基于所述合成语音数据和所述样本语音数据对所述神经网络模型进行参数更新，得到语音合成模型；
第二语音合成模块，用于获取目标文本数据，并将所述目标文本数据输入至所述语音合成模型进行语音合成，得到目标语音数据。
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。
CN202310834904.3A 2023-07-07 2023-07-07 语音合成方法、语音合成装置、电子设备及存储介质 Pending CN116741141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310834904.3A CN116741141A (zh) 2023-07-07 2023-07-07 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
CN202310834904.3A CN116741141A (zh) 2023-07-07 2023-07-07 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
CN116741141A true CN116741141A (zh) 2023-09-12

Family

ID=87918560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310834904.3A Pending CN116741141A (zh) 2023-07-07 2023-07-07 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) CN116741141A (zh)

Similar Documents

Publication Publication Date Title
CN114298121A (zh) 基于多模态的文本生成方法、模型训练方法和装置
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
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
CN116343747A (zh) 语音合成方法、语音合成装置、电子设备及存储介质
CN117668758A (zh) 对话意图识别方法和装置、电子设备及存储介质
CN113901838A (zh) 对话检测方法和装置、电子设备、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
CN117033796A (zh) 基于用户表达偏好的智能回复方法、装置、设备及介质
CN116644765A (zh) 语音翻译方法、语音翻译装置、电子设备及存储介质
CN114786059B (zh) 视频生成方法、视频生成装置、电子设备、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
CN116434730A (zh) 基于多尺度情感的语音合成方法、装置、设备、存储介质
CN116543798A (zh) 基于多分类器的情感识别方法和装置、电子设备、介质
CN116645956A (zh) 语音合成方法、语音合成系统、电子设备及存储介质
CN116364054A (zh) 基于diffusion的语音合成方法、装置、设备、存储介质
CN114611529B (zh) 意图识别方法和装置、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
US11770352B2 (en) Method and apparatus for providing chat service including expression items
CN114398903B (zh) 意图识别方法、装置、电子设备及存储介质
CN116127066A (zh) 文本聚类方法、文本聚类装置、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
CN115273805A (zh) 基于韵律的语音合成方法和装置、设备、介质
CN115292495A (zh) 情绪分析方法、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