CN117765922A

CN117765922A - 一种文本转语音方法及模型训练方法、装置和电子设备

Info

Publication number: CN117765922A
Application number: CN202311808429.9A
Authority: CN
Inventors: 请求不公布姓名
Original assignee: Moore Threads Technology Co Ltd
Current assignee: Moore Threads Technology Co Ltd
Priority date: 2023-12-26
Filing date: 2023-12-26
Publication date: 2024-03-26

Abstract

本公开涉及一种文本转语音方法及模型训练方法、装置和电子设备，所述方法包括：将样本文本输入情感语音合成模型，得到初始音色的第一语音，所述第一语音具备目标语音情感；利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。本公开实施例有效减少了情感语音合成时的线上计算负载，减少了对计算资源的消耗，计算延时低。

Description

一种文本转语音方法及模型训练方法、装置和电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种文本转语音方法及模型训练方法、装置和电子设备。

背景技术

情感语音合成模型可以根据文字生成带有情感的语音输出，与传统的语音合成模型(text to speech，TTS)不同，情感语音合成模型可以根据文本的情感色彩自动调整声音的音调、速度、韵律和语气等特征，以产生更加自然、生动和情感丰富的语音输出。这种技术可以用于自动化客户服务、虚拟主持人、有声读物等应用程序中，以提高用户体验和情感交互效果。

在合成某种特定音色的情感语音时，会先通过的情感语音合成模型(TTS)生成带有情感的语音，再利用语音转换技术(Voice Conversion，VC)对语音的音色进行转换，得到特定音色的具备情感的语音，也即，通过串联TTS和VC来得到特定音色的情感语音。这就需要在线上同时运行两个模型系统，导致线上计算负载较大，耗费较高的计算资源。

发明内容

本公开提出了一种文本转语音技术方案。

根据本公开的一方面，提供了一种情感语音合成模型的训练方法，包括：

将样本文本输入情感语音合成模型，得到初始音色的第一语音，所述第一语音具备目标语音情感；

利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；

基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。

在一种可能的实现方式中，所述利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音，包括：

基于目标音色的样本数据对语音转换模型进行训练，得到能够将任意音频转换为目标音色的音频的语音转换模型。

在一种可能的实现方式中，在将样本文本输入情感语音合成模型，得到具备目标情感的初始音色的第一语音后，所述方法还包括：

将情感语音合成模型输出的第一语音作为输入的样本文本的标签，构建源域训练数据；

将所述源域训练数据中的第一语音替换为语音转换后的第二语音，得到目标域训练数据。

在一种可能的实现方式中，所述基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，包括：

将所述样本文本作为情感语音合成模型的输入，得到情感语音合成模型输出的合成语音；

根据所述合成语音和所述第二语音之间的损失，对情感语音合成模型的参数进行更新。

在一种可能的实现方式中，在将所述源域训练数据中的第一语音替换为语音转换后的第二语音，得到目标域训练数据后，所述方法还包括：

对所述第二语音进行语音识别，得到识别文本；

根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验。

在一种可能的实现方式中，所述根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验，包括：

在所述相似度大于相似度阈值的情况下，确定样本文本的标签正确；

在所述相似度不大于相似度阈值的情况下，确定样本文本的标签错误，删除目标域训练数据中的错误标签。

根据本公开的一方面，提供了一种文本转语音方法，包括：

将文本输入训练后的情感语音合成模型，得到具备目标情感的目标音色的语音，其中，所述情感语音合成模型基于本申请提供的情感语音合成模型的训练方法训练得到。

根据本公开的一方面，提供了一种情感语音合成模型的训练装置，包括：

第一语音合成单元，用于语音将样本文本输入情感语音合成模型，得到初始音色的第一语音，所述第一语音具备目标语音情感；

语音转换单元，用于利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；

训练单元，用于基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。

在一种可能的实现方式中，所述语音转换单元，用于基于目标音色的样本数据对语音转换模型进行训练，得到能够将任意音频转换为目标音色的音频的语音转换模型。

在一种可能的实现方式中，所述装置还包括：

源域训练数据构建单元，用于将情感语音合成模型输出的第一语音作为输入的样本文本的标签，构建源域训练数据；

目标域训练数据构建单元，用于将所述源域训练数据中的第一语音替换为语音转换后的第二语音，得到目标域训练数据。

在一种可能的实现方式中，所述训练单元，用于：

在一种可能的实现方式中，所述装置还包括：

语音识别单元，用于对所述第二语音进行语音识别，得到识别文本；

正确性校验单元，用于根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验。

在一种可能的实现方式中，所述正确性校验单元，用于：

根据本公开的一方面，提供了一种文本转语音装置，包括：

文本转语音单元，用于将文本输入训练后的情感语音合成模型，得到具备目标情感的目标音色的语音，其中，所述情感语音合成模型基于本申请提供的情感语音合成模型的训练装置训练得到。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，通过将样本文本输入情感语音合成模型，得到初始音色的具备目标语音情感的第一语音；然后利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；基于所述样本文本和所述第二语音构成的训练数据，对所述情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。由此，通过在训练阶段利用情感语音合成模型和语音转换模型得到目标音色的训练数据，基于目标音色的训练数据来训练情感语音合成模型，那么，在线上合成目标音色的情感语音时，可以只部署情感语音合成模型，而无需部署语音转换模型，有效减少了情感语音合成时的线上计算负载，减少了对计算资源的消耗。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的情感语音合成模型的训练方法的流程图。

图2示出根据本公开实施例的情感语音合成模型的训练装置的框图。

图3示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

语音合成是一种将文字转化为语音的技术，它使得计算机能够将文字转化为人类可听的语音，类似于人类的嘴巴，可以通过不同的音色将文本内容说出来。这种技术可以用于自动化语音应答系统、语音助手、语音翻译、有声读物等应用领域中，例如，在自动化语音应答系统中，可以使用语音合成技术自动应答电话呼叫，将文字转化为语音消息，并通过电话线路播放给来电者。

语音转换能够将一个人的语音信号转换为另一个人的语音信号，或者将一个人的语音信号转换为具有不同特征的语音信号。这通常是通过使用计算机算法和技术来实现的。语音转换可以用于许多应用领域，例如语音合成、语音增强、语音匹配等，例如，在语音合成中，使用语音转换技术将语音信号转换成具有特定说话人特征(音色)的语音信号。

在语音合成技术中，主要分为语言分析部分和声学系统部分，也称为前端部分和后端部分，语言分析部分(也称为前端部分)：主要是对输入的文字信息进行分析，包括词法分析、语法分析、语义分析和语用分析等。这个部分的任务是将输入的文字信息转化为计算机可以理解和处理的形式，为后续的语音合成提供必要的信息。声学系统部分(也称为后端部分)：主要是根据语言分析部分提供的必要信息，通过声学模型和声学参数生成语音信号。这个部分的任务是将计算机理解和处理的信息转化为人类可以听懂的语音信号。

而情感语音合成的语音中会携带声音的情感，利用人工智能技术将文本转化为富有情感的语音，它可以模拟不同情感(如快乐、悲伤、愤怒等)的语音，使生成的语音听起来更加自然和真实。

在一种情感语音合成技术中，通过收集较多情感语料，每种情感需要录制约2000句共2小时语料，收集中性、快乐、生气、愤怒、伤心……等情感，目前通常会录制10种情感，大约20小时语料。用这些语料对基于大语料(很多是无情感数据)预训练的基础模型进行微调，实现情感迁移。这需要采集多种情感的大量语料，存在很大局限性，具体会存在以下问题：

1.高成本：录制大量的语音数据需要耗费大量的时间和人力成本，特别是对于素人而言，需要进行专业的培训和指导，才能够正确地表达不同的情感。

2.数据质量：录制的语音数据质量可能会受到环境噪声、录音设备和录音者的个体差异等因素的影响，这可能会对情感语音合成模型的性能产生负面影响。

3.可扩展性：定制情感语音合成模型需要大量的语音数据，这可能会限制其可扩展性和适用范围，特别是对于一些小规模或个性化的应用程序而言。

在另一种情感语音合成技术中，通过串联VC和TTS合成目标音色的音频，这需要构建两个模型系统，输入的文本在线上需要依次经过TTS和VC才能合成目标音色的音频，对计算消耗量大，延迟高。

在本公开实施例中，通过将样本文本输入情感语音合成模型，得到初始音色的具备目标语音情感的第一语音；然后利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；基于所述样本文本和所述第二语音构成的训练数据，对所述情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。由此，通过在训练阶段利用情感语音合成模型和语音转换模型得到目标音色的训练数据，基于目标音色的训练数据来训练情感语音合成模型，那么，在线上合成目标音色的情感语音时，可以只部署情感语音合成模型，而无需部署语音转换模型，有效减少了情感语音合成时的线上计算负载，减少了对计算资源的消耗，计算延时低。

并且，通过情感语音合成模型来生成训练数据，无需录制大量的语音数据，能够节省大量的时间和人力成本，合成的语音数据质量不受环境噪声、录音设备和录音者的个体差异等因素的影响，提高了训练的情感语音合成模型的准确性。此外，由于降低数据录音成本，素人可参与录音定制，无法参与录制大量数据的用户，也可以定制其情感语音合成模型，扩大了技术受众。

图1示出根据本公开实施例的情感语音合成模型的训练方法的流程图，如图1所示，所述方法包括：

在步骤S11中，将样本文本输入情感语音合成模型，得到初始音色的第一语音，所述第一语音具备目标语音情感；

这里的情感语音合成模型可以是通用的能够利用文本生成语音的模型，可以是第三方的情感语音合成模型，该模型生成的第一语音具备目标语音情感，即该情感语音合成模型可以根据文本的情感色彩自动调整声音的音调、速度、韵律和语气等特征，以产生更加自然、生动和情感丰富的第一语音。

这里得到的第一语音会具备初始音色，该初始音色可以是任意的音色，本公开对此不做限定，只要该情感语音合成模型所得到的第一语音具备目标语音情感即可。

在步骤S12中，利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；

这里的语音转换模型能够将语音的音色进行转换，即将语音的初始音色转换为目标音色。音色是指声音的品质和特征，包括声音的音调、音量、音质、共振峰等。语音转换模型通过分析输入的第一语音的特征，将其转换为目标音色的第二语音，从而实现声音模仿或声音转换。

语音转换模型可以采用深度学习技术，例如循环神经网络(RNN)或卷积神经网络(CNN)等。这些网络可以自动学习输入的任意音色的第一语音的特征表示，并将其转换为目标音色的语音。

语音转换模型可以根据目标音色的录音进行训练得到，具体可参见本公开提供的可能的实现方式，此次不做赘述。

在步骤S13中，基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。

在得到第二语音后，可以利用样本文本和第二语音构建训练数据，具体地，会将第二语音作为样本文本的标签，对情感语音合成模型进行训练。

情感语音合成模型的可以是基于神经网络的深度学习模型，此外，为了提高情感语音合成模型的性能，还会使用诸如循环神经网络(RNN)、卷积神经网络(CNN)或变换器(Transformer)等深度学习模型来建模语音信号的时间序列关系和语音特征的上下文信息。

在一种可能的实现方式中，所述基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，包括：将所述样本文本作为情感语音合成模型的输入，得到情感语音合成模型输出的合成语音；根据所述合成语音和所述第二语音之间的损失，对情感语音合成模型的参数进行更新。

在对情感语音合成模型的训练过程中，会将样本文本作为输入，并使用预先训练好的声学模型和声码器将文本转换为语音信号。在训练过程中，会使用大量的语音数据来微调情感语音合成模型，在一个示例中，可以使用梯度下降算法来更新模型的参数以最小化预测语音信号与实际语音信号(第二语音)之间的差异。

由此，通过在训练阶段利用情感语音合成模型和语音转换模型得到目标音色的训练数据，基于目标音色的训练数据来训练情感语音合成模型，那么，在线上合成目标音色的情感语音时，可以只部署情感语音合成模型，而无需部署语音转换模型，有效减少了情感语音合成时的线上计算负载，减少了对计算资源的消耗，计算延时低。

在一种可能的实现方式中，所述利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音，包括：基于目标音色的样本数据对语音转换模型进行训练，得到能够将任意音频转换为目标音色的音频的语音转换模型。

这里的目标音色的样本数据可以是收集的少量的目标音色的录音数据，基于目标音色的样本数据对语音转换模型进行训练，得到能够将任意音频转换为目标音色的音频的语音转换模型。

在训练过程中，语音转换模型拿到输入的音频数据后会做一个映射，这个映射是收集到的目标音色的录音数据，即将输入的任意音色的音频映射到目标音色的录音数据上，语音转换模型可以是已经预训练好的模型，本公开中对语音转换模型的训练是用录音数据进行微调。

对语音转换模型的训练，只需要目标音色的音频，而不需要标注，相当于对语音转换模型进行无监督地学习，无论什么音色的输入音频都能够转换成目标音色的样本数据。在一个示例中，可以使用生成对抗网络GAN来实现语音转换模型的训练，GAN两个神经网络组成：生成器和判别器。生成器即为语音转换模型，进行音色转换试图生成具有目标音色的声音，而判别器试图区分目标音色的声音和其它音色的声音。具体训练过程此次不做赘述。

在本公开实施例中，可仅需在对语音转换模型进行训练时通过录音来得到样本数据，而对情感语音合成模型进行训练时，则无需进行录音来收集样本数据，能够大幅降低情感语音合成模型的整个训练过程的录音成本。考虑相关技术中的情感语音合成模型的数据录制成本高，普通单一情感录制产出比8:1，即录1小时需要8小时。涉及多情感录音产出比，要保持不同情感的一致性，录音产出比更高。但是通过本公开实施例，只需在录制约20分钟的目标音色的录音，对语音转换模型进行训练，之后通过情感语音合成模型生成训练语料，可有效降低录音成本。

在一种可能的实现方式中，在将样本文本输入情感语音合成模型，得到具备目标情感的初始音色的第一语音后，所述方法还包括：将情感语音合成模型输出的第一语音作为输入的样本文本的标签，构建源域训练数据；将所述源域训练数据中的第一语音替换为语音转换后的第二语音，得到目标域训练数据。

将情感语音合成模型输出的第一语音作为输入的样本文本的标签，形成多对文本-语音构成的样本对，作为源域训练数据，每个样本对中的语音，即为利用文本生成的语音。而在将第一语音的音色转换成第二语音后，通过将源域训练数据中的第一语音替换为第二语音，实现了将源域训练数据中的初始音色迁移到了目标音色。该样本构建过程无需录音，可有效降低录音成本。

在一种可能的实现方式中，在将所述源域训练数据中的第一语音替换为语音转换后的第二语音，得到目标域训练数据后，所述方法还包括：对所述第二语音进行语音识别，得到识别文本；根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验。

通过语音识别，能够将语音信号转变为相应的文本，是利用文本生成语音的相反过程。这里通过对第二语音进行语音识别，得到识别文本。

然后确定识别文本和样本文本之间的相似度，该相似度可以通过多种方式确定，在一个示例中，具体可以通过余弦相似度来确定识别文本和样本文本之间的相似度，具体可以通过测量文本间的向量夹角来确定文本间的相似度。此外，还可以通过编辑距离等其它方式，来确定文本间的相似度，具体可以通过消除、插入和替换操作，将一个字符串转换为另一个字符串，并统计操作次数，来评估文档间的相似性。或者，还可以通过汉明距离等其它方式来确定文本间的相似度，本公开对此不做具体限定。

在本公开实施例中，通过反向的语音识别得到识别文本，根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验，能够实现对样本的自动校验，提高了校验的效率。

在一种可能的实现方式中，所述根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验，包括：在所述相似度大于相似度阈值的情况下，确定样本文本的标签正确；在所述相似度不大于相似度阈值的情况下，确定样本文本的标签错误，删除目标域训练数据中的错误标签。

在所述相似度大于相似度阈值的情况下，说明语音识别的文本和样本文本基本是一致的，即可认为样本文本的语音标签是正确的，而在相似度不大于相似度阈值的情况下，说明语音中的发音可能与样本文本不太一致，即可确定样本文本的标签错误。而针对目标域训练数据中的错误标签的样本，则需要删除，以提高训练的情感语音合成模型的准确性。

以上介绍了本公开提供的情感语音合成模型的训练方法，在本公开的另一方面，还提供了一种文本转语音方法，包括：将文本输入训练后的情感语音合成模型，得到具备目标情感的目标音色的语音，其中，所述情感语音合成模型基于本公开提供的情感语音合成模型的训练方法训练得到。

在一种可能的实现方式中，所述情感语音合成模型的训练方法可通过终端设备和服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

此外，本公开还提供了情感语音合成模型的训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种情感语音合成模型的训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图2示出根据本公开实施例的情感语音合成模型的训练装置的框图，如图2所示，所述装置20包括：

第一语音合成单元21，用于语音将样本文本输入情感语音合成模型，得到初始音色的第一语音，所述第一语音具备目标语音情感；

语音转换单元22，用于利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音；

训练单元23，用于基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，使得训练后的情感语音合成模型能够根据文本生成目标音色的第三语音，所述第三语音具备目标语音情感。

在一种可能的实现方式中，所述装置还包括：

在一种可能的实现方式中，所述训练单元，用于：

在一种可能的实现方式中，所述装置还包括：

在一种可能的实现方式中，所述正确性校验单元，用于：

根据本公开的一方面，提供了一种文本转语音装置，包括：

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图3示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图3，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server^TM)，苹果公司推出的基于图形用户界面操作系统(Mac OSX^TM)，多用户多进程的计算机操作系统(Unix^TM),自由和开放原代码的类Unix操作系统(Linux^TM)，开放原代码的类Unix操作系统(FreeBSD^TM)或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种情感语音合成模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述利用语音转换模型对第一语音进行语音转换，得到目标音色的第二语音，包括：

3.根据权利要求1所述的方法，其特征在于，在将样本文本输入情感语音合成模型，得到具备目标情感的初始音色的第一语音后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述样本文本和所述第二语音构成的训练数据，对情感语音合成模型进行训练，包括：

5.根据权利要求3所述的方法，其特征在于，在将所述源域训练数据中的第一语音替换为语音转换后的第二语音，得到目标域训练数据后，所述方法还包括：

对所述第二语音进行语音识别，得到识别文本；

6.根据权利要求5所述的方法，其特征在于，所述根据所述识别文本和所述样本文本之间的相似度，对所述样本文本的标签进行正确性校验，包括：

7.一种文本转语音方法，其特征在于，包括：

将文本输入训练后的情感语音合成模型，得到具备目标情感的目标音色的语音，其中，所述情感语音合成模型基于权利要求1-6中任意一项所述的方法训练得到。

8.一种情感语音合成模型的训练装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以实现权利要求1至7中任意一项所述的系统。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的系统。