[發(fā)明專利]一種基于音向量文本特征的語音合成方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610000677.4
• 申請(qǐng)日: 2016-01-04
• 公開（公告）號(hào): CN105654939B
• 公開（公告）日: 2019-09-13
• 發(fā)明（設(shè)計(jì)）人: 徐明星;車浩
• 申請(qǐng)（專利權(quán)）人: 極限元（杭州）智能科技股份有限公司
• 主分類號(hào): G10L13/02
• 分類號(hào): G10L13/02;G10L13/08;G10L17/04;G10L17/02
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 王雨桐

本發(fā)明公開了一種基于音向量文本特征的語音合成方法，文本分析模塊接收輸入文本，對(duì)文本特征進(jìn)行規(guī)則化處理，將得到的文本數(shù)據(jù)輸送至文本參數(shù)化模塊，采用一位熱碼編碼方法得到參數(shù)化的文本；音向量訓(xùn)練模塊接收參數(shù)化的文本，訓(xùn)練基于音向量的語言模型，然后輸送至語音參數(shù)訓(xùn)練模塊訓(xùn)練從文本到語音參數(shù)的映射模型；音向量生成模塊通過接收文本參數(shù)化模塊和音向量訓(xùn)練模塊的輸出文本，生成文本數(shù)據(jù)的音向量；文本數(shù)據(jù)的音向量和文本到語音參數(shù)的映射模型輸送至語音參數(shù)預(yù)測(cè)模塊，得到音向量所對(duì)應(yīng)的語音參數(shù)；最終由語音合成器模塊合成語音。本發(fā)明提高了語音合成系統(tǒng)建模的準(zhǔn)確性；大大降低了系統(tǒng)實(shí)現(xiàn)的復(fù)雜度和人工參與程度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種語音合成方法，尤其涉及一種基于音向量文本特征的語音合成方法。

背景技術(shù)

語音合成技術(shù)能讓計(jì)算機(jī)產(chǎn)生高清晰度、高自然度的連續(xù)語音，使人機(jī)交流更加和諧自然。在語音合成技術(shù)的發(fā)展過程中，早期的研究主要是采用基于單元波形拼接的語音合成方法，但該方法在拼接點(diǎn)處會(huì)出現(xiàn)語音失真和突變。近年來，基于統(tǒng)計(jì)參數(shù)的語音合成方法因?yàn)楹铣上到y(tǒng)構(gòu)建較快，語料庫尺寸需求小，合成語音平滑流暢而得到了快速的發(fā)展，但該方法仍存在以下兩點(diǎn)不足之處：

1、文本特征的描述不夠精確，需要很大的人力物力去標(biāo)注文本，而且標(biāo)注結(jié)果很大一部分依賴于標(biāo)注人員的經(jīng)驗(yàn)和背景知識(shí)，需要專業(yè)人員去完成，很大程序上影響了系統(tǒng)的構(gòu)建速度；

2、合成語音的音質(zhì)跟真人還有很大的差距，特別是采用語音的參數(shù)化描述和統(tǒng)計(jì)建模的語音分析合成模型不夠理想，對(duì)語音的建模不夠精確；另外，采用統(tǒng)計(jì)參數(shù)建模，生成的譜參數(shù)軌跡和基頻軌跡都過于平滑，合成語音在聽感上顯得過于平淡。

發(fā)明內(nèi)容

為了解決上述技術(shù)所存在的不足之處，本發(fā)明提供了一種基于音向量文本特征的語音合成方法。

為了解決以上技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于音向量文本特征的語音合成方法，包括以下步驟：

步驟一：通過文本分析模塊接收待分析的輸入文本，對(duì)文本特征進(jìn)行規(guī)則化處理，去掉文本中多余的符號(hào)，標(biāo)注出每個(gè)音節(jié)的聲韻母和聲調(diào)，糾正多音字發(fā)音錯(cuò)誤，得到輸入文本對(duì)應(yīng)的發(fā)音單元序列；

步驟二：通過文本參數(shù)化模塊接收上述輸入文本對(duì)應(yīng)的發(fā)音單元序列，采用一位熱碼編碼表示方法得到每個(gè)音節(jié)的參數(shù)化表示的向量；

公式Ⅰ為一位熱碼編碼表示方法；其中，S為音節(jié)的參數(shù)化向量，C_v為一個(gè)描述聲韻母音向量的共享矩陣，維數(shù)為V×N，v為聲韻母的個(gè)數(shù)，N為聲韻母音向量的維數(shù)，V_i為聲母音向量，V_f為韻母音向量；

步驟三：通過音向量訓(xùn)練模塊接收上述參數(shù)化表示的向量，訓(xùn)練基于音向量的語言模型，得到文本的音向量表示；

步驟四：通過語音參數(shù)訓(xùn)練模塊接收上述文本的音向量表示，訓(xùn)練從文本到語音參數(shù)的映射模型，建立音向量與語音參數(shù)、音向量與韻律特征參數(shù)的映射關(guān)系；

步驟五：通過音向量生成模塊接收上述文本參數(shù)化模塊得到的參數(shù)化的文本特征以及音向量訓(xùn)練模塊得到的文本的音向量，生成分析完成的文本數(shù)據(jù)的音向量；

步驟六：通過語音參數(shù)預(yù)測(cè)模塊接收上述分析完成的文本數(shù)據(jù)的音向量以及語音參數(shù)訓(xùn)練模塊得到的映射模型，通過建立音向量與語音參數(shù)之間的映射關(guān)系，得到音向量所對(duì)應(yīng)的語音參數(shù)；

步驟七：通過語音合成器模塊接收上述音向量所對(duì)應(yīng)的語音參數(shù)最終合成語音。