[發明專利]語音合成模型的處理方法和裝置

有效

• 申請號: 201710051426.3
• 申請日: 2017-01-23
• 公開（公告）號: CN108346423B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 孟凡博
• 申請（專利權）人: 北京搜狗科技發展有限公司
• 主分類號: G10L13/02
• 分類號: G10L13/02;G10L13/08;G10L15/14
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 劉祥景

本發明實施例提供了一種語音合成模型的處理方法和裝置，其中的方法具體包括：依據訓練數據，得到隱馬爾可夫模型HMM模型；其中，所述HMM模型包括：決策樹；所述訓練數據包括：訓練錄音數據；依據所述HMM模型，從所述訓練錄音數據中獲取所述決策樹中葉節點對應的一目標幀訓練錄音數據；采用所述目標幀訓練錄音數據的聲學參數值替換所述葉節點的聲學參數值，以得到處理后的決策樹。本發明實施例能夠有效改善預測參數的過平滑問題，且能夠提高合成語音與原始錄音人的相似性，進而能夠提高合成語音的聽感和音質。

技術領域

本發明涉及語音合成技術領域，特別是涉及一種語音合成模型的處理方法和裝置、以及一種用于語音合成模型處理的裝置。

背景技術

語音合成技術又稱文語轉換(TTS，Text-to-Speech)技術，即將文字轉換為語音的技術，該技術賦予計算機像人一樣自如說話的能力，使用戶與機器之間的信息溝通更加舒服自然。

目前，基于隱馬爾可夫模型(HMM，Hidden Markov Model)的語音合成(HTS，HMM-based Speech Synthesis System)得到廣泛的重視和應用。HTS的基本思路是：對語音信號進行參數化分解，并建立各聲學參數對應的HMM模型，合成時利用訓練得到的HMM模型預測待合成文本的聲學參數，這些聲學參數被輸入至參數合成器，最終得到合成語音。HTS的優勢體現在系統構建需要的數據量少，語種相關性弱，較少需要人工干預，合成語音平滑流暢，魯棒性高。然而，HTS也存在如下不足：基于HMM模型得到的預測參數過于平滑，導致合成語音聽感沉悶，音質下降。

發明內容

鑒于上述問題，提出了本發明實施例以便提供一種克服上述問題或者至少部分地解決上述問題的語音合成模型的處理方法、語音合成模型的處理裝置、及用于語音合成模型處理的裝置，本發明實施例能夠有效改善預測參數的過平滑問題，且能夠提高合成語音與原始錄音人的相似性，進而能夠提高合成語音的聽感和音質。

為了解決上述問題，本發明公開了一種語音合成模型的處理方法，包括：

依據訓練數據，得到隱馬爾可夫模型HMM模型；其中，所述HMM模型包括：決策樹；所述訓練數據包括：訓練錄音數據；

依據所述HMM模型，從所述訓練錄音數據中獲取所述決策樹中葉節點對應的一目標幀訓練錄音數據；

采用所述目標幀訓練錄音數據的聲學參數值替換所述葉節點的聲學參數值，以得到處理后的決策樹。

可選地，所述依據所述HMM模型，從所述訓練錄音數據中獲取所述決策樹中葉節點對應的一目標幀訓練錄音數據的步驟，包括：

依據所述HMM模型，從所述訓練錄音數據中獲取所述決策樹中葉節點對應的幀訓練錄音數據；

若所述葉節點對應一幀訓練錄音數據，則將所述葉節點對應的一幀訓練錄音數據作為目標幀訓練錄音數據；或者，若所述葉節點對應多幀訓練錄音數據，則從所述葉節點對應的多幀訓練錄音數據中選擇一目標幀訓練錄音數據。

可選地，所述從所述訓練錄音數據中獲取所述決策樹中葉節點對應的幀訓練錄音數據的步驟，包括：

依據所述HMM模型，對所述訓練錄音數據進行時間到狀態的對齊，所述訓練錄音數據包含的各幀訓練錄音數據對應的目標狀態；

依據所述目標狀態和所述決策樹對應的狀態，得到所述決策樹中葉節點對應的幀訓練錄音數據。

可選地，所述對所述訓練錄音數據進行時間到狀態的對齊的步驟，包括：

依據所述HMM模型、以及所述訓練錄音數據的聲學參數和建模單元，確定所述訓練錄音數據的各建模單元對應的各幀訓練錄音數據的狀態邊界，以得到所述訓練錄音數據包含的各幀訓練錄音數據對應的目標狀態。