[發明專利]一種語音合成方法和裝置

有效

• 申請號: 201710061669.5
• 申請日: 2017-01-26
• 公開（公告）號: CN108364631B
• 公開（公告）日: 2021-01-22
• 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;G10L13/10;G10L15/14
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭化雨;王寶筠

本發明實施例公開了一種語音合成方法和裝置，當獲取語音合成請求時，可以根據需合成語音的語言片段所包括的至少一個語義單元，以及通過中性語音聲學參數建立的統計模型確定出對應的中性語音聲學參數，再根據特定語氣的語氣特點對確定出的中性語音聲學參數進行相應的處理，得到在該特定語氣下的特定語氣片段。可見，本申請可以不需要預先錄制大量特定語氣下的語音，就可以根據中性語音聲學參數所建立的統計模型和語氣特點合成出特定語氣片段，降低了語音合成的成本，并且針對任何語氣，都可以采用該統計模型和對應的語氣特點合成出所需語氣的語音片段，大大提高了語音合成方案的適用范圍。

技術領域

本發明涉及數據處理領域，特別是涉及一種語音合成方法和裝置。

背景技術

隨著計算機技術的發展，很多交互場景中需要數據處理設備直接或間接的與用戶進行語音交互，例如電子導航中的語音提示，機器人答題環節中的搶答和語音答復等。

由于機器所發出的語音基本上均為機器合成出的、用于模擬人類語言的語音，這類語音發音冰冷，不帶有感情色彩，所以這類語音為用戶帶來的感受并不好。為了提高交互過程中的用戶體驗，機器發出的語音需要根據語境等體現出應有的語氣。

傳統的方式是，針對某一種語氣，預先收集大量具有該語氣的語料，然后根據這些語料訓練出對應該語氣的訓練模型，當需要合成該語氣的語音時，可以通過該訓練模型得出。這種傳統方式雖然效果不錯，但是針對每一種語氣，都需要預先錄制大量語料，針對不同語氣都需要單獨訓練模型，成本很高，難以普及。

發明內容

為了解決上述技術問題，本發明提供了一種語音合成方法和裝置，降低了語音合成的成本，提高了語音合成方案的適用范圍。

本發明實施例公開了如下技術方案：

第一方面，本發明所述了提供了一種語音合成方法，所述方法包括：

獲取語音合成請求，所述語音合成請求攜帶待合成語音的語言片段，所述語言片段包括至少一個語義單元；

根據所述至少一個語義單元，通過統計模型確定出對應的中性語音聲學參數，所述統計模型為根據中性語音聲學參數建立的、用于合成語音的模型；

根據特定語氣的語氣特點，對確定出的中性語音聲學參數進行處理，并合成出所述語言片段對應的特定語氣片段，所述特定語氣片段為具有所述語氣特點的語音片段。

可選的，所述語音合成請求為針對所述特定語氣的語音合成請求，所述語音合成請求中攜帶所述特定語氣的標識，所述根據特定語氣的語氣特點，對確定出的中性語音聲學參數進行處理，包括：

根據所述標識查找出對應所述特定語氣的語氣特點；

根據所述語氣特點對確定出的中性語音聲學參數進行處理。

可選的，所述語氣特點包括所述特定語氣的時長范圍和/或重音位置，所述根據特定語氣的語氣特點，對確定出的中性語音聲學參數進行處理，包括：

將所述確定出的中性語音聲學參數的時長參數調整到所述時長范圍內；和/或

根據所述重音位置，將所述確定出的中性語音聲學參數中對應所述重音位置的中性語音聲學參數進行重音處理。

可選的，當所述根據特定語氣的語氣特點，對確定出的中性語音聲學參數進行處理包括根據所述重音位置，將所述確定出的中性語音聲學參數中對應所述重音位置的中性語音聲學參數進行重音處理時，所述根據所述重音位置，將所述確定出的中性語音聲學參數中對應所述重音位置的中性語音聲學參數進行重音處理，包括以下三種處理方式中任意一種或多種的組合：

提高對應所述重音位置的時長參數；

調整對應所述重音位置的基頻參數；