[發(fā)明專利]用于確定音素發(fā)音時(shí)長的方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201710911991.2
• 申請(qǐng)日: 2017-09-29
• 公開（公告）號(hào): CN107705782B
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 張黃斌
• 申請(qǐng)（專利權(quán)）人: 百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司
• 主分類號(hào): G10L13/02
• 分類號(hào): G10L13/02;G10L13/10;G06F40/205;G06K9/62
• 代理公司: 北京英賽嘉華知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11204
• 代理人: 王達(dá)佐;馬曉亞

1.一種用于確定音素發(fā)音時(shí)長的方法，其特征在于，所述方法包括：

獲取待合成語音對(duì)應(yīng)的文本；

提取所述文本的文本特征；

將所述文本特征導(dǎo)入預(yù)先建立的第一時(shí)長確定模型，生成發(fā)音時(shí)長類型序列，其中，所述發(fā)音時(shí)長類型序列中的發(fā)音時(shí)長類型與所述文本對(duì)應(yīng)的音素序列中的音素對(duì)應(yīng)，所述第一時(shí)長確定模型用于表征文本特征與發(fā)音時(shí)長類型序列之間的對(duì)應(yīng)關(guān)系；

根據(jù)所生成的發(fā)音時(shí)長類型序列和預(yù)先設(shè)置的對(duì)應(yīng)關(guān)系信息，確定所述文本對(duì)應(yīng)的音素序列中各個(gè)音素的發(fā)音時(shí)長，其中，所述對(duì)應(yīng)關(guān)系信息用于指示發(fā)音時(shí)長類型與發(fā)音時(shí)長的之間的對(duì)應(yīng)關(guān)系。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一時(shí)長確定模型是通過以下步驟得到的：

獲取第一訓(xùn)練樣本集，其中，第一訓(xùn)練樣本是關(guān)聯(lián)設(shè)置有音素的發(fā)音時(shí)長的音頻信息；

利用所述第一訓(xùn)練樣本集訓(xùn)練第一神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場模型，得到第一時(shí)長確定模型，其中，第一神經(jīng)網(wǎng)絡(luò)的輸出是條件隨機(jī)場模型的輸入。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)的輸出包括所述音素序列中的每個(gè)音素對(duì)應(yīng)的概率序列，其中，該音素對(duì)應(yīng)的概率序列中的概率為該音素的發(fā)音時(shí)長屬于預(yù)先設(shè)置的發(fā)音時(shí)長類型的概率。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述發(fā)音時(shí)長類型是通過以下步驟得到的：

確定音素的最短發(fā)音時(shí)長和最長發(fā)音時(shí)長；

將所述最短發(fā)音時(shí)長取對(duì)數(shù)得到第一對(duì)數(shù)值，并且將所述最長發(fā)音時(shí)長取對(duì)數(shù)得到第二對(duì)數(shù)值；

確定所述第二對(duì)數(shù)值與所述第一對(duì)數(shù)值之間的差值，并且確定所述差值與預(yù)設(shè)數(shù)目的比值；

生成包括預(yù)設(shè)數(shù)目個(gè)發(fā)音時(shí)長類型的發(fā)音時(shí)長類型序列，其中，對(duì)于所述發(fā)音時(shí)長序列中的每個(gè)發(fā)音時(shí)長類型，該發(fā)音時(shí)長類型對(duì)應(yīng)的發(fā)音時(shí)長是根據(jù)該發(fā)音時(shí)長類型在所述發(fā)音時(shí)長類型序列的位次信息和所述比值確定的。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一訓(xùn)練樣本集是通過以下步驟得到的：

對(duì)于所述發(fā)音時(shí)長類型序列中的每個(gè)發(fā)音時(shí)長類型對(duì)應(yīng)的發(fā)音時(shí)長，確定初始樣本集中是否包括關(guān)聯(lián)設(shè)置有該發(fā)音時(shí)長的樣本，其中，初始樣本是關(guān)聯(lián)設(shè)置有音素的發(fā)音時(shí)長的音頻信息；響應(yīng)于確定所述初始樣本集中不包括關(guān)聯(lián)設(shè)置有該發(fā)音時(shí)長的樣本，調(diào)整關(guān)聯(lián)設(shè)置有與該發(fā)音時(shí)長差值最小的發(fā)音時(shí)長的樣本，得到該發(fā)音時(shí)長的樣本；將經(jīng)調(diào)整得到的樣本加入所述初始樣本集，得到所述第一訓(xùn)練樣本集。

6.根據(jù)權(quán)利要求1-5中任一項(xiàng)所述的方法，其特征在于，所述方法還包括：

將所述文本特征導(dǎo)入預(yù)先建立的第二時(shí)長確定模型，生成所述文本對(duì)應(yīng)的第二發(fā)音時(shí)長序列，其中，所述第二發(fā)音時(shí)長序列包括所述文本對(duì)應(yīng)的音素序列中各個(gè)音素的發(fā)音時(shí)長，所述第二時(shí)長時(shí)長確定模型用于表征文本特征與第二發(fā)音時(shí)長序列之間的對(duì)應(yīng)關(guān)系。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述第二時(shí)長確定模型是通過以下步驟得到的：

獲取第二訓(xùn)練樣本集,第二訓(xùn)練樣本是關(guān)聯(lián)設(shè)置有音素的發(fā)音時(shí)長的音頻信息；

利用所述第二訓(xùn)練樣本集訓(xùn)練第二神經(jīng)網(wǎng)絡(luò)，得到第二時(shí)長確定模型。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述根據(jù)所生成發(fā)音時(shí)長類型序列和預(yù)先設(shè)置的對(duì)應(yīng)關(guān)系信息，確定所述文本對(duì)應(yīng)的音素序列中各個(gè)音素的發(fā)音時(shí)長，包括：

根據(jù)所生成的發(fā)音時(shí)長類型序列和所述對(duì)應(yīng)關(guān)系信息，生成第一發(fā)音時(shí)長序列；

基于所述第一發(fā)音時(shí)長序列和所述第二發(fā)音時(shí)長序列，確定所述文本對(duì)應(yīng)的音素序列中各個(gè)音素的發(fā)音時(shí)長。