[發明專利]英文語音的合成方法及系統、電子設備及存儲介質

在審

• 申請號: 202010534462.7
• 申請日: 2020-06-12
• 公開（公告）號: CN111710326A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 周明康;羅超;吉聰睿;李巍;胡泓
• 申請（專利權）人: 攜程計算機技術（上海）有限公司
• 主分類號: G10L13/08
• 分類號: G10L13/08;G10L13/04
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 薛琦;張冉

本發明公開了一種英文語音的合成方法及系統、電子設備及存儲介質。其中，英文語音的合成方法包括：將目標英文文本轉換為對應的文本向量；提取與目標句式對應的模板音頻的參數，并將所述參數轉換為對應的參數向量；其中，所述參數用于表征所述模板音頻的語調特征；將所述文本向量與所述參數向量拼接后輸入聲學模型，預測得到對應的聲學特征；將所述聲學特征轉換為可播放的音頻。本發明利用英文文本與模板音頻的參數合成對應的音頻，使得機器能夠帶有語調播放相應句式的英文，并且能夠保證語音合成的質量以及實時性。

技術領域

本發明涉及語音合成技術領域，特別涉及一種英文語音的合成方法及系統、電子設備及存儲介質。

背景技術

現有的語音合成技術主要分為拼接法和參數法。其中，拼接合成方法是預先錄制好大量的語音，然后根據需要合成的文本選擇所需的基本單位的語音進行拼接，合成語音。拼接合成方法雖然合成的語音質量較高，但是需要錄制的音頻數據量巨大，成本很高。而參數合成方法是根據統計模型來產生每時每刻的語音參數，例如基頻、共振峰頻率等，然后通過聲碼器將這些參數轉化為聲音。但是參數合成方法的信息丟失大，合成的聲音不夠清晰、自然。

發明內容

本發明要解決的技術問題是為了克服現有技術中的上述缺陷，提供一種低成本且語音合成質量較高的英文語音的合成方法及系統、電子設備及存儲介質。

本發明是通過下述技術方案來解決上述技術問題：

本發明的第一方面提供一種英文語音的合成方法，包括：

將目標英文文本轉換為對應的文本向量；

提取與目標句式對應的模板音頻的參數，并將所述參數轉換為對應的參數向量；其中，所述參數用于表征所述模板音頻的語調特征；

將所述文本向量與所述參數向量拼接后輸入聲學模型，預測得到對應的聲學特征；

將所述聲學特征轉換為可播放的音頻。

較佳地，在將目標英文文本轉換為對應的文本向量的步驟之前，還包括：

對目標英文文本進行正則化處理；和/或，

將目標英文文本中的中文符號替換為對應的英文符號；和/或，

將目標英文文本中的數字轉換為對應場景下的英文單詞。

較佳地，利用如下方法訓練所述聲學模型：

將英文文本轉換為對應的文本向量；

提取針對所述英文文本錄制的音頻的參數，并將所述參數轉換為對應的參數向量；

將所述文本向量與所述參數向量拼接后輸入聲學模型，預測得到對應的聲學特征；

根據所述文本向量與所述聲學特征的對齊效果調整所述聲學模型的參數，直至所述文本向量與所述聲學特征完全對齊。

較佳地，所述聲學模型為自回歸網絡，其中，在訓練聲學模型階段，利用之前幀的真實聲學特征預測當前幀的聲學特征。

較佳地，所述目標句式為陳述句、祈使句、疑問句或感嘆句；和/或，

所述參數包括基頻的均值、方差、最大值、最小值，以及能量的均值、方差和最大值；和/或，

所述聲學模型包括編碼單元和解碼單元，所述編碼單元包括2層CNN(Convolutional Neural Networks，卷積神經網絡)模型和2層雙向LSTM(Long Short-TermMemory，長短期記憶網絡)模型，所述解碼單元包括1層CNN模型和3層雙向LSTM模型；和/或，

所述聲學特征為梅爾譜特征。

本發明的第二方面提供一種英文語音的合成系統，包括：