[發明專利]語音合成方法、裝置

在審

• 申請號: 202010880219.0
• 申請日: 2020-08-27
• 公開（公告）號: CN111968618A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 張文杰;陳凌輝
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G10L13/02
• 分類號: G10L13/02;G10L15/02;G10L13/08;G10L15/183;G10L25/18;G10L25/24;G10L25/30
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 高天華;張穎玲

1.一種語音合成方法，其特征在于，所述方法包括：

將目標文本分解為多個音素，并確定每個音素的上下文特征；

對每個音素的上下文特征進行時長預測處理，得到每個音素的預測時長；

基于每個音素的預測時長對每個音素的上下文特征進行擴展處理，得到每個音素的擴展特征；

對每個音素的擴展特征進行聲學特征預測處理，得到每個音素的聲學特征，將每個音素的聲學特征合成為文本聲學特征；

將所述文本聲學特征轉換成語音信號。

2.根據權利要求1所述的方法，其特征在于，所述將目標文本分解為多個音素，并確定每個音素的上下文特征，包括：

將所述目標文本分解為多個音素，并確定每個音素的嵌入向量；

對每個音素的嵌入向量進行特征提取處理，得到每個音素的上下文特征；

所述將目標文本分解為多個音素，并確定每個音素的嵌入向量，包括：

對所述目標文本進行文本歸一化處理，得到詞序列；

將所述詞序列分解為多個音節，并將每個音節分解為多個音素；

確定所述多個音素中每個音素的嵌入向量。

3.根據權利要求2所述的方法，其特征在于，所述對每個音素的嵌入向量進行特征提取處理，得到每個音素的上下文特征，包括：

對每個音素的嵌入向量進行非線性變換，得到每個音素對應的非線性特征；

確定與每個音素的非線性特征對應的上下文特征。

4.根據權利要求1所述的方法，其特征在于，所述對每個音素的上下文特征進行時長預測處理，得到每個音素的預測時長，包括：

對每個音素的上下文特征進行線性變換，得到每個音素的預測時長。

5.根據權利要求1所述的方法，其特征在于，所述基于每個音素的預測時長對每個音素的上下文特征進行擴展處理，得到每個音素的擴展特征，包括：

將每個音素的上下文特征按照每個音素的預測時長的幀數進行等量復制，得到每個音素的復制特征；

對每個音素的復制特征進行位置編碼，得到每個音素的位置編碼矩陣；

將每個音素的位置編碼矩陣順序拼接于每個音素對應的復制特征的末端，得到每個音素的擴展特征。

6.根據權利要求5所述的方法，其特征在于，所述對每個音素的復制特征進行位置編碼，得到每個音素的位置編碼矩陣，包括：

確定每個音素的復制特征的編碼相對位置和編碼絕對位置；

根據每個音素的復制特征的編碼相對位置和編碼絕對位置對復制特征進行位置編碼，得到位置編碼矩陣。

7.根據權利要求1所述的方法，其特征在于，所述對每個音素的擴展特征進行聲學特征預測處理，得到每個音素的聲學特征，包括：

確定每個音素的擴展特征對應的上下文特征；

對每個音素的擴展特征對應的上下文特征進行線性變換，得到每個音素的聲學特征；

所述將每個音素的聲學特征合成為文本聲學特征，包括：

將每個音素的聲學特征按照每個音素在所述目標文本中的順序進行拼接，得到所述文本聲學特征。

8.根據權利要求1所述的方法，其特征在于，所述將所述文本聲學特征轉換成語音信號，包括：

根據所述文本聲學特征確定梅爾頻譜；

對所述梅爾頻譜進行逆傅里葉變換，得到基礎語音信號；

對所述基礎語音信號進行小波變換，得到去噪的語音信號。