[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

本申請提供了一種語音合成方法、裝置、電子設備及計算機可讀存儲介質；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；將文本聲學特征轉換成語音信號。通過本申請，能夠提高語音合成的效率。

技術領域

本申請涉及人工智能技術，尤其涉及一種語音合成方法、裝置、電子設備及計算機可讀存儲介質。

背景技術

人工智能(Artificial Intelligence，AI)是計算機科學的一個綜合技術，通過研究各種智能機器的設計原理與實現方法，使機器具有感知、推理與決策的功能。人工智能技術是一門綜合學科，涉及領域廣泛，例如自然語言處理技術以及機器學習/深度學習等幾大方向，隨著技術的發展，人工智能技術將在更多的領域得到應用，并發揮越來越重要的價值。

其中，語音合成作為自然語言處理技術中的一個重要的分支，也隨著技術的逐漸成熟進入了一個新的發展階段。語音合成廣泛用于機器人、語音助手等場景中，模擬自然人與用戶對話的效果。

然而，相關技術提供的語音合成技術語音合成時仍然存在不可避免的延遲，無法應用于一些對于實時性要求高的場景。

發明內容

本申請實施例提供一種語音合成方法、裝置、電子設備及計算機可讀存儲介質，能夠提高語音合成的效率。

本申請實施例的技術方案是這樣實現的：

本申請實施例提供一種語音合成方法，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。

本申請實施例提供一種語音合成裝置，包括：

文本分析模塊，用于將目標文本分解為多個音素；

聲學模型模塊，用于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；

聲碼器模塊，用于將所述文本聲學特征轉換成語音信號。

上述方案中，所述文本分析模塊，還用于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；

上述方案中，所述聲學模型模塊，還用于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。

上述方案中，所述文本分析模塊，還用于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。

上述方案中，所述聲學模型模塊，還用于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。

上述方案中，所述聲學模型模塊，還用于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。